迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
「加 壓 馬達啟動頻繁」的推薦目錄:
- 關於加 壓 馬達啟動頻繁 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
- 關於加 壓 馬達啟動頻繁 在 媽媽監督核電廠聯盟 Facebook 的最佳解答
- 關於加 壓 馬達啟動頻繁 在 劉小貝peishan Facebook 的精選貼文
- 關於加 壓 馬達啟動頻繁 在 請問一下九如牌加壓馬達頻繁啟動.... - Mobile01 的評價
- 關於加 壓 馬達啟動頻繁 在 加壓馬達頻繁啟動調整壓力開關- YouTube 的評價
- 關於加 壓 馬達啟動頻繁 在 鑫輝品建築社區- 府上加壓馬達是否啟動頻繁?... | Facebook 的評價
- 關於加 壓 馬達啟動頻繁 在 加壓馬達啟動慢的推薦,PTT和網路上有這些評價 的評價
加 壓 馬達啟動頻繁 在 媽媽監督核電廠聯盟 Facebook 的最佳解答
打開電力新視野 - 日月潭抽蓄發電成典範 光輝歷史 風華再續(06/01/2020 台電月刊690期)
讓我們避免無謂的口水戰、意識形態先入為主,報真導正,回歸客觀、持平、專業的角度來看待能源轉型的各面向議題。
文後還有一系列相關的議題探討、解析,也頗值得大家參考。
台電月刊第690期封面故事專題企劃 - 日月潭抽蓄發電成典範 光輝歷史 風華再續
日月潭擁有全臺唯二的抽蓄水力電廠,在迎向能源轉型的今日,抽蓄機組肩負尖峰急救電力、確保供電穩定的重任,更許諾日月潭的永續經營。
來到日月潭,總讓人放慢腳步,欣賞一年四季、晨昏變幻的美,加上環湖步道與休憩設施完善,每年吸引超過600萬人次造訪,2019年更獲選全球百大綠色旅遊目的地。
然而,一般人可能不知道,日月潭不僅具有觀光休憩功能,還是提供發電的大型水庫。日月潭每日水位有將近2公尺的水位落差,這不是潮汐現象,而是台電大觀二廠、明潭發電廠每日進行抽蓄發電造成,順此變化,遊艇停靠區的碼頭設計多採用浮排;日月潭能保持清澈、避免優氧化,原因之一是抽蓄發電使潭水經常在上池(日月潭)及下池(明湖水庫、明潭水庫)間流動所致;當地餐廳供應的鮮美潭魚,則來自台電每年放養魚苗、嘉惠漁民;身為日月潭水庫管理機構,台電還肩負著水庫清淤與集水區邊坡維護工作,讓美景長青。
水力發電原鄉 再續光輝歷史
早在日治時期的1930年代,臺灣電力株式會社(台電前身)奠立了日月潭複雜的水力發電系統,興築水社壩與頭社壩形成日月潭人工湖,潭水來自濁水溪上游,在南投縣仁愛鄉武界地區築壩攔水,經15公里長的引水隧道,引水注入日月潭,形成「離槽水庫」(即不建在溪流本流上的水庫,與「在槽水庫」相對),同時利用水位落差引水至兩座發電所(即今大觀一廠與鉅工分廠)進行發電,發完電的水再度回歸濁水溪,流經下游集集攔河堰以供應彰、雲地區的農、工、民生用水。
1970年代「第一次世界能源危機」之後,世界各國紛紛投入開發抽蓄水力發電,加上1970年代末,臺灣經濟快速成長,尖峰用電需求急遽增加,政府乃提出抽蓄發電計畫,大觀二廠、明潭發電廠先後於1985年及1995年落成啟用,明潭發電廠完工時是當時亞洲第1大、世界第4大抽蓄電廠。兩廠分別可輸出最高100萬瓩及160萬瓩電量,占今日全臺總裝置容量約6.2%,至今仍是臺灣僅有的兩座抽蓄電廠。
如果以球隊成員來比喻不同類型的電廠在電力系統裡的角色,抽蓄電廠就像一位可靠而敏捷的「備援投手」。發電處李崇賓處長指出,這是因為抽蓄機組有「起動迅速、升降載速度快、線上調度及離峰抽蓄儲能」4項特點,遇到系統負載尖離峰變化過於劇烈,或是發生大型機組跳脫導致系統頻率下降,它都能在短短數分鐘內立刻上場救援。同時,抽蓄水力發電原始設計理念是利用離峰時段剩餘電力抽水,在白天尖峰時刻放水發電,以替代其他較昂貴的發電方式,有降低發電綜合成本之效。
抽蓄發電將水資源循環利用
抽蓄電廠與日月潭風光休戚與共,然而,環湖一圈也難見廬山真面目,得翻過西側的阿里眉山來到南投縣水里鄉,往濁水溪支流的水里溪畔探尋。
來到大觀發電廠廠區,訪客第一眼總被山頂磅礡直下的5支綠色壓力鋼管所吸引,下方連接的土黃色平頂廠房為1934年建成的大觀一廠,明湖水庫則位於一廠北端,順河谷地形而建。
大觀二廠從日月潭西側水社附近取水,水從兩條各2,380公尺及2,350公尺的引水隧道,一路穿過中潭公路下方,再由壓力鋼管輸送至發電機組;明潭發電廠亦有兩條引水隧道,不同是在過河段有明管跨越頭社溪,在明湖水庫下游的水里溪築壩成明潭水庫。
抽蓄發電的原理是,水輪機帶動發電機順轉方向即發電,當離峰用電時段,再利用系統剩餘電力,將發電機反轉作為馬達帶動水輪機,把下池儲存的水順原水路,抽送回上池蓄存待用,如此循環利用,完全不浪費水資源。
來訪這天,大觀發電廠黃陵育副廠長帶領我們走至明湖水庫壩頂,愈靠近山壁的4道尾水閘門,愈能聽見從地底深處傳來的隆隆聲響。「這是大觀二廠正在發電,尾水排放的聲音。整座地下廠房就藏在山腹內,距離下池水面還有70至80公尺深!」黃陵育解釋,這是抽蓄機組的必要深度,「因抽水運轉啟動前,為了減輕動輪的阻力,必須先將原本充滿水輪機的水,利用空氣壓力向下壓。」
深入發電心臟 一窺抽蓄機組奧秘
要進入地下廠房,得從隧道深入。抽蓄電廠的裝置容量大,因此設備也比其他大型水力電廠來得龐大與複雜,而明潭發電廠地下廠房的量體,是所有地下廠房中最大的,其頂拱距地表約300公尺,內部空間縱向高度46公尺、長158.4公尺、寬22.4公尺,看不見的連續壁厚達2至3公尺。
大觀發電廠土木組張立平經理30多年前曾參與抽蓄工程營造,他回憶,「地下廠房開鑿時得另挖橫坑,將土石不斷清運,也要處理岩壁滲水問題。」當時有人形容開挖範圍之大:「將台電大樓結構物橫放進去,綽綽有餘」。
明潭發電廠運轉組林永聯經理與供應組廖宜英經理帶我們穿梭在迷宮般的地下電廠,最頂層稱為地下1樓,為裝機台,6部發電機排成一列,上蓋燈亮表示運轉中,因大修時需要操作起重機進行拆解與組裝,空間設計得空曠、挑高;廖宜英指著屋頂上兩部移動式起重機:「大修時最重的物件是發電機轉子,約重375噸,但一部起重機最大吊重是250噸,因此必須兩部聯合操作才吊得起來。」
走至地下2至5樓,可見水輪機隆隆運轉,各層佈滿穿來引去的各種管路、水閥裝置、調相設備、監測儀表等,侷促空間卻是值班人員每日梭巡的工作場所。曾任值班主任、經歷過傳統人工操作的林永聯說,電廠值班採「4班3輪」制,即連續3天輪值大夜班、白天班、小夜班,第4天休息,如今雖改由值班主任於控制室遠端遙控操作,現場還是需要兩名值班人員定時巡視,遇到操作系統發生異常(例如漏水、漏油),要有停電檢修與故障排除能力。
維修保養有道 隨時上場應戰
為精簡人力,1999年起,明潭發電廠廠長兼任大觀廠長,各廠下設兩位副廠長;大觀發電廠又分一廠及二廠,明潭發電廠另管轄鉅工分廠、水里機組、北山機組、濁水機組,所有機組皆可由明潭發電廠遙控操作。
明潭發電廠許宗源廠長指出,抽蓄機組的起停運轉時間及發電量大小,受電力調度處中央調度中心指揮調度。「抽蓄電廠的特性是,因調度頻繁,設備耗損較大,維護、保養與檢修也相對頻繁。」他解釋,設備維修的頻率,與運轉時間及操作次數有關。以開關場的斷路器為例:抽蓄機組斷路器一天動作4、5次,操作2,000次必須檢修,操作1萬次就得更新。「抽蓄電廠6、7年就達到操作1萬次,其他水力電廠用幾十年還達不到。」
設備維護分為定期檢查及大修兩種。抽蓄機組每8至9年需進行大修,費時4個月,大修的主要項目由電力修護處負責,「光是拆卸就要花20幾天,回裝更難,需要30幾天,中間60天做檢修。」大觀發電廠曾東釗副廠長指出,為了控制工期,大修時會將不同工項一併來做,例如同時進行調速機、勵磁系統、發電機線圈的更新,零件都須事先準備,有些零件還要現場精修。
抽蓄機組大修期間等於缺少一名「備援投手」,對電力調度茲事體大,因此,電力調度處會密切掌握與協調大修時程,「2018年備轉容量在6%以下時,抽蓄機組大修就曾臨時喊停,因為此時電力系統特別需要抽蓄機組補足電力。大修開工後,若有需要延期,也要立刻向調度處說明,以做好因應。」許宗源說。
抽蓄機組必須勤維護,才能保持最佳狀態,隨時上場打仗。2015年蘇迪勒颱風襲臺,深夜裡和平、協和、麥寮發電廠接連全停電(和平、麥寮為民營電廠),導致系統頻率急降,就是靠正在抽水模式的抽蓄電廠緊急跳脫因應,才化解限電危機。又如,2019年8月,麥寮電廠因故障導致3部機組同時跳機,也是靠抽蓄機組自動卸載來穩定頻率,避免限電。
「真英雄是沒有故事可以講的,」電力調度處吳進忠處長曾如此讚揚抽蓄機組貢獻:「因為真英雄第一時間出手就把問題給解了。這就是抽蓄機組的儲能價值。」
再生能源蓬勃發展 抽蓄電廠新使命
因應政府能源轉型政策,目標2025年將有2,570萬瓩的太陽光電與風力併接於台電電網,然而,再生能源具有間歇性及瞬間出力變化劇烈的特性,對於電力系統調度的挑戰大,使得抽蓄機組的調頻服務更受倚重。
許宗源指出,過去2年來抽蓄電廠已經配合再生能源執行調度,今(2020)年太陽能併網大幅躍進,預估到今年8、9月時,太陽能加上風力的「瞬間」發電量將超過400萬瓩,「往後調度只會更加複雜,發、抽次數變得更頻繁,且不一定何時發、何時抽。」許宗源說。
他舉例,以前是白天尖峰時段發電,如今豔陽高照的中午,不可能透過火力電廠降載,只能靠抽蓄機組以太陽能的電來抽水,平衡系統負載,「最近就創下中午3部機同時抽水的紀錄。」
抽蓄機組設備操作次數增加,代表設備維修更頻繁,人力成本也相應提高。曾東釗點出,「不能讓變化追著跑,抽蓄電廠要先做好準備,積極應戰,發揮存在的最大價值。」電廠因應之道包括,年輕同仁都會派去其他廠支援大修,增加交流與磨練機會;建立大修作業指導書,現在還加上縮時攝影,讓核心技術不斷層。「同仁也要有心理準備,未來值班是日班忙、夜班也操。」曾東釗說。
擁抱綠電 與自然共生
面對再生能源併網對系統調度的挑戰,除了兩座抽蓄電廠持續配合調度,電源開發處也正著手進行「大甲溪光明抽蓄水力發電可行性研究」,是利用德基水庫做上池,下游的谷關壩做下池,目前分成「抽蓄式」與「抽水式」兩案,還在綜合考量評估中,將適時提出可行方案。
同時,台電也與民間企業合作研發大型儲能系統,甫於今(2020)年5月中旬啟用的金門塔山發電廠夏興分廠之儲能系統,是重要里程碑;推動中的智慧電網,對於再生能源預測與電網調度亦是必要基礎建設;燃氣複循環機組未來也將加入調頻服務的行列。
承接著百年光輝歷史,日月潭抽蓄發電持續締造傳奇,並許諾日月潭的永續經營,不僅是系統最忠實可靠的備援投手,也是現代電廠的綠色典範。
完整內容請見:
https://tpcjournal.taipower.com.tw/article/3969
♡
加 壓 馬達啟動頻繁 在 劉小貝peishan Facebook 的精選貼文
AVIAIR DC無扇葉闊風循環扇-推薦 安全、安心 無扇葉最安全的守護、輕鬆活化室內空氣(推薦)
夏天到了,以前傳統式電扇有時候真的會覺得聲音很大睡不著,認識到AVIAIR | DC無扇葉闊風循環扇幫我解決了噪音問題也同時解決了失眠的問題了
平常就容易對灰塵綿絮過敏,可以看到他無葉扇設計,無葉扇比較不易積灰塵綿絮,減少很多過敏原,很貼心,對於家中有毛小孩的可以減少對灰塵綿絮過敏,家中如果有小朋友的也可以很安心放心使用無葉扇設計
導風孔引入空氣,由出風口高速噴出,加強室內空氣循環,增強室內空氣流動,快速冷暖房,達到全面均勻舒適溫度
後方有可拆式後置過濾網,防止吸入灰塵綿絮
自己就可以輕鬆拆裝
滑動拆裝開關,清潔好簡單
電壓器是全球通用的
電源線接孔設計很特別,橫向鎖定,直向拔出,可以減少不小心扯到線就直接斷電了
DC馬達,靜音技術,運轉安靜
可90度出風調整,即使是上下樓層,也可迅速空氣對流
操作很簡單
說明書都有介紹
電子控制面板
按鍵操作非常簡單,有四段風速(微風~闊風),自動關機定時開關(有1hr-6hr設定)
還有用印的保證書,保固ㄧ年
超強闊風道,氣流穩定,風速集中,最高風速每秒7.5公尺,室內空氣對流,達到全面均勻舒適溫度(可配合暖氣冷氣使用,並促進空氣流通)
AVIAIR 闊風機(RQ8)造型很可愛,而且小小一台,不佔空間,重量也只有2.4kg,輕巧方便
如果家裡室內坪數較大的開冷氣要達到冷氣遠處也有涼感是非常耗電的,有一台循環對流扇會讓空氣快速對流,讓冷空氣迅速充滿整個空間~強化室內空氣對流,達到全面均勻舒適溫度,室內溫度均衡後 可避免冷氣/暖器頻繁啟動
購買連結:https://forms.gle/S3gDwTEjNtyYjq6g8
#DC無扇葉循環扇推薦
#闊風機(RQ8)R
#無扇葉設計
#安心 #放心 #安靜
#AVIAIR
加 壓 馬達啟動頻繁 在 加壓馬達頻繁啟動調整壓力開關- YouTube 的推薦與評價
Share your videos with friends, family, and the world. ... <看更多>
加 壓 馬達啟動頻繁 在 鑫輝品建築社區- 府上加壓馬達是否啟動頻繁?... | Facebook 的推薦與評價
二. 其他常見的可能問題如下: (一)馬桶的進水器故障造成加壓機頻繁啟動,最簡單的檢查方法是將馬桶的水箱蓋取下,檢查一下水位是否超過溢水管,如果確認 ... ... <看更多>
加 壓 馬達啟動頻繁 在 請問一下九如牌加壓馬達頻繁啟動.... - Mobile01 的推薦與評價
2017年1月21日 — 1.加壓馬達在無人使用及無漏水情況下,為什麼每隔1~2分鐘會啟動一次? 2.如何改善加壓馬達啟動後,振動水塔("咚")一聲的情形?(深怕夜深人靜吵到鄰居) ... <看更多>