練光祐／臺灣大學電機工程博士，現任臺北科技大學電機工程系特聘教授。

 

 

臺灣以半導體產業及精密製造技術享譽全球，這些精密的生產線廠房需要依靠冰水空調系統提供冷能，才能夠長年維持在適宜的溫度及濕度。冰水空調系統在廠房中的耗能占比大，因此如何提高系統效率一直是業者關注的焦點。於是本文將利用人工智慧（artificial intelligence, AI）幫助冰水系統調控運轉參數，探討提高節電效率的方法，並因應台電的平移尖峰用電的優惠措施，討論如何利用 AI 最佳化儲冰系統的釋冷排程，以節省電費。

 

什麼是冰水空調系統？

冰水空調系統是大型建築物採用的空調模式，在文教商業大樓及各式廠房都舉目可見。尤其在高科技產業的面板與半導體廠，為了符合精密製程及高度自動化生產的需要，冰水空調系統幾乎全年整日運轉，以維持廠房的溫溼度處在最適宜的區間。而冰水系統的耗能與系統的參數設定緊密相關，參數調控會直接改變廠房的溫濕度，進而影響製程良率和產品品質。在龐大的冰水系統中，參數調控與溫溼度之間的關係錯綜複雜，加上攸關製程良率且變數太多，難以採用工程技術上常用的嘗試錯誤法（trial and error）去調整參數值。因此為了避免造成產線重大損失，業者大抵遵循傳統一貫的參數設定值，不輕言改變。於是在不影響廠房既有溫濕度設定的情況下進一步提升冰水系統的節能效率，就成為極富挑戰的任務。

為了壓低尖峰負載，台電於十多年前開始實施「儲冰式空調系統離峰用電優惠措施」，以六折計算離峰時間的流動電費；又於 2015 年進一步推出「需量競標措施」，讓用戶就自身願意減少的用電量自訂回售價格，與其他參與用戶及台電發電機組相互競價，得標後若確實減少用電，就可獲得電費扣減。這兩項措施都具有很大的誘因，可以幫助業者省下大筆電費。將尖峰用電平移至離峰時間的具體作法如下：讓冰水空調系統外接儲冰或儲冷槽，並選擇電價便宜的時間製冰（離峰及半尖蜂時間），再以冰的形態儲存冷能；等到電價貴的時候（尖峰時間），利用融冰釋放的冷能，取代原本全部由冰水壓縮機所供應的冷能，達到省電的目的。這兩項措施對於台電而言，則可以騰出此部分電力，更有餘力應付尖峰負載需求。

 

冰水式空調系統的運作

冰水空調系統是由冰水主機、冷卻水塔、外氣空調箱，以及水泵（加壓馬達或抽水馬達）等主要設備透過流體管路連結所組成（圖一），它能將室內產生的熱源藉由熱交換原理，依序透過冰水循環、冷媒循環（在冰水主機內），以及冷卻水循環將熱傳遞至戶外。具體的運轉方式是由冰水主機供給如 14°C 的冰水至外氣空調箱，讓外氣空調箱調節室內的溫濕度，再將室內的熱源帶回至冰水主機；接著冰水主機本身的冷媒循環透過蒸發及冷凝過程，將熱源傳遞至冷卻水循環側；冷卻水塔則供給如 26°C 冷卻水至冰水主機，最後將冰水主機的熱源攜帶至冷卻水塔並釋放至大氣之中。在冰水及冷卻水循環中各處的溫度值、溫度差以及流速等參數設定、參數間的互相作用，加上大氣中溫溼度改變，均會影響到耗電量。

 

▲圖一

 

冰水空調系統的運轉參數不僅受到天氣及室內熱負荷影響，循環管路內各個設備之間也會相互影響節能效益，相同設備也存在機體差異（運轉特性不同），總計要考慮的運轉參數多達 200 多個。傳統上常使用物理定律或經驗法則來建構運作模型，再搭配最佳化演算法來搜尋節能操作點，然而此方法難以把所有因素都考量進去，得到的結果往往脫離不了模型誤差範圍，所以收效甚微！

由於上面提到的種種問題，加上冰水空調系統相當龐大且複雜，因此希望利用 AI 幫助冰水空調系統節省電費。以下為筆者的研究團隊近年來利用 AI 協助國內著名面板廠冰水系統節電的實際歷程、解決方法以及成果。

 

案例一：與 AI 結合的冰水空調系統

我們應用 AI 領域的深度學習（deep learning）處理面板廠區中由四臺冰水主機，以及 14  臺冷卻水塔組成的龐大冰水空調系統（圖二）：

 

▲圖二

 

1. 運轉大數據建立初步模型

在此廠區的冰水系統中，關鍵節點都設有感測器，隨時回傳數據並記錄，所以擁有過去幾年的大量運轉數據。因此可用來建立各個子系統的初步運轉模型，以及耗能模型。

2.生成對抗網路

生成對抗網路（generative adversarial network, GAN）是一種深度學習的方法，透過兩個人工神經網路不斷互相對抗來進行學習。為了探索節能可能性，我們利用 GAN 建立某些數據庫區中缺少或者極稀少數據的運轉區間模型，幫忙查缺補漏。

3. 建立數位分身的嘗試

如果可以建立重要參數的順向模型——宛如實體系統的數位分身（digital twin），佳化的過程便可拾級而上，然而在一關鍵步驟的順向模型誤差甚大，無法完成。幸好我們能夠透過誤差、建立精確的逆向模型，雖然讓參數佳化的搜索過程變得複雜，但是可行。

4. 分而治之：應用分治法

使用分治法（divide and conquer）將巨大且複雜的系統分解為多個次系統的最佳化問題，以開發模組化的節能技術，例如冰水出水溫、冷卻水循環、冰水主機負載調配等。

5. 精確的節能評估

我們實際測量每個時刻的環境參數及熱負荷數值，透過大數據搜尋出非常相近的所有過往時刻，取出耗電量均值做為當下改善後耗電量的比較標準，以實現公允的節能效益評估。

 

本項技術目前已經實際應用在好幾個面板製造廠區，證實了它的節能效益（圖三）。實驗結果顯示，此 AI 方法能幫助某單一廠區每日節省 1014.5 度電（kW/h）的耗能。

 

▲圖三。圖片提供／《科學月刊》，圖片來源／練光祐

 

案例二：與 AI 結合的儲冰式空調系統

儲冰式空調系統可視為冰水空調系統的延伸，增加儲冰槽、鹵水主機等設備。當處於離峰電力時段（如下午 10 點 30 分～早上 7 點 30 分），系統會運轉鹵水主機於儲冰槽製冰，等到白天用電尖峰時段將冰融化釋出冷能，以節省冰水主機在尖峰時段的用電量。這個案例是研發大樓內儲冰式空調系統，在我們開發的融冰控制策略中，可調控冰水主機出水溫度、儲冰槽出水溫度、流量分配閥門開度，這三項參數會影響冰水主機與儲冰槽「如何因應熱負荷的需求」和「分別提供多少冷能」，並且在有限的儲冰槽冷能與時間電價收費標準下，查找最佳調控參數的排程，以及它導致的釋冷排程，達到最小化所需電費的目的。儲冰槽採用固定出水溫釋放冷能是慣常的運轉模式，如果知道當天的環境參數及熱負荷，就可以求得一個最佳的固定出水溫，可惜我們在設計模型時不會知道未來使用時的當天情形，所以只能事後諸葛分析我們設計的模型和最佳模型之間的差距。根據歷史數據的模擬結果來看，即使和最佳固定出水溫相比，採用 AI 的動態出水溫排程還是能夠幫助該系統進一步節省 3.45% 的電費。由上述兩個案例可以看到，AI 與空調系統的結合已有具體成效，成功提升了冰水系統的節能效率。

冰水空調系統的節能調控需要在複雜的系統和眾多交互影響的因素下，尋找出最佳的參數，是原本工程方法難以圓滿解決的問題。如今，隨著大數據資料的積累沉澱，已發展出驅動深度學習方法來建構精確的運轉及耗能模型，讓我們得以搜尋演算法找出最佳的調控參數，迎刃而解這些難題，達到節能省電的目的。這樣的解決方案不需要採買或更新任何硬體設備，而且透過不同廠區的落地實測，證實它是適用及有效的解決之道。

 

⇠上一篇：結合生物學、統計學、資訊學的科學 生物資訊學是什麼？

停電時醫院該怎麼辦？醫院的供電架構與停電對策大解析：下一篇⇢

 

本文轉載、修改自《科學月刊》2022 年 6 月