徐筱茵、温啟良、鄭宇翔、曾偉 / 牧陽能控股份有限公司
隨著臺灣再生能源政策加速推進，表後儲能系統(Behind-the-Meter Energy Storage System; BTMESS)已成為產業用戶降低電費、提升電力韌性的關鍵基礎設施；然而單一儲能於工業場域實務應用時，常面臨負載急遽變化、設備啟停與料源波動造成之預測精度不足與供需匹配困難等技術挑戰。本文以「生質能、表後儲能與人工智慧(Artificial Intelligence; AI)三階整合架構」為研究主軸，結合生質能發電與電池儲能系統，運用牧陽能控自主研發之多層級融合負載預測系統與SmartGrid Master™複合能源調度平台，建構「負載預測—發電排程—儲能調度」三層式控制策略。於排碳效益方面，依市電Offset試算年減碳量約2,596公噸CO2e（降幅約63%），並具備木質生質能屬碳中和燃料、避免廢棄物原有處置（露天焚燒或掩埋）所衍生溫室氣體之附加環境效益，同步達成商業價值與再利用環境價值之雙軌綜效。本文同步分析臺灣BTM儲能市場機會與技術發展藍圖，為產業能源轉型提供實務參考。
【內文精選】
生質能與儲能協同調度之技術架構
1.異質電源整合的核心挑戰
生質能發電(Biomass Power Generation)與BESS動態特性差異懸殊。生質能（沼氣內燃機或氣化爐）熱慣性大，啟動至滿載需15~30分鐘，負載變動率約每分鐘額定功率5~10%；BESS則可即時響應、充放電瞬時切換。
臺灣生質能電廠主要採用厭氧消化(Anaerobic Digestion)與氣化爐(Gasification)兩種技術路線，前者以畜牧或食品加工廢水產沼氣（甲烷含量約50~70%）驅動內燃機發電(0.5~2 MW)，後者以稻殼、木質廢料等經高溫裂解產生合成氣發電(1~5 MW)；兩者均提供穩定基載，但共同面臨料源品質波動導致輸出功率±5~15%波動的挑戰。此特性恰與BESS形成互補—BESS即時響應即時填補波動缺口，生質能穩定基載則減少BESS深度放電、延長電池壽命，形成共生關係；且生質能屬碳中和電力，搭配BESS智慧調度可最大化T-REC綠電憑證申請效益。國際研究亦指出，強化學習代理已用於沼氣微市電能源調度，可提升20%能源利用率並降低儲能需求，為「生質能×儲能×AI」協同整合提供堅實學術基礎。
2.以負載預測為核心的三層式AI協同調度架構
不同於傳統以供給側建模為中心的調度思路，本研究提出以AI負載預測為核心的協同調度架構。其核心理念是：精準預測用電端負載曲線後，反向推算生質能發電排程與BESS充放電策略，使供給側精準匹配需求側，實現經濟效益最大化。架構分為三個層次（如圖二所示），各層次透過SmartGrid Master™的EDS調度引擎進行數據整合與決策優化。
圖二、三層式AI協同調度流程圖：以負載預測為決策起點
(1) 第一層：AI負載預測(AI Load Forecasting)
負載預測為協同調度之決策基礎。本研究自主開發「多層級融合預測系統」，針對工業場域四大挑戰提出解法。
① 時間尺度衝突：24小時預測切分為即時層、趨勢層與模式層，以SigmoidS-curve動態權重切換；②設備啟停急遽變化：每5分鐘即時修正，並搭配五類波動模式自動切換；③基準線偏移：具設備事件感知能力，7天內自動恢復；④時段系統性偏差：動態偏差校正。
四項機制形成閉迴路自適應框架並可邊緣部署，於實際工廠連續3個月驗證，平均絕對百分比誤差(Mean Absolute Percentage Error; MAPE)約9.2%。如表三所示，相較ARIMA、LSTM、TFT及Prophet（其MAPE多基於乾淨實驗資料），本研究為實際工廠連續3個月含設備事件之真實統計，在「即時自適應、設備事件感知、邊緣部署」三項關鍵能力上為唯一同時具備者。
▼表三、負載預測方法比較
(2) 第二層：發電排程最佳化
BiESS(Biomass-ESS)聯合控制器依據負載預測結果，反向推算生質能電廠的最佳發電排程。其核心概念是讓生質能在離峰時段維持穩定基載運行（搭配BESS充電），而在尖峰時段提升出力並與BESS同步放電，實現協同削峰 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》476期，更多資料請見下方附檔。