815全台大停電，你搞清楚發生什麼事了嗎？

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

我們的能源從哪裡來、往哪裡去？

全球每年對能源的需求量相當巨大，若用「瓩時」──即一度電這樣的度量單位──來表示會出現天文數字，因此改用「太瓦時」（TWh）來表示，太瓦時等於 10 億瓩時。

在一八〇〇年，全球約有 10 億人口，當時對能源的需求約為 6000 太瓦時；而且幾乎全部來自傳統的生質能源。到了二〇一七年，全球人口達到 76 億，發電量增加了 25 倍（156000 太瓦時）。

下圖顯示在二〇一七年全球主要能源消耗總量的百分比，其中近 8 成為化石燃料。其他再生能源包括風能、太陽能和地熱能，其中成長最快的是風場和太陽光電場。生質能源則主要來自傳統生質能源。

大約有 1/3 的全球能源消耗在將化石燃料轉化為電力和精煉燃料上。

剩下的稱為最終能源需求（final energy demand），是指用戶消耗掉的能源：每年約 10 萬太瓦時。

大約有 10％ 是來自開發中國家傳統生質能的熱，22％ 來自電力，38％ 用於供熱（主要來自化石燃料） 30％ 在交通運輸。熱能和電能主要都是用於工業和建築。汽油和柴油幾乎提供了所有用於運輸的燃料。

怎麼做比較不浪費？能量轉換效率大比拚！

我們看到供熱與供電一樣重要。兩者都可以用瓩時為單位，也就是一度電來測量，雖然電可以完全轉化為熱量，例如電烤箱，但只有一小部分以熱能形式存在的能量可以轉化為電能，其他的必然會散失到周圍環境裡。

在火力發電廠中，存在於化石燃料中的化學能會在燃燒後轉化為熱能。這會將水加熱，產生蒸汽，蒸汽膨脹推動渦輪的葉片，轉動發電機。只有一部分熱量被轉化成電力；其餘的熱量在蒸汽冷凝，完成循環時，就轉移到環境中，成了殘熱。

這份熱電轉化的比例可透過提升高壓蒸汽的溫度來增加，但受限於高溫下鍋爐管線的耐受度。

在一座現代化的火力發電廠中，一般熱能轉化為電能的效率約為 40％。若是在較高溫的複循環燃氣發電機組（combined cycle gas turbine，CCGT）裝置中，這個比例可提高到 60％。

同樣地，在內燃機中也只有一小部分的熱量可以轉化為車子的運動能量（動能）；汽油車的一般平均效率為 25％，柴油車則是 30％，而柴油卡車和公車的效率約為 40％。

另一方面，電動馬達的效率約為 90％，因此電氣化運輸將顯著減少能源消耗。這是提高效率和再生能源之間協同作用的一個範例，這將有助於提供世界所需的能源。

再生能源的過去跟未來

在十九世紀末，水力發電的再生資源幫助啟動了電網的發展，在二〇一八年時約占全世界發電量的 16％。而在再生能源──風能、太陽能、地熱能和生質能源──的投資上，相對要晚得多，是在二十世紀的最後幾十年才開始。

起初的成長緩慢，因為這些再生能源沒有成本競爭力還需要補貼。但隨著產量增加，成本下降，它們的貢獻開始增加。這些其他再生能源發電的占比已從二〇一〇年的 3.5％ 上升到二〇一八年的 9.7％，包括水力發電在內，再生能源的總貢獻量為 26％。

不過，就全球能源的占比，而不是僅只是考慮用戶消耗的電力來看，再生能源僅占約 18％，而傳統生質能則提供約 10％ 的能量。隨著太陽能和風能的成本在許多國家變得比化石燃料更便宜，它們在總發電量中的占比有望在未來幾十年顯著增加。

這世界花了很長的時間才意識到這一事實，從現在開始，再生能源勢必將成為主要的能源來源。

——本文摘自《【牛津通識課02】再生能源：尋找未來新動能》，2022 年 6 月，日出出版，未經同意請勿轉載。

• 本文摘自柿子文化出版， 尼古拉‧特斯拉，《被消失的科學神人：特斯拉親筆自傳》。

編按：尼古拉・特斯拉（Nikola Tesla）是上個世紀的偉大科學家，諸多發明和發現，廣泛應用於後世——旋轉磁場、第一台交流電發電機、特斯拉線圈、第一台無線電發射機、Ｘ-ray攝影技術⋯⋯然而在科學作為「謀利工具」的爾虞我詐的市場，特斯拉不敵當時代的競爭對手（如騙術百出的愛迪生電力公司），而顯得沒沒無聞。

近年特斯拉的生平及貢獻重新受到重視，以下為特斯拉自傳中的童年的回憶，讓我們一起看看這位鬼才科學家童趣視野。

搬家對我來說就像是一場災難，要跟舊家的小動物們分離，讓我傷心不已，其中有鴿子、小雞、綿羊，以及隊伍壯觀的鵝群，牠們總是在清晨時分昂首向天朝著飼養場前進，在日落時分排成戰鬥隊形從飼養場回來，那整齊劃一的隊伍，足以讓當今最精良的空軍連隊自慚形穢。

然而，到了新居，看著窗簾外的陌生人，我感覺自己就像是蹲苦牢的囚犯。我是個非常靦腆的小孩，寧願面對一頭獅子，也不願跟那些穿著入時、遊手好閒的城市紈褲子弟打交道。但是我最嚴峻的考驗發生在星期日，這一天我的服裝儀容必須保持整潔，還要參加教會禮拜的服事。

教堂禮拜闖禍，不受歡迎的兒童

有一次我不小心闖了大禍，即使事情過去了那麼多年，只要一想到當天的情景，依舊會血液像陳年優酪乳般凝固那樣地感到心驚膽跳。那是我的第二次教會驚魂記，在那之前不久，我才在一間教堂裡被困了一晚，教堂座落於人煙罕至的深山，一年只去造訪一次。那確實是一次恐怖的經歷，但是第二次的遭遇更糟。

城裡有個女富豪，她是個好人，但喜歡擺架子。她總是盛裝打扮上教堂做禮拜，臉上畫著精緻的濃妝，裙襬拖得老長，有一群僕人隨身服侍打理。某個主日，我一敲完教堂鐘樓的鐘，便急匆匆下樓梯，恰巧碰上這位貴婦大搖大擺走出來，我一個箭步正好踩到她的拖裙。

接著，響起一陣撕裂聲，聽起來就像是技術生疏的新兵射擊發出的槍響，她的裙襬當場被硬生生地撕裂。我看到父親氣得臉色鐵青，他打了我一巴掌，雖然不是很用力，但這是他第一次體罰我，我到現在都還能感覺到那一巴掌在心裡的力度。我覺得很丟臉也很困惑，筆墨難以形容當時的心情。

經過這次事件後，我等於是社區裡的不受歡迎人物，直到後來發生了一件事，我的名譽才得以平反，使得大家對我另眼相看，重拾尊嚴。

敏銳直覺讓他重拾尊嚴！

一名年輕創業家組織了本地一支消防隊。他採購了全新的消防車和制服，還計畫做一次消防演練和遊行展示。所謂的消防車其實就是一具消防泵浦機組，由十六個壯漢共同操作，並漆上美麗的紅色與黑色。一天下午，官方測試正在準備中，消防機組被運送至河邊，全城的人都蜂擁到河邊想要一睹壯觀的演練場面。所有致詞和儀式都告一段落後，長官下達命令啟動泵浦，但是噴嘴卻噴不出一滴水，現場的教授和專家也束手無策，找不出問題所在，眼看演練就要失敗了。

我當時還沒有任何機械方面的知識，對於氣壓沒有一點概念，但是直覺告訴我是河中的抽水軟管出了問題。我走近看到它塌陷在河中，於是下水將它打開，大量的水突然湧出，將我身上所穿的主日服噴濕了一大片。

阿基米德沐浴時發現浮力理論，當他赤身裸體奔跑過義大利敘拉古（Syracuse）街道，聲嘶力竭高喊「我找到了！」（Eureka）時所引起的騷動，還遠遠不如我當日受到的矚目，那一天我成了英雄，被人們扛在肩膀上，接受群眾熱烈的歡呼。

捕鴉冠軍手，引來鴉群動怒！

我們一家人在新居安定下來後，我進入師範學校開始了一個四年制的課程（即基礎小學教育），為進入大學或是文實中學（Real Gymnasium，一種中等教育體制，一般為五年級至十年級，高等文實中學則約為高中，但都較偏實科）做準備。這段時期，我仍然繼續我的孩子氣發明，當然也繼續製造麻煩。

此外，我還博得了「捕鴉冠軍手」的響亮名號。老實說，我的捕捉方法很簡單──進到樹林後，便躲在灌木叢後面，模仿烏鴉叫聲。通常，我會先得到幾聲回應，不久之後就會有一隻烏鴉飛到我附近的灌木叢。接下來要做的，就是把一片紙板朝牠丟過去，藉此分散牠的注意力，趁牠飛走逃脫之前，趕緊跳出來捉住牠。然而，一次意外事件讓我不得不對牠們另眼相看。

有一天，我捉到了一對漂亮的烏鴉，正當我和朋友一起往回家的路上走，準備離開樹林時，數千隻烏鴉突然群集在我們頭頂上空，發出恐怖的聒噪聲。幾分鐘後，牠們做出攻擊態勢，將我們兩個團團包圍起來，一開始我還覺得有趣好玩，直到後腦勺遭到一陣攻擊，把我撲倒在地，才覺得不對勁。接著，牠們朝我猛烈攻擊，我只得把捉到的兩隻烏鴉釋放。儘管如此，我還是開開心心地跑去跟朋友會合──他早已經躲到洞穴中藏身了！

被責罵的嗜好，成就偉大的水力發電廠

教室裡有一些讓我感興趣的機械模型，把我的注意力轉到了水渦輪機。我動手製造了許多水渦輪機，從操作中感受到巨大的快樂。若要形容我的人生際遇是何等奇妙，也許可以從這一個小插曲窺見一斑。我的叔叔不喜歡我這類消遣嗜好，所以我不只一次受到他的責罵。

我曾在書中讀到關於尼加拉大瀑布的描述而為之深深著迷，並在腦海中勾勒想像利用它的澎湃水力運轉的巨大渦輪，我告訴叔叔我將來有一天會去美國實現這個計畫。三十年後，我看到我的發想在尼加拉大瀑布實現成真（一八九五年，特斯拉為美國尼加拉水力發電廠製造發電機組，至今仍是世界知名的水力發電廠之一），也讓我對心智奧祕的深不可測驚歎不已。

——本文摘自泛科學2020年12月選書《被消失的科學神人：特斯拉親筆自傳》，柿子文化，2019年01月。

2017 年 8 月 15 日下午 16:51 起，在臺灣各地發生的大規模無預警停電，全台灣共 17 個直轄市、縣市共約 592 萬戶用電受到影響。當天的分區停電直至晚間 21:40 才正式解除。到底發生了什麼事？真的是因為台灣缺電嗎？電力系統調度到底做了什麼呢？

事件起因

當天下午當時發電量 438.42 萬瓩（佔當時發電能力的 11.94%）的大潭電廠，來自中油的天然氣供應突然中斷，導致六部機組跳機，整體電力供應瞬間減少近百分之十二。

全台瞬間少了百分之十二的供電，然後呢？

電力系統的運作，需要供應方（發電廠）與負載方（電力用戶）達成供需平衡。當天大潭電廠跳機瞬間減少電力供應，系統上的用戶不可能自動降低需求（又不知道有事故發生了），因此整個電力系統就出現了嚴重的供需不平衡。

發電不夠的情況下，電力系統會由還在線上的發電機組汲取更多的能量以供給用戶──但如果這些機組負荷不了，很有可能也會跟著跳機，從而造成電力系統進一步崩潰。而判斷電力系統穩定程度的一個重要依據，就是電力系統內的「頻率」。如果發電機組負荷太大，發電機組的轉速會變慢，而造成電力系統的頻率下降。

16:51「低頻卸載」自動執行

現行台灣的交流電系統維持的頻率為 60 Hz，電力系統上裝有電力保護裝備「低頻電驛」在偵測到發電頻率降低到一定程度時，就會自動執行「低頻卸載」：系統自動切斷一部分用電，以維持電力系統的穩定──這也就是第一波無預警斷電的由來。

低頻電驛於 16:51 分自動啟動，卸載了 336 萬瓩，影響約 154 萬戶。低頻卸載再加上緊急調度抽蓄機組（水力發電），電力系統頻率於 16:58 恢復穩定。好的，現在看起來系統不至於崩潰了（汗），如果你是電力系統的調控者，接下來該做什麼呢？

還有用戶在斷電中，系統缺了大約三百多萬瓩的電力，當然是把能打開的發電系統通通打開啊！（還有搞清楚大潭到底怎麼回事）

18:00-21:40「分區限電」恢復發電能力

但對所有人來說很不幸的，發電機組跟家用電器不同，並不是按個開關就完成開機了。（嗚嗚嗚）

視不同的發電種類，有些能配合開機，有些老天不賞飯吃也沒辦法，還有些開個機就需要至少半天的時間。而就算只是想要提高輸出功率，需要時間；發電機組從頭開機，需要時間；將電力併聯上網，需要時間。被「斷氣」的大潭電廠也需要時間檢查才能從頭啟動、完成併聯發電。

因此這時需要時間才能讓發電能力提高到足以供給所有用戶的需求──明顯不夠用時就只能實施「分區限電」。在這個階段中，被分為 A-F 組別的用戶會依情況輪流停電，每區限電以 50 分鐘為限，直到供電能力回復。

• 覺得以上的說明不夠動感嗎？你可以看看以下影片。

在停電之後：你可能想知道的幾個關鍵字

815 大停電的影響十分廣泛，光是受困電梯的案例就高達 900 多件。除了檢討中油換個開關就可以放倒全台的電力供應（真的沒有007入侵大潭嗎），亦有人開始檢討目前的能源政策是否使得電力系統的備用與備轉不夠充裕。在討論這個部分之前，我們需要來一點名詞解釋。

備用容量：通常指電力系統中較為長期（如一整年）的發電能力與預期尖峰時間負載的電力需求差額，規劃時須將機組的維修、老化等狀況納入考量。這部分會跟機組配置、投資供電成本的預算規劃有很大的關聯。

備轉容量：指當天可以調度的發電能力的與尖端負載的餘額。這部分除了跟備用容量規劃時提供的機組數量有關，還與各機組安排歲修、保養的時程有關。

關心電力供需的夥伴或多或少都知道，近年來每逢夏天最火熱、用電最吃緊的時節，大家都會眼巴巴的注意台電的尖峰備轉容量率（這裡讓你知道今天是多少），唯恐進入限電的地獄之中啊啊啊。

所以如果砸大把銀子提高備轉容量率，815 就不會大停電了嗎？

嗯這個，其實只大概回答了一半的問題。在 815 大停電的情境中，斷電當時的備轉容量率是 5.51 % (203萬瓩，當天在尖峰只有 3.17 %)，而大潭電廠跳機瞬間損失了超過一成的供電──所以在當時的情境下鐵定不夠用。

而即使備轉容量率提高至 15 % 好了（近年尖峰備轉容量都在 6% 左右徘徊），也並不代表在這種瞬間失去一成電力的狀況下就不會停電或者可以達到快速復電──這與發電機組的特性有關。所有的發電機組，無論是由啟動到併聯至電網，或是已在線上提高輸出功率也還是需要時間──需要多少時間完全看機組的特性。

所以如果當時有餘裕的機組無法快速反應，後面幾個小時的分區限電也是無法避免的。到這裡一定有人想到了，所以為了避免有意外發生，應該要安排有快速反應能力的備轉 stand by 才對吧！

對的，目前技術除了了水力發電可以在幾分鐘內上線（但能負擔的發電量很低），另外一個選擇則是可以在兩個小時內滿載的燃氣發電──事實上，這正是大潭電廠起初設置規劃的角色³，作為中載尖載與緊急時使用的備援電廠。而 815大停電的前夕，雖是非用電尖峰的傍晚時分，但如出事的大潭，與通霄、興達、南部電廠……等具有相對快速升降載能力的燃氣電廠，也都發好發滿，在沒有調度機組的情況下，任何一個環節出了狀況，就導致了無預警斷電，全台一起看星星。（無誤）

• 註：下圖資料所顯示各機組從開機至併聯發電、滿載一般性升降之時間，與跳機後滿載所需之時間不同。僅供理解參考，不能完全顯示 815大停電當天機組調度之情況。資料來源：台灣電力公司。
• 因各機組型式、容量、設計等互異，起動至併聯時間均不同，僅以815事故當天相關機組為代表時程，並非所有機組起動時程均如所列。 （台電資料來源的原始註記）

一年過去了，事情有改善了嗎？

事件的起因，在於大潭電廠的天然氣管線僅由單一管線供氣，而且供氣控制系統的設計顯然很有問題，因為操作疏失就關掉了整個管線的天然氣來源……

除了檢討的作業流程，事後中油亦提出短中長期計畫，希望開闢「雙迴路、雙氣源」的第 2 條迴路分散風險，施工期預計約 2 至 3 年。而這項施工原來預計與規畫於桃園觀塘的天然氣第三接收站一同動工，但第三接收站，因涉及藻礁生態爭議，於 7 月 3 日被「環差會議」退回，尚待 9 月份環評大會審議。（詳見這裡或這裡）

一年後的今天，大潭電廠仍只靠單一迴路供氣……

在意外發生時可以應付衝擊的備轉容量率、以及備轉機組規劃，到今天有進一步改善了嗎？

一年後的今天的尖峰備轉容量率是 6.36%，所有電廠依舊是餘裕很少地努力工作著呢。

行政院的《815 停電事故行政調查專案報告》，有興趣的夥伴可以從中找到更多有趣的細節。

1. 行政院：815 停電事故行政調查專案報告
2. 台灣電力公司
3. 從大潭、通霄電廠是不是「蚊子電廠」談起燃氣發電甘苦經驗