從IEC智慧電網看兼容並蓄的能源轉型|數位時代 BusinessNext

專業的基礎，往往來自於學術論文或研究報告。我這一系列的智慧電網文章，會根據IEC所出版的報告書來做論述，並非自己獨創。

IEC智慧電網七欄六列16區塊

為了方便廣大讀者學習，我把IEC智慧電網架構圖簡化（如圖一）。

這是一個矩陣式架構，一共是七欄六列16區塊。七個縱向的欄位分別是：發電、輸電、配電、分散式能源資源（DER）/分散式發電、用電、通訊與跨領域（crosscutting）。六個橫向列位分別是：流程、變電站所、現場、營運、企業與市場。

IEC智慧電網架構定義了16個區塊，散佈在七欄六列當中，分別是：（集中式）發電廠、通用變電站、電纜與架空線、配電自動化、現場人力、電力系統營運、企業、批發能源市場、分散式能源資源/分散式發電、先進讀表建設（AMI）、工業自動化、電子移動建設、家庭與建築自動化、零售能源市場（含虛擬發電廠Virtual Power Plant）與通訊建設與跨領域功能（電信、安全性、電磁相容性與電力品質）。寫到這裡，你可能已頭暈眼花，請不要難過，我自己也背不下來，充分理解這張圖片更重要。

圖一：IEC智慧電網架構簡圖。

「低密度集中式」而非分散式發電才是近年快速成長的領域

電力上規範集中式發電（Centralized Generation）需經過輸電網路再送到配電網路把電用掉。而分散式發電（Distributed Generation）則不需要經過輸電網路，直接連上配電網路。所以IEC特別把DER獨立成一個區塊，而不是放在發電這個項目上。

用個更直覺的方式表達電力流動的路徑（使用IEC定義的欄項目）：
1.集中式發電：（集中式）發電→輸電→配電→用電。
2.分散式發電：分散式能源資源（DER）/分散式發電→配電→用電。

我從事多年的電力研究後，觀察到多數的論述在比較集中式發電與分散式發電的優缺點，造成對立或二選一的現象。其實，雙方各有千秋，最後兼容並蓄，不會互相取代。

這裡我想聊一個新的定義：用單位面積的功率（MW/Km2）區分高密度集中式發電（High Density Centralized Generation）與低密度集中式發電（Low Density Centralized Generation）。

表一：高低密度集中式發電之比較

前者包括天然氣發電、燃煤發電、核能發電、燃油發電，後者包括地面型太陽能、陸上風電、離岸風電、水力發電與其他綠電（如表一）。

如果各位查詢全世界綠電成長相關研究報告，再參照我的分類方式，可以發現全世界裝置容量成長速度最快的領域是「低密度」集中式發電，而不是「分散式」發電，也就是說，部分人士把分散式發電當成主流市場，實為誤解。

表一中太陽能面積功率密度介於31.48至64.8MW/Km2之間，倘若太陽能的容量因素為15%，換算成有效發電功率密度約是4.72至9.72MW/Km2。而陸上風電的容量因素假設為30%，換算為有效發電功率密度約是11.41至12.74MW/Km2。

透過比較，我們可以約略看到陸上風電的發電效率比地面型太陽能高出許多，自然陸上風電發電成本比太陽能便宜許多。

如果假設離岸風電的容量因素為45%，換算為有效發電功率密度約2.32至3.74MW/Km2，可見得現階段離岸風電的成本遠大於陸上風電與地面型太陽能。

當然，這樣的計算是有瑕疵，並不能直接對應到成本上，只不過這是物理上面的限制，對於成本數字還是有一定程度的影響，所以特別拿出來說明，讓大家理解。

這個估計方式並不適用於高密度集中式發電，因為綠電沒有燃料費用，成本結構不同。同樣的概念可以估算，水力發電是目前成本最便宜的綠電。

離岸風機長大面積功率密度也會跟著長大

值得慶幸的是，離岸風機近年來有長大的趨勢，從3.6MW變成6MW、8MW，也許明後年西門子與MHI Vestas將推出10MW風機，而DONG Energy則預測2025年會看到15MW的風機。

我們看到西門子的風機從3.6MW長大到6MW時，面積功率密度從5.16 MW/Km2提高到8.31 MW/Km2，顯示風機長大確實提高了發電效率，當然也會降低發電成本。

風機長大與面積功率長大未必是線性關係，但是為了給大家一個直覺上的概念，姑且假設是線性關係。從3.6MW到6MW，風機長大67%，面積功率密度長大61%，換句話說面積功率密度長大的速度約為風機長大速度的91%。假如今天風機從6MW長大至15MW，風機長大150%，面積功率密度將長大137%，大約是11.35MW/Km2。

這裡面的關鍵在於風機的塔架是否能夠如預期般長大，長得更好還是長得更差，將明顯影響11.35 MW/Km2這個數字是否會成真。如果塔架長得很高，讓輪鼓高度接近200公尺，也許11.35 MW/Km2這個數字會變成真實。

兼容並蓄的能源轉型

表一的研究是我觀察到的現象，尚未變成一個非常堅實的學術研究，如果可以把台灣的電廠或全世界的電廠作一個完整的分析，會有很高的學術上的價值。這邊舉的例子都具備代表性與參考價值。

能源轉型是一個兼容並蓄的過程，最後是一個混合型的系統，同時存在高密度集中式發電與低密度集中式發電與分散式發電。但是從裝置容量成長發展過程，則呈現下面的趨勢：

1.能源轉型的過程（容量成長）：高密度集中式發電→低密度集中式發電→分散式發電。
2.能源轉型最終的樣態：高密度集中式發電、低密度集中式發電、分散式發電三者並存。

少數人士認為分散式發電會取代集中式發電，這是個認知有誤。IEC的智慧電網架構裡面，並沒有拿掉集中式發電，暗示我們最後會並存。亦有少數人士認為能源轉型是直接跳到分散式發電，這個認知也有誤。因為中間還有一個低密度集中式發電正在興起且裝置容量遠遠超越分散式發電。

低密度集中式發電正在快速興起，政府的20GW太陽光電計畫，其中地面型太陽能佔17GW（低密度集中式發電）、分散式太陽能佔3GW。台灣的風力發電，包括陸上風電與離岸風電多數屬於低密度集中式發電，僅有100KW以下的小型風機，屬於分散式發電，比例微乎其微。

大型高密度集中式發電廠將帶來嚴重的電力危機

前行政院院長林全曾在立院報告，備轉容量維持在7.2至15%比較適合，然而我們分析幾個台灣現存或已建好的高密度集中式發電廠，看到其所佔比例分佈在5至18％，其中大潭電廠最終階段將達18%（目前11%）、台中發電廠達14%。這兩個電廠萬一有意外，全台灣必定大規模停電。

815大潭電廠的教訓，已經驗證這個事實。也許，未來我們應該限制單一電廠的最高佔比，我認為如果是7.2至15%的備轉容量，則單一發電廠（非單一機組）的佔比應該限制在3%以下，保留充分的空間來應付突發狀況。如果用40,922.8MW的3%估計，單一電廠容量應該限制在1,228MW以下。

既有的大型電廠，未來機組可能開其中幾個就好，一方面可以降低空氣污染，另一方便也有減碳的效果。例如台中電廠十部機組，也許開幾台滿載發電就好，還給中南部地區一個乾淨的生活環境。大潭電廠本來的設計就是備轉使用，當我們的電力供給充裕，也就不需要全部的機組都打開，回歸原始設計目標。

參考資料： 1.IEC, 2010, “IEC Smart Grid Standardization Roadmap”, Prepared by SMB Smart Grid Strategic Group (SG3), Edition 1.0. 2.DWEA,2015,DWEA Distributed Wind Vision – 2015-2030: Strategies to reach 30 GW of “behind-the-meter” wind generation by 2030, 3.U.S.Department of Energy under Contract DE-AC05-76RL01830 PNNL-26540,2017,2016 Distributed Wind Market Report, 4.維基百科,2017,大潭發電廠, 5.台電公司,2011,大潭發電廠簡介, 6.維基百科,2017,台灣發電廠列表, 7.維基百科,2017,龍門核能發電廠, 8.大紀元台灣,2006,貢寮新社居民抗議核四超徵土地, 9.維基百科,2017,台中發電廠, 10.維基百科,2017,協和發電廠, 11.維基百科,2017,第二核能發電廠, 12.維基百科,2017,日月潭, 13.維基百科,2017,明潭發電廠, 14.SolarInsure,2017,Top 5 Largest Solar Power Plants of the World, 15.South China Morning Post,2017, China’s world-beating solar farm is almost as big as Macau, Nasa satellite images reveal, 16.維基百科,2017,Alta Wind Energy Center, 17. 維基百科,2017,Fântânele-Cogealac Wind Farm, 18.維基百科,2017,London Array, 19.維基百科,2017,Offshore wind power, 20.維基百科,2017,List of offshore wind farms, 21.維基百科,2017,Gode Wind Farm, 22.4C Offshore, 2017,Gode Wind 1 and 2, 23.4C Offshore, 2017,Burbo Bank Extension, 24.自由時報, 2017,談電力備轉容量率林全指維持7.2％可應付所有危機,

《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。（觀點文章呈現多元意見，不代表《數位時代》的立場。）

當資料不能離開企業，運算就得靠近：AI 先改寫儲存架構

AI 帶來的第一個變化，不只是運算能力提高，而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊，QNAP 身為資料安全的守護者，長期發展的是地端網路儲存設備（NAS），並擴展至 25GbE、100GbE 高速網路交換器產品線，提供完整的儲存與高速網路基礎架構。威聯通科技（QNAP）總經理劉文義解釋，當資料因合規要求或敏感度不能上雲，就必須留在靠近使用者與應用的地方；運算需求一旦增加，承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資，金融與保險業受到合規與法規限制，部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言，問題並不是雲端好不好用，而是一開始就沒有把核心資料全面上雲的選項。

真正讓更多企業回頭計算的，則是長期成本。劉文義指出，資料上傳雲端可能免費，下載卻會按流量收費；當企業把一年、兩年、三年的費用加總回推，可能會發現，購買一台同等容量的 NAS，還能使用 7-10 年。資料規模愈大、存取愈頻繁，總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載；地端則較適合高頻存取、對延遲敏感，或不能離開企業邊界的資料。企業真正要回答的，是每一類資料與任務應該放在哪裡。

依 QNAP 觀察，客戶過去關心的是需要幾 TB、幾 PB，或備份速度有多快；現在更常問的是，機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起，把公司發展定調在 AI 與高速網路的融合，試圖讓 NAS 從資料保存的位置，進一步成為資料被調用的位置。

當資料量持續擴大，搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例，當照片累積到 10 萬、20 萬張，要找出其中幾張特定畫面，已不可能只靠人工翻找。此時，能理解內容、接受自然語言指令的 AI 工具，會從加分功能逐漸變成必要條件。

從資料治理到地端推論：AI NAS 如何進入企業工作流？

AI NAS 不是「多了 AI 功能的 NAS」，而是 NAS 在企業工作流裡換了位置。依 QNAP 觀察，目前客戶大致分布在一條導入光譜上。人數最多的一群，仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關，卻決定後續系統能不能找到正確資料、辨識版本，並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成（RAG）知識庫。RAG 並不是重新訓練一個模型，而是在模型回答前，先從企業的 SOP、合約、法規或技術文件中取回相關內容，再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用，協助企業建立私有知識庫；而走在最前面的少數企業，則已經嘗試地端推論與 AI Agent。

模型的選擇權，QNAP 刻意留給客戶。知識庫背後採用哪一個模型，可由企業依需求決定，不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定（MCP）相關能力，讓管理者透過自然語言查詢狀態、調整設定，並讓 NAS 成為 AI Agent 可調用的資料節點。

不過，劉文義沒有把這條路說得太容易。他坦言，目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用，可能需要約 300 到 800 TOPS，甚至 1,000 TOPS，因此多數方案會以 NVIDIA 顯示卡補足算力；一張卡約需新台幣 10 萬至 12 萬元，一張算不完，就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍，並不是大部分中小企業都能接受。」除了硬體，使用者還需要 AI 應用的 Know-how、程式背景與開發資源，這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中，一類是採用含有 iGPU 與專屬 NPU 的處理器平台，以一百多 TOPS 的範圍，可順暢使用 AI 應用程式；另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡，處理更大的運算量。

同時 QNAP 也在軟體端也持續開發，目標是讓 NAS 裡的資料更有效率地被 AI 工具調用，讓資料成為有價值的知識。

從規格走到現場：能源公司如何導入私有 LLM？

本地 AI 實際落地部署會是什麼模樣？劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫，但很快遇到兩個瓶頸：一是員工查詢時明顯出現卡頓；二是專利、技術與合約都高度敏感，高層不願上傳至公有雲，擔心機密資料會有外洩的疑慮。

後來，該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX，搭配顯示卡與全快閃 SSD，在地端部署私有大型語言模型，把數十年來封存的靜態檔案交給 AI 調用，進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間，核心機密也能留在企業內部。

這個案例說明，若任務範圍明確，有些應用不必動用雲端大型模型，地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同，導入前仍需要概念驗證（POC）與技術人員評估。

而且，資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值，是讓資料邊界與控制權回到企業手上；相對地，安全責任也會更直接地回到企業。

哪些企業現在該做，哪些再等？先看重複性與三個條件

能不能導入地端 AI，不只由產業標籤決定，也要看工作是否重複，以及場景能不能被清楚定義。劉文義觀察，第一批走進來的，除了受法規限制的醫療、金融與保險業，也包括利用地端 AI 加速資料處理的科技業，以及會計、律師等有大量重複文書工作的專業服務業，因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有　10　台、20　台機器，每台處理與儲存資料的 Protocol 都不同，需要相對應的儲存裝置；生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料，AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多，或重複性動作越多的產業，越容易透過導入 AI 提高工作效率。」反過來說，較傳統、人力密集，或仍高度依賴人工判斷的製造業，短期內未必能快速導入地端 AI。

依 QNAP 提供的資料，企業也可用「高頻、大量、敏感」三個條件做第一輪判斷：資料是否被頻繁調用？規模是否大到雲端傳輸與長期費用開始變得明顯？內容是否涉及個資、法規、智慧財產或商業機密？三個條件愈集中，地端部署愈值得評估；三者都不成立時，使用雲端 API 往往更簡單，也可能更划算。

可以先等的企業，大致也有三種。第一，資料仍分散、版本混亂、權限不清，急著上 AI 只會把混亂放大，先完成集中與治理，效率就可能先提升。第二，找不到一個具體且反覆發生的業務痛點，只因為「別人都在做」而採購，設備很可能變成昂貴的展示品。第三，使用量仍小、需求偶發，現階段雲端的彈性反而更有優勢。

因此，POC 不應只驗證「模型答不答得出來」，還要回答三個問題：資料由誰負責，誰可以存取？導入後能節省多少查找時間、傳輸成本或人工作業？正式上線後，誰負責資料、模型與資安維運？只有當效益與責任都能被量化，才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房，動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太，其中歐洲占比將近一半，而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證，並滿足 GDPR、HIPAA 等資料保護與法規遵循需求；累積至今，已售出約數百萬台裝置，協助企業打造智慧、安全的儲存方案。

至於普及時間點，劉文義提出一個明確的價格與效能交會點：地端應用若要順暢運作，運算量可能至少要達到 300 至 600 TOPS，甚至 800 TOPS，同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

「AI NAS 不是多了 AI 功能，而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言，地端算力成本高昂，QNAP 透過「算力分級」與開放模型架構，助企業逐步建構私有 RAG 知識庫與 AI 團隊。

圖／數位時代

「預測約兩、三年後，應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點，就會是 AI 落地最蓬勃發展的時候。」在此之前，企業真正能先做的，不是搶著買最大的模型或最昂貴的顯示卡，而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色：原油再多，沒有整理、提煉與配送的過程，也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力，而是誰的資料先準備好被調用。模型會持續更換，但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備，而是在資料必須留在企業內時，讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日（五）舉行，現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控，並安排 Live Demo，適合 IT 管理者、系統整合商與企業決策者參加。

活動地點：新板希爾頓酒店｜如意 AB 廳

活動時間：09:20–16:00

地址：新北市板橋區民權路 88 號 2F

立即報名：https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查，填問券抽好禮，倒數計時：https://www.surveycake.com/s/q4abw