儲能雖小,無所不在
儲能雖小,無所不在

電化學儲能俗稱電池,存在於我們日常生活周遭,已經是一個生活必需品。它雖然小到不起眼,但是卻無所不在,新一代的智慧電力系統當中,電力級儲能也是無所不在,相較於量級龐大的電力系統,儲能的佔比還是非常非常小,它正在逐漸變大,讓我們一起來探索其中的奧妙吧!

本文章嘗試從化學儲能的產業發展趨勢出發,進一步談到鋰電池儲能,以及其無所不在的特性,提供社會大眾參考。至於位能、動能、電磁能等型態的電力級儲能,不在本文章的討論範圍內。

鋰電池儲能系統將對智慧電力系統產生重大影響

約莫在2013年至2014年之間,美國曾經有一個電力級化學儲能系統(Utility Chemistry Storage System)大戰,當時參戰的除了鋰電池以外,還有鉛酸電池(Lead Acid)、鈉化學電池(Sodium Chemistries)、釩液流電池(Flow Vanadium)、鋅液流電池(Flow Zinc)等等。

到了2017年,從實際建置情形來看,這場大戰暫時告一段落,鋰電池技術以94%的市佔率取得絕對的優勢。如果這個趨勢持續下去,可以預見鋰電池儲能系統將對智慧電力系統(Smart Power System)產生重大的影響。

鋰電池1.jpg
鋰電池取得94%電力級儲能系統之市佔率
圖/ 陳世芳

我在前面的專欄文章《你應該要知道的智慧電網標準地圖》中論述:儲電為必要,只是佔比不高。當時提到IEC把儲能配置在分散式能源(DER)、工業自動化、家庭與建築自動化三個項目之內。

將電力級化學儲能應用在發電與輸配電端

我們今天來談新的東西,來自於電力設備公司的觀點,他們實際推動產業發展,將電力級化學儲能應用在發電與輸配電端。

我們可以看到從2012年開始,電力級的佔比一直比住家級(Residential)與非住家級/工商級(Non-Residential)還要高,GTM Research預估一直到2022年,電力級依然是佔比最高的項目。我們可以確定,電力級儲能已經是智慧電力系統的主角,住家或工商應用只是配角。

電力級儲能的裝置容量與儲電量比較大,所以具備經濟規模優勢,同時獲得三大百年歷史電力設備公司(GE, ABB, Siemens)與電池電動車(Battery Electric Vehicle, BEV)領導公司Tesla積極推動,其安全性遠較消費性電子等級的鋰電池還要高出許多,達到電力公司之要求,建置的規模逐漸擴大。

當發電公司與電網公司已經使用,表示有嚴格的安全規範與保護措施,我們實在不用太擔心鋰電池的安全性問題。

鋰電池2.jpg
電力級儲能系統為主角
圖/ 陳世芳

今年,一份來自於台電綜合研究所的研討會簡報,清楚地告訴我們電力級儲能如何應用在發電端、用電端與輸供配電端。

發電端使用儲能系統可以讓再生能源的輸出平滑化;調整電網頻率(提供毫秒等級的響應速度『單位:A/ms』);提供功率(容量)補償能力。輸供配電端使用儲能系統,好處是提供備轉容量;穩定頻率與電壓;強韌電網;故障備援;電力輔助服務(Ancillary Service)等。在台電的圖片裡,原來的輸配電路上,都可以加掛能源儲存系統(Energy Storage System, ESS),這樣的設計,巧妙地把儲能融合在電網系統裡面,分散式使用儲能系統,有助於建構一個強韌的電網系統。實務上,儲能系統逐漸和各級變電站一起建置,強韌各級變電站。

我們可以在發電廠與變電站內建儲能系統,也可以在發電廠與變電站中間,找一個新的地點,設置好電力線與新的大型儲能系統。這樣彈性的作法,恰好補強過去電網建設時,所面臨的區域性不平衡問題。在某些用電比較緊張的地區,配置一個儲能系統,增加供電餘裕;在某些供電過剩的地區,發揮吸收電力,保護電網的功能。

分散式儲能系統比電力網路更具彈性

分散式儲能系統比電力網路更具彈性。強調彈性優勢的智慧電力系統,需要儲能系統來增加彈性,因此儲能是一個必要的選項,儲能的佔比越高,電力系統的智慧化效果也就越好。

台灣是一個以中小企業為主的經濟體系,中小企業的觀點常常出現在新聞媒體上,讓人誤以為這就是趨勢,但如果從統計上來看,可能未必如此。


台灣的電力化學儲能市場,目前以用電端儲能為主流,應用在手機基地台、工商用途、家用太陽能等。我們從美國電力化學儲能市場的數據看到,電力級儲能才是主流應用,而非住家或工商用。希望各位讀者不要被新聞媒體所誤導了

鋰電池3.jpg
儲能在電力系統當中所扮演的角色
圖/ 陳世芳

從全球市場的角度來看,儲能現在的佔比確實不高,不及1%。因為儲能系統具備提供功率補償能力的功能,市售的儲能系統皆有標示功率與發電量,所以我們可以和發電設備的裝置容量合併計算。2017年全球新增電力容量為257GW,儲能1.22GW,合計258GW。2017年全球新增電力淨容量以太陽能居第一位,達98GW(38%),後面依序是風力發電52GW(20%)、燃氣發電38GW(15%)、燃煤發電35GW(14%)、大型水力發電19GW(7%)、核能發電11GW(4%)。

鋰電池4.jpg
圖/ 陳世芳

電力級儲能系統和龐大的發電容量相比,小到可以忽略,可是智慧電力系統裡面卻無所不在,所以,我認為不應該把電力儲能服務歸類在輸配電網裡面,它應該是一個獨立的業種,適合放在電力供應業的下面。我們也看到儲能是必要的,雖然現在還不是那麼重要,但卻是強韌電力系統的關鍵。

如果我們有螞蟻雄兵式的儲能系統建置,假設也累積到2GW,也許缺電的問題就可以獲得緩解。如何釋放電力級儲能系統的威力,將是我這一系列文章的重點,讓我們一起來探索儲能的新世界吧!

參考資料:

[1] Dr. Imre Gyuk, Director of ESR at US DOE-OE, Dan Finn-Foley, R.A. E.S. at GTM Research 且 Todd Olinsky-Paul, Project Director at CESA, “State of the U.S. Energy Storage Industry: 2017 Year in Review,” 13 02 2018. [線上].
[2] 陳世芳【麥斯管理顧問公司】, “你應該要知道的智慧電網標準地圖,” 28 8 2017. [線上].
[3] 吳成有【台電綜合研究所】, “大型儲能系統應用案例,” 於 107年太陽光電暨儲能技術研討會, 2018.
[4] Tsvetomira Tsanova, “World adds 98 GW solar, 70 GW fossil fuel power capacity in 2017,” Renewables Now, 09 04 2018. [線上]. [存取日期: 18 04 2018].
[5] Emily Holbrook, “Report: Unprecedented Growth in the Energy Storage Market, Expected to reach 29,300 MW by 2027,” Energy Manager Today, 29 03 2018. [線上] [存取日期: 18 04 2018].

《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。)

關鍵字: #能源科技
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓