彰化成離岸風場一級戰區，電網併網挑戰多，台電新課題有哪些？|數位時代 BusinessNext

再生能源併聯規範不足，工研院發起委員會討論

台灣電力與能源工程協會理事長盧展南提到，再生能源電力具間歇性特點，沒有日照、風，太陽能、風力發電廠就無電可發，這與火力、核能等傳統發電方式、穩定持續供電的型態不同，將對原有電網造成負擔，「若無法做好調節、預測，再生能源就會成為Trouble Maker（麻煩製造者）」。

怎麼避免造成電網壓力？像是英國就建立了電力輔助服務機制，協調電力輸出、搭配多元供電，減少電網衝擊。

再者，國外對於再生能源發電系統併聯相關辦法都是上百頁，台電卻只有7頁，顯示台灣再生能源的制度還在建立中，台灣在併網技術方面需要與所有利害關係人建立一個新規範。

工研院院長劉文雄表示，已促成台電、經濟部能源局、業界三方成立15人的再生能源發電系統併網技術規範委員會，強化台電在併聯技術的規範，預計8月初會進行第一次會議，透過這個平台來建立共識。

台灣電力與能源工程協會理事長盧展南就提醒，離岸風電第三階段將展開招標，台電卻還處在寬鬆的併聯規範，若不及早因應，未來台電得付出更高的代價。

業者嘆電力併聯作業繁瑣，歐洲經驗與台灣的落差

對於台電現行電網併聯規範，開發商有兩個擔憂。負責彰芳及西島離岸風場的開發商丹麥哥本哈根基礎建設基金（CIP）電力工程總監雷正義提到，現在共有5家開發商（沃旭、CIP、中鋼、海龍、台電）聚集在彰化開發風場，「5家開發商，同時併接在同一個（電力）開閉所，升壓站也都靠在一起，歐洲從沒有這樣的例子。」

延伸出一旦供電發生問題，責任歸屬該怎麼釐清，現行法規尚未完善，目前台電也與相關業者進行溝通討論。

其次，完成國內首座離岸風場「海洋風電」開發商上緯新能源提到，現行風機併聯申請作業還停留過去特高壓用戶的申請機制及紙本作業，一來一往就耗費許多時間，往往到了真正送電時間點卻碰上無風、不能發電的狀況，還要再重新打電話，進行紙本蓋章完成手續。

「過去海洋風場併聯22支風機，未來上看百支風機，若還是用傳統紙本作業，會造成時間上的困擾。」上緯新能源電機部經理孫世傑建議，簡化申請流程與措施。

達德能源電力部總監張嘉文認為，目前台灣都是採用最先進的風機，像是達德在雲林允能風場採用新型8MW風機，由於目前的風機系統商具有功率因數調整能力（註：功率因數會影響供電品質），他建議台灣可與風機商討論，如何把最先進技術納入台灣的需求，讓電網維持穩定。

台電攜手民間儲能業者，提升供電穩定

關於併聯作業，台電表示，未來會隨著太陽能、離岸風電併網，做滾動式檢討。

而在穩定供電上，目前台電盤點2025年前儲能需求量上看590MW，透過儲能設備，維持電網頻率的穩定，其中160MW由台電自建，其餘430MW需求量將逐年釋出，成為儲能業的機會。

今年台電首度對外開辦「儲能自動頻率控制（AFC）調頻備轉輔助服務」採購，在7月決標，共吸引30家業者投標，最終由5家廠商得標共15MW容量，得標廠商包括翰可國際股份有限公司（5MW）、台普威能源股份有限公司（2MW）、台泥綠能股份有限公司（5MW）、聚恆科技股份有限公司（2MW）、大同股份有限公司（1MW），儲能電池供應商包含特斯拉、能元科技、三星及歐美等國內外大廠設備。台電希望攜手民間儲能業者合作，持續提升供電穩定，

責任編輯：蕭閔云

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。」

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。