能源管理一直是醫院不得不面對的重大課題。長庚醫療體系近年自行開發一套AI用電預測模型，以林口院區的歷史用電資料訓練AI，能提前15、30、45分鐘和1小時預測用電需求，而且「預測準確率達到98%！」長庚醫療集團行政中心總執行長潘延健說道。這套模型更協助長庚提前掌握尖峰負載變化，進而優化契約容量管理和能源調度。
長庚的AI能源管理並非一蹴可幾，而是靠長年累積的能源管理經驗、中央監控系統建置和大量歷史資料，一步步建置而成。
傳統節能做到極致後，長庚開始用AI管理尖峰用電
早在1996年，長庚就成立跨院區節能組織、建立能源查核和改善機制，將節能納入日常營運管理。後來，長庚陸續推動不少節能措施，比如照明汰換、空調變頻控制、冰水主機優化、冷卻水塔改善，以及能源監測系統建置等，來改善能源管理。
其中，空調一直是醫院最耗電的系統。潘延健指出，空調約占整體用電4成以上。病房、手術室和檢查室都需要維持特定的溫度、濕度和空氣品質，因此空調幾乎全年無休運轉，也一直是長庚節能工作的重點。
也因此，他們早年就將傳統交流馬達改為高效率直流馬達，部分自行研發空調改善案的節電率超過五成；冰水主機汰換和系統優化後，每年節省超過1,100萬度電。近年，他們也改用微波感測照明、液氧冷能回收和鍋爐廢熱再利用等方式，持續降低能耗。
但長庚發現，當設備效率與節能措施持續優化後，能再挖掘的節電空間已經越來越有限了。於是，他們開始思考：醫院能不能更早知道，未來會用多少電？
這是因為，醫院除了支付實際用電費用，還必須事先向台電申報「契約容量」，也就是預先約定的最大用電量。一旦實際用電超過這個數值，就可能產生額外費用；但申報過高，又會增加固定電費支出。
長庚過去在規畫契約容量時，工務團隊會根據過去兩、三年的用電紀錄，再搭配醫療服務量變化、新設備導入等因素來推估未來需求。潘延健坦言，這種做法很仰賴經驗，一旦遇到天氣異常、醫療量增加，或大型設備上線等情況，就很難精準掌握未來負載。
再加上，近幾年供電環境不確定性增加，長庚開始考慮用AI提前預測未來的用電需求，讓能源管理從過去的事後反應，變成事前預判。
沒有20年的資料累積，就沒有AI用電預測
不過，AI用電預測真正的關鍵不在模型，而在資料。
「AI需要足夠的資料讓它訓練，我們很早就建置中央監控系統、蒐集設備數據，所以資料完整度相對高。」潘延健表示，早在20多年前，長庚就開始建置分散式控制系統（DCS）和中央監控系統，要把原本分散在院區各處的供電、空調、冰水主機、泵浦和公用設備，都納入同一套監測架構。
他也坦言，這項工程並不容易。因為，醫院裡的機電設備往往來自不同廠商，而且使用年限長，有些甚至在大樓興建時就已部署。不同設備還使用不同的通訊協定與控制系統，要把資料整合到同一套平臺，本身就是個長期工程。
「你不可能為了做中央監控，就把周邊設備全部換掉。」他說。
因此，長庚採取逐步整合的方式，配合設備汰換與系統更新時機，慢慢將各類設備納入中央監控架構。歷經多年累積，才建立起如今的能源資料基礎。
目前，長庚醫院中央監控系統蒐集的資料，除了有歷史用電量和需量，還涵蓋大量設備負載率、空調運轉狀態，以及外部環境資訊，例如氣溫、水溫等。
此外，長庚也嘗試把醫療服務量納入分析。例如門診量增加、檢查量提升，都可能直接影響院區用電需求。每當導入MRI、CT等大型醫療設備時，院方也會要求廠商提供滿載與待機狀態下的耗電規格，以利後續供電規畫和模型訓練。
「我們希望AI可以抓行為模式。」潘延健解釋，AI學習的不只是用電數字，而是整個醫院的運轉模式，例如不同時段的醫療服務量、設備使用情況，以及外部環境變化對用電需求的影響。
從經驗法則到AI預測，成功達98%準確率
於是，長庚開始用林口院區的歷史資料建立AI模型，訓練資料包括歷年用電量、最大用電需求（需量）、設備負載率、空調運轉狀態，以及氣溫、水溫等外部環境資訊。
為因應不同決策需求，長庚也建立15分鐘、30分鐘、45分鐘及60分鐘等不同時間尺度的預測模型。
其中，15分鐘模型最重要。這是因為，台電契約容量計費，是以15分鐘平均需量作為計算基礎。一旦實際需量超過契約容量，就可能產生額外費用，因此15分鐘模型專門用來預警即將發生的尖峰負載。
至於30分鐘至60分鐘模型，則提供工務團隊更多反應時間。例如當系統預測1小時後可能接近契約容量上限時，團隊可以提前評估，是否調整冰水主機運轉策略、降低部分空調負載，或延後非關鍵設備的啟動時程。
根據長庚醫院2025年揭露的測試結果，15分鐘預測模型平均誤差約1.7%至2.3%，30分鐘模型約2.2%至3%，45分鐘模型約2.3%至2.8%，60分鐘模型則約2.5%至3%。
潘延健透露，經過後續持續優化，現在模型整體預測準確率已達98%。
不過，預測本身並不是長庚的最終目的。他們用AI預測結果，來管理契約容量、尖峰用電預警和降載規畫，舉例來說，當系統預測未來30分鐘內可能接近契約容量上限時，工務團隊就能提前評估，是否調整空調系統、冰水主機或其他非關鍵設備的運轉策略，避免超約。
AI只是輔助決策工具，下一步瞄準醫療碳足跡管理
盡管AI用電預測準確率已達98%，長庚現階段還是沒讓AI直接控制設備運轉。
潘延健打趣形容：「你敢叫龍蝦幫你買東西嗎？」
在他看來，AI目前仍只適合分析資料、預測風險和提供建議，還沒辦法完全取代人類決策。尤其在醫院場域中，任何能源調度都必須以醫療服務穩定性為優先，因此長庚的設備控制和降載策略，依然得由工務與管理團隊拍板。
這套AI用電預測專案最大的收穫，或許不只是優化能源管理能力，而是長庚驗證了資料驅動決策的價值。
從整合設備資料、環境資訊到醫療服務量數據，長庚建立起一套跨系統的資料分析能力，也讓這些資料有機會應用到更多場景。
例如，長庚正與衛福部合作推動醫療碳足跡資訊化專案，希望建立醫療服務碳排放的標準化計算模式。他們首波規畫涵蓋門診、住院、手術、急診、X光、CT、MRI、超音波及檢驗檢查等項目，目標是將過去仰賴人工盤查的流程，逐步資訊化與自動化。
不論是AI用電預測還是醫療碳足跡管理，背後其實是同一套思路：把過去20多年累積的設備和營運資料，轉化為支撐決策的數位能力，讓醫院從經驗管理走向資料驅動管理。對長庚而言，AI不是起點，而是資料累積與數位治理走到一定階段後，自然長出的成果。
Comments (0)