能源系統

建築不是一顆電池，但可以更聰明地使用電

將空調、熱水、儲能與室內舒適度放進同一份彈性預算，支援電網而不把代價轉嫁給使用者。

15 min示例調度時間粒度
3 類可移動負載群組
±1°C示例舒適浮動帶
2 h需求事件上限示例

建築負載藍圖

基礎負載、可延後負載與不可中斷負載分層呈現，控制器只能在明確邊界內調整。

01 · 現場不是平均使用者

午後用電尖峰到來時，辦公樓收到降低負載的訊號。若控制器直接關閉所有空調，數字會快速下降，但會議室先變得悶熱，醫療設備周邊也可能受到影響。真正的彈性必須知道哪些負載能移動、能移多久。

這一場景提醒我們，設計對象不是抽象的平均值，而是會在壓力、時間限制與不同身體條件下完成具體任務的人。

02 · 機制從哪裡開始

建築彈性來自熱慣性、設備排程、儲能狀態與使用需求。控制器預測短期負載，再在舒適、安全和合約限制內優化；每個動作都應有恢復計劃，避免事件結束後所有設備同時反彈啓動。

因此不能用單一指標代表整個系統；量測必須與流程節點對應，並讓讀者知道數據能夠解釋什麼、不能解釋什麼。

03 · 證據要怎樣收集

模型需要分項電表、室內溫濕度、佔用時段、設備最小啟停時間、儲能狀態與電價或電網訊號。資料缺失時應回到保守基線，不可用上一天的預測無條件控制今天的現場。

所有精確數字都應記錄來源、時間和適用邊界；本頁指標屬於設計示例，用來說明結構，不冒充研究結論。

04 · 把原則變成流程

先把負載分成不可中斷、可短暫調整與可延後三類；事件前預冷或預熱，事件中分段控制，事件後錯峰恢復。使用者要能知道當前模式、預計結束時間並提出臨時覆蓋請求。

實施時應先小規模驗證，保留人工覆蓋與退出路徑，再根據真實反饋迭代；自動化只能執行已說明的邊界。

05 · 最容易出現的誤判

只以削峰量評分會鼓勵犧牲舒適度，也可能把耗電移到更高碳的時段。基線估算若過高，還會製造虛假的節能成果，因此必須保留未參與日和天氣校正並定期復核。

對異常與失敗保留記錄比隱藏警報更重要。若系統只展示成功案例，管理者就無法看見結構性缺口。

06 · 如何作出可解釋決定

部署評估應同時報告可用彈性、舒適越界分鐘、覆蓋次數、反彈峰值與設備磨損代理指標。只有當用戶邊界長期得到遵守，建築靈活性才是可靠資源。

最終報告應同時呈現收益、代價、未覆蓋人群與剩餘不確定性，避免把複雜公共問題壓縮成單一漂亮分數。

07 · 部署前的實務檢核

「建築不是一顆電池，但可以更聰明地使用電」不應停留在概念展示。正式投入使用前，需把使用者、設備、資料與例外情境放進同一輪小規模測試，事先寫清成功條件、停止條件與人工接管方式。測試紀錄要保留失敗與缺漏，不能只挑選最順利的流程作為成果。

  • 先鎖定醫療、消防、資安與不可中斷負載，再討論可調節容量
  • 在不同天氣與佔用條件下復算基線，不使用單一高估基線申報成果
  • 測試事件結束後的負載反彈、設備頻繁啓停與儲能保留狀態
  • 同時報告舒適越界、使用者覆蓋請求和節能效果，保留人工退出

完成檢核後，應由實際受影響的人參與復盤：哪些步驟變得更容易，哪些人仍被排除，資料是否足以支持判斷，以及新增流程是否帶來隱私、時間或維護負擔。若證據不足，就把結論標示為待驗證，而不是用精確分數製造確定感。

編輯檢核：本文提出的是可測試的設計框架，不是已完成的產品結論。正式部署前應由實際使用者、維護者與受影響群體共同複核資料邊界、例外情境、人工接管和停止條件，並保留失敗紀錄供後續修正。

METHOD / PYTHONSIMULATED INPUT
from dataclasses import dataclass
from typing import List, Tuple

@dataclass
class Observation:
    name: str
    value: float
    weight: float
    confidence: float

def normalize(value: float, low: float, high: float) -> float:
    # 將觀測值限制在示例區間並轉換為 0 到 1
    if high <= low:
        raise ValueError("high 必須大於 low")
    clipped = min(max(value, low), high)
    return (clipped - low) / (high - low)

def evaluate(rows: List[Observation]) -> Tuple[float, List[str]]:
    weighted_sum = 0.0
    weight_total = 0.0
    notes = []
    for row in rows:
        reliable_weight = row.weight * row.confidence
        weighted_sum += row.value * reliable_weight
        weight_total += reliable_weight
        if row.confidence < 0.6:
            notes.append(f"{row.name}: 資料可信度偏低")
    if weight_total == 0:
        return 0.0, ["沒有可用觀測"]
    return weighted_sum / weight_total, notes

# 以下均為說明方法的模擬輸入，並非真實量測
samples = [
    Observation("示例調度時間粒度", normalize(62, 0, 100), 1.0, 0.9),
    Observation("可移動負載群組", normalize(48, 0, 100), 0.8, 0.7),
    Observation("示例舒適浮動帶", normalize(75, 0, 100), 1.2, 0.8),
    Observation("需求事件上限示例", normalize(35, 0, 100), 0.7, 0.5),
]
score, warnings = evaluate(samples)
print("綜合示例分數:", round(score, 3))
for warning in warnings:
    print("檢查:", warning)