一、本模組的教學定位
這是整個課程的在地化著陸點（local landing point）。前四個模組帶學生環遊世界——京都的櫻花、勃艮第的葡萄、北極的海冰——目的是建立氣候變遷的全球認識論。但若課程就此結束，學生容易產生「那些都是別人的事」的心理距離。
模組五把議題拉回到每個學生每天的生活經驗：夏天家裡跳電、新聞上的供電警戒、電費帳單愈繳愈多。讓他們用自己親手跑出來的圖，理解「京都櫻花提前」與「我家冷氣跳電」是同一個故事。
| 面向 | 本模組的獨特性 |
|---|---|
| 資料來源 | 政府開放資料（台電 / data.gov.tw）——免費、公開、每天更新 |
| 技術挑戰 | Big5 vs UTF-8 編碼、民國年轉西元年、台電 CSV 格式偶爾變動 |
| 敘事重點 | 「全球議題」如何顯化為「在地感受」；剪刀效應的在地翻譯 |
| 情意定位 | 從「科學家的抽象曲線」走回「你家的電費單」 |
二、課堂前置準備
2.1 環境
與其他模組相同。Colab 首次執行：
!apt-get install -y fonts-noto-cjk -q2.2 資料來源（真實 URL，每次執行自動更新）
| 資料集 | 編號 | 下載 URL |
|---|---|---|
| 歷年尖峰負載及備用容量率（1982–） | #8307 | service.taipower.com.tw/.../d003002/001.csv |
| 近三年每日尖峰備轉容量率 | #24945 | service.taipower.com.tw/.../d006004/001.csv |
| 過去電力供需資訊（含機組） | #19995 | service.taipower.com.tw/.../d006005/001.csv |
程式碼會自動處理：（a）Big5/UTF-8 編碼偵測、（b）民國年轉西元年、（c）欄位名稱模糊匹配（以防台電改欄名）。
2.3 關鍵名詞釐清（此教學重點不能省略）
許多學生甚至許多新聞記者都混淆這兩個名詞。教師務必在課堂一開始花 5 分鐘畫清楚：
| 備用容量率 Reserve Margin | 備轉容量率 Operating Reserve Margin | |
|---|---|---|
| 單位 | 年 | 日（甚至分鐘） |
| 用途 | 長期電源規劃 | 當日運轉調度 |
| 分母 | 年度尖峰負載 | 當日瞬時尖峰負載 |
| 分子 | 全部裝置容量 − 尖峰負載 | 運轉中淨尖峰能力 − 尖峰負載 |
| 關注者 | 經濟部、政策制定者 | 台電調度中心、民眾 |
| 口語意義 | 「我家有幾成的發電機是備胎」 | 「今天我有幾成電力可以應付突發狀況」 |
教學小撇步：把備用容量比喻為「整間餐廳有幾張桌子」（年度總量）， 把備轉容量比喻為「今晚預訂客滿後還剩幾張空桌」（當日運轉）。兩者都是「緩衝」，但量級與時間尺度完全不同。
2.4 2022 年資料定義變動（必講的教學時刻）
台電自民國 111 年（2022）起，「備用容量率」改以「夜間備用容量率」呈現。原因是：白天太陽光電大量併網後，白天的供電壓力已大幅降低，真正緊張的是夜間（傍晚 5–8 點太陽下山、但民生用電還很高的時段）。
這意味著 2022 前後的數字不能直接比較。這是資料批判素養的絕佳教材：
「每一個指標都是某個時代對問題的理解方式。當問題本身變了（再生能源大量進入），指標也必須跟著變。但這也讓歷史比較變得困難——你會在論文中如何處理？」
三、課堂節奏建議（90 分鐘版）
| 時段 | 內容 | 教學重點 | 對應程式 |
|---|---|---|---|
| 0–10 分 | 破冰 | 問學生：「去年夏天家裡跳過電嗎？家人抱怨過電費嗎？」——從個人經驗切入 | — |
| 10–20 分 | 名詞釐清 | 花 10 分鐘畫圖解釋「備用」vs「備轉」的差別。這 10 分鐘是整堂課的地基 | — |
| 20–35 分 | 動手跑資料 | 讓學生執行 main()，觀察終端機的下載進度。「這些數字，都是今天從台電網站下載的。」 | 第 1、2、3 節 |
| 35–55 分 | 解讀長期剪刀圖 | 看 fig5a：紅線（負載）一路向上，綠線（容量率）一路向下。連結回模組一的櫻花剪刀效應 | 第 6 節 |
| 55–70 分 | 熱地圖的衝擊 | 看 fig5b：大片紅橘色塊。問：「你記得 2022 年 3 月大停電嗎？2023 年夏天的限電警報？」讓圖與新聞記憶連結 | 第 7 節 |
| 70–85 分 | 分組討論 | 選討論題（推薦題一「跨模組整合」或題五「行動與政策」） | 第 10 節 |
| 85–90 分 | 收束全課 | 「氣候變遷不是別人的事。它是你家冷氣跳掉的那個瞬間。」——情意收尾 | — |
四、關鍵統計與技術概念之淺白解釋
4.1 為什麼尖峰負載一直上升？不只是因為天氣熱
台灣尖峰負載攀升的驅動因素至少有四個：
- 氣候變遷：夏季高溫日數增加，冷氣用電上升
- 工業轉型：半導體、電動車、AI 資料中心的用電量級越來越大
- 人口與都市化：都市熱島效應 + 冷氣普及率上升
- 行為變遷：在家工作增加、電動車普及、家電功率上升
這意味著「只靠節電」無法解決供電緊張，必須同時考慮供給面（再生能源、儲能、輸配電）與需求面（需量反應、碳定價、產業分流）。
4.2 為什麼夏天特別緊張？
- 需求面：冷氣是夏季尖峰負載的最大單一成分（約佔三分之一）
- 供給面：（a）火力電廠冷卻水效率在高溫下下降；（b）太陽光電雖在日間出力高，但傍晚下山後民生用電仍高，形成「鴨子曲線」（duck curve）缺口
- 調度面：機組年度大修通常安排在春、秋，夏季「所有機組都必須上場」，一旦有機組非計畫性停機，緩衝就立刻消失
4.3 燈號制度的統計意義
台電的「綠黃橘紅黑」五燈號不是連續指標，而是離散警戒級別。這在統計上類似「天氣預報的體感溫度」——把連續的溫度值對映到「舒適、悶熱、危險」的敘事類別。好處是易懂、好傳達；壞處是切點（10%、6%、3%）本身是政治協商的結果，不是物理定律。
教學提問：若把黃燈門檻從 10% 改為 8%，每年的「黃燈日數」會減少多少？ 這是統計操作，不是物理現象。操作指標的人，能操作輿論感受。
五、常見學生提問與建議回應
老師，程式跑的時候跳了「HTTP 403 Forbidden」怎麼辦？
這是因為台電伺服器有時會擋掉未標示 User-Agent 的請求。本模組的
download_taipower_csv() 函式已處理此問題（自動加上瀏覽器標頭）。若仍失敗，有兩種可能：（a）台電伺服器暫時維護——等一小時再試；（b）URL 改版——上 data.gov.tw 搜尋「備轉容量率」找新 URL 替換。為什麼近年備用容量率看起來反而有「上升」的訊號（2020 以後）？這和氣候變遷的敘事矛盾嗎？
非常敏銳的觀察。這是 2022 年資料定義變動造成的偽訊號——改為「夜間備用容量率」後，因為太陽光電在夜間不計入，數字看起來比「全日備用」低。所以 2022 後看起來「更緊張」是對的方向，但來自定義改變，不是物理惡化。嚴謹研究需另做時間序列銜接（time series splicing）。
政府說要「2025 非核家園」，這樣夏季會不會更缺電？
這是當前最具爭議的政策問題之一。作為教師，我建議不要替學生做政治判斷，但可以提供分析框架：
- 支持方論點：再生能源 + 儲能 + 節電可彌補核電缺口
- 反對方論點：再生能源間歇性 + 儲能成本 = 短期內不足以填補
- 第三方觀點：比「非核家園」更關鍵的是電網結構轉型（集中式→分散式）
台灣電費為什麼這麼便宜？
台灣電費長期偏低（工業電價尤其）的三個原因：（a）政策補貼（台電虧損由國庫承擔）；（b）產業競爭力考量（尤其是半導體）；（c）政治敏感性（電價上漲直接衝擊選情）。但「便宜電價」也是需求攀升的結構性因素——當電價不反映真實成本，節電誘因不足。
我可以拿這個程式做自己的研究嗎？
當然。政府資料開放授權條款第 1 版允許「商業使用、衍生改作、散布」，只要註明出處即可。本模組的完整資料流可作為政策分析、學生報告、新聞調查的起點。你甚至可以拿這份程式改裝成「每日跳電風險預報」的 LINE Bot——這就是資料民主化的最小單位。
六、評量建議
6.1 形成性評量（課中）
在圖 5b 熱地圖上，請學生指出：（a）最危險的一週是什麼時候；（b）近年有哪些日子應該落在警戒區但沒有——並推測原因（提示：可能是颱風把需求壓低、或某場大雨剛好降溫）。
6.2 總結性評量（課後）
三擇一繳交 1,000–1,500 字短文：
- 跨模組整合題：把模組一（櫻花）、模組二（葡萄）、模組四（海冰）、模組五（台灣電力）四張圖並列，寫一篇給家人或朋友看的文章，說明「同一個氣候故事的四個面向」。重點：讓他們理解氣候變遷不是別人的事。
- 政策分析題：依據圖 5a 的數字，若政府要把備用容量率目標設回 15%（國際電力規劃基準），需要在未來 5 年內新增多少 MW 的裝置容量？這些容量若全部來自燃氣電廠 vs 太陽光電 vs 核能，各自的成本、碳排、土地占用如何比較？
- 資料批判題：本模組的兩份資料在 2022 年面臨「定義不連續」問題。假設你是政府統計資料的使用者，應該如何與政府溝通，讓他們在更新統計口徑時保留「比較基準」？寫一封正式的公民建議信。
七、進階挑戰（供有餘裕的學生）
- 疊加氣溫：從中央氣象署 HistoryDataQuery 服務下載台北測站的日最高溫資料，與備轉容量率做回歸分析。預期會看到「日最高溫越高→備轉容量率越低」的負相關。
- 機組分析：使用資料集 #19995（過去電力供需資訊）的機組發電量資料，分析「哪些機組在警戒日貢獻最大」。這會讓你看見台電的實際調度策略。
- 預測模型：以過去 3 年日資料訓練簡單 ARIMA 或 XGBoost 模型，預測未來一週的備轉容量率。比較你的預測與台電「未來一週電力供需預測」（資料集 #33462）的差距。
八、延伸閱讀
- 台灣電力股份有限公司（各年度）。《台電統計年報》。台北：台灣電力股份有限公司。
- 經濟部能源署（各年度）。《能源統計年報》。台北：經濟部能源署。
- IEA (2024). Chinese Taipei: country profile. International Energy Agency. https://www.iea.org/countries/chinese-taipei
- U.S. EIA (2024). Taiwan country analysis brief. U.S. Energy Information Administration.
九、重要提醒：資料取得失敗時的處理
如果課堂上多人執行時遇到 Taipower 伺服器短暫當機（可能發生），建議：
- 請一位學生在上課前一晚先跑過一次，把下載下來的 CSV 備份
- 修改
load_annual_reserve()與load_daily_operating_reserve()，在download_taipower_csv()失敗時讀取本地備份檔 - 把「資料源失效」本身作為教學題材——這展現了開放資料的脆弱性
教學者自我提醒：這是整個課程的收尾。前四個模組是「讓學生看見氣候變遷」， 這個模組是「讓他們看見自己已經在氣候變遷裡」。 當學生離開教室走回宿舍、打開冷氣、看到新聞上又一次限電警報時， 如果他們能想起課堂上的這張熱地圖——那麼這整堂課的教學目標就達成了。