臺灣博碩士論文加值系統

本研究探討結合群集分析中的K-medoids 與長短期記憶(Long Short-Term Memory, LSTM) 神經網路模型，對短期電力負載預測之成效。使用資料為2015 至2019 年5
月的台灣歷史負載資料，以及中央氣象局提供之預測溫度和實際溫度。利用集群分析對電力與溫度資料進行分群，並參考江典聲(2018) 的遞迴神經網路模型(Recurrent
Neural Network, RNN) 使用的週期性基底函數做為模型的輸入變數，以及利用集群分析的結果改善RNN 的預測能力。最後嘗試使用LSTM 模型對更長的時間步數，建構預測模型。模型評估準則為預測結果與真實負載量的平均絕對比例誤差(Mean Absolute Percentage Error, MAPE)，計算2018 年每日負載預測的平均絕對誤差並與之
前遞迴神經網路效果進行比較。可看出LSTM 具有較佳的預測能力，因此我們也呈現2019 年用LSTM 預測之結果。

　This study discusses the effects of cluster analysis methods (K-medoids) and long-short term memory (LSTM) neural network models on short-term load electricity forecasts.We use the historical load data, as well as the actual and predicted temperatures from 2015 to 2018 provided by the Central Weather Service to build forecasting model for future load prediction. First, we apply cluster analysis by grouping the power and temperature data, combining the periodic basis function as the input variable of the model used by the Recurrent Neural Network (RNN) of Jiang (2018). Second, to improve the predictive power of the RNN, we apply
the results of the cluster analysis, and later utilize the LSTM model with longer time steps. As for the evaluation criterion, the model performance is examined by the mean absolute percentage error (MAPE) between the predicted result and the true load. At the end, the MAPE results for the daily load forecast in 2018 are presented and compared with previous results based on recurrent neural network. It is observed that the LSTM has a better performance and we also present the forecasting performance for the first five months of 2019. 　

論文審定書i
論文公開授權書ii
誌謝iii
摘要iv
Abstract v
1 前言1
2 資料介紹2
2.1 資料介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.1 電力負載量. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.2 實際溫度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.3 預測溫度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 資料處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.1 特殊日處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.2 資料前處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 變數生成與訓練集選擇5
3.1 K-Medoids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1.1 負載群集分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 週期效應. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2.1 週內、日內與尖離峰效應. . . . . . . . . . . . . . . . . . . . . . 9
3.2.2 週型態. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3 季節效應. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 預測集溫度處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.1 預測集前兩天. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.2 預測集後6 天. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.3 預測集季節效應. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.5 訓練集選擇. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 研究方法13
4.1 遞迴神經網路(Recurrent Neural Network, RNN) . . . . . . . . . . . . . . . 13
4.1.1 損失函數(Loss function) . . . . . . . . . . . . . . . . . . . . . . . 14
4.1.2 遞迴反向傳播演算法(Back-Propagation Through Time, BPTT ) . . 15
4.1.3 權重更新(Parameters update) . . . . . . . . . . . . . . . . . . . . . 15
4.1.4 超參數(Hyperparameter) . . . . . . . . . . . . . . . . . . . . . . . 15
4.2 長短期記憶神經網路(Long Short Term Memory Network, LSTM) . . . . . 16
4.3 負載資料於長短期神經網路模型之應用. . . . . . . . . . . . . . . . . . . 18
4.3.1 模型配適. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3.2 模型預測集. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5 模型修正過程與結果19
5.1 模型修正之效果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.2 LSTM 與RNN 模型比較之結果. . . . . . . . . . . . . . . . . . . . . . . 21
5.3 模型預測結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6 結論23
參考文獻24
A 附錄25
A.1 權重更新演算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
A.2 各群集負載曲線. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

[1] Al-Hamadi, H. and Soliman, S. (2005). Long-term/mid-term electric load forecasting based on short-term correlation and annual growth. Electr. Power Syst. Res, 74, 353-361.
[2] Bouktif, S., Fiaz, A., Ouni, A., Serhani, M. A. (2018). Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches. Energies,11,1636
[3] Cho, H., Goude, Y., Brossat, X. and Yao, Q. (2013). Modeling and Forecasting Daily Elec-tricity Load Curves: A Hybrid Approach. Journal of the American Statistical Association, 108, 7-21.
[4] Fan, S. and Hyndman, R. J. (2012). Short-Term Load Forecasting Based on a Semi-Parametric Additive Model. IEEE Transactions on Power Systems, 27, 134-141.
[5] Goodfellow, I., Bengio, Y., Courville, A., and Bengio, Y. (2016). Deep learning (Vol.1). Cambridge: MIT press.
[6] Piegl, L., and Tiller, W. (2012). The NURBS book. Springer Science and Business Media.
[7] Ryu, S., Noh, J., Kim, H. (2016). Deep neural network based demand side short term load forecasting. Energies, 10, 3.
[8] Schmidhuber, J. (2015). Deep learning in neural networks: An overview.Neural networks, 61, 85-117.
[9] Taylor, J. W. (2003). Short-term electricity demand forecasting using double seasonal
exponential smoothing. Journal of the Operational Research Society, 54, 799-805.
[10] 徐朮(2016)。電力負載量之短期預測，國立中山大學應用數學系碩士論文。
[11] 董道廷(2017)。電力系統短期負載預測，國立中山大學電機工程學系碩士論文。
[12] 江典聲(2018)。具有半參數模型基底之遞迴神經網路於短期電力負載之應用，國立中山大學應用數學系碩士論文。
[13] 許元禹(2018)。電力負載量之短期預測之研究，國立中山大學應用數學系碩士論文。