臺灣博碩士論文加值系統

太陽能發電系統容易受到外在天候變化因素之影響，相對於傳統、大規模集中式發電的方式更具不穩定性，因此預測就顯得更加重要，透過精準的預測太陽能發電量並預為妥善因應，將可降低其不穩定性的衝擊影響。而本研究之目的在於透過準確的太陽能發電量預測結果，提供當地電力用戶、再生能源發電業者與電力公司有可以參考的科學數據。

本研究使用台中龍井地區太陽能發電量資料以及中央氣象局觀測資料查詢系統之開放資料，選取時間範圍為2015年至2017年止，共三年之歷史資料，首先藉由變異數分析、獨立樣本T檢定等統計方法來分析台灣四季與乾溼季的變化對太陽能發電量之影響程度，其次透過支援向量機、倒傳遞類神經網路和隨機森林等演算法建立太陽能發電量預測模型，接著使用最小絕對壓縮挑選機制進行天氣變數的特徵選取，以找出與太陽能發電具有關聯性之天氣變數，並比較三種演算法之預測準確度優劣。最後藉由敏感度分析來探討模型的訓練資料與測試資料之比例是否會影響模型的預測準確度。

實驗結果發現，在四季與乾溼季氣候方面，經由統計分析之後，其結果為春季、夏季與乾溼季之氣候變化對太陽能發電量具有顯著性影響，然而秋季與冬季之間的氣候轉換，對於太陽能發電量的影響性則不顯著。在太陽能發電預測模型方面，夏季之太陽能發電量預測結果為所有時間序列中最好，支援向量機RMSE為30.79kWh、倒傳遞類神經網路RMSE為28.11 kWh、隨機森林RMSE為26.50 kWh。而從天氣變數特徵選取之後的預測結果，可以看到三個演算法之準確度皆有提升，並且可以發現隨機森林之預測準確度較優於支援向量機和倒傳遞類神經網路。最後，透過敏感度分析之結果，驗證了模型的訓練資料與測試資料之比例對於模型的預測準確度是具有影響性的。

摘要 i
Abstract ii
目次 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1研究動機與目的 1
1.2論文架構 3
第二章 文獻探討 4
2.1預測太陽能發電相關文獻 4
2.2機器學習相關文獻 7
2.2.1 類神經網路簡介 7
2.2.2 支援向量機簡介 9
2.2.3 隨機森林簡介 11
第三章 研究方法 13
3.1實驗資料 13
3.1.1太陽能發電資料變數 13
3.1.2氣象資料變數 14
3.2資料預處理 15
3.3建立研究模型 15
3.3.1模型1-各太陽能發電場域之發電數據分析 15
3.3.2模型2-時間序列之四季 15
3.3.3模型3-時間序列之乾溼季 17
3.3.4模型4-特徵選取 19
3.3.5模型5-模型訓練資料與測試資料比例之敏感度分析 19
3.4檢驗標準 20
3.4.1預測驗證標準-均方根誤差 20
3.4.2模型檢驗標準-決定係數 20
3.5模型建立流程圖 21
第四章 實驗結果與討論 22
4.1實驗環境 22
4.2各太陽能發電場域之發電數據分析結果比較 23
4.2.1各太陽能發電場域之敘述性統計 23
4.2.2三個太陽能發電場域之發電量預測結果比較 25
4.3時間序列-四季之實驗結果分析 31
4.4時間序列-乾溼季之實驗結果分析 34
4.5特徵選取之實驗結果比較 36
4.6模型訓練資料與測試資料比例之敏感度分析實驗結果 43
4.7本研究太陽能發電預測結果之資訊管理意涵 44
第五章 結論與未來建議 45
5.1結論 45
5.2未來建議 46
參考文獻 47

[1]維基百科，Salomon de Caus
https://en.wikipedia.org/wiki/Salomon_de_Caus
[2]維基百科，Charles Fritts
https://en.wikipedia.org/wiki/Charles_Fritts
[3]維基百科，伊萬帕太陽能發電設施
https://en.wikipedia.org/wiki/Ivanpah_Solar_Power_Facility
[4]預見雜誌，摩洛哥啟動全球最大沙漠太陽能發電場
https://journal.eyeprophet.com/%E6%91%A9%E6%B4%9B%E5%93%A5%E5%95%9F%E5%8B%95%E5%85%A8%E7%90%83%E6%9C%80%E5%A4%A7%E6%B2%99%E6%BC%A0%E5%A4%AA%E9%99%BD%E8%83%BD%E7%99%BC%E9%9B%BB%E5%A0%B4/
[5]經濟部統計處，產業經濟統計簡訊https://www.moea.gov.tw/MNS/dos/bulletin/Bulletin.aspx?kind=9&html=1&menu_id=18808&bull_id=2883
[6]許志義，2015，再生能源願景 用電戶發電也供電，遠見雜誌。
https://gvlf.gvm.com.tw/article_content_7318.html
[7]章村豪，2017，以巨量資料分析最佳太陽能發電模式，國立雲林科技大學資訊工程系碩士論文。
[8]Muhammed A. Hassan, A. Khalil, S. Kaseb, M.A. Kassem, 2017, Potential of four different machine-learning algorithms in modeling daily global solar radiation，Renewable Energy , vol.111, pp.52-62.
[9]環境資訊中心-環境新聞
http://e-info.org.tw/node/202313
[10]張秀美，2012，台灣綠色電能發展的歷程與探討，國立高雄師範大學工業教育研究所。
[11]經濟部能源局，陽光屋頂百萬座計畫
https://www.moeaboe.gov.tw/ECW/populace/content/Content.aspx?menu_id=2806
[12]TechNews科技新報，Google 在英國推 Project Sunroof，精準評估屋頂太陽能效益
https://technews.tw/2018/06/04/google-project-sunroof/
[13]蔡松諺，2017，以資料探勘方法預測台灣地區太陽能發電量之研究，國立中興大學資訊管理系碩士論文。
[14]張智皓，2015，適用於太陽能預測之多步預測即時回饋類神經網路，國立臺北科技大學電機工程系碩士論文。
[15]許毅冠，2014，太陽光電系統發電量預測模型之實作，國立臺北科技大學自動化科技研究所碩士論文。
[16]謝恩勝，2013，類神經小波網路用於太陽能電池發電預測之研究，國立成功大學電機工程系碩士論文。
[17]余定中、張孝澤、林雨澄，2010，以類神經網路預估迴龍地區太陽能發電系統之發電量，中華民國第三十一屆電力工程研討會12月3 - 4日。
[18]A. Khosravi, R.N.N. Koury, L. Machado, J.J.G. Pabon, 2018, Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms，Journal of Cleaner Production, vol.176, pp.63-75.
[19]R. Meenal, A. Immanuel Selvakumar, 2018, Assessment of SVM, empirical and ANN based solar radiation prediction models with most influencing input parameters, Renewable Energy, vol.121, pp.324-343.
[20]Ravinesh C. Deo, Xiaohu Wen, Feng Qi, 2016, A wavelet-coupled support vector machine model for forecasting global incident solar radiation using limited meteorological dataset, Applied Energy, vol.168, pp.568-593.
[21]Yanting Li, Yan Su, Lianjie Shu, 2014, An ARMAX model for forecasting the power output of a grid connected photovoltaic system, Renewable Energy, vol.66, pp.78-89.
[22]Changsong Chen, Shanxu Duan, Tao Cai, Bangyin Liu, 2011, Online 24-h solar power forecasting based on weather type classification using artificial neural network, Solar Energy, vol.85, pp.2856-2870.
[23]維基百科，類神經網路
https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
[24]維基百科，支援向量機
https://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA
[25]維基百科，隨機森林
https://zh.wikipedia.org/wiki/%E9%9A%8F%E6%9C%BA%E6%A3%AE%E6%9E%97
[26]Sebastian Raschka，2016，Python機器學習，博碩出版社。
[27]蔣丙然，1954，臺灣氣候誌，臺北：臺灣研究叢刊，pp.220。
[28]維基百科，最小絕對壓縮挑選機制
https://zh.wikipedia.org/wiki/Lasso%E7%AE%97%E6%B3%95
[29]維基百科，敏感度分析https://zh.wikipedia.org/wiki/%E6%95%8F%E6%84%9F%E5%BA%A6%E5%88%86%E6%9E%90
[30]台灣電力公司，業務公告-業務專區-負載管理專區
https://www.taipower.com.tw/tc/page.aspx?mid=135&cid=47&cchk=3c512aa6-3a7c-48d5-be3d-e20f9b5367b1
[31]經濟部能源局，107年度再生能源電能躉購費率及其計算公式
https://www.moeaboe.gov.tw/ECW/populace/Law/Content.aspx?menu_id=5824
[32]行政院-新聞與公告，為邁向2025非核家園目標 推動新能源政策
https://www.ey.gov.tw/Page/9277F759E41CCD91/c094fb4e-6c07-4a87-9435-fb97f11dde10
[33]經濟部能源局，能源統計年報
https://www.moeaboe.gov.tw/ecw/populace/content/ContentLink.aspx?menu_id=378
[34]郭靜晃，2013，SPSS統計實務操作，威仕曼文化出版社。
[35]交通部中央氣象局-氣象儀器
https://www.cwb.gov.tw/V7/knowledge/encyclopedia/in000.htm
[36]交通部中央氣象局-觀測資料查詢系統CODIS
http://e-service.cwb.gov.tw/HistoryDataQuery/index.jsp
[37]The Centre for Computer Science，Essentials of Machine Learning Algorithms
http://thecentreforcse.blogspot.tw/2017/11/essentials-of-machine-learning.html
[38]台灣電力公司，資訊揭露-電力供需資訊
https://www.taipower.com.tw/tc/page.aspx?mid=206
[39]經濟部能源局，電業法修正專區
https://www.moeaboe.gov.tw/ECW/populace/content/SubMenu.aspx?menu_id=3124
[40]Warren S. McCulloch, Walter Pitts, 1943, A logical calculus of the ideas immanent in nervous activity, The bulletin of mathematical biophysics, vol.5(4), pp.115–133, ISSN 0007-4985.
[41]Corinna Cortes, Vladimir Vapnik, 1995, Support-vector networks, Machine Learning, vol.20(3), pp.273–297.
[42]Tin Kam Ho, 1995, The Random Subspace Method for Constructing Decision Forests, Pattern Analysis and Machine Intelligence, vol.20(8), pp.832-844.
[43]Jiapeng Xiu, Chenchen Zhu, Zhengqiu Yang, 2014, Prediction of solar power generation based on the principal components analysis and the BP neural network , Cloud Computing and Intelligence Systems, IEEE 3rd International Conference.
[44]Robert Tibshirani, 1996, Regression Shrinkage and Selection via the Lasso, Journal of the Royal Statistical Society, vol.58(1), pp.267-288.
[45]Nagdev Amruthnath, Tarun Gupta, 2018, A Research Study on Unsupervised Machine Learning Algorithms for Fault Detection in Predictive Maintenance.