臺灣博碩士論文加值系統

本論文利用臺灣地區現有易取得的太陽能發電資料，以太陽地表日照量與系統轉換效率作為參數，建構一個台灣適用以並聯式Elman類神經為架構之小時太陽能發電量預測模型，利用時間分段提高其預測準確度，並透過不同區域、規模大小不同的太陽能案場發電資訊進行驗證。並且將此預測模型利用推估方法包含K-means、反距離加權等方式進而改善推估臺灣各區域太陽能發電量，利用苗栗及屏東區域的太陽能發電案場確認推估結果的可靠性。此區域發電量推估結果有助於台電調度處精確掌握各區域太陽能發電變化趨勢，同時搭配火力、水力於調度用電時有初步依據，可以精確的發電量供應負載的需求，對未來大量間歇不穩定的太陽能發電，對供電系統之電力調度有相當大的助益。

Based on the existed solar power generation data in Taiwan, this thesis applies parallel Elman Neural Network associated with solar radiation and system conversion efficiency as parameters to construct a Taiwan solar energy forecasting model. The forecasting accuracy is verified by the information of photovoltaic power station with different regions and sizes. As well as the prediction model is estimated by K-means and inverse distance weighting skills to improve the solar power generation in various regions of Taiwan. The reliability of the estimation results is confirmed by the photovoltaic power station in Miaoli and Pingtung areas. The estimation results of power generation in these areas help the Taipower dispatching center to accurately grasp the trend of solar power generation in various regions, and at the same time coordinate with the fossil power and hydraulic power to meet accurately load demand. The proposed model will support the benefit to power dispatch for larger scale intermittent unstable solar power generation in the future.

中文摘要 i
ABSTRACT ii
目錄 iii
圖目錄 v
表目錄 viii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 文獻回顧 3
1.3 論文架構 5
第二章 太陽能光電發展與臺灣現況介紹 6
2.1 太陽能光電發展簡介 6
2.2 台電太陽能裝置現況簡介 8
2.3 現有太陽能發電量估算方法 13
第三章 太陽能發電量預測模型及推估方法建立 18
3.1 太陽能發電量影響因素 18
3.2 資料分析處理 24
3.3 類神經網路介紹 26
3.4 建立太陽能發電量預測模型 30
3.5 區域發電量推估方法 37
第四章 實例應用及結果分析 43
4.1 應用實例預測結果分析 43
4.2 區域發電量推估 59
第五章 結論與未來研究方向 68
5.1 結論 68
5.2 未來研究方向 69
參考文獻 70

[1]經濟部能源局，新及再生能源推動配套方案，新及再生能源小組能源轉型白皮書重點推動方案，2017。
[2]臺灣電力股份有限公司，臺灣電力股份有限公司再生能源發電系統併聯技術要點修正版，2016。
[3]V.V.N. Kishore, Renewable Energy Engineering and Technology- Principles and Practices, TERI Publications, ISBN-13: 978-1107680227, 2009.
[4]金品辰，太陽光電併網對離島電力系統運轉之衝擊，義守大學，電機工程學系，碩士論文，2014。
[5]張大豪，智慧變流器對太陽光電系統衝擊分析與電壓控制之研究，國立高雄應用科技大學，碩士論文，2016。
[6]Systems, International Symposium on Power Electronics Electrical Drives Automation and Motion, vol. 4, pp. 169-17, June 2010.
[7]S. Surender Reddy, P.R. Bijwe, “Real time economic dispatch considering renewable energy resources”, Renewable Energy 83, pp. 1215-1226, 2015.
[8]余定中，張孝澤，林雨澄，以類神經網路預估迴龍地區太陽能發電系統之發電量，第31屆電力工程研討會，2010。
[9]張智皓，適用於太陽能預測之多部預測即時回饋類神經網路，國立臺北科技大學，電機工程學系，碩士論文，2015。
[10]蕭德仁，提升太陽能電池發電效率參數與機構之研究，正修科技大學，機電工程研究所，碩士論文，2005。
[11]謝恩勝，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，電機工程學系，碩士論文，2013。
[12]蕭子訓，黃孔良，張耀仁，太陽光電年發電量預測模型建置及策略研究，臺灣能源期刊，vol. 4 no. 4，pp. 401-430，2017。
[13]高翊倫，建構臺灣地區太陽能發電系統之發電量預測模型，國立交通大學，工業工程與管理學系，碩士論文，2009。
[14]黃建隆，太陽能光電發電量推估與預測研究，國立高雄應用科技大學，電機工程學系，碩士論文，2017。
[15]台灣電力公司，民營再生能源發電量即時資訊導入調度平台之模式評估與示範，2017。
[16]鄭淩蔚，劉士榮，毛軍科等。一種綜合ANFIS 和PCA的光伏發電功率預測新方法，太陽能學報，vol. 33 no. 6，pp. 993-1001，2012。
[17]王飛，米增強，楊奇遜等。基於神經網絡與關聯數據的光伏電站發電功率預測方法，太陽能學報，vol. 33 no. 7，pp. 1171-1177，2012。
[18]張艷霞，趙杰．基於反饋型神經網絡的光伏系統發電功率預測，電力系統保護與控制，vol. 39 no. 15，pp. 96-110，2011。
[19]劉建惟，漫談太陽能電池的發展，NARL國家實驗研究院電子報，第二期，2009。
[20]台灣電力公司網站，資訊揭露，https://www.taipower.com.tw/tc/pageList.aspx，2017-2018。
[21]林冠宏，太陽仰角對於固定式及單軸追日式太陽光電發電系統影響與分析，電機工程研究所，碩士論文，2014。
[22]陳國良，孫麗兵，王金玉．大型光伏併網電站功率預測系統設計，電力與能源，vol. 35 no. 1，pp. 93-95，2014。
[23]張婓章、張麗秋，類神經網路導論原理與應用，第二版，滄海書局，臺中，2015。
[24]陳鴻烈、蔡大偉，不同模式之預測能力研究，水土保持學報，vol. 37 no. 2，pp. 127-138，2005。
[25]J. MacQueen, “Some Methods for Classification and Analysis of Multivariate Observations”, In Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, vol. no. 1, pp. 281-297, 1967.
[26]維基百科－k-nearest neighbor algorithm, http://en.wikipedia.org/ wiki/ Nearest_ neighbor_(pattern_recognition)，2018.
[27]Mokhele Edmond Moeletsi1, Zakhele Phumlani Shabalala, Gert De Nysschen，Sue Walker, Evaluation of an inverse distance weighting method for patching daily and dekadal rainfall over the Free State Province, South Africa, Water SA, vol. 42, no. 3, pp. 467-474, July 2016.
[28]Bakirtzis A. G. and J. B. Theocharis, “Short-Term Load Forecasting Using Fuzzy Neural Networks”, IEEE Power Engineer Review, vol. 15, no. 8, pp. 57, August 1995.
[29]Barakat E. H., J. M. A1-Qassim and S. A. Rached, “Long term load forecasting for fastdeveloping utility using a knowledge-based expert system”, IEEE Transactions on Power Systems, vol. 17, issue 2, pp. 491-497, Mar 2002.
[30]Chow M. Y. and H. Tram, “Methodology of Urban Re-Development Considerations in Spatial Load Forecasting”, IEEE Transactions on Power Systems, vol. 12, issue 2, pp. 996-1001, May 1997.
[31]Barbose, G, R Bharvirkar, C Goldman, N Hopper, and B Neenan, “Killing two birds with one stone: Can real-time pricing support retail competition and demand response?”, Proceedings of the 2006 ACEEE Summer Study on Energy Efficiency in Buildings, LBNL-59739, August 2006.
[32]台灣電力公司綜合研究所，配電系統中期負載預測模式之研究報告，台北，2008。