臺灣博碩士論文加值系統

電力，是現代生活不可或缺的要素。台灣近十年的發電結構，主要仍是以火力發電為主，其次為核能。然而近年來環保意識抬頭，非核家園的概念生成，隨著核一廠的發電機組即將除役，台電在供電吃緊的情況下提出需量反應方案，鼓勵電力高壓用戶抑低尖峰與減少用電。除此之外，台灣開始尋求再生能源的發展，其中，發展太陽能發電是最積極、直接的手段。若是能將兩者結合應用，便能創造虛擬電廠的概念，產生更高的雙贏價值。因此，本研究的重點在於使用太陽能預測之發電量、太陽能發電統計量與減少用電方案之計算公式，整合成一高壓電力用戶選擇方案之系統。

高壓電力用戶可以衡量本身之作業特性，以簽訂之契約容量、用戶之必要用電需量與基準用電容量等變數做為系統之輸入變數，系統便可分析抉擇出該用戶最具效益之減少用電方案。然而，若電力用戶得出最佳結果為需量競價措施，便可利用太陽能發電預測系統，預測隔日發電量，進而評估隔日是否要進行需量競價。

本研究以台中某太陽能科技公司提供之太陽能發電數據與觀測資料查詢系統CODiS中的過去氣候資料作為研究資料。經由資料預處理從太陽能發電數據與過去氣候數據建立太陽能發電預測模型，並根據四季、不分季與不同之氣候型態作為區分，進而選出最佳之預測模型

在模型建立上使用時間序列切割季節進行資料預處理，以太陽能發電資料與過去氣候資料作為輸入變數，再以Wrapper的方式進行特徵選取，最後將數據聚類並使用支援向量機建立太陽能發電量預測模型。最後，在中央氣象預報擁有一定準確度的前提下，以隔日之氣象預報數據做為測試資料集之輸入變數，便可獲得隔日之預測發電量。實驗結果發現在四季、不分季與聚類之模型結果有好有壞，因此，本研究根據預測當下之時間與氣象預報之氣候類型，選擇預測系統之模型以達最佳預測準確度，進而增加參與需量競價之可靠度。

Electricity is an indispensable element of modern life. The structure of Taiwan’s power generation is mainly based on thermal power generation, followed by nuclear energy. However, the growth of the environmental awareness and the concept of nuclear-free homeland in recent years and the Chin-Shan Nuclear Power Plant is gradually decommissioning, Taiwan Power Company (Taipower) offered Demand Response Program that can decrease electric cost to encourage electric power users to reduce usage amount of electricity when electricity supply has some problems. In addition, Taiwan began to seek the development of renewable energy, which solar power is the most active and direct means. If we can combine Demand Response Program and solar power, then we will able to create a higher win-win situation. Therefore, the focus of this study is to integrate the prediction of solar power generation, solar power statistics and Demand Response Program into an integrated application.

High-voltage power users can survey their own operating characteristics, and enter contract capacity, necessary electricity demand, based capacity and other variables into system, and system can analyze the most effective Demand Response Program for users. However, if the best plan of Demand Response Program which users get is Demand Bidding, then the users can use solar power generation forecasting system to get tomorrow’s prediction of solar power generation, and then to assess whether to participate Demand Bidding.

In this study, the research data came from one solar power technology Co., Ltd in Taichung which provided the data of solar power generation, and CWB Observation Data Inquire System provided the history data of climate, and Central Weather Bureau provided the data of weather forecast. The solar power generation forecasting model is established from the data of solar power generation data and past climate data with data preprocessing, and the best forecasting model is selected according to the different seasons and different climate types.

First, I used time series cutting data to do data preprocessing and then enter solar energy generation data and past climate data as input variables. Second, I used Wrapper model to do feature selection. Finally, I clustered the data and used support vector machine to establish the solar power generation forecast model. Under the premise that Central Weather Bureau’s forecast has high accuracy, I used the data of weather forecast from Central Weather Bureau as testing dataset, and then I would get the tomorrow’s prediction of solar power generation. The results show that there are different errors on each models, therefore, this study’s solar power generation forecast model is based on the prediction of the current time and the weather forecast of the climate, and then it can achieve the best predictive accuracy and then increase participation the reliability of the Demand Bidding.

誌謝辭 i
摘要 ii
Abstract iii
目次 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.2 論文架構 4
第二章 文獻探討 5
2.1需量反應負載管理措施 5
2.1.1 計畫性減少用電措施 6
2.1.2 臨時性減少用電措施 8
2.1.3 需量競價措施 11
2.1.4 需量反應負載管理措施之差異 14
2.2 預測太陽能發電量相關文獻 15
2.3 支援向量機 (support vector machine, SVM) 簡介 17
第三章 研究方法 19
3.1 需量反應方案選擇系統 21
3.2預測模型實驗資料與資料預處理 22
3.2.1 資料預處理與正規化 23
3.2.2 時間序列 24
3.2.3 特徵選取 25
3.2.4 聚類 26
3.3 預測驗證標準 27
3.4 太陽能發電預測模型建立流程 27
3.5 日照時數預測模型 28
第四章 實驗結果與討論 30
4.1太陽能預測模型實驗結果 30
4.1.1 太陽能預測模型實驗環境 30
4.1.2 太陽能預測發電量時間序列結果比較 31
4.1.3 太陽能預測發電量特徵選取結果比較 33
4.1.4 太陽能預測發電量聚類結果比較 34
4.1.5 太陽能預測發電各模型結果比較與模型選擇 35
4.2 需量反應方案選擇系統實驗結果 35
4.2.1 需量反應方案選擇系統實驗環境 36
4.2.2 需量反應方案選擇系統分析結果 37
4.2.3 需量反應選擇系統結論 39
4.3需量競價評估系統實驗結果 39
4.3.1 需量競價評估系統實驗環境 39
4.3.2 需量競價評估系統分析結果 41
4.3.3 需量競價評估系統結論 44
4.4 太陽能發電預測與需量反應方案整合系統之資訊管理意涵 45
第五章 結論與建議 51
參考文獻 53
附錄一 需量反應方案選擇系統不同案例結果 56

[1] 能源統計年報，經濟部能源局
http://web3.moeaboe.gov.tw/ecw/populace/content/ContentLink.aspx?menu_id=378
[2] NREL, 2016, Distributed Generation Renewable Energy Estimate of Costs
http://www.nrel.gov/analysis/tech_lcoe_re_cost_est.html
[3] 修正電業法，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
[4] 推動政策-陽光社區，陽光屋頂百萬座
http://mrpv.org.tw/page/139b7126
[5] 台灣電力公司，最新消息-新聞
http://www.taipower.com.tw/content/news/news01-1.aspx?sid=557
[6] 台灣電力公司，資訊接露-電力供需資訊
http://www.taipower.com.tw/content/new_info/new_info01.aspx
[7] 台灣電力公司，需量競價措施
http://www.taipower.com.tw/UpFile/_userfiles/file/%E9%9B%BB%E5%8A%9B%E7%94%9F%E6%B4%BB%E9%A4%A8/%E9%9C%80%E9%87%8F%E7%AB%B6%E5%83%B9%E6%8E%AA%E6%96%BD.pdf
[8] 台灣電力公司，需量競價平台
http://dbp.taipower-ami.com.tw/
[9] 台灣電力公司，便民服務-網路櫃檯-需量負載管理措施
http://www.taipower.com.tw/content/q_service/q_service02.aspx?PType=2
[10] 觀測資料查詢系統，中央氣象局
http://e-service.cwb.gov.tw/HistoryDataQuery/index.jsp
[11] 許志義，2014，核四之後 虛擬電廠的角色與定位
http://cidr.nchu.edu.tw/teacher/hsu/blog/?p=852
[12] 經濟部能源局，2016， 106 年度再生能源躉購費率審定完成
http://energymonthly.tier.org.tw/Report/201611/46.pdf
[13] 推動政策-電價躉購費率，陽光屋頂百萬座
http://mrpv.org.tw/page/cf032f62
[14] Dan Keun Sung, Kuk Yeol Bae, Han Seung Jang, 2016, “Hourly Solar Irradiance Prediction Based on Support Vector Machine and Its Error Analysis”
[15] 光電效應，Wikipedia
https://zh.wikipedia.org/wiki/%E5%85%89%E7%94%B5%E6%95%88%E5%
BA%94
[16] 許毅冠，2014，太陽光電系統發電量預測模型之實作，國立台北科技大學 自動化科技研究所碩士學位論文。
[17] 高翊倫，2009，建構台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。
[18] 廖大榮，2012，以ARMA模型預測太陽能發電廠之研究，朝陽科技大學環
境工程管理系碩士論文。
[19] Ali H. Assi, Maitha H. Al-Shamisi, Hassan A.N. Hejase, Ahmad Haddad, 2013, Prediction of Global Solar Radiation in UAE Using Artificial Neural Networks
[20] Jiapeng Xiu, Chenchen Zhu, Zhengqiu Yang, 2014, Prediction of solar power generation based on the principal components analysis and the BP neural network.
[21] Xiyun Yang, Feifei Jiang, Huan Liu, 2013, Short-Term Solar Radiation Prediction based on SVM with Similar Data, School of Control and Computer Engineering, North China Electric Power University.
[22] Zhao Liu, Ziang Zhang,2016, Solar Forecasting by K-Nearest Neighbors Method with Weather Classification and Physical Model, Department of Electrical and Computer Engineering Binghamton University, SUNY Binghamton, New York.
[23] Dan Keun Sung, Hong-Shik Park, Kuk Yeol Bae, Han Seung Jang, 2016, Solar Power Prediction Based on Satellite Images and Support Vector Machine.
[24] Navin Sharma, Pranshu Sharma, David Irwin, and Prashant Shenoy, 2011, Predicting Solar Generation from Weather Forecasts Using Machine Learning, Department of Computer Science, University of Massachusetts Amherst
[25] Cortes, C., & Vapnik, V. , 1995, Support-vector networks. Machine learning,20(3), 273-297.
[26] 陳士杰，支援向量機基礎，國立聯合大學，資訊管理學系http://sjchen.im.nuu.edu.tw/MachineLearning/final/CLS_SVM.pdf
[27] Chih-Chung Chang and Chih-Jen Lin, 2011 , LIBSVM : a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, Vol. 2, No. 3, pp. 1-27
[28] R.-E. Fan, P.-H. Chen, and C.-J. Lin. 2005, Working set selection using second order information for training SVM. Journal of Machine Learning Research 6, 1889-1918,
[29] Fattah, Mohamed Abdel. , 2012 ,The use of MSVM and HMM for sentence
alignment. Journal of Information Processing Systems 8.2: 301-314.
[30] 中央氣象局，首頁-常識-氣象百科-氣象常識
http://www.cwb.gov.tw/V7/knowledge/encyclopedia/me005.htm
[31] Kohavi, R. and John, G. H., 1997 ,“Wrappers for Feature Subset Selection,”
Artificial Intelligence,Vol. 97, pp. 273-324.
[32] 薛友仁、劉致坤，2011，以特徵選擇為基之集成式演算法於分類問題之研究，華梵大學資管系。
[33] J.B McQueen, 1967, Some methods for classification and analysis of multivariate observation, University of California, Los Angels
[34] Root Mean Squared Error (RMSE),
https://www.kaggle.com/wiki/RootMeanSquaredError
[35] 中興大學總務處營繕組網頁-節能減碳「電」專區-校區各大樓用電度數表
http://www.nchu.edu.tw/~oga/02-005-02.html
[36] 經濟部能源局-能源報導全球資訊網
http://energymagazine.tier.org.tw/Cont.aspx?CatID=&ContID=5
[37] 許志義、柳育林，2017，從電業法修正看綠能業者發展契機，MIC研究報
告。http://mic.iii.org.tw/Scholar/ResearchDtl.aspx?docid=CDOC20170714002
[38] 國家再生能源憑證中心網站
https://www.trec.org.tw/
[39] Tesla kills the duck with big batteries : TreeHugger
https://www.treehugger.com/energy-policy/tesla-kills-duck-big-batteries.html
[40] 陳中舜，「鴨子曲線」- 教鴨子飛翔的方法
http://eip.iner.gov.tw/index.php?option=com_flexicontent&view=item&cid=138:%E8%83%BD%E6%BA%90%E6%96%B0%E8%81%9E&id=3767:%E3%80%8C%E9%B4%A8%E5%9E%8B%E6%9B%B2%E7%B7%9A%E3%80%8D-%E6%95%99%E9%B4%A8%E5%AD%90%E9%A3%9B%E7%BF%94%E7%9A%84%E6%96%B9%E6%B3%95&Itemid=337
[41] 國立中興大學，大數據中心
http://bigdata.nchu.edu.tw/index.html
[42] 落雷監測歷史資料，政府資料開放平台
https://data.gov.tw/dataset/9712