臺灣博碩士論文加值系統

在風力發電產業中，發電量的預估與變動皆扮演著非常重要的角色，然而影
響發電量的因素眾多，鑑於資料探勘的快速發展與應用，將其應用於風力發電投
資的評估與決策，考量各種影響因素的變動下，能更準確且更快速的提供決策所
需之資訊。
本研究針對風力發電產業的決策過程中最重要的因素之一「發電量」進行研
究，找出影響發電量的主要因素，透過不同的資料探勘演算方式，建構發電量預
測的模型，並將因氣候變遷因素可能導致風速下降而產生的發電量變化納入風力
發電的決策模型，以更即時與精確的評估投資風力發電機設置的經濟效益，供適
當之投資決策。
研究的結果發現，在發電量的預測上，促進式決策樹迴歸預測能力較類神經
網路迴歸預測能力佳，但類神經網路迴歸預測能力較為穩定。而採用類神經網路
迴歸推估未來平均風速下降 4%的情況下之發電量，在現行躉購費率計算之成本
參數及原機型技術條件下，其經濟效益評估指標顯示乃具有投資價值，唯投資報
酬率可能降低。

In the wind power industry, the estimation and change of power generation play a very important role. However, there are many factors affecting the wind power generation. In view of the rapid development and application of data mining, so this study apply data mining techniques in wind power capital investment decision-making. Expecting with the changes in various influencing factors, the information needed for decision making can be provided more accurately and quickly.
This research studies the “wind power generation”, one of the most important factors in the decision-making process of the wind power industry. To identify the main factors affecting the wind power generation, and to create a model of power generation forecast through different data mining algorithms. Climate change factors may cause changes in wind power generation due to wind speed reduction. This issue also has been incorporated into the wind power decision-making model. Then this model could assess more accurately and accurately for the economic benefits of investing in wind turbine settings for appropriate investment decisions.
The results of the study show that the predictive power of the boosted decision tree regression is better than the neural network regression prediction ability in the prediction of power generation, but the prediction ability of neural network regression is relatively stable. Therefore, the neural network regression is used to estimate the power generation under the condition that the average wind speed drops by 4% in the future. Under the current parameters of FIT (Feed-in Tariffs) price and the condition of original wind turbine specifications, the outcome of economic benefit evaluation shows that it has investment value, but the return on investment may be reduced.

誌 謝 i
摘 要 ii
Abstract iii
圖 目 錄 vi
表 目 錄 vii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 8
1.3 論文架構 8
第二章 文獻探討 10
2.1 風力發電 10
2.1.1 全球風力發電市場概況 11
2.1.2 我國風力發電市場與政策 12
2.1.3 風力發電產業影響因素與風險 15
2.1.4 風力發電原理與年發電量 21
2.2 投資決策 23
2.2.1 資本投資決策概論 23
2.2.2 資本投資決策評估方法 24
2.2.3 風力發電成本效益相關文獻 25
2.3 資料探勘 27
2.3.1 資料探勘概論 27
2.3.2 資料探勘與再生能源相關文獻 30
2.3.3 類神經網路 33
2.3.4 決策樹 35
第三章 研究設計 37
3.1 瞭解需求 38
3.2 資料來源 38
3.2.1 發電量預測研究資料來源及研究區域 38
3.2.2 經濟效益指標計算資料來源 40
3.3 資料探勘工具 41
3.4 模型建構 43
3.4.1 類神經網路迴歸(Neural Network Regression) 43
3.4.2 促進式決策樹迴歸(Boosted Decision Tree Regression) 44
3.5 評估與應用 45
3.5.1 評估模型能力 45
3.5.2 經濟效益評估 46
第四章 研究分析與討論 47
4.1 資料前置處理 47
4.2 變數篩選 49
4.3 模型建立 50
4.4 模型衡量與比較 53
4.5 模型應用 55
4.6 經濟效益評估 55
第五章 結論與建議 57
5.1 結論 57
5.2 研究限制與未來研究建議 57
參考文獻 59

中文部分
巴爾加、豐塔瑪、卓偉雄，2017，Microsoft Azure 機器學習與預測分析，人民郵電出版社。
牛山泉，2011，風力能源與風力發電系統設計，科技圖書股份有限公司。
王淑芬，1996，財務管理，華泰書局。
古建華，2006，資料探勘在天氣預測之研究與應用，輔仁大學資訊工程學系碩士論文。
台灣綜合研究院研一所，2017，美國宣布退出巴黎協定之影響。
江嘉惠，2015，應用資料探勘技術於風力發電之研究，國立勤益科技大學工業工程與管理系碩士論文。
余慶泉，2007，海域油氣田開發資本投資專案之風險評估，國立交通大學管理學院碩士在職專班工業工程與管碩士論文。
吳美岑，2008，應用類神經網路於風力機組風速與發電量預測，國立高雄應用科技大學電機工程系博碩士班碩士論文。
李仁鐘、李秋緣，2017，R語言資料分析：從機器學習、資料探勘、文字探勘到巨量資料分析，博碩文化股份有限公司。
沈有忠，2013，德國再生能源政策之制訂與實施，淡江國際與區域研究，第2卷第2期：67-94。
林俶寬、張上君、黃振愷、劉晉堯，2014，台灣地區離岸風場選址技術之探討，中華技術，第103期：62-71。
姜宜君、張桂肇、楊瑞源、黃煌煇，2015，穩健邁向離岸風力發電區塊開發策略研析，海洋工程學刊，第15卷第4期：179-196。
韋鋼，吳偉力，胡丹云，劉佳，2007，電力投資項目經濟效益評價方法的比較，上海電力學院學報，第23卷第1期。
徐永昌，2017，離岸風力發電之關鍵影響因子及風險評估分析，淡江大學電機工程學系碩士在職專班碩士論文。
徐傑輝、陳湘頻、蔡岳勳、洪佩汶，2015，我國離岸風力發電籌設階段問題之研析 2015台灣風能協會學術研討會暨NEPII離岸風力及海洋能源主軸中心成果發表會。
翁慈宗，2009，資料探勘的發展與挑戰，科學發展期刊，第442期：34-37。
張瑞當、曾玉琦、沈天河，1998，資本預算之規劃與決策研究：以振昌公司汽電共生設備投資案之評估決策為例，中華管理評論，第1卷第2期。
許正漢，2017，離岸風力發電保險核保因子之初探，實踐大學財務金融學系碩士論文。
陳俊龍、張倉榮，2016，氣候變遷下台灣風速與風力發電之評估，農業工程學報，第62卷第4期：57-68。
陳美蘭、胡哲魁，2014，台灣地區風能評估與離岸風電開發潛能分析，中華技術，第103期：38-49。
陳隆麒，1993，現代財務管理：理論與應用，華泰文化事業股份有限公司。
温珮伶、林師模、林晉勗、馮君強、葛復光，2014，臺灣陸域風力發電之成本效益分析，臺灣經濟預測與政策，第45卷第1期：41-76。
黃玉霖、王淑芬、黃明聖，2005，台電公司投資計畫之財務可行性評估研究，經濟部國營事業委員會委託研究計畫報告(編號TPC - 546 - 4836 - 9408)，經濟部國營事業委員會。
楊宏宇、甘黛玲、蘇信松，2008，風力機設置成本效益評估－以高山與沿海地區為例，中華技術學院學報，第39期：221-238。
蔡賢民，2016，採領域驅動資料探勘方法進行財務預警分析，國立雲林科技大學會計系碩士論文。
鄭建經，2017，資料探勘技術應用於太陽能與電力負載預測與分析，國立東華大學資工程學系碩士論文。
盧苹源，2014，應用類神經網路技術在金門風場之長時間風力發電預測，國立臺灣師範大學工業教育學系碩士論文。
謝邦昌，2017，SQL Server 資料採礦與商業智慧：適用SQL Server 2016/2014，碁峰資訊股份有限公司。
謝炆諺、周儷芬、張志榮、盧苹源、曹顥瀚、呂藝光，2017，數值天氣預報應用在風力發電預測之研究，氣象學報。

英文部分
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques: Elsevier.
Rippa, S., & Lendyuk, T. (2007). Selection of alternative projects using data mining. Paper presented at the Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 2007. IDAACS 2007. 4th IEEE Workshop on.
Schallenberg-Rodriguez, J., & Haas, R. (2012). Fixed feed-in tariff versus premium: A review of the current Spanish system. Renewable and Sustainable Energy Reviews, 16(1), 293-305.