第一節 研究背景與動機
根據 Wallace and Hobbs(2006)的描述，地球上風的產生是源自兩地不同氣壓 的差距，氣壓由高處流向低處的氣流稱之，而風速的大小由兩地氣壓的差距(氣 壓梯度力)來決定，通常不穩定的天氣常伴隨較大的風速。世界各地一年的風速 氣候模式均不同，受該地的緯度、地形、當地地理環境及當年大氣型態的影響，
例如在馬緯度無風帶地區由於終年受副熱帶高壓的壟罩，天氣穩定而風速及風速 變化較小；而位於熱帶及副熱帶且受季風吹拂的台灣，天氣變化劇烈，有時高壓 壟罩天氣穩定、有時處於低壓帶而颳風下雨，又加上地形變化複雜，故風速變化 較大。
張英彬(2010)提到各國對於平均風速的定義並不相同，台灣中央氣象局所採 用的是 10 分鐘平均風速(公尺/秒，英文為 m/s)，為觀測時間正時之前 10 分鐘內 的平均風速，最小刻度為 0.1 m/s。
莊月璇(2000)提到台灣的風速的變化模式也並非一成不變，例如同樣在台北，
風速以 3-7m/s 為主，東吉島的風速則是 4-12m/s。冬季台灣有東北季風，夏季則 有西南季風，每年強弱皆不同，同樣一個月份的平均風速就會出現差距，且台灣 因為地形豐富，夏季又有颱風侵襲而時常產生風速的離群值。其中台灣的風力發 電廠集中在台灣海峽沿岸及離島，主要就是因為冬季東北季風南下時，風通過狹 長的海峽時加成其風速，為該地區帶來豐沛的風力，比起台灣的東部地區或山區，
因為獨特的地理條件使台灣海峽沿岸更適合發展風力發電。
風速的建模及預測在過去國內外學術領域便有研究，例如 Grigonytė 與 Butk evič iūtė (2016)，莊月璇(2000)其建模的方法主要是透過模擬法、迴歸及時間序列 來建模，模擬法主要是依據大部分的風速資料均呈現韋伯分布的特性，透過該風 速資料數值可以估計出韋伯分布(Weibull distribution)的參數，再由此模型來生成 未來的資料；迴歸模型則會透過該地區附近氣象觀測站中可能影響風速的數據，
例如氣壓梯度力、氣溫及日照等；而時間數列的模型及預測方法是現在學術界熱 門的研究領域。由於風速會隨著時間的不同而不同，且在時間刻度間距較小且時 間較久的龐大風速資料中，資料常因白天與黑夜的海陸溫度差距或該地區的地形 條件呈現季節的模式，所以模型均應考慮時間及季節，適合時間序列模型的應用。
考量到風速資料具有時間及季節的模式，單純配適迴歸模型及韋伯分布模擬 法來對於風速的分布建模及預測均會忽略此特性，因此本研究採用時間序列分析，
如此可以兼顧時間及季節特性又能在模型中放入解釋變數，要如何依據測站風速 資料的風速特性配適出合適的時間序列模型及預測未來可能的風速變化成為本 論文想研究的動機。
第二節 研究目的
為了分析風速變化趨勢，本研究以東吉島附近風力發電站，位於北緯 23 度、
東經 120 度的風速為例，時間為西元 1985-2018 年，每小時風力發電廠的風速資
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
料，它屬於東吉島上的一個島嶼，該測站風速強勁，冬季在東北季風的吹拂下常 出現 10m/s 以上的高風速，夏季的颱風有時更可讓風速突破 20m/s。
參考 Hyndman, Koehler, Snyder, Grose(2002)，莊月璇(2000)在時間序列模型 的選擇上考慮指數平滑法(Exponential Smoothing，簡稱 ETS)及 ARIMA(AutoRegr-essive Integrated Moving Average model)等，其中 ARIMA 法式目前最被廣泛使用 的一種，該模型可以同時處理不定態(Non-stationary)、季節等時間序列資料，同時 亦可以加入迴歸模型的解釋變數。然而風速的分布呈現右偏，一種右偏的分布型 態，不符合迴歸的常態性基本假設，因此配適出來的模型解釋能力可能不盡理想，
因此本研究探討如何處理風速資料的非常態性。
Box and Cox(1964)提出處理資料非常態性的方法，可以經由將原始資料利用 指數轉換，將風速資料轉換成為一個接近常態分佈的分配，之後再配適 ARIMA 模型。然而在這之中本研究發現到一個議題值得探討，為風速資料經過轉換，原 本 ARIMA 估計出來的參數也必須跟著變動，如此參數並非固定，因此 Hyndman 和 Snyder(2011)提出一套能夠同時估計 Box-Cox 轉換的參數以及 ARIMA 模型的 參數的模型，分別為指數平滑轉換 ARMA 模型(Box-Cox Transformation，ARMA residuals，Trend and Seasonality，簡稱 BATS)，三角函數指數平滑轉換 ARMA 模 型(Trigonometric Seasonal， Box-Cox Transformation，ARMA residuals，Trend and Seasonality，簡稱 TBATS)，
最後為了比較轉換前和轉換後模型的好壞，本研究以預測未來一個月的準確 度、最終模型的殘差以及自我相關為指標。除了比較 ARIMA 及轉換後模型的好 壞之外，本研究亦會從每年所配適出的兩套模型的參數中嘗試找出依些規律，例 如那些月份風速普遍較強、東北季風的強弱和颱風影響整體的關係等。
由上述，整理出本研究擬定的研究目的是：
一、各年度依據不同月份，颱風等因素先建立迴歸模型，之後根據迴歸模型 的殘差配適 ARIMA 模型進行時間序列分析。
二、由於每年風速的機率分布並不是常態分布，這樣可能影響模型配適的基 礎假設。且風速資料經由轉換後，ARIMA 模型的值又必須再次更動，
所以本研究探討能夠同時估計轉換參數及 ARIMA 參數值的模型。
三、依據配適的 ARIMA 模型以及轉換後的模型預測未來風速的變化以及探 討未來預測的準確性，以及比較風速資料的預測能力。
四、機率模型是否較適合預測長期的風速，時間序列模型是否較適合預測短 期的風速。
五、從 ARIMA 模型及轉換後的模型中探討東吉島附近的風力發電站風速變 化的規律，解釋該地區可能的風速氣候型態。
第三節 研究流程
這裡介紹本研究的流程，其中研究背景與動機、研究目的屬於章節中緒論的 部分，本研究再擬定研究動機與目的後會先找尋先關的研究文獻，並且介紹當中 可能可以應用在此風速資料的統計模型，在經過統計模型的篩選後，於研究方法 中列出可行的統計模型，之後帶入資料進行實證分析並得出結論。
一、研究背景與動機
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
首先介紹研究方向及背景，之後簡述引發本研究的研究動機。
二、研究目的
整理出研究動機後，從中擬定幾個主要得研究目的。
三、文獻探討
收集關於風力發電的模型配適方法，對於風速利用 ARIMA 模型來分析 及預測方法的相關文獻。
四、研究方法
使用適合風速資料的時間序列模型，例如 ARIMA、指數平滑法等，並 闡述各模型的使用時機及優缺點。
五、資料分析
將風速資料帶入不同的模型中進行時間序列分析，配適模型及預測風速。
六、結論與建議
根據模型分析出來的結果，找出各年模型的異同點，並闡述不同分析方法比 較出來的結論。