總結

此小節將上述所提及的文獻，重點整理如下：

1. 複合式或二階段預測模型，能有效提升預測準確性，較單一方法預測 結果佳。

2. 自組性演算法不論在線性或非線性系統都有不錯的預測能力，廣泛使用 於能源預測領域。

3. 進行預測前，若能先將資料進行分群後再建構預測模型，能夠有效提升 模型準確性。

19

第三章 研究方法

各國科技與經濟發展至今，能源危機與環境保護的問題日趨嚴重，歐 美、日本等先進國家積極開發再生能源，以減少其他能源的消耗。而太陽 能源取之不盡，且太陽能發電時造成的環境汙染甚小，成為新興再生能源 中最受期待的能源。然而建造一套太陽能發電系統所費不貲，礙於技術的 侷限，目前系統的轉換效率仍然偏低，發電所轉售的利潤無法平衡昂貴的 設置成本，成為許多廠商在投資太陽能產業時裹足不前的主要原因。因此 探討一套發電系統在實際運作後，其轉換效率會有多大，將是所有投資廠 商有興趣的議題。

如第二章所敘述，過去國內外討論太陽能發電系統轉換效率的相關研 究中，建構轉換效率的預測模型較為罕見。本研究便利用太陽能發電系統 的內部規格，並改善預測不準確的原因，建構轉換效率之預測模型。以下 說明此三階段預測模型的流程與步驟。

3.1 研究架構

本研究之主要目的為利用太陽能發電系統中各零件特性與規格，建構 出準確性高之太陽能發電系統轉換效率預測模型。當資料太複雜時如果直 接進行預測，其預測的準確度不會太高；倘若我們先對資料做前置處理再 進行預測，將會大大改善其預測準確性。本篇是採用三階段的預測方式，

第一階段先篩選出顯著變數，避免不顯著變數影響模型準確性；第二階段 將資料進行分群，使集群內的資料同質性高，提高模型的預測準確性；第 三階段將處理好的資料利用一套混合預測模型建構轉換效率的預測模型，

透過此三階段流程的預測，希望能有效提升模型準確性，並將預測結果與 未經過資料處理，直接進行預測的其他方法作比較，如逐步迴歸法分析法 (Stepwise Regression)、遺傳規劃法以及自組性演算法結合遺傳規劃法等預

20

測模型，作為評估準確性之用。圖 3.1 為本研究之流程圖。

蒐集整理太陽能發電系統的 轉換效率資料

利用逐步迴歸法篩選出影響 轉換效率之顯著變數

利用集群分析對資料進行分 群

利用自組性演算法對各群觀 測值進行預測

利用遺傳規劃法對殘差進行 預測

將預測值與殘差預測值加總 得出最終轉換效率預測值

進行預測模型準確性評估

圖 3. 1 建構三階段轉換效率預測模型之流程圖

21