5-1 類神經研究方法與步驟
第一階段確定研究對象之輸入與輸出特徵後，整理分析研究樣本並將其 依 Matlab nntool 之資料形式要求做前置處理，如圖 23。
第二階段建構初步網路模型並調整訓練範例、網路結構以及相關參數來 尋找適當的訓練方法。將數據分為訓練集、驗證集與測試集，訓練集用 以調整網路權重值；驗證集用以檢測訓練使否過度，一旦誤差到達最低 值而開始連續遞增時就停止訓練；測試集功能則是與驗證集誤差比對，
如果誤差差太多則表示數據切分得不好。
第三階段應用訓練出來的模型來進行預測。以歷史紀錄作為預測對象，
並計算出預測值對於實際值的平均誤差。
重複以上步驟並將平均誤差列表，從中找出最佳的網路架構。
圖 23 類神經網路輸入輸出資料形式
時間軸 5min
36
5-2 類神經網路短期風能預測
本研究利用前述之各種倒傳遞前饋類神經網路在以風力資料為輸入並使用 Matlab nntool 訓練後整理如表 4、表 5，表中所使用的架構包括六個隱藏層神經 元、30 個輸入端，而輸出為未來十分鐘之風力風向。結果顯示風向最低平均相 對誤差 MRE 為 Fletcher-Powell 共軛梯度倒傳遞的 0.0172，風速最低 MRE 為 Fletcher-Powell 共軛梯度倒傳遞的 0.0596，但 Fletcher-Powell 共軛梯度倒傳遞的 圈點式訓練時間較久。而研判表 5 風速誤差較表 3 高的原因是本研究的大型風場 資料來自美國衝浪網站[25]，而文獻中的風力資料來自穩定度較高且風速較快的 大型風機風場，資料的動盪程度與預測準確度有絕對的關係。經由表 4、表 5 的 比較後，本文以 MRE 為主，取風向與風速之 MRE 較低者，並兼顧取訓練時間 之考量，最終決定以 Levenberg-Marquardt 為本研究之訓練演算法。故本研究接 下來的預測控制將統一使用 Levenberg-Marquardt method(簡稱 ML)。
表 4 各種類神經網路訓練函數預測風向誤差比較表
訓練函數
風向 MAE (註 1)
風向 SD of MAE
(註 2)
風向 MRE (註 3)
風向 SD of MRE
(註 4)
訓練 時間 (註 5) 梯度下降倒傳遞 76.2359 9.7403 0.2541 76.6036 1 秒 具適應性學習速率的梯度下降倒傳遞 6.2265 4.8430 0.0206 7.8719 2 秒 具動量的梯度下降倒傳遞 124.8931 11.9576 0.4149 125.0512 1 秒 具動量和適應性學習速率的梯度下降倒傳遞 5.4932 4.4448 0.0183 7.0520 5 秒 彈性的倒傳遞 5.3089 4.1001 0.0177 6.6939 1 秒 BFGS 擬牛頓倒傳遞 5.3917 4.2998 0.0179 6.8823 32 秒 Powell-Beale 共軛梯度倒傳遞 5.5626 4.3441 0.0185 7.0433 3 秒
37
Fletcher-Powell 共軛梯度倒傳遞 5.1487 4.1421 0.0172 6.5947 8 秒 Polak-Ribiere 共軛梯度倒傳遞 5.4990 4.1713 0.0183 6.8875 3 秒 One Step Secant 5.4859 4.0928 0.0182 6.8298 2 秒 Levenberg-Marguardt 5.6207 4.5722 0.0177 7.2310 2 秒
表 5 各種類神經網路訓練函數預測風速誤差比較表 Levenberg-Marguardt 0.7792 0.6601 0.0602 0.9761 2 秒
註 1：MAE 的計算方式如下
38 toolbox 使用一層隱藏層內建十二神經元並以 Levengerg-Marquardt 演算法訓練，
其中中間層使用雙曲活化函數，輸出層是線性活化函數。
由兩張圖可見 matlab 的模擬預測與實際值走向相去不遠。
圖 24 龍山國小風向實際值與預測值比較圖
39
圖 25 龍山國小風速實際值與預測值比較圖
因美國風帆網站[25]風向風速資料量豐厚且時間間格小，故本研究利用其所 提供的風力歷史資料做為大型風場資料來預測，將五分鐘平均風向、平均風速資 料以不同輸入形式做未來十分鐘風力之預測，並將預測結果繪圖及列表比較，從 中選擇出最適合的輸入資料形式。
以下為訓練架構比較之順序
1. 固定輸入層輸入端個數及隱藏層神經元個數後，調整網路預測的資料量 做風速風向預測，比較其誤差以決定最適宜的訓練資料量，如表 6。而 其所有訓練筆數所預測之風向、風速與實際比較的走勢圖則如圖 26、27 所示。
2. 決定訓練資料筆數後，以此訓練資料筆數為基準，調整輸入層元素個數，
而隱藏層神經元則以輸入層元素數量開根號後取整數為神經元數量作為 網路架構。不同輸入端數量之預測結果誤差整理列如表 7。而其所有不 同的輸入層元素個數所預測之風向、風速與實際比較的走勢圖則如圖 28、
29 所示。
3. 決定訓練資料比數及輸入層元素以後，調整隱藏層神經元個數，以順序 2 中使用的隱藏層神經元數量附近的數值作為其餘隱藏層神經元個數來 比較，其預測誤差結果列表如 8。而其所有不同的隱藏層神經元個數所 預測之風向、風速與實際比較的走勢圖則如圖 30、31 所示。
經過以上的參數選取以後，決定所需的短期未來風力資料以上列步驟的選擇設定 為訓練預測網路的架構，最終目的為提供風機淨能量最佳化所需之迎風轉向動態 式計算。
40
表 6 LM 類神經網路改變訓練資料量的預測誤差比較
訓練資料量 輸入層元素個數 隱藏層神經元個數 風速 MRE 風向 MRE
1. 270 筆 30 6 0.0850 0.0215
2. 450 筆 30 6 0.0819 0.0186
3. 750 筆 30 6 0.0664 0.0185
4. 1000 筆 30 6 0.0696 0.0174
5. 1250 筆 30 6 0.0641 0.0193
由表 6 統計表中可發現風速預測誤差隨訓練資料量的增加而遞減，而風向雖 有動盪但一直維持在誤差 2%的水準以內，因此固定訓練筆數為 1250 筆，做改變 輸入個數的比較。
表 7 LM 類神經網路改變輸入個數的預測誤差比較
訓練資料量 輸入層元素個數 隱藏層神經元個數 風速 MRE 風向 MRE
1. 1250 筆 45 7 0.0633 0.0192
2. 1250 筆 30 6 0.0641 0.0193
3. 1250 筆 15 4 0.0568 0.0175
4. 1250 筆 10 3 0.0596 0.0171
5. 1250 筆 9 3 0.0682 0.0174
由表 7 統計表中選取誤差最小的輸入個數來預測，結果以 15 及 10 表現最佳，
擇一選擇固定輸入個數為 15，去做隱藏層神經元改變的比較。
表 8 LM 類神經網路改變隱藏層神經元個數的預測誤差比較
訓練資料量 輸入層元素個數 隱藏層神經元個數 風速 MRE 風向 MRE
1. 1250 筆 15 6 0.0614 0.0174
41
2. 1250 筆 15 5 0.0589 0.0191
3. 1250 筆 15 4 0.0568 0.0175
4. 1250 筆 15 3 0.0586 0.0163
經由以上篩選後，最終決定以訓練資料量 1250 筆、輸入層元素 15 個、隱藏 層神經元 4 個來訓練網路以預測風向風速，並套用至迎風轉向控制以求達到省能 的最佳狀態。
圖 26 風向之預測網路不同訓練筆數比較
圖 27 風速之預測網路不同訓練筆數比較
42
圖 28 風向之預測網路輸入個數改變比較
圖 29 風速之預測網路輸入個數改變比較
圖 30 風向之預測網路隱藏神經元改變比較
43
圖 31 風速之預測網路隱藏神經元改變比較
44