應用類神經網路技術在金門風場之長時間風力發電預測

全文

(1)國立臺灣師範大學工業教育學系碩士論文指導教授：呂藝光博士. 應用類神經網路技術在金門風場之長時間風力發電預測 Using Neural Network Technology in Long Term Wind Power Forecasting in Kinmen Wind Farm. 研究生：盧苹源撰中華民國 103 年 7 月.

(2) 應用類神經網路技術在金門風場之長時間風力發電預測指導教授：呂藝光博士. 學生：盧苹源. 國立臺灣師範大學工業教育學系碩士班. 摘要由於風力發電機輸出不穩定主要原因在於風速發生變化，風力發電機輸出也跟著變化，而影響風速的因素包括地形、溫度、濕度等。因此，風力發電預測是一種非常複雜、多維度且高度非線性的系統。類神經網路技術的優點在於能學習輸入與輸出間的關係而不需要提供轉換的數學函式，可完成複雜的非線性映射、聯想、資料分類、知識處理等工作，且類神經網路具有並行處理能力可減少運算時間，故適合應用於數量眾多風機組之發電量預測。本論文的目的在於應用類神經網路技術於預測長時間之風力發電量，並分析金門風場之風力發電量預測效果。最後，利用 MATLAB 實現一類神經網路結合氣象資料之風力發電預測系統，具有領前時間 1~48 小時之風力發電預測能力。. 關鍵字：類神經網路、風力發電預測、金門風場. i.

(3) Using Neural Network Technology in Long Term Wind Power Forecasting in Kinmen Wind Farm. Student：Ping-Yuan Lu. Advisor：Dr. Yih-Guang Leu. Department of Indurstrial Education National Taiwan Normal University. ABSTRACT The wind turbine systems are unstable power sources. The main reason is that their power outputs heavily depend on wind speed. However, terrain, temperature, humidity and other factors affect wind speed. Therefore, wind power forecasting is a very complex, multi-dimensional, and highly nonlinear system. Neural network has the ability to learn the relationship between system input and output, and performs complex non-linear mapping, data classification, knowledge processing, and so forth. In addition, because neural network has the ability of parallel processing, computation time can be reduced. Therefore, it is very suitable for wind power forecasting. The purpose of this thesis is to use neural network technology to design a wind power forecasting system. Moreover, the efficiency of the proposed wind power forecasting system in Kinmen farm is described. Finally, we use MATLAB to implement the proposed wind power forecasting system with 48hours ahead in Kinmen farm. Keywords: Neural network, wind power forecasting, Kinmen farm. ii.

(4) 謝誌時光飛梭，臺灣師範大學工業教育研究所就讀的這兩年，一下子就過去，回想起還是碩一一起跟同學打拼課堂報告，過程中有歡笑也有辛勞的付出，到了碩二碩士生涯的結束以及論文順利的完成，頓時有點依依不捨的感覺，不過還是要繼續下去，特別感謝指導教授呂藝光博士這兩年來的教導與訓練，不論是在研究上遭遇的問題、相關技術的研究或者是做人處事的道理，使我受益良多；其次要特別感謝台電綜合研究所以及曹昭陽博士，如果沒有他們幫忙，這論文可能沒辦法完成；同時，更要感謝口試委員洪欽銘教授、張原彰教授與呂藝光教授對於本論文提供很多的指導、改正以及寶貴的意見，使得本論文能更加完善。在學習的過程中，要感謝學校提供這麼好的學習環境以及教授們教導的專業技術，藉此才能完成本論文之研究。感謝承洲、彥侯、裕勝、嘉煒學長的經驗傳承以及課業上指導幫忙，接著感謝在研究所期間我所認識的每位朋友們，有你們才能讓我順利完成學業，也要感謝林宓、柏彰、承翰、皓淳、思穎等工教系朋友幫忙，由於大家的奮鬥、同心協力下，在碩一我們可以安心度過繁忙的課業及報告；還要感謝拱北、典融、穎盈、逸翔、婷芸、崇嘉、明甫、仕勳、智凱、仕華等好友們，在遭遇難題時總能適時給予援助，開心時更陪伴我一起娛樂、打球、手指運動；更要感謝工教系與應電系的系辦工作人員，在研究所學習過程中提供許多幫忙與協助。最後，一定要感謝我的家人，你們的支持與加油讓我能專注於研究及課業上，順利完成碩士論文，希望在未來的日子，不論遭遇任何事情，都能秉持著努力、用心的態度去完成。盧苹源謹誌中華民國 103 年 8 月. iii.

(5) 目錄摘要 ..................................................................................................................... i ABSTRACT .......................................................................................................ii 謝誌 ...................................................................................................................iii 目錄 ................................................................................................................... iv 表目錄 ............................................................................................................... vi 圖目錄 .............................................................................................................. vii 第一章緒論 .................................................................................................... 1 1.1 研究背景與動機 .................................................................................... 1 1.2 研究目的 ................................................................................................ 5 1.3 章節描述 ................................................................................................ 6 第二章文獻探討與回顧 ................................................................................ 7 2.1 風力發電 ................................................................................................. 7 2.1.1 風力發電的原理 ............................................................................. 7 2.1.2 金門風力發電廠 ............................................................................. 9 2.2 灰色理論 ............................................................................................... 10 2.3 類神經網路 ........................................................................................... 11 第三章研究方法 .......................................................................................... 14 3.1 灰色預測 ............................................................................................... 14 3.2 類神經網路預測 ................................................................................... 17 3.3 預測方式比較 ....................................................................................... 22 第四章實驗與分析 ...................................................................................... 25 4.1 相關性分析 ........................................................................................... 25 4.1.1 過去的歷史資料 ............................................................................ 25 4.1.2 ACCUWeatherher 氣象預報資料 .................................................. 27 iv.

(6) 4.2 類神經網路預測 ................................................................................... 28 4.3 灰色預測 ............................................................................................... 49 4.4 灰色預測結合類神經網路預測 ........................................................... 56 4.5 氣象預報結合類神經網路預測 ........................................................... 76 4.6 氣象預報、灰色預測結合類神經網路預測 ....................................... 96 4.7 小結 ..................................................................................................... 116 第五章研究結論與未來展望 .................................................................... 119 5.1 研究結論 ............................................................................................. 119 5.2 未來展望 ............................................................................................. 120 參考文獻 ........................................................................................................ 121. v.

(7) 表目錄表 1-1 92-103 年風力發電累計裝置容量一覽表[1] .................................... 2 表 1-2 92-103 年風力發電發電量一覽表[1] ................................................ 2 表 3-1 相關係數之相關性程度 ...................................................................... 23 表 4-1 過去的歷史資料與金門風機 1 號量測風速相關係數分析 ............. 26 表 4-2 過去的歷史資料與金門風機 2 號量測風速相關係數分析 ............. 26 表 4-3 Accuweather 風速與金門風機 1 號量測風速相關係數分析 ............ 27 表 4-4 Accuweather 風速與金門風機 2 號量測風速相關係數分析 ............ 28. vi.

(8) 圖目錄圖 1-1 研究流程 ............................................................................................... 6 圖 2-1 實際的風力發電機 ............................................................................... 8 圖 2-2 金門風場 2 部風機實際發電狀況 ....................................................... 9 圖 2-3 風機發電特性曲線 ............................................................................. 10 圖 3-1 灰預測流程圖 ..................................................................................... 17 圖 3-2 傳統的類神經網路架構 ..................................................................... 18 圖 3-3 類神經網路的預測流程圖 ................................................................. 22 圖 3-4. MATLAB 程式流程圖 ...................................................................... 25. 圖 4-1 金門 1 號風機類神經網路收斂圖 ..................................................... 29 圖 4-2 金門 2 號風機類神經網路收斂圖 ..................................................... 29 圖 4-3 金門 1 號風機 BP 領前 48 小時預測圖 ............................................ 30 圖 4-4 金門 1 號風機 BP 領前 48 小時發電量預測圖 ................................ 30 圖 4-5 金門 2 號風機 BP 領前 48 小時預測圖 ............................................ 31 圖 4-6 金門 2 號風機 BP 領前 48 小時發電量預測圖 ................................ 31 圖 4-7 金門 1 號風機 BP 領前 1~6 小時預測結果散佈圖 .......................... 33 圖 4-8 金門 1 號風機 BP 領前 7~12 小時預測結果散佈圖 ........................ 34 圖 4-9 金門 1 號風機 BP 領前 13~18 小時預測結果散佈圖 ...................... 35 圖 4-10 金門 1 號風機 BP 領前 19~24 小時預測結果散佈圖 .................... 36 圖 4-11 金門 1 號風機 BP 領前 25~30 小時預測結果散佈圖 .................... 37 圖 4-12 金門 1 號風機 BP 領前 31~36 小時預測結果散佈圖 .................... 38 圖 4-13 金門 1 號風機 BP 領前 37~42 小時預測結果散佈圖 .................... 39 圖 4-14 金門 1 號風機 BP 領前 43~48 小時預測結果散佈圖 .................... 40 圖 4-15 金門 2 號風機 BP 領前 1~6 小時預測結果散佈圖 ........................ 41 圖 4-16 金門 2 號風機 BP 領前 7~12 小時預測結果散佈圖 ...................... 42 vii.

(9) 圖 4-17 金門 2 號風機 BP 領前 13~18 小時預測結果散佈圖 .................... 43 圖 4-18 金門 2 號風機 BP 領前 19~24 小時預測結果散佈圖 .................... 44 圖 4-19 金門 2 號風機 BP 領前 25~30 小時預測結果散佈圖 .................... 45 圖 4-20 金門 2 號風機 BP 領前 31~36 小時預測結果散佈圖 .................... 46 圖 4-21 金門 2 號風機 BP 領前 37~42 小時預測結果散佈圖 .................... 47 圖 4-22 金門 2 號風機 BP 領前 43~48 小時預測結果散佈圖 .................... 48 圖 4-23 金門 1 號風機灰色預測領前 48 小時預測圖 ................................. 49 圖 4-24 金門 1 號風機灰色預測領前 48 小時發電量預測圖 ..................... 50 圖 4-25 金門 2 號風機灰色預測領前 48 小時預測圖 ................................. 50 圖 4-26 金門 2 號風機灰色預測領前 48 小時發電量預測圖 ..................... 51 圖 4-27 金門 1 號風機灰色預測領前 1~6 小時預測結果散佈圖 ............... 52 圖 4-28 金門 1 號風機灰色預測領前 7~12 小時預測結果散佈圖 ............. 53 圖 4-29 金門 2 號風機灰色預測領前 1~6 小時預測結果散佈圖 ............... 54 圖 4-30 金門 2 號風機灰色預測領前 7~12 小時預測結果散佈圖 ............. 55 圖 4-31 金門 1 號風機灰色預測結合類神經網路收斂圖 ........................... 56 圖 4-32 金門 2 號風機灰色預測結合類神經網路收斂圖 ........................... 56 圖 4-33 金門 1 號風機 GREY+BP 領前 48 小時預測 ................................. 57 圖 4-34 金門 1 號風機 GREY+BP 領前 48 小時發電量預測 ..................... 57 圖 4-35 金門 2 號 GREY+BP 領前 48 小時預測圖 ..................................... 58 圖 4-36 金門 2 號 GREY+BP 領前 48 小時發電量預測圖 ......................... 58 圖 4-37 金門 1 號風機 GREY+BP 領前 1~6 小時預測結果散佈圖 ........... 60 圖 4-38 金門 1 號風機 GREY+BP 領前 7~12 小時預測結果散佈圖 ......... 61 圖 4-39 金門 1 號風機 GREY+BP 領前 13~18 小時預測結果散佈圖 ....... 62 圖 4-40 金門 1 號風機 GREY+BP 領前 19~24 小時預測結果散佈圖 ....... 63 圖 4-41 金門 1 號風機 GREY+BP 領前 25~30 小時預測結果散佈圖 ....... 64. viii.

(10) 圖 4-42 金門 1 號風機 GREY+BP 領前 31~36 小時預測結果散佈圖 ....... 65 圖 4-43 金門 1 號風機 GREY+BP 領前 37~42 小時預測結果散佈圖 ....... 66 圖 4-44 金門 1 號風機 GREY+BP 領前 43~48 小時預測結果散佈圖 ....... 67 圖 4-45 金門 2 號風機 GREY+BP 領前 1~6 小時預測結果散佈圖 ............ 68 圖 4-46 金門 2 號風機 GREY+BP 領前 7~12 小時預測結果散佈圖 ......... 69 圖 4-47 金門 2 號風機 GREY+BP 領前 13~18 小時預測結果散佈圖 ....... 70 圖 4-48 金門 2 號風機 GREY+BP 領前 19~24 小時預測結果散佈圖 ....... 71 圖 4-49 金門 2 號風機 GREY+BP 領前 25~30 小時預測結果散佈圖 ........ 72 圖 4-50 金門 2 號風機 GREY+BP 領前 31~36 小時預測結果散佈圖 ....... 73 圖 4-51 金門 2 號風機 GREY+BP 領前 37~42 小時預測結果散佈圖 ....... 74 圖 4-52 金門 2 號風機 GREY+BP 領前 43~48 小時預測結果散佈圖 ....... 75 圖 4-53 金門 1 號風機氣象預報結合類神經網路收斂圖 ........................... 76 圖 4-54 金門 2 號風機氣象預報結合類神經網路收斂圖 ........................... 76 圖 4-55 金門 1 號風機 ACCU+BP 領前 48 小時預測 ................................. 77 圖 4-56 金門 1 號風機 ACCU+BP 領前 48 小時發電量預測圖 .................. 77 圖 4-57 金門 2 號風機 ACCU+BP 領前 48 小時預測 ................................. 78 圖 4-58 金門 2 號風機 ACCU+BP 領前 48 小時發電量預測圖 ................. 78 圖 4-59 金門 1 號風機 ACCU+BP 領前 1~6 小時預測結果散佈圖 ........... 80 圖 4-60 金門 1 號風機 ACCU+BP 領前 7~12 小時預測結果散佈圖 ......... 81 圖 4-61 金門 1 號風機 ACCU+BP 領前 13~18 小時預測結果散佈圖 ....... 82 圖 4-62 金門 1 號風機 ACCU+BP 領前 19~24 小時預測結果散佈圖 ....... 83 圖 4-63 金門 1 號風機 ACCU+BP 領前 25~30 小時預測結果散佈圖 ....... 84 圖 4-64 金門 1 號風機 ACCU+BP 領前 31~36 小時預測結果散佈圖 ....... 85 圖 4-65 金門 1 號風機 ACCU+BP 領前 37~42 小時預測結果散佈圖 ....... 86 圖 4-66 金門 1 號風機 ACCU+BP 領前 43~48 小時預測結果散佈圖 ....... 87. ix.

(11) 圖 4-67 金門 2 號風機 ACCU+BP 領前 1~6 小時預測結果散佈圖 ........... 88 圖 4-68 金門 2 號風機 ACCU+BP 領前 7~12 小時預測結果散佈圖 ......... 89 圖 4-69 金門 2 號風機 ACCU+BP 領前 13~18 小時預測結果散佈圖 ....... 90 圖 4-70 金門 2 號風機 ACCU+BP 領前 19~24 小時預測結果散佈圖 ....... 91 圖 4-71 金門 2 號風機 ACCU+BP 領前 25~30 小時預測結果散佈圖 ....... 92 圖 4-72 金門 2 號風機 ACCU+BP 領前 31~36 小時預測結果散佈圖 ....... 93 圖 4-73 金門 2 號風機 ACCU+BP 領前 37~42 小時預測結果散佈圖 ....... 94 圖 4-74 金門 2 號風機 ACCU+BP 領前 43~48 小時預測結果散佈圖 ....... 95 圖 4-75 金門 1 號風機氣象預報、灰色預測結合類神經網路收斂圖 ....... 96 圖 4-76 金門 2 號風機氣象預報、灰色預測結合類神經網路收斂圖 ....... 96 圖 4-77 金門 1 號風機 ACCU+GREY+BP 領前 48 小時預測圖 ................ 97 圖 4-78 金門 1 號風機 ACCU+GREY+BP 領前 48 小時發電量預測圖 ..... 97 圖 4-79 金門 2 號 ACCU+GREY+BP 領前 48 小時預測圖 ........................ 98 圖 4-80 金門 2 號 ACCU+GREY+BP 領前 48 小時發電量預測圖 ............ 98 圖 4-81 金門 1 號風機 ACC+GR+BP 領前 1~6 小時預測結果散佈 ........ 100 圖 4-82 金門 1 號風機 ACC+GR+BP 領前 7~12 小時預測結果散佈 ...... 101 圖 4-83 金門 1 號風機 ACC+GR+BP 領前 13~18 小時預測結果散佈 .... 102 圖 4-84 金門 1 號風機 ACC+GR+BP 領前 19~24 小時預測結果散佈 .... 103 圖 4-85 金門 1 號風機 ACC+GR+BP 領前 25~30 小時預測結果散佈 .... 104 圖 4-86 金門 1 號風機 ACC+GR+BP 領前 31~36 小時預測結果散佈 .... 105 圖 4-87 金門 1 號風機 ACC+GR+BP 領前 37~42 小時預測結果散佈 .... 106 圖 4-88 金門 1 號風機 ACC+GR+BP 領前 43~48 小時預測結果散佈 .... 107 圖 4-89 金門 2 號風機 ACC+GR+BP 領前 1~6 小時預測結果散佈 ........ 108 圖 4-90 金門 2 號風機 ACC+GR+BP 領前 7~12 小時預測結果散佈 ...... 109 圖 4-91 金門 2 號風機 ACC+GR+BP 領前 13~18 小時預測結果散佈 .... 110. x.

(12) 圖 4-92 金門 2 號風機 ACC+GR+BP 領前 19~24 小時預測結果散佈 .... 111 圖 4-93 金門 2 號風機 ACC+GR+BP 領前 25~30 小時預測結果散佈 .... 112 圖 4-94 金門 2 號風機 ACC+GR+BP 領前 31~36 小時預測結果散佈 .... 113 圖 4-95 金門 2 號風機 ACC+GR+BP 領前 37~42 小時預測結果散佈 .... 114 圖 4-96 金門 2 號風機 ACC+GR+BP 領前 43~48 小時預測結果散佈 .... 115 圖 4-97 金門 1 號風機領前 1~48 小時預測氣象預測比較圖 ................... 116 圖 4-98 金門 2 號風機領前 1~48 小時預測氣象預測比較圖 ................... 116 圖 4-99 金門 1 號風機領前 1~48 小時預測與氣象預測比較圖 ............... 117 圖 4-100 金門 2 號風機領前 1~48 小時預測與氣象預測比較圖 ............. 118. xi.

(13) 第一章緒論 1.1 研究背景與動機隨著科技不斷的發展進步，人們對能源需求越來越大，所需電力也越來越多，這將會導致化石燃料面臨枯竭危機，此外如果使用大量化石燃料，常會伴隨著汙染並對生活環境造成傷害，最嚴重的影響是讓全球氣候產生異常。日本的京都曾經舉辦「聯合國氣候變化綱要公約」大會，並於會中簽署議定書，當中規範 38 個國家及歐盟需要減少排放溫室氣體，以期望能降低對全球環境造成的影響，這說明了人類需要污染性較低的能源。因此，近幾年來電業經營者都必須認真面對這嚴重的課題，目前各國政府都在積極發展與推廣再生能源的應用，例如風力發電、太陽發電、水力發電等，再生能源開發與應用的技術將會是世界各國未來科技發展的重要方向之一，在眾多再生能源當中，其中除了水力發電外，風力發電相關技術發展是最為成熟，歐美國家皆有發展風力發電，其中又以歐洲在推動風力發電最為積極並最具有成效。. 對台灣來說，能源大部分皆須仰賴國外進口，所以如何降低對進口能源的依賴，亦是一種相當重要的課題，所以政府目前也正在積極開發本土可以利用的能源，現階段來說，主要推動的再生能源以風力及太陽能發電為主，而台灣電力公司亦配合政府的「永續能源政策綱領」，目前正積極開發再生能源，並認為風力發電是現階段技術最成熟、且最具有經濟效益的再生能源，同時也沒有任何汙染排放。因此，政府也在極力推廣風力發電，目前國內除了台電有設置風力發電機組外，民間廠商也有投入開發風力發電，統計至 102 年底國內已完工風力發電機組達 306 座，總容量約 60.976 萬千瓦，每年預估可發電 16 億度電。表 1-1 和表 1-2 取自台電為風力發電累計裝置容量一覽表以及近幾年年風力發電發電量一覽表[1]。 1.

(14) 表 1-1 92-103 年風力發電累計裝置容量一覽表[1] 項. 目. 92年. 93年. 94年. 95年. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 0.24. 0.00. 0.24. 0.00. 1.78. 0.00. 4.78. 4.98. 總容量萬. (. 瓩. 項. ) 目. 96年. 97年. 98年. 99年. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 11.18. 4.98. 13.18. 11.42. 17.98. 16.71. 24.92. 22.23. 總容量萬. (. 瓩. 項. ) 目. 100年. 101年. 102年. 103年5月止. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 28.68. 23.15. 28.68. 27.29. 28.68. 32.3. 28.68. 33.91. 總容量 (. 萬. 瓩. ). 表 1-2 92-103 年風力發電發電量一覽表[1] 項. 目. 92年. 93年. 94年. 95年. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 0.98. 0.0. 1.28. 0.0. 7.91. 0.0. 17.40. 9.27. 總發電量 (千萬度) 項. 目. 96年. 97年. 98年. 99年. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 27.65. 15.39. 27.27. 32.97. 37.17. 47.65. 51.22. 50.67. 總發電量 (千萬度) 項. 目. 100年. 101年. 102年. 103年5月止. 台電. 民間. 台電. 民間. 台電. 民間. 台電. 民間. 80.30. 72.97. 73.65. 75.30. 74.78. 86.95. 29.77. 32.84. 總發電量 (千萬度). 2.

(15) 不過，風力發電過程中，風力發電機輸出並不會穩定的輸出電力，其最主要原因是在於風速發生變化，同時也造成風力發電機輸出跟著變化，這樣一來使得風力發電只能提供間歇性電力，無法提供穩定的電力來源，故風力發電是屬於間歇性且時變性的能源；由於風力發電的輸出主要是由風速決定，所以如何精確的預測風速是相當重要的一個課題，風速本身的隨機性以及間歇性，這也都會影響了風速預測的難度，目前來說風速預測的準確性不僅與預測方法相關，也與預測地點的位置、輸入資料有效性有關。除此之外，如果風速預測時間越短，其預測誤差越小，隨著預測時間的變長，預測誤差也會變大，此時風速預測的準確率也變差許多。當然，如果不能很精確的預測風速，那麼在注入電網後也不能預先知道可能的發電量，這將容易造成電力系統不穩定，且不容易進行有效電力調度，會增加運轉投資與操作成本。因此，發展精確的長領前時間之風力發電預測機制，對於掌握未來風力發電量變化是有所幫助，這不僅可以提升風力發電場的整體發電量，並且對於風力發電併入電網中是相當重要且必須。由於風速是決定風力發電效能最重要因素，因此欲發展精確且長時間之風力發電預測，需要先能精確地預測出風速。. 目前來說，常用的風力及風速預測方法主要有氣象模型、統計模型、風場模型、智慧型預測模型等[2]。氣象模型主要是根據天氣預報資訊來決定；統計模型也就是時間序列分析，主要就是使用時間序列來進行預測，比較常見的時間序列方式有自回歸模型(Autoregressive Model)、滑動平均模型 (Moving Average)、差分整合自回歸移動平均模型 (Autoregressive Integrated Moving Average)及自回歸滑動平均模型(Autoregressive Moving Average)；而風場模型主要考慮整體空間的相關性來預測整個風場風速；而智慧型預測模型常見有類神經網路(Neural Networks)、模糊邏輯系統. 3.

(16) (Fuzzy logic systems)、支撐向量機(Support Vector Machine)等。上述方法在預測上皆有其優缺點與適用的範圍，一般來說，智慧型預測模型屬於非線性系統建模較優於統計模型，而風場模型因考慮空間相關性，運算與處裡相較於統計模型方法較為複雜，因此選擇預測模型通常會先針對預測問題進行分析與判斷，找出較佳的預測模型。若要精確預測長領前時間風速預測，需要組合上述方法來進行預測，像是智慧型預測方法結合氣象預報資訊，可以較精確地預測長領前時間的風速。. 地形、溫度、氣壓、緯度等因素亦會對風速產生影響，因此存在非常複雜且高度非線性的關係，這將導致利用傳統物理模式或統計方法進行預測時，會遇到相當大的困難，特別是針對長領前時間預測上，然而類神經網路具有強大學習能力，易於塑造真實系統的輸入與輸出關係，以建立實際系統的數學模型，例如風力系統、物理動態系統等。同時類神經網路亦具有並行運算能力，可以提供快速運算功能，易於即時完成多組模型預測。類神經網路的分類依照學習方法可分監督式學習(Supervised learning)和非監督式學習(Unsupervised learning)，在這兩種學習方法中，監督式是依照訓練資料包括輸入數據與輸出目標，在學習過程中找出輸入與輸出之對應關係，建立系統的模型，以便識別出其他數據(未訓練過的數據)，故這種學習法適合應用於函數近似(Function approximation)、分類(Classification)、預測(Prediction)等問題。一般常見的監督式學習網路包括倒傳遞類神經網路(Back Propagation Neural Networks)、放射狀基底函數類神經網路(Radial Basis Function Networks)、模糊類神經網路(Fuzzy-Neural Networks)等。在知道影響風力發電的因素以及對於風力發電量的影響，並了解類神經網路之良好的學習能力與運算能力，本論文使用類神經網路進行長領前時間之風速的預測，並針對各種不同系統的輸入做出比較，進而選擇較優之方法，來達到預期的結果。. 4.

(17) 1.2 研究目的本論文的目的在於應用類神經網路技術於預測長時間之風速，近而推論出風力發電量，並將使用不同的類神經網路輸入資料進行預測，然後分析預測效果；本論文主要是針對金門風力發電廠做研究，使用五種不同的資料進行風速預測並比較成效，第一種方法是將過去幾小時的風速歷史資料直接進行類神經網路預測，第二種是將過去幾小時的風速歷史資料直接進行灰色預測 GM(1,1)，第三種是將過去幾小時的風速歷史資料與灰色預測 GM(1,1)之風速資料結合進行類神經網路預測，第四種是將過去幾小時的風速歷史資料與氣象預報風速資料結合進行類神經網路預測，最後一種是將過去幾小時的風速歷史資料與灰色預測 GM(1,1)之風速資料，以及氣象預報風速資料結合進行類神經網路預測，最後，將各種預測結果進行比較，選出一種方法，建立風力發電預測之類神經網路模型，並預測單一風機未來風速以及風力發電量。下圖是本論文之研究流程:. 5.

(18) 圖 1-1 研究流程. 1.3 章節描述本論文總共有五個章節，主要內容包括：第一章緒論：說明論文的研究背景、動機、目的及章節描述。第二章文獻回顧：介紹風力發電，以及類神經網路、灰色理論相關應用。第三章研究方法：介紹本論文所用之研究方法。第四章實驗與分析：將本論文實驗結果呈現，並進行比較分析。第五章結論與未來展望：總結本論文的研究成果並提出未來發展。. 6.

(19) 第二章文獻探討與回顧 2.1 風力發電風是生活中最常見的自然現象，風的形成簡單來說，是因為溫度的不同，影響空氣的流動，一般常見的風有颱風、季風、海風、山谷風等。風速的大小常見的是以每秒幾公尺(m/s)或是以蒲福式風級(Beaufort wind scale)表示，空氣流動具有動能簡稱為風能。空氣流速越高也就是風速越大，代表它的動能越大。舉例來說，一般夏天微風吹過周遭，會讓人覺得相當舒服，但如果颱風來時，其強大的風速甚至可以捲起滔天巨浪、樹木連根拔起更可怕的是毀壞建築物。所以風是一種相當可觀的能源而且可以免費利用，另外，風取之不盡用之不竭，使用風力不需要額外燃料，也不會排放溫室氣體造成空氣汙染，是相當很好的綠色能源，目前來說風力發電技術已經很成熟，相當接近傳統發電成本，對台灣來說可以降低對進口燃料的依賴，提升能源自主性，此外架設風力發電機所需使用土地面積較小，並不妨礙周遭土地之使用，甚至可以當作旅遊參觀地，風機可以分散地點設置，就近消耗減少傳輸電損失，上述來說，都是一些風力發電的特色及優點[17]。. 2.1.1 風力發電的原理風能轉換需要靠風力發電機，風力發電機簡稱風機，是形成風力發電的主要條件，主要是由發電機、塔架、葉片等部分組成如下圖所示，而風機的原理主要是經由空氣流動也就是風的吹動來轉動葉片來發電。葉輪為風機轉換過程中，最重要的系統之一，受風吹動之後，空氣動力使之旋轉，在轉動過程中將風的動能轉換成能使用的電能。一般來說葉片愈長，其風的接觸面積愈大，所能收取的風能就愈多，但是風力發電機的高度亦隨著增加多[18]；風力發電機之動能轉換能量的公式如下. 7.

(20) P. 1 C p Av3 2. (2-1). 其中 P 為風能，單位是 W，ρ為空氣密度，單位是 kg/m3，在溫度 25 ℃下，一般為 1.16，Cp 是功率係數或稱效率係數，理論上是 59%但是目前實際風力發電機大約只有 30~50%之間的效率轉換，A 是葉片的面積，單位是 m2，v 為風速，單位是 m/s，可以經由公式將風速轉換成可能獲得的能量。. 圖 2-1 實際的風力發電機在規劃風力發電時需考量因素多，像是設置區域的地理條件是否能形成穩定且充足的風，這對風力發電機的產量是極為重要。在風速越高的地區，風力發電機可獲得的風能越多，理所當然的經濟效益越好；而在風向穩定、較少亂流的環境中，會對風力發電機本身的耗損較少，機組通常較不易受損，這樣一來運轉壽命會較長，此外，還需慎選周遭環境，設置風力發電機的地點最好是設置在寬廣、開闊的區域以增加能量轉換效率，而且應盡量避免處於受遮蔽物阻擋產生亂流的範圍內。. 8.

(21) 2.1.2 金門風力發電廠風力強烈而穩定的地區是比較有開發風力發電的效用，台灣西部海岸及離島地區是最富有潛力的地方，地理位置極適合發展風力發電值得開發利用。而本論文主要是針對金門地區風力發電廠做研究，金門金沙地區有兩座風力發電機組[19]在 97 年開始建置，並於 98 年度開始運轉，風機廠牌為丹麥 Vestas V80 機型，葉片直徑 80 公尺，圓柱型鋼製塔架兩座，高度 67 公尺，如果要能夠發電，啟動的風速要達 4.0 公尺/秒，假如風速超過 25 公尺為了避免過高的風速，造成風機組損壞則需要關機，金門 2 部風機額定的發電量為 2000Kw，圖 2-2 為金門風力發電廠 2 部風機之實際發電，圖 2-3 是根據實際發電的狀況推算出金門風力發電廠風機之特性曲線。. (a). (b). 圖 2-2 金門風場 2 部風機實際發電狀況. 9.

(22) (b) 圖 2-3 風機發電特性曲線對於有強勁東北季風的金門來說，有這兩部風力發電機組的加入，對金門來說不僅可以降低汙染也節省過去火力發電的成本，每年大略估計可省金門上千萬的發電成本。. 2.2 灰色理論預測是客觀的照過去的歷史所發展的規律，使用科學的方法對於未來的發展趨勢進行描述及分析，所形成一種科學的假設及判斷。現在一般所採用的預測方法是根據大量的歷史數據，按照統計的方法分析規律，但會受限於數據量的限制。然而在灰色理論中，會把隨機量視為一定範圍內變化的灰色量，經過原始數據的處理，將原始數據白化為較有規律性的生成數據，此種方法可能可以以找出數據背後被隱藏起來的規律，方便從系統內部找出有效的信息；將過去的歷史資料以及現在已確知的或非確知的信息，建立出一套系統之模型並預測未來可能發展變化的趨勢，此種方法稱為灰色預測。. 10.

(23) 近幾年，灰色預測方法已被廣泛應用在各個領域，且獲得良好效果，灰色預測具有以下特色：所需數據不需要很多、預測方法計算簡單。一般情況下，不需大量歷史資料，就可以從雜亂的數據中找出一個規律來，甚至最少只需四個數據就可以進行預測，而且能收到相當不錯的結果。雖然灰色建模是建立在微分方程上，但因為步驟簡單，厲害的人甚至可以使用手工即可完成；一般情形下，灰色預測不需要關聯性高的資料所以資料容易取得。. 灰色預測用於短期預測上，預測精確度高，甚至可以比其他方法模型計算誤差來的小。所以自從灰色理論提出後，歷經各學者不斷研究之下，在各方面都有相當的成果，而下列有關於灰色預測之應用；國外學者曾研究並提出一個改進的灰色模型，在於領前一小時平均風速預測，所呈現的結果證明了該灰色模型是有效性、準確性，對於風的速度與風電功率預測 [27]；也有研究是為了提高風力發電預測準確度根據不同的灰色模型和遺傳算法的類神經網絡，使用平均絕對誤差和平均相對誤差來評價不同模型的預測能力，結果是這兩者的結合灰色模型和遺傳算法的類神經網絡模型的結合應用性能是最好的[28]；另外，也有學者提出一般傳統的灰色模型的缺陷，是只能應用到預測的相對數據系列，所以為了解決這個問題，可以結人工神經網絡來預測多系列數據[29]；一般來說，使用灰色預測一般都只能領前一小時的預測，在一些參考文獻中，領前一小時要想更精確的話，通常是會結合其他的預測方法，也就是說，若要進行領前長時間的預測，必須是要結合其他預測方法，才會有效且精確預測。. 2.3 類神經網路目前常用的預測模型，大致上可以分成兩部分，分別為使用傳統的計量回歸模式和人工智慧模式。其中人工智慧模式又分為專家系統、遺傳演. 11.

(24) 算法、類神經網路等不同模式，而在本論文中使用的是類神經網路預測模型。簡單來說，類神經網路之原理在於模仿人類大腦神經元訊號傳遞，藉由學習法則，解決非線性之分類、預測及分析等問題。類神經能由過去之經驗加以學習訓練，然後不斷的訓練調整網路中各個神經元之間連結的訊號強弱。當訓練完成後，在訓練過程中的資料都會被儲存來。在面對不同的問題，神經網路在訓練過程使用的學習方法也會有所差異，因此發展出很多種不同型式之類神經網路。. 目前常用的學習法則有三種，分別是監督式、非監督式以及聯想式學習。運用類神經網路進行預測主要可分為兩種模式，趨勢預測及因果預測。其原理主要是利用神經元來模仿人腦基本單元，模型建構的目的在於能夠映射輸入與輸出之間關係。基本的架構為輸入、隱藏以及輸出層，每一個神經元都是平行處理資料，輸入層是把外界的訊息輸入，隱藏層是把輸入的訊息進行處理，但在運行過程中看不到整個資料處理，輸出層則是把完成的結果送出。. 類神經網路具有以下之特點：類神經網路對於訓練變數如果含有雜訊或不完整時，類神經網路本身具有過濾、處理及容錯之能力，此外類神經網路系統具有強大的自我適應學習之能力，還可以快速處理大量資料，並且可以經由隱藏層功能獲得驚人之記憶容量；而就如同上述幾項特點來判斷，類神經網路可以作多維非線性函數數學模型且擁有自我適應之學習能力，而風速本身具有複雜的非特性特點，所以使用類神經網路進行風速預測是一種合理的方式。現在已經有不少預測風力發電受電量之機制型模式產生，各種模式在風力發電量預測研究中的應用已經越來越廣泛。. 一些國內外風力發電預測的研究也都是使用類神經網路來進行，像是使用倒傳遞和放射狀基底函數結合基因演算法的類神經網路，進行未來一 12.

(25) 個小時風速及發電量預測[34]；還有就是分別使用不同模式的類神經網路架構，來進行風力發電預測，並比較各模式預測的誤差[35]；此外也有國外學者研究使用類神經網路去預測每一個風機的渦輪發電量，其主要的目的是診斷出如果發現遠低於預期的風力發電量，這是需要維護的一種指標 [36]；此外也有學者根據常見的風力發電預測方式，像是時間序列預測、灰色預測以及類神經網路預測結果進行比較，結果是單純只使用類神經網路的預測準確度較優於其他兩種[37]，這說明使用類神經網路預測的效果應該是會相當有成效。. 13.

(26) 第三章研究方法 3.1 灰色預測灰色預測使用於系統訊息不完整、影響變數不定、行為模式及運作機制不明的情形，進行關聯性分析、建模與預測等工作；而灰色預測模型 GM(m,n)是一動態行為，包含一群微分方程式，其中 m 代表微分方程的階數，n 代表微分方程的變數數目，故 GM(1,1) 即可定義為一階微分，輸入變數為一之基本模式。GM(1,1) 是一種對現有僅存的資料進行預測，設法找到某一序列間未來動態之狀況。GM(1,1)的優點是需要的資料不用多，使用的數學方法易懂簡單，灰色預測模型說明如下：系統應用歷史資料建立的預測模型，可以由少量的歷史資料進行生成進而降低資料的隨機性，以便找到該模型之規律，處理過後之序列經轉化後建立一套灰色系統模型，最後可以推論出未來可能的情形達到預測之效果。. 首先要先了解到累加運算(AGO)，累加運算是灰色預測中相當重要的一個步驟，目的是要降低資料的隨機性，先以過去的歷史資料當作原始數列，其中第一項參數當作新數列之第一項參數，接著第一和第二項參數之和做為新數列之第二項參數，新數列的第三項參數就是原始數列之第一、第二和第三項參數的加總和，以此規則推論下去完成新數列，將此數列叫做一次累加運算數列，其數學的表示式如下：過去歷史資料的數列，即原始數列. . . x   x  (1), x  (2), x  (3),, x  (n) 0. 0. 0. 0. 0. (3-1) 1.  0. 式(3-1)為一沒有負值之數列，則經過一次累加運算後，定義 x 是 x 經過一次累加運算之後的數列，即. 14.

(27) . . x   x  (1), x  (2), x  (3),, x  (n) 1. 1. 1. 1. 1. (3-2). 其中 r. x (r )   x  (i), r  1, 2, 1. 1. ,n. (3-3). i 1. 接著是定義逆累加運算(IAGO)，逆累加運算是累加運算的反運算方法，假設待運算數列 x. k .  0. 為 x 的 k 次累加運算的數列，先確定新數列的. 第一項參數是待運算數列的第一項參數，然後待運算數列的第二項參數減去第一項做為新數列的第二項參數，新數列的第三項參數則是待運算數列的第三項參數減去第二項參數，以此規則推論下去完成新數列，將此數列叫做逆累加運算數列，其數學的表示式如下：. . . x   x  (1), x  (2), x  (3),, x  (n) k. k. k. k. k. (3-4). 經過一次逆累加運算後之結果. x. k 1. .  x. k 1. (1), x. k 1. (2), x. k 1. (3),, x. k 1. . (n). (3-5). 其中. x. k 1. (1)  x  (1). (3-6). k. 以及. x. k 1. (r )  x  (r )  x  (r  1), r  2,3, k. k. ,n. (3-7). 可以經累加運算生成的過程中，發現該數列的規律，再由灰色理論的定義以及轉換數列的過程建立灰色預測，可以將之表達成下列方程式：. x(0) (n)  az (1) (n)  b. (3-8). z    n   0.5x   n   0.5x   n  1. (3-9). 以及 1. 1. 1. 15.

(28) 其中，a 為發展係數，b 為控制變數， z 1  n  稱之為白化背景值，式中具備有一個變數及一階變量的灰色模型，稱為 GM(1,1)，但式(3-8)雖然滿足微分方程式的條件，但並不是真正的微分方程，不能對時間的歷程做連續分析與預測，因此一般都會用微分方程也就是式(3-10)來取代預測的 GM(1,1)的原模型也就是式(3-8)。由於這種取代手法並非使用數學方法，所以並沒有數學推導過程，故稱之為白化手段； dx (1)  ax (1)  b dt. (3-10). 由式(3-10)當中，可以使用一般常微分方程求解，再根據定義 x 1 的初  0. 1. 始值為 x (1)  x (1) ，得到離散化 x 1 響應方程式 b b xˆ (n  1)  ( x (0) (1)  )e an  a a. (3-11). b xˆ (1) (n  1)  ( x(0) (1))e an  (1  e an ) a. (3-12). b xˆ (0) (n  1)  (1  e a )( x(0) (1)  )e an a. (3-13). 上式可以簡化成. 在響應式中所得的結果是由累加生成而來的，所以需還原成原本之數列，經由逆累加運算把預測的結果數列求出，最後得到的預測結果如下 0 1 1 xˆ   (n  1)  xˆ   (n  1)  xˆ   (n). (3-14). 接下來是找出 GM(1,1)的參數 a、b，使用最小平方法(least square method)，由式(3-8)、(3-9)帶入原始數列與累加生成數列的數值，如式(31. 15)接著轉換成矩陣 Y  Baˆ，可以由 aˆ  ( B B) B Y 求出，當上述的各個參 T. T. 數值都找之後，代表已經建立灰色預測模型，可以根據(3-14)式來進行預測。. 16.

(29) x (0) (2)  az (1) (2)  b x (0) (3)  az (1) (3)  b x (0) (4)  az (1) (4)  b. (3-15). x (0) (n)  az (1) (n)  b. 灰色預測 GM(1,1)預測流程圖如下：. 圖 3-1 灰預測流程圖. 3.2 類神經網路預測類神經網路已經使用於各種領域很久一段時間，主要是用電腦模擬人腦的資訊處理，從得到的訊息中學習並累積經驗然後利用的一種智慧型演算法，使用它不需要有任何前提或假設，只要有足夠的資料就可以進行分析。類神經網路可以當作一個非線性的統計技術工具，可以利用輸入與輸. 17.

(30) 出組成的資料範例建立模型，然後進行預測。. 類神經網路是多層並列的神經運算元所組成，圖 3-2 為一傳統的類神經網路架構，該模型一般有三層，輸入、隱藏與輸出層，輸入層是從外面接受訊息傳入神經網路當中，常用於表示系統的輸入變數；隱藏層是接收輸入層傳送過來的訊息，並加以處理，常用於表示輸入變數間之關係，一般使用非線性轉換函數轉換後，把輸入層傳送的資料進行運算，運算後傳至輸出層。簡單的問題通常使用一層即可，較困難或複雜的問題會使用到兩層以上；輸出層是接受上一層處理完之後的訊息，並且把處理完的資料傳出，常用於表示網路的輸出變數，依照問題可以使用線性或非線性轉換函數。而各層之間會相互連結，而作為各層之間傳遞資訊或是網路訊息的連結手段稱為權重(weight)，而權重值的計算是依照神經元不斷的反覆學習運算調整而獲得。. 圖 3-2 傳統的類神經網路架構神經網路傳遞之演算法推導，使用基本的網路架構輸入、隱藏與輸出層，各層之間由神經元互相連接，每一個神經元輸入及輸出關係如下 18.

(31) n. Y j  f ( x)  Wi X i   , i  1 n. (3-16). i. 其中，Yj 為第 j 個神經元輸出值，Xi 為第 i 個輸入變數，θ為神經元的偏權重值，Wi 為連接的權重值，n 為輸入變數個數，f(x)為轉換函數是可以把神經元輸入值依照權重加總後，經映射後可以轉換至輸出，這樣就可把非線性之影響加入至網路；有三種最常被使用的轉換函數分別為線性函數(Purelin Transfer Function)；非線性雙曲轉換函數(Logistic Sigmoid Transfer Function)，可以把資料轉換為 0 到 1 的值輸出；非線性雙曲正切函數(Tangent Sigmoid Transfer Function)，可以把資料轉換為-1 到 1 的值輸出；正向傳遞演算流程先利用式(3-16)計算出隱藏層神經元的輸出值。 n. Yk  f1 (netk )  Wik X i   k , i  1 ninput , j 1 nhidden. (3-17). i. 其中，netk 為第 k 個隱藏層之神經元加權乘積之和，θk 為第 k 個神經元偏權重值，Wik 為連接的權重值，ninput 和 nhidden 分別代表輸入層及隱藏層神經元個數；接下來是計算輸出層之輸出值，將隱藏層所得到的輸出值當作輸出層的輸入值。 n. Y j  f 2 (net j )  Wkj H k   j , k  1 nhidden , j 1 noutput. (3-18). k. 其中，Hk 是第 k 個隱藏層的輸出值，θj 為第 j 個神經元偏權重值， Wkj 為連接的權重值；下一步是定義學習誤差 E=(類神經網路輸出-實際值) 這是用來表達網路的學習品質，接著是利用監督式學習的方法，其學習的目標就是要降低輸出值與實際值之間的差異，使網路學習的效能指標最小化，換句話說是類神經網路輸出值趨近實際值，所以當正向傳遞計算所推論出的 E 值太大時，網路會自動反向傳遞，修正連接的權重以及偏權重值，誤差或能量函數通常使用均方誤差 MSE(Mean Square Error)表示。 19.

(32) ^ 1 n   E   X j  X j  n j 1  . 2. (3-19). ^. 其中 N 為資料筆數，而 X j 和 X j 分別表示為實際值與預測值，傳統上可使用梯度下降法來修正權重值使效能指標最小化，即. weight(n  1)  weight(n)  . E weight. (3-20). 其中 E 表示各層神經元之間權重值修正量，η表示學習率(learning rate)，主要是用來控制權重值修正量的幅度，一般來說太大或太小均會使類神經網路不容易收斂;而反向的傳遞演算需事先計算輸出層與隱藏層差距量，可以利用連鎖律將式(3-20)中. E 項分解為 W. E E Y j net j  . . W jk Y j net j W jk. (3-21). E  (T j  Y j ) Y j. (3-22). Y j net j.  Y j .(1  Y j ). net j W jk.  Hk. (3-23). (3-24). 將(3-22)、(3-23)、(3-24)代入(3-21)可以得到. E  (T j  Y j ).Y j .(1  Y j ).H k W jk. (3-25). 接下來是定義δj 為輸出層第 j 個輸出神經元之差距量  j  (Tj  Yj ).Yj .(1  Yj ) 20. (3-26).

(33) 依照同樣的原理，可以推出隱藏層差距量，定義Δk 是隱藏層第 k 個神經元之差距量：.  Noutput  k     jW jk  H k (1  H k )  j . (3-27). 因為隱藏層之差距量計算是與輸出層之差距量有相關性，這樣利用輸出層的誤差反向傳遞到隱藏層計算誤差量之情形，故稱之為倒傳遞類神經路，接下來是計算各層間權重及偏權重修正，然後依照式(3-28)、(3-29)更新。 W( n)  W( n1)  W( n). (3-28). ( n)  ( n1)  ( n). (3-29). 其中 W(n)表示為權重值第 n 次的值，W(n-1)表示為權重值第 n-1 次的值，θ(n)表示偏權重值第 n 次的值，θ(n-1)表示偏權重值第 n-1 次的值，之後重複進行類神經網路運算，直到 E 值達到小於設定的誤差值，才算是類神經網路訓練完成，而在本論文中使用的訓練方法，是 LevenbergMarquardr 演算法，是一種梯度下降法的改良型，計算梯度是用 g  JTe. (3-30). 其中，J 為 Jacobian 矩陣，包含了誤差對權重與偏權值的一階微分， e 是類神經網路誤差的向量；Jacobian 矩陣，可以透過標準的類神經網路來計算，Levenberg-Marquardr 演算法是將 Hessian 矩陣逼近，公式如下 1. xk 1  xk   J T J   I  J T e 21. (3-31).

(34) 當μ值很大時，會變成具有小的步階大小的梯度下降，當性能函數下降時也就是成功的步階，就降低μ值，使用此種方法，性能函數在疊代過程中總是會下降；Levenberg-Marquardr 演算法之訓練速度在類神經網路中是最快速的方法，所以才會選用此種演算法。類神經網路的預測流程圖如下：. 圖 3-3 類神經網路的預測流程圖. 3.3 預測方式比較本論文採用氣象預測的風速值、灰色預測的風速值，是預估風機實際風速量測值與之有關聯性，此關聯性也可作為類神經網路學習的一部分。因此，若能有效地調配影響因素，將可提昇風機風速在長領前時間預測準 22.

(35) 確性。故採用採用皮爾森相關係數(Pearson Correlation Coefficient)判斷，其作用是測量兩變數間關係的強弱其公式定義如下： n. r. (X i 1. i.  X )(Yi  Y ). n. n. i 1. i 1. (3-32).  ( X i  X )2  (Yi  Y )2. 皮爾森相關係數的變化範圍為-1 到 1；如果計算出來的值為 1 表 X 和 Y 之間有很好關聯性描述，其所有的資料皆會落在一條線上下，表示為正相關；如果計算出來的值為-1 同樣的所有的資料也都會落在直線上表示是為負相關；如果值為 0 表示著兩個變數之間沒有任何線性關係；下表為相關係數值的相關性程度[39]。表 3-1 相關係數之相關性程度相關係數絕對值 1.00. 相關性程度完全相關 (Perfect Correlation). 0.40-0.699 0.10-0.399. 高度相關 (Highly Correlation) 中度相關 (Moderately Correlation) 低度相關 (Modestly Correlation). 0.00. 無相關. 0.70-0.99. 本論文是使用不同的預測方式預測做比較，第一種方式是使用過去的歷史資料結合類神經網路使用監督式學習的方式，依照過去輸入及輸出的範例學習經驗來建構網路模型，從過去不同的學習經驗找最合理的規則，以大量的範例學習作為預測；第二種方式是使用過去的歷史資料結合灰色理論，以灰色預測 GM(1,1)模式，使用 4 筆已知的過去的風速歷史資料，預測未來 48 小時的風速預測；第三種方式是使用過去的歷史資料加上灰色預測出來的結果結合類神經網路，為了精確於長領前時間風速預測，通常需要組合不同的預測方式來進行預測，所以結合了灰色預測以及類神經網路預測。. 23.

(36) 第四種方式是使用過去的歷史資料加上氣象預報，結合類神經網路，這邊使用的氣象預報是採用美國一家民間公司 AccuWeather 的天氣預報資料，該公司成立於 1962 年，每天都有超過十億來自世界各地的人使用該系統，AccuWeather 公司提供了每小時和分鐘的預測，定制的內容一般適用於智能手機、平板電腦等工具；第五種是使用過去的歷史資料加上氣象預報最後再加上灰色預測出來的結果結合類神經網路進行風速預測，正如同之前所說想要更精確的預測未來的風速資料，單靠一種預測方法是不行的，需要結合不用的方法來預測。. 上述的五種預測方式，為了判斷預測效果的成效好壞，測試結果採用圖形比對以及計算 MSE 值判斷預測好壞；圖形比對就是把實際值跟預測值畫在同一張圖上進行比較，MSE 值是均方誤差(Mean Squared Error)，可以判斷資料變化的程度，計算結果的值越小，說明了該預測模型預測結果具有良好的精確度，公式如下： ^ 1 n   MSE    X i  X i  n i 1  . 其中. 2. (3-33). X i 為實際的數值， X^ i 為預測的數值。下圖是 MATLAB 的程式流程圖，預測的好壞，首先判斷收斂，若沒. 收斂則先檢查風速資料來源是否有問題，然後再執行程式，下一步是看 MSE 值計算結果，如計算出來結果太大，則調整神經元個數以及學習速率再次執行預測程式。. 24.

(37) 圖 3-4. MATLAB 程式流程圖. 第四章實驗與分析 4.1 相關性分析在進行類神經網路的預測，先要進行資料的篩選，若能有效地找出各個資料之間的關係，將可增加長領前時間預測風機發電量的準確度，以下將分別介紹過去的歷史資料、Accuweather 氣象預報與風機實際風速量測值的關聯性。. 4.1.1 過去的歷史資料過去的歷史資料與風機實際風速量測值之間有一定的關聯性，所以將台電綜合研究所金門 2 部風機風速資料與過去的歷史資料進行資料分析，如表所示。在表 4-1、4-2 中，顯示金門風機實際量測的風速與過去 3 小之. 25.

(38) 內的風速資料有著關聯性，wind (t)代表現在的風速、wind (t-1)代表過去一小時的風速、wind (t+1)代表未來一小時的風速。表 4-1 過去的歷史資料與金門風機 1 號量測風速相關係數分析金門風機量測風速時間過去的歷史資料金門風機 1 號 wind(t+1) 過去的歷史資料 wind(t-1) 金門風機 1 號 wind(t+2) 過去的歷史資料 wind(t-1) 金門風機 1 號 wind(t+12) 過去的歷史資料 wind(t-1) 金門風機 1 號 wind(t+24) 過去的歷史資料 wind(t-1) 金門風機 1 號 wind(t+48) 過去的歷史資料 wind(t-1) 金門風機 1 號 wind(t+1) 過去的歷史資料 wind(t-2) 金門風機 1 號 wind(t+2) 過去的歷史資料 wind(t-2) 金門風機 1 號 wind(t+12) 過去的歷史資料 wind(t-2) 金門風機 1 號 wind(t+24) 過去的歷史資料 wind(t-2) 金門風機 1 號 wind(t+48) 過去的歷史資料 wind(t-2) 金門風機 1 號 wind(t+1) 過去的歷史資料 wind(t-3) 金門風機 1 號 wind(t+2) 過去的歷史資料 wind(t-3) 金門風機 1 號 wind(t+12) 過去的歷史資料 wind(t-3) 金門風機 1 號 wind(t+24) 過去的歷史資料 wind(t-3) 金門風機 1 號 wind(t+48) 過去的歷史資料 wind(t-3) 表 4-2 過去的歷史資料與金門風機 2 號量測風速相關係數分析金門風機量測風速時間過去的歷史資料金門風機 2 號 wind(t+1) 過去的歷史資料 wind(t-1) 金門風機 2 號 wind(t+2) 過去的歷史資料 wind(t-1) 金門風機 2 號 wind(t+12) 過去的歷史資料 wind(t-1) 金門風機 2 號 wind(t+24) 過去的歷史資料 wind(t-1) 金門風機 2 號 wind(t+48) 過去的歷史資料 wind(t-1) 金門風機 2 號 wind(t+1) 過去的歷史資料 wind(t-2) 金門風機 2 號 wind(t+2) 過去的歷史資料 wind(t-2) 金門風機 2 號 wind(t+12) 過去的歷史資料 wind(t-2) 金門風機 2 號 wind(t+24) 過去的歷史資料 wind(t-2) 金門風機 2 號 wind(t+48) 過去的歷史資料 wind(t-2) 金門風機 2 號 wind(t+1) 過去的歷史資料 wind(t-3) 金門風機 2 號 wind(t+2) 過去的歷史資料 wind(t-3) 金門風機 2 號 wind(t+12) 過去的歷史資料 wind(t-3) 金門風機 2 號 wind(t+24) 過去的歷史資料 wind(t-3) 金門風機 2 號 wind(t+48) 過去的歷史資料 wind(t-3) 26. R值 0.8427 0.7777 0.4008 0.2994 0.2231 0.7783 0.7213 0.3743 0.2723 0.2193 0.7215 0.6687 0.3532 0.2510 0.2107 R值 0.8422 0.7834 0.4292 0.3593 0.2593 0.7841 0.7298 0.4078 0.3426 0.2532 0.7303 0.6703 0.3946 0.3179 0.2458.

(39) 4.1.2 ACCUWeatherher 氣象預報資料由於中央氣象局(CWB)在金門地區的風速預報資料，準確度比較低，所以本論文採用 ACCUWeather 氣象預報的風速預報資料希望能得到比較好的結果，另外也希望 ACCUWeather 風速預報資料與風機實際風速量測值之間有一定的關聯性，所以將台電綜合研究所金門 2 部風機風速資料與 ACCUWeather 風速預報資料進行相關性分析，如表所示。在表 4-3、4-4 中，顯示金門風機實際量測的風速與 ACCUWeather 風速預報資料有著關聯性，wind (t)代表現在的風速、wind (t+1)代表未來一小時的風速。. 表 4-3 Accuweather 風速與金門風機 1 號量測風速相關係數分析金門風機量測風速時間 Accuweather 風速預測時間金門風機 1 號 wind(t+1) Accuweather 風速預測時間(t+1) 金門風機 1 號 wind(t+2) Accuweather 風速預測時間(t+1) 金門風機 1 號 wind(t+12) Accuweather 風速預測時間(t+1) 金門風機 1 號 wind(t+24) Accuweather 風速預測時間(t+1) 金門風機 1 號 wind(t+48) Accuweather 風速預測時間(t+1) 金門風機 1 號 wind(t+1) Accuweather 風速預測時間(t+2) 金門風機 1 號 wind(t+2) Accuweather 風速預測時間(t+2) 金門風機 1 號 wind(t+12) Accuweather 風速預測時間(t+2) 金門風機 1 號 wind(t+24) Accuweather 風速預測時間(t+2) 金門風機 1 號 wind(t+48) Accuweather 風速預測時間(t+2) 金門風機 1 號 wind(t+1) Accuweather 風速預測時間(t+3) 金門風機 1 號 wind(t+2) Accuweather 風速預測時間(t+3) 金門風機 1 號 wind(t+12) Accuweather 風速預測時間(t+3) 金門風機 1 號 wind(t+24) Accuweather 風速預測時間(t+3) 金門風機 1 號 wind(t+48) Accuweather 風速預測時間(t+3) 27. R值 0.7206 0.7131 0.4039 0.3277 0.2871 0.7133 0.7204 0.4354 0.3273 0.2752 0.6940 0.7132 0.4636 0.3268 0.2578.

(40) 表 4-4 Accuweather 風速與金門風機 2 號量測風速相關係數分析金門風機量測風速時間 Accuweather 風速預測時間金門風機 2 號 wind(t+1) Accuweather 風速預測時間(t+1) 金門風機 2 號 wind(t+2) Accuweather 風速預測時間(t+1) 金門風機 2 號 wind(t+12) Accuweather 風速預測時間(t+1) 金門風機 2 號 wind(t+24) Accuweather 風速預測時間(t+1) 金門風機 2 號 wind(t+48) Accuweather 風速預測時間(t+1) 金門風機 2 號 wind(t+1) Accuweather 風速預測時間(t+2) 金門風機 2 號 wind(t+2) Accuweather 風速預測時間(t+2) 金門風機 2 號 wind(t+12) Accuweather 風速預測時間(t+2) 金門風機 2 號 wind(t+24) Accuweather 風速預測時間(t+2) 金門風機 2 號 wind(t+48) Accuweather 風速預測時間(t+2) 金門風機 2 號 wind(t+1) Accuweather 風速預測時間(t+3) 金門風機 2 號 wind(t+2) Accuweather 風速預測時間(t+3) 金門風機 2 號 wind(t+12) Accuweather 風速預測時間(t+3) 金門風機 2 號 wind(t+24) Accuweather 風速預測時間(t+3) 金門風機 2 號 wind(t+48) Accuweather 風速預測時間(t+3). R值 0.7279 0.7156 0.4188 0.3724 0.3308 0.7203 0.7279 0.4432 0.3732 0.3176 0.7017 0.7203 0.4648 0.3644 0.2982. 4.2 類神經網路預測類神經網路預測機制的設計，使用 3 個輸入值、6 個神經元與 1 個輸出值，隱藏層轉換函數為非線性雙曲轉換函數之類神經網路模型，進行領前 1~48 小時之風速預測，其中 3 個輸入是指前 3 個小時的過去的歷史風速資料，1 個輸出為未來 1 個小時的風速值，並使用均方誤差(MSE)作為. 28.

(41) 性能指標，下圖 4-1、圖 4-2 代表著金門風機的類神經網路訓練收斂圖。圖 4-1 金門 1 號風機類神經網路收斂圖圖 4-2 金門 2 號風機類神經網路收斂圖以 103.04.26~103.07.09 時間區間，利用台電綜合研究所金門風機之風速資料，扣除因風機故障或是其他突發狀況之錯誤資料後，金門 1 號風機共有 1610 筆資料，其中 1410 筆作為網路學習資料，200 做為學習後驗證資料，圖 4-3 將預測結果呈現，圓圈的線是金門 1 號風機實際風速的資料， *的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測在直條為預測的起始點右邊的是未來 1~48 小時預測值，左邊的是過去領前. 一小時的預測值。圖 4-4 將風速預測的結果轉換成發電量，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值。. 29.

(42) 圖 4-3 金門 1 號風機 BP 領前 48 小時預測圖. 圖 4-4 金門 1 號風機 BP 領前 48 小時發電量預測圖. 而金門 2 號風機共有 1600 筆資料，其中 1400 筆作為網路學習資料， 200 做為學習後驗證資料，圖 4-5 亦將預測結果呈現，圓圈的線是金門 2 號風機實際風速的資料，*的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，圖 4-6 將風速預測的結果 30.

(43) 轉換成發電量，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值。. 圖 4-5 金門 2 號風機 BP 領前 48 小時預測圖. 圖 4-6 金門 2 號風機 BP 領前 48 小時發電量預測圖將領前 1~48 小時之預測風速結果，與實際風速執行分析比較，使用線性迴歸分析，並模擬結果散佈圖呈現在下圖，實線為這次最佳的線性，如果預測結果是精確預測，表示輸出完全等於目標，就是虛線，那就是完美的線性關係，因為是完美相關理所當然斜率就是 R=1。. 31.

(44) 圖 4-7 到圖 4-14 為金門 1 號風機使用 BP 預測結果散佈圖，圖 47(a)~(f)分別表示金門 1 號風機 BP 領前 1~6 小時預測結果散佈圖，圖 48(a)~(f)分別表示金門 1 號風機領前 7~12 小時預測結果散佈圖，圖 4-9(a)~(f) 分別表示金門 1 號風機領前 13~18 小時預測結果散佈圖，圖 4-10(a)~(f)分別表示金門 1 號風機領前 19~24 小時預測結果散佈圖，圖 4-11(a)~(f)分別表示金門 1 號風機領前 25~30 小時預測結果散佈圖，圖 4-12(a)~(f)分別表示金門 1 號風機領前 31~36 小時預測結果散佈圖，圖 4-13(a)~(f)分別表示金門 1 號風機領前 37~42 小時預測結果散佈圖，圖 4-14(a)~(f)分別表示金門 1 號風機領前 43~48 小時預測結果散佈圖。. 圖 4-15 到圖 4-22 為金門 2 號風機使用 BP 預測結果散佈圖，圖 415(a)~(f)分別表示金門 2 號風機 BP 領前 1~6 小時預測結果散佈圖，圖 416(a)~(f)分別表示金門 2 號風機領前 7~12 小時預測結果散佈圖，圖 417(a)~(f)分別表示金門 2 號風機領前 13~18 小時預測結果散佈圖，圖 418(a)~(f)分別表示金門 2 號風機領前 19~24 小時預測結果散佈圖，圖 419(a)~(f)分別表示金門 2 號風機領前 25~30 小時預測結果散佈圖，圖 420(a)~(f)分別表示金門 2 號風機領前 31~36 小時預測結果散佈圖，圖 421(a)~(f)分別表示金門 2 號風機領前 37~42 小時預測結果散佈圖，圖 422(a)~(f)分別表示金門 2 號風機領前 43~48 小時預測結果散佈圖。. 32.

(45) (a). (b). (c). (d). (e) (f) 圖 4-7 金門 1 號風機 BP 領前 1~6 小時預測結果散佈圖 33.
















(61) 4.3 灰色預測灰色預測機制的設計，是使用前 4 個小時的過去的歷史風速資料，建立灰色預測 GM(1,1) 模型，進行領前 1~48 小時之風速預測，以 103.04.26~103.07.09 時間區間，利用台電綜合研究所金門風機風速資料，扣除錯誤之資料後，金門 1 號風機共有 1610 筆過去的歷史資料，圖 4-23 將灰色預測結果呈現，圓圈的線是金門 1 號風機實際風速的資料，*的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，圖 4-24 將風速預測的結果轉換成發電量，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，因為灰色預測的模式是簡易的數學統計推論，因此長時間推論下去，依照預測公式計算會指數上升會下降，故只取領前 12 小時。. 圖 4-23 金門 1 號風機灰色預測領前 48 小時預測圖. 49.

(62) 圖 4-24 金門 1 號風機灰色預測領前 48 小時發電量預測圖金門 2 號風機共有 1600 筆過去的歷史資料，圖 4-25 將預測結果呈現，圓圈的線是金門 2 號風機實際風速的資料，*的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，圖 426 將風速預測的結果轉換成發電量，該圖是從 103.07.08 00:00 開始預測在直條為預測的起始點右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值。. 圖 4-25 金門 2 號風機灰色預測領前 48 小時預測圖. 50.

(63) 圖 4-26 金門 2 號風機灰色預測領前 48 小時發電量預測圖將領前 1~12 小時之風速預測結果，與實際風速執行分析比較，使用線性迴歸分析，模擬結果散佈圖如下，實線該次預測最佳的線性位置，如果預測結果是精確預測，表示輸出完全等於目標，就是虛線，完美的線性關係，圖 4-27 到圖 4-28 為金門 1 號風機使用灰色預測結果散佈圖，圖 427(a)~(f)分別表示金門 1 號風機灰色預測領前 1~6 小時預測結果散佈圖，圖 4-28(a)~(f)分別表示金門 1 號風機灰色預測領前 7~12 小時預測結果散佈圖；圖 4-29 到圖 4-30 為金門 2 號風機使用灰色預測散佈圖圖 4-29(a)~(f) 分別表示金門 2 號風機灰色預測領前 1~6 小時預測結果散佈圖，圖 430(a)~(f)分別表示金門 2 號風機灰色預測領前 7~12 小時預測結果散佈圖。. 51.

(64) (a). (b). (c). (d). (e) (f) 圖 4-27 金門 1 號風機灰色預測領前 1~6 小時預測結果散佈圖 52.




(68) 4.4 灰色預測結合類神經網路預測類神經網路預測機制的設計，使用 5 個輸入值、6 個神經元與 1 個輸出，隱藏層轉換函數為非線性雙曲轉換函數之類神經網路模型，進行領前 1~48 小時之風速預測，其中 5 個輸入是指前 3 個小時的過去的歷史風速資料加上灰色預測未來 2 個小時，1 個輸出為未來 1 個小時的風速值，並使用均方誤差(MSE)作為性能指標，下圖 4-31、圖 4-32 代表著金門風機灰色預測結合類神經網路收斂圖。. 圖 4-31 金門 1 號風機灰色預測結合類神經網路收斂圖. 圖 4-32 金門 2 號風機灰色預測結合類神經網路收斂圖以 103.04.26~103.07.09 時間區間，利用台電綜合研究所金門風機之風速資料，扣除風機故障之資料後，金門 1 號風機共有 1610 筆資料，其中 1410 筆作為網路學習資料，200 做為學習後驗證資料，圖 4-33 將預測結 56.

(69) 果呈現，圓圈的線是金門 1 號風機實際風速的資料，*字號的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，圖 4-34 將風速預測的結果轉換成風量，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值。. 圖 4-33 金門 1 號風機 GREY+BP 領前 48 小時預測. 圖 4-34 金門 1 號風機 GREY+BP 領前 48 小時發電量預測. 57.

(70) 金門 2 號風機共有 1600 筆資料，其中 1400 筆作為網路學習資料， 200 做為學習後驗證資料，圖 4-35 將預測結果呈現，圓圈的線是金門 2 號風機實際風速的資料，*字號的線是使用類神經網路預測資料，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值，圖 4-36 將風速預測的結果轉換成風量，該圖是從 103.07.08 00:00 開始預測，直條為預測的起始點，右邊的是未來 1~48 小時預測值，左邊的是過去領前一小時的預測值。. 圖 4-35 金門 2 號 GREY+BP 領前 48 小時預測圖. 圖 4-36 金門 2 號 GREY+BP 領前 48 小時發電量預測圖. 58.

(71) 將領前 1~48 小時之風速預測結果，與實際風速執行分析比較，使用線性迴歸分析，模擬結果散佈圖如下，實線該次預測最佳的線性位置，如果預測結果是精確預測，表示輸出完全等於目標，就是虛線，完美的線性關係。. 圖 4-37 到圖 4-44 為金門 1 號風機使用灰色預測結合類神經網路預測結果散佈圖，圖 4-37(a)~(f)分別表示金門 1 號風機 GREY+BP 領前 1~6 小時預測結果散佈圖，圖 4-38(a)~(f)分別表示金門 1 號風機領前 7~12 小時預測結果散佈圖，圖 4-39(a)~(f)分別表示金門 1 號風機領前 13~18 小時預測結果散佈圖，圖 4-40(a)~(f)分別表示金門 1 號風機領前 19~24 小時預測結果散佈圖，圖 4-41(a)~(f)分別表示金門 1 號風機領前 25~30 小時預測結果散佈圖，圖 4-42(a)~(f)分別表示金門 1 號風機領前 31~36 小時預測結果散佈圖，圖 4-43(a)~(f)分別表示金門 1 號風機領前 37~42 小時預測結果散佈圖，圖 4-44(a)~(f)分別表示金門 1 號風機領前 43~48 小時預測結果散佈圖。. 圖 4-45 到圖 4-52 為金門 2 號風機使用灰色預測結合類神經網路預測結果散佈圖，圖 4-45(a)~(f)分別表示金門 2 號風機 GREY+BP 領前 1~6 小時預測結果散佈圖，圖 4-46(a)~(f)分別表示金門 2 號風機領前 7~12 小時預測結果散佈圖，圖 4-47(a)~(f)分別表示金門 2 號風機領前 13~18 小時預測結果散佈圖，圖 4-48(a)~(f)分別表示金門 2 號風機領前 19~24 小時預測結果散佈圖，圖 4-49(a)~(f)分別表示金門 2 號風機領前 25~30 小時預測結果散佈圖，圖 4-50(a)~(f)分別表示金門 2 號風機領前 31~36 小時預測結果散佈圖，圖 4-51(a)~(f)分別表示金門 2 號風機領前 37~42 小時預測結果散佈圖，圖 4-52(a)~(f)分別表示金門 2 號風機領前 43~48 小時預測結果散佈圖。. 59.

(72) (a). (b). (c). (d). (e) (f) 圖 4-37 金門 1 號風機 GREY+BP 領前 1~6 小時預測結果散佈圖 60.









