請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/79730完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 劉志文(Chih-Wen Liu) | |
| dc.contributor.author | Fong-Ling Huang | en |
| dc.contributor.author | 黃鳳翎 | zh_TW |
| dc.date.accessioned | 2022-11-23T09:09:05Z | - |
| dc.date.available | 2021-09-02 | |
| dc.date.available | 2022-11-23T09:09:05Z | - |
| dc.date.copyright | 2021-09-02 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-08-24 | |
| dc.identifier.citation | [1] 林逸松, “以支援向量回歸預測太陽能系統短期輸出”, June. 2019 [2] M. Aakroum, A. Ahogho, A. Aaqir and A. A. Ahajjam, 'Deep Learning for Inferring the Surface Solar Irradiance from Sky Imagery,' 2017 International Renewable and Sustainable Energy Conference （IRSEC）, 2017, pp. 1-4, doi: 10.1109/IRSEC.2017.8477236. [3] Asrari, T. X. Wu and B. Ramos, 'A Hybrid Algorithm for Short-Term Solar Power Prediction—Sunshine State Case Study,' in IEEE Transactions on Sustainable Energy, vol. 8, no. 2, pp. 582-591, April 2017, doi: 10.1109/TSTE.2016.2613962. [4] Hsu-Yung Cheng, Chih-Chang Yu, Sian-Jing Lin, Bi-model short-term solar irradiance prediction using support vector regressors, Energy, Volume 70, 2014, Pages 121-127, ISSN 0360-5442. [5] R. Al-Hajj, A. Assi and M. M. Fouad, 'Stacking-Based Ensemble of Support Vector Regressors for One-Day Ahead Solar Irradiance Prediction,' 2019 8th International Conference on Renewable Energy Research and Applications （ICRERA）, 2019, pp. 428-433, doi: 10.1109/ICRERA47325.2019.8996629. [6] M. A. Wiering and H. van Hasselt, 'Ensemble Algorithms in Reinforcement Learning,' in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 38, no. 4, pp. 930-936, Aug. 2008, doi: 10.1109/TSMCB.2008.920231. [7] J. Lee, W. Wang, F. Harrou and Y. Sun, 'Wind Power Prediction Using Ensemble Learning-Based Models,' in IEEE Access, vol. 8, pp. 61517-61527, 2020, doi: 10.1109/ACCESS.2020.2983234. [8] Beautiful Soup [Online]: https://www.crummy.com/software/BeautifulSoup/ [9] 中央氣象局臺北氣象站 [Online]: https://www.cwb.gov.tw/V8/C/A/organ/46692.html [10] SketchUP [Online]: https://www.sketchup.com/ [11] 國立臺灣大學G Suite雲端服務 [Online]: https://www.cc.ntu.edu.tw/chinese/services/serv_i06.asp [12] S. Moughyt, Y. Zaz, S. Fathi and O. El Kadmiri, 'Sky status: A local analysis of ground based digital images,' 2016 5th International Conference on Multimedia Computing and Systems (ICMCS), 2016, pp. 667-670, doi: 10.1109/ICMCS.2016.7905628. [13] Pytorch [Online]: https://pytorch.org/ [14] pandas [Online]: https://pandas.pydata.org/ [15] R. M. Balabin, and E. I. Lomakina, “Support vector machine regression (SVR/LS-SVM)—an alternative to neural networks (ANN) for analytical chemistry? Comparison of nonlinear methods on near infrared (NIR) spectroscopy data.” The Analyst, 136(8), 1703–1712, 2011, https://doi.org/10.1039/c0an00387e | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/79730 | - |
| dc.description.abstract | 隨著太陽能發電占比不斷提高，其受天氣影響導致發電不穩的特性，將衝擊整個電網，若能提前得知天氣與發電的變化，就能先一步進行電力調度，減少可能的供電影響。本研究以集成學習方法，使用氣象與天空圖像等資料預測未來的發電量，在台灣等熱帶地區，由於天氣變化劇烈，因此以極短期發電預測為目標。最終本研究訓練出了一個集成學習模型，能夠以歷史氣象資料與天空圖像預測未來5、10、15分鐘的太陽能發電量。相比於只使用單一模型，集成學習模型在本研究的所有評估指標都獲得了最佳的分數，且在與其他研究的比較中也有更好的表現。此模型將可應用於天氣容易在短時間變化的區域。未來將專注於針對發電下降事件的預測，來改善模型的預測能力。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-23T09:09:05Z (GMT). No. of bitstreams: 1 U0001-2008202114551000.pdf: 3322675 bytes, checksum: d688d73eeed101f1c9512b638cc710fd (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | "口試委員會審定書 i 致謝 ii 摘要 iii ABSTRACT iv 目錄 v 圖目錄 viii 表目錄 xii 第一章 緒論 1 1.1 研究背景 1 1.2 研究目標 1 1.3 文獻回顧 2 1.4 章節摘要 3 第二章 訓練資料 4 2.1 資料收集 4 2.1.1 氣象資料 5 2.1.2 天空圖像 5 2.1.3 太陽能發電量 7 2.2 資料處理 8 2.2.1 氣象資料 8 2.2.2 天空圖像 11 2.2.3 太陽能發電量 13 2.3 訓練樣本 14 第三章 集成學習模型 17 3.1 預測模型（Predictor） 18 3.1.1 人工神經網路（Artificial Neural Network, ANN） 18 3.1.2 卷積神經網路（Convolutional Neural Networks, CNN） 19 3.1.3 循環神經網路（Recurrent neural network, RNN） 20 3.1.4 支援向量回歸（Support Vector Regressor, SVR） 22 3.1.5 3D卷積神經網路（3D-CNN） 22 3.2 投票模型（Voter） 24 第四章 研究方法 25 4.1 資料集 25 4.2 模型參數 26 4.3 相關係數分析 27 4.4 k折交叉驗證（k-Fold Validation） 28 4.5 訓練流程 29 4.5.1 預測模型訓練 29 4.5.2 投票模型訓練 30 4.5.3 模型參數調整 31 4.5.4 模型評估 32 第五章 研究結果 33 第六章 結論 54 第七章 未來方向 55 參考文獻 57" | |
| dc.language.iso | zh-TW | |
| dc.subject | 太陽能 | zh_TW |
| dc.subject | 預測 | zh_TW |
| dc.subject | 集成學習 | zh_TW |
| dc.subject | 極短期 | zh_TW |
| dc.subject | 輸出 | zh_TW |
| dc.subject | Very Short-term | en |
| dc.subject | Prediction | en |
| dc.subject | Output | en |
| dc.subject | Solar Energy | en |
| dc.subject | Ensemble Learning | en |
| dc.title | 以集成學習方法做極短期太陽能輸出預測 | zh_TW |
| dc.title | Very Short-term Solar Power Output Prediction Based On Ensemble Learning | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 黃世杰(Hsin-Tsai Liu),張簡樂仁(Chih-Yang Tseng),張文恭 | |
| dc.subject.keyword | 集成學習,極短期,太陽能,輸出,預測, | zh_TW |
| dc.subject.keyword | Ensemble Learning,Very Short-term,Solar Energy,Output,Prediction, | en |
| dc.relation.page | 59 | |
| dc.identifier.doi | 10.6342/NTU202102550 | |
| dc.rights.note | 同意授權(全球公開) | |
| dc.date.accepted | 2021-08-24 | |
| dc.contributor.author-college | 電機資訊學院 | zh_TW |
| dc.contributor.author-dept | 電機工程學研究所 | zh_TW |
| 顯示於系所單位： | 電機工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-2008202114551000.pdf | 3.24 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。