進階搜尋


下載電子全文  
系統識別號 U0026-0209201501085900
論文名稱(中文) 利用灰色GM(1,N)模型預測灌溉渠道微型水力發電量
論文名稱(英文) Using GM(1,N) Model to Predict Electrical Production of Micro Hydropower in Irrigation Channels
校院名稱 成功大學
系所名稱(中) 工業與資訊管理學系碩士在職專班
系所名稱(英) Department of Industrial and Information Management (on the job class)
學年度 103
學期 2
出版年 104
研究生(中文) 吳峻銘
研究生(英文) Jiunn-Ming Wu
學號 R37021074
學位類別 碩士
語文別 中文
論文頁數 53頁
口試委員 指導教授-翁慈宗
口試委員-陳榮泰
口試委員-王維聰
口試委員-劉任修
中文關鍵字 灰預測模型  灌溉渠道  微型水力發電  川流式 
英文關鍵字 Grey prediction model  irrigation channel  micro hydropower system  run-of-river 
學科別分類
中文摘要 為減少二氧化碳氣體排放量,降低溫室效應,以有效控制全球氣候變遷問題,政府積極開發再生能源以符合世界能源發展之潮流趨勢,已訂定小水力發電屬推廣階段之再生能源項目。水力發電早期均以高水頭大流量機組為中心,惟全球性能源危機後,石化燃料之價格不斷暴漲,致各國均追求邊際能源之開發;近年來歐、美、日各先進國家,在水力機電設備之製造技術上均有突破性發展與改進;無論在人力、交通及操作等均已有較具圓滿之解決方法,目前利用低落差之水利灌溉渠道進行小水力發電已有其研發的價值。
灰色系統理論是中國學者鄧聚龍教授於1982年提出,主要是針對系統模型之不確定性及資訊之不完整性亦或信息不完全,進行系統的關連分析及模型建構,並藉著預測及決策的方法來探討與瞭解系統;川流式的水利灌溉渠道之微水力發電發電量或發電能力受多種因素的制約和影響,呈現較大的不均衡性及不確定性,而灰預測能對需求模型之不明確性及資訊不完整性做有效處理,較能符合解決目前發電量預測的問題。
本研究經由灰色GM(1,1)、GM(1,N)預測模型滾動建模,實證後其MAPE及最佳建模筆數分別為GM(1,1):最佳建模筆數=7,MAPE=12.444%、GM(1,2)迴轉數:最佳建模筆數=60,MAPE=9.734%、GM(1,2)流量:最佳建模筆數=60,MAPE=9.676%以及GM(1,3):最佳建模筆數=60,MAPE=11.003%;皆介於10%~20%之間及小於10%,依Lewis(1982)學者之評估指標為「優良的預測」及「高準確的預測」;而研究結果及建議將提供作為政府官員、學者、民間投資業者及各農田水利會開發建置微型水力發電決策評估之參考依據。
英文摘要 Grey systems theory was proposed by Dr. Julong Deng in 1982 for relational analysis and model construction in systems with uncertainties or few data. The method relies on prediction and decision making mechanisms to understand the entire system. There are many uncertain factors that have impact on the output of a micro hydropower system, and hence such a system can be considered as a dynamic grey one. Grey prediction is therefore a proper tool to forecast the electric output of micro hydropower systems in irrigation channels. This research employs GM(1, N) method with N = 1, 2, 3 to build rolling models realized by MATLAB for this purpose, and the experimental results are evaluated by the mean absolute percentage error (MAPE). The best settings and their corresponding results for the various value of N in GM(1, N) are as follows: optimal modeling number = 7 and MAPE = 12.444% for GM(1, 1), optimal modeling number = 60 and MAPE = 9.734% for GM(1, 2) including rotational speed, optimal modeling number = 60 and MAPE =9.676% for GM(1, 2) including water flow, and optimal modeling number = 60 and MAPE = 11.003% for GM(1, 3). Since the resulting MAPE values are all less than 20%, the prediction result of every model is either moderate or highly accurate. The findings of this study can provide useful recommendations for setting macro hydropower systems in irrigation channels.
論文目次 第一章 緒論 ............... 1
1.1 研究背景與動機 ............ 1
1.2 研究目的 .............. 1
1.3 論文架構 .............. 3
第二章 文獻探討 ............. 5
2.1 預測概論 .............. 5
2.2 水力發電預測模型 ............ 10
2.3 灰色系統 .............. 10
2.3.1 灰色系統理論 ............ 11
2.3.2 灰色系統研究內容 ............ 11
2.3.3 灰預測及方法 ............ 14
2.4 小結 .............. 15
第三章 研究方法 ............. 16
3.1 研究架構及符號說明 ............ 17
3.2 微型水力發電容量規範 .......... 19
3.3 數據前置處理 ............ 21
3.4 灰預測模式之建立 ............ 21
3.4.1 GM(1,1) Model 建立 .......... 21
3.4.2 GM(1,N) Model 建立 ........... 24
3.5 預測精度檢驗 ............ 27
ix

第四章 實證結果與分析 ........... 29
4.1 MATLAB 簡述 ............ 29
4.2 資料來源及說明 ............ 29
4.3 實例分析與結果 ............ 30
4.3.1 GM(1,1) .............. 30
4.3.2 GM(1,N) .............. 33
4.3.3 小結 .............. 38
第五章 結論與建議 ............. 40
參考資料 ............... 42
附錄一 微水力測試數據 ........... 46
附錄二 4 筆一組之 GM(1,1) 模型預測結果 ........ 48
附錄三 GM(1,1) 模型之平均絕對值誤差率 (MAPE) ....... 50
附錄四 GM(1,2) 迴轉數(rpm)模型之平均絕對值誤差率 (MAPE) .... 51
附錄五 GM(1,2) 流量(cms)模型之平均絕對值誤差率 (MAPE) .... 52
附錄六 GM(1,3) 模型之平均絕對值誤差率 (MAPE) ....... 53
參考文獻 MBA 智 庫 百 科 ( 2014 ),灰 色 系 統 理 論, 2014 年 11 月 23 日 。 取 自http://wiki.mbalib.com/wiki/Grey_System_Theory

于宗先(1972),經濟預測,大中國圖書有限公司。

王瑞駿、李九紅(2000),小水電站年發電量的預測模型及風險分析,中國農村水利水電, (5), 41-43。

吳漢雄、鄧聚龍、溫坤禮(民 85),灰色分析入門,高立圖書有限公司。

吳德會 (2007),徑流式小水電站年發電量綜合預測模型,水利水電技術, 38(9), 78-80。

周文賢(民 80),商情預測-理論架構與實務運作,華泰書局,台北。

翁慶昌、陳家叢、賴仁宏(民 90),灰色系統基本方法及其應用,高立圖書有限公司。

張國忠、王鯤、毛亞林、朱斌 (2003),基於混合建模方法的水電負荷預測,中國農村水利水電,(6),11-13。

許巧鶯、溫裕弘(民 86),台灣地區國際航空客運量之預測—灰色預測模式之應用,運輸計劃季刊,26(3),525-556。

許哲強、賴正文、陳家榮(民 79),台灣地區區域需電預測—改良型灰色殘差修正模型之應用,能源季刊,30(3)。

溫坤禮、黃宜豐、陳繁雄、李元秉、連志峰、賴家瑞(民 91),灰預測原理與應用,全華科技圖書公司,台北。

溫坤禮、趙忠賢、張宏志、陳曉瑩、溫惠筑(2009),灰色理論與應用,五南圖書出版股份有限公司。

經濟部水利署(民 98),微型水力發電潛能調查分析及開發策略與相關配套措施之研究,執行單位:巨廷工程顧問股份有限公司。

趙慕芬(民 92),灰預測 GM(1,1)於台灣地區失業率之應用,臺灣銀行季刊, 54(4),164-183。

蔡建瓊、於惠芳、朱志洪(2006),SPSS統計分析實例精選,清華大學出版社,北京。

鄧聚龍、郭洪(民 85),灰色原理與應用,全華科技圖書公司。

鄧聚龍(民 100),灰色系統理論與應用,高立圖書有限公司。

鄧聚龍(1999),灰預測模型方法與應用,高立圖書有限公司。

鄧聚龍 ( 2002 ),灰預測與灰決策,華中科技大學出版社,武漢。

顏晴榮(民 86),灰色系統趨勢預測精確度之研究,亞東工專學報,第 17 期。

Chang, S.C., Pai, T.Y., Ho, H.H., Leu H.G. & Shieh, Y.R. (2007). Evaluating Taiwan's air quality variation trends using grey system theory. Journal of the Chinese Institute of Engineers, 30(2), 361-367.

Deng, J. L. (1989). Introduction to grey system theory. The Journal of Grey System, 1(1), pp. 1-24.

Drucker, P. (1980). Managing in turbulent times. Harper & Row, New York.

Hsu, C. C. & Chen, C. Y.(2003). Applications of improved grey prediction model for power demand forecasting. Energy Conversion and Management, 44(14), 2241-2249.

Huang, J., Wakamatsu, H. & Gao, J. F.(1991). Snowfall Prediction Based on Grey System Theory, The Journal of Grey System vol.3, pp. 141-152.

Lebell, D. & Krasner, O. J. (1977). Selecting Environmental Forecasting techniques from business planning requirements. Academy of Management Review,2(3), 373-383.

Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. London : Butterworth Scientific.

Makridakis, S. & Wheelwright, S. C. (1989). Forecasting Methods for Management. John Wiley & Sons, New York.

Pai, T.Y., Hanaki, K., Ho, H.H. & Hsieh, C.M. (2007a) .Using grey system theory to evaluate transportation on air quality trends in Japan. Transportation Research Part D: Transport and Environment, 12 (3), 158-166.

Pai, T.Y., Tsai, Y.P., Lo, H.M., Tsai, C.H. & Lin, C.Y.(2007b). Grey and neural network prediction of suspended solids and chemical oxygen demand in hospital wastewater treatment plant effluent. Computers & Chemical Engineering, 31(10), 1272-1281.

Pai, T.Y.(2008). Gray and neural network prediction of effluent from the wastewater treatment plant of industrial park using influent quality. Environmental Engineering Science, 25(5), 757-766.

Pai, T.Y., Chuang, S.H., Ho, H.H., Yu, L.F., Su, H.C. & Hu, H.C. (2008a). Predicting performance of grey and neural network in industrial effluent using online monitoring parameters. Process Biochemistry, 43(2), 199-205.

Pai, T.Y., Chuang, S.H., Wan T.J., Lo H.M., Tsai Y.P., Su H.C., Yu L.F., Hu H.C. & Sung P.J. (2008b). Comparisons of grey and neural network prediction of industrial park wastewater effluent using influent quality and online monitoring parameters.

Environmental Monitoring and Assessment, 146(1-3), 51-66.

Pai, T.Y., Chiou R.J. & Wen H.H. (2008c). Evaluating impact level of different factors in environmental impact assessment for incinerator plants using GM (1, N) model. Waste Management, 28(10), 1915-1922.

Pai, T.Y., Wan, T.J., Hsu, S.T., Chang, T.C., Tsai, Y.P., Lin, C.Y., Su H.C. & Yu, L.F. (2009a). Using fuzzy inference system to improve neural network for predicting hospital wastewater treatment plant effluent. Computers & Chemical Engineering, 33(7), 1272-1278.

Pai, T.Y., Wang, S.C., Chiang, C.F., Su, H.C., Yu, L.F., Sung, P.J., Lin, C.Y. & Hu, H.C. (2009b). Improving neural network prediction of effluent from biological wastewater treatment plant of industrial park using fuzzy learning approach. Bioprocess and Biosystems Engineering, 32(6), 781-790.

Pa,i T.Y., Lin, K.L., Shie, J.L., Chang, T.C. & Chen, B.Y. (2011a). Predicting the co-melting temperatures of municipal solid waste incinerator fly ash and sewage sludge ash using grey model and neural network. Waste Management & Research , 29(3), 284-293.

Pai, T.Y., Ho, C.L., Chen, S.W., Lo, H.M., Sung, P.J., Lin, S.W., Lai, W.J., Tseng, S.C., Ciou, S.P., Kuo, J.L. & Kao, J.T. (2011b). Using seven types of GM(1,1) model to forecast hourly particulate matter concentration in Banciao City of Taiwan. Water, Air, and Soil Pollution, 217(1-4), 25-33.

Pai, T.Y., Hanaki, K., Su, H.C. & Yu, L.F. (2011c). A 24-h forecast of oxidant concentration in Tokyo using neural network and fuzzy learning approach. CLEAN–Soil, Air, Water,41(8), 729-736.

Pai, T.Y., Yang, P.Y., Wang, S.C., Lo, H.M., Chiang, C.F., Kuo, J.L., Chu, H.H., Su, H.C., Yu, L.F., Hu, H.C. & Chang, Y.H. (2011d).Predicting effluent from the wastewater treatment plant of industrial park based on fuzzy network and influent quality. Applied Mathematical Modelling,35(8), 3674-3684.

Wilson, J. H. & Keating, B. (1990). Business forecasting. Homewood: Irwin, Jones and Barhett.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2020-09-10起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2020-09-10起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw