進階搜尋


下載電子全文  
系統識別號 U0026-1507202015433700
論文名稱(中文) 使用長短期記憶人工智慧方法預估分散式太陽能系統發電之研究
論文名稱(英文) Power Prediction of a Distributed Photovoltaic System Using Artificial Intelligence Long Short-Term Memory Method
校院名稱 成功大學
系所名稱(中) 系統及船舶機電工程學系
系所名稱(英) Department of Systems and Naval Mechatronic Engineering
學年度 108
學期 2
出版年 109
研究生(中文) 秦澤華
研究生(英文) Tzer-Hwa Chin
學號 P16071240
學位類別 碩士
語文別 中文
論文頁數 150頁
口試委員 指導教授-趙儒民
口試委員-陳永裕
口試委員-白富升
口試委員-劉軒誠
中文關鍵字 分散式太陽能發電  光伏  人工智慧  長短期記憶  時序預測 
英文關鍵字 Distributed Solar Power Harvesting System  Photovoltaic  Artificial Intelligence  LSTM  Time Series Forecast 
學科別分類
中文摘要 為了有效利用太陽能發電與確保電力品質,本研究利用Python程式語言,採用日照度、溫度等氣象數據,搭配分散式太陽能發電系統發電成果,配合機器學習中由遞歸神經網路(RNN)衍伸而來的長短期記憶(LSTM)演算法,進行太陽能發電預測模型的訓練與測試。
LSTM透過三個控制記憶的機制,分別為Input、Output與Forget Gate,使機器學習透過太陽能發電紀錄與氣候資料自主學習三個閥門的開關,由此決定長短期記憶的權重並判斷哪些資料是雜訊,特別適合具時序關係之物理量估測。相關演算法特性與邏輯、數據的取得與預處理方式與太陽能發電預測模型的訓練與測試結果將會加以說明,並比較透過不同的參數設定或方法分析其所造成的影響,例如:LSTM方法、RNN方法、輸入與輸出的時間步長、一次性多步預測與漸進式預測…等,最後提供1到10分鐘的短期預估成果並加以討論,最後探討訓練決策方法與實際應用的可行性。
英文摘要 To ensure the effective supply of solar energy and its quality, researchers are looking for better methods to improve the prediction accuracy of a solar energy harvesting system. In this study, weather information such as solar radiation and temperature, together with the experimental results of a distributed solar power harvesting systems were used to train and test by an artificial intelligent algorithm called the long short-term memory (LSTM) method. The LSTM model can assign different weighting coefficients to long-term and short-term memory data, which is particularly suitable for time-series data forecasting. The proposed AI model is able to provide the coming 1 to 10 minutes short-term forecast of the photovoltaic power system. The detail of the method and prediction results as well as potential application of the machine learning algorithm will be discussed.
論文目次 摘要 II
目錄 VII
表目錄 XI
圖目錄 XIII
第1章 緒論 1
1.1 研究動機與目的 1
1.2 文獻探討 5
1.3 研究方法 8
1.4 論文架構 11
第2章 太陽能發電系統與理論發電量 12
2.1 太陽能電池模型 12
2.2 太陽能特性參數計算 17
2.3 最大功率點追蹤技術 20
2.4 集中式太陽能發電系統 23
2.5 分散式太陽能發電系統 26
2.6 理論方法預估發電量 26
第3章 人工智慧方法 29
3.1 神經網路 29
3.1.1 生物神經網路 29
3.1.2 人工神經網路 31
3.2 機器學習(Machine Learning) 33
3.2.1 監督式學習(Supervised Learning) 33
3.2.2 非監督式學習(Unsupervised Learning) 34
3.2.3 半監督式學習(Semi-supervised Learning) 34
3.2.4 增強式學習(Reinforcement Learning) 35
3.3 循環神經網路(Recurrent Neural Network : RNN) 35
3.4 長短期記憶模型(Long Short-Term Memory:LSTM) 38
第4章 太陽能發電資料之應用 43
4.1 氣象與太陽能發電資料 43
4.1.1 氣象資料來源與選擇 43
4.1.2 分散式太陽能發電資料來源 45
4.2 資料預處理 47
4.2.1 氣象資料預處理 47
4.2.2 發電量資料預處理與整合氣象資料 56
4.2.3 驗證資料相關性 58
第5章 太陽能發電預測實驗 60
5.1 開發平台 60
5.1.1 Python 61
5.1.2 Keras 深度學習 61
5.1.3 Python擴充程式庫 61
5.2 預測模型與監督式學習資料架構 63
5.2.1 預測模型建構流程 63
5.2.2 資料正規化 64
5.2.3 監督式學習資料架構 65
5.2.4 預測模型架構 66
5.3 太陽能發電預測實驗 67
5.3.1 規劃訓練與測試資料集 67
5.3.2 建立與訓練模型 68
5.3.3 損失函數(Loss Function) 70
5.3.4 優化器(Optimizer) 71
5.3.5 模型訓練穩定度測試 72
5.4 數據利用與發電量預估成效關係 76
5.4.1 均方根誤差(Root-mean-square error:RMSE) 76
第6章 結果與討論 78
6.1 LSTM多步預測 78
6.1.1 Batch Size大小對LSTM多步預測的影響 105
6.2 RNN多步預測 106
6.3 LSTM與RNN多步預測表現 120
6.3.1 比較LSTM與RNN方法之預測準確度 121
6.4 LSTM漸進式預測 123
6.4.1 Batch Size大小對漸進式預測的影響 129
6.4.2 多步預測與漸進式預測表現分析 133
6.4.3 30分鐘預測未來5分鐘之LSTM漸進式預測 136
6.5 LSTM漸進式預測延伸探討 138
6.5.1 特徵因子對預測準確度的影響 138
6.5.2 Loss Function對預測準確度的影響 139
6.5.3 漸進式預測結合多步預測 140
第7章 結論 144
7.1 未來展望 145
參考文獻 147

參考文獻 [1]經濟部能源局。能源統計資料查詢系統。取自 :https://www.moeaboe.gov.tw/wesnq/Views/B01/wFrmB0104.aspx
[2]3S Market「全球智慧科技應用」市場資訊網(2019/5/24)。太陽能 + 住宅儲能微電網助力小鎮輸電。取自:http://3smarket-info.blogspot.com/2019/05/blog-post_71.html
[3]Josep M. Guerrero (2017). MICROGRID TECHNOLOGY RESEARCH AND DEMONSTRATION. From https://www.et.aau.dk/research-programmes/microgrids/activities/microgrid-technology-research-and-demonstration/
[4]台灣電力股份有限公司。歷年太陽光電發電量。取自 https://www.taipower.com.tw/tc/chart_m/b19_%e7%99%bc%e9%9b%bb%e8%b3%87%e8%a8%8a_%e5%86%8d%e7%94%9f%e8%83%bd%e6%ba%90%e7%99%bc%e9%9b%bb%e6%a6%82%e6%b3%81_%e6%ad%b7%e5%b9%b4%e5%a4%aa%e9%99%bd%e5%85%89%e9%9b%bb%e7%99%bc%e9%9b%bb%e9%87%8f.html
[5]林薇如,太陽能電力系統電腦模擬器之開發,國立成功大學系統及船舶機電工程學系碩士論文,2015年。
[6]張智皓,適用於太陽能預測之多步預測即時回饋類神經網路,國立臺北科技大學電機工程系碩士班,2014年。
[7]蔡松諺,以資料探勘方法預測台灣地區太陽能發電量之研究,國立中興大學資訊管理學系碩士論文,2017年。
[8]Sepp Hochreiter, Jürgen Schmidhuber(1997). “Long Short-Term Memory”, Neural Computation 9(8):1735-1780, 1997
[9]Juan Ospina, Alvi Newaz, M. Omar Faruque(2019). “Forecasting of PV plant output using hybrid wavelet-based LSTM-DNN structure model”, IET Renew. Power Gener., 2019, Vol. 13 Iss. 7, pp. 1087-1095
[10]Xiangyun Qing, Yugang Niu (2018). “Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM”, Energy 148 (2018) 461-468
[11]陳煜文,以委託單資料預測當日股價趨勢-LSTM類神經網路模型之應用,輔仁大學金融與國際企業學系金融碩士班,2018年。
[12]M. A. Green, K. Emery, Y. Hishikawa, W. Warta, and E. D. Dunlop, “Solar cell efficiency tables (version 45),” Progress in Photovoltaics: Research and Applications, vol. 23, pp. 1-9, 2015.
[13]K. L. Kennerud, “Analysis of performance degradation in CdS solar cells,” IEEE Transactions on Aerospace and Electronic Systems, vol. AES-5, pp. 912-917, 1969
[14]R. W. Erickson and D. Maksimovic, Fundamentals of Power Electronics, Kluwer Academic Publishers, Norwell, MA, 2001.
[15]R. M. Chao, S. H. Ko, F. S. Pai, I. H. Lin, and C. C. Chang, “Evaluation of a photovoltaic energy mechatronics system with a built-in quadratic maximum power point tracking algorithm,” Solar Energy, vol. 83, pp. 2177-2185, 2009.
[16]F. S. Pai, and R. M. Chao, “A new algorithm to photovoltaic power point tracking problems with quadratic maximization,” IEEE Transactions on Energy Conversion, vol. 25, pp. 262-264, 2010.
[17]S. H. Ko, and R. M. Chao, “Photovoltaic dynamic MPPT on a moving vehicle,” Solar Energy, vol. 86, pp. 1750-1760, 2012.
[18]G. Adinolfi, N. Femia, G. Petrone, G. Spagnuolo, and M. Vitelli, “Energy efficiency effective design of DC/DC converters for DMPPT PV applications,” in Proc. of IEEE 35th Annual Industrial Electronics Conference, pp. 4566-4570, 2009.
[19]H. Patel, and V. Agarwal, “MATLAB-based modeling to study the effects of partial shading on PV array characteristics,” IEEE Transactions on Energy Conversion, vol. 23, pp. 302-310, 2008.
[20]H. Patel, and V. Agarwal, “Maximum power point tracking scheme for PV systems operating under partially shaded conditions,” IEEE Transactions on Industrial Electronics, vol. 55, pp. 1689-1698, 2008.
[21]C. Deline, “Partially shaded operation of multi-string photovoltaic systems,” in Proc. of 35th IEEE Photovoltaic Specialists Conference (PVSC), pp. 394-399, 2010.
[22]IEEE SPECTRUN(2019). The Top Programming Languages 2019.
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2020-07-20起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2020-07-20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