2016年,台灣政府發佈了一個新能源政策,為求期望台灣能在2025年成為一個非核家園。台灣西半部因地勢的關係在秋冬季有著強而穩定的東北季風,因此離岸風力在替補核電廠停運之後的能源缺口上,成為了萬眾矚目的焦點。風力發電最大的問題在於風的不穩定性。一個好的短期預測有利於風機的控制並產生更大的效能,也能減少此不穩定性對電網產生的傷害。本研究將針對台電氣象觀測塔2017至2019年的風速風向觀測資料進行基本的分析,並藉由分析結果了解預測模型的有效性。本次研究中,主要以類神經網路模型的方式進行短時多步的風速預測,並藉由改變模型參數的方式優化模型。 數據分析的部分分為:趨勢分析,統計分析以及頻譜分析三個部分。趨勢分析以時序圖以及風瑰圖帶出三年風速風向的趨勢。統計分析的部分則在於以月份以及季節的統計值探討每年的異同。最後再以小波轉換得出的頻譜了解各個短尺度時間段的不同情況風場的特徵。在模型建立好之後,除了會進行一般的模型評估之外,也會藉由先前的分析結果作進一步的理解預測產生巨大誤差的原因。並給予建議。本次所使用的類神經預測模型為目前較為廣泛使用的LSTM模型。基於對模型演算法的認識有限,本次參數的矯正方向則傾向於非模型架構的部分。力求從實際氣候資料上得到較高的準確值。 最後,本次研究在最後發現,每年春、秋、及冬季的風況大同小異。而夏季則容易受到不定期的西南季風以及颱風的侵襲影響。秋冬的風速平均較高 (~12m/s),風向也很穩定(~18°);春夏的風速平均較低 (~7m/s)且風向的位置較不特定。小波轉換得出的結果發現風況大致可以用東北風,西南風以及區域風去理解。利用類神經網路所建構出來的多步預測模型的準確率(相關係數 R^2)有達到 0 991,0 981,和 0 970。研究中的參數矯正雖在最後無顯著地提升模型的準確率,但卻可以提高我們對於預測模型的認知。
Short-Term Wind Speed Forecasting Using Neural Network Models for Chanbin Offshore Area
億昇, 孫. (Author). 2020
學生論文: Doctoral Thesis