本研究擬探討遞迴神經網絡系統 (Recurrent Neural Network, RNN) 應用於電力短期負 載預測之成效。使用的資料為台灣電力公司所記錄 2015 至 2017 年的歷史電力負載資料， 以及中央氣象局提供之預測溫度和實際溫度作為依據。我們參考目前現有的半參數迴歸 模型，以模型內的週期性基底函數，當作遞迴神經網絡輸入變數，分析以不同訓練集 和模型參數組合，對未來 8 天的電力負載預測進行建模。建立模型時，因考慮到特殊假 日 ( 農曆過年與國定假日 ) 的影響，模型又區分為特殊日與非特殊日兩種類型。評估模 型之準則為預測結果和實際負載量的平均絕對比例誤差 (Mean Absolute Percentage Error, MAPE)，並與原本之半參數迴歸模型 (Semi-Parametric Regression Model) 以及一般類神經 網路 (Artificial Neural Network, ANN) 進行比較，計算出 2017 年每日負載預測的平均絕對 比例誤差以驗證此模型之效果。

The short term electricity load forecasting is an important issue for power system management. In this work, the methodology of the Recurrent Neural Network (RNN) combining the semi-parametric regression modeling is investigated and evaluated for its applicability in short term load forecasting (STLF). Based on the data obtained from the Taiwan Power Company (TPC) from January 2015 to May 2018, we build the RNN model with input variables as those in the semi-parametric regression model, such as the periodic B-spline bases related to the intra-daily and the intra-weekly effects, the historical actual temperatures as well as the present day and seven days ahead forecasting temperature provided by the Central Weather Bureau of Taiwan. The performance of the RNN methodology is evaluated through the mean absolute percentage error(MAPE) and compared with some other methods such as a modified approach following Artificial Neural Network(ANN) forecasting, and a semi-parametric regression model only approach.

論文審訂書 i
誌謝 ii
摘要 iii
Abstract iv
1 前言 1
2 資料介紹及預處理 2
2.1 資料介紹...................................... 2
2.1.1 電力負載量 ................................ 2
2.1.2 實際溫度.................................. 3
2.1.3 預測溫度.................................. 4
2.2 資料預處理..................................... 4
2.2.1 特殊日處理 ................................ 4
2.2.2 資料前處理 ................................ 4
3 研究方法 5
3.1 類神經網路(ArtificialNeuralNetwork)...................... 5
3.1.1 類神經網路參考文獻 ........................... 5
3.1.2 激活函數.................................. 6
3.1.3 多層類神經網路結構 ........................... 6
3.1.4 反向傳播演算法(Back-Propagation) ................... 7
3.2 遞迴神經網路(RecurrentNeuralNetwork).................... 8
3.2.1 遞迴神經網路參考文獻.......................... 8
3.2.2 深層遞迴神經網路 ............................ 9
3.2.3 遞迴反向傳播演算法 (Back-Propagation Through Time, BPTT ) . . . . 10
3.3 週期效應...................................... 11
3.3.1 基底樣條函數(B-splinefunction)..................... 12
3.3.2 日內效應、週內效應和尖離峰效應 ................... 13
3.4 模型配適...................................... 14
3.4.1 模型預測集 ................................ 14
4 模型修正過程 15
4.1 預處理方法選擇.................................. 15
4.2 模型之超參數選擇................................. 16
4.3 訓練樣本集選擇.................................. 17
4.4 氣象局預測溫度處理方法............................. 19
4.5 預測流程...................................... 20
5 研究結果 22 5.1 使用實際溫度之預測結果............................. 22
5.2 利用預測溫度預測結果 .............................. 23
5.3 與其他模型之結果比較 .............................. 24
6 結論 25
參考文獻 28
附錄 29

[1] Cho, H., Goude, Y., Brossat, X. and Yao, Q. (2013). Modeling and forecasting daily elec- tricity load curves: A Hybrid Approach. Journal of the American Statistical Association, 108, 7-21.
[2] Fan, S. and Hyndman, R. J. (2012). Short-Term load forecasting based on a Semi- Parametric Additive Model. IEEE Transactions on Power Systems, 27, 134-141.
[3] Goodfellow, I., Bengio, Y., Courville, A., and Bengio, Y. (2016). Deep learning (Vol. 1). Cambridge: MIT press.
[4] Schmidhuber, J. (2015). Deep Learning in Neural Networks: An overview. Neural net- works, 61, 85-117.
[5] Piegl, L., and Tiller, W. (2012). The NURBS book. Springer Science and Business Media.
[6] Taylor, J. W. (2003). Short-term electricity demand forecasting using double seasonal ex-
ponential smoothing. Journal of the Operational Research Society, 54, 799-805.
[7] 徐朮(2016)。電力負載量之短期預測，國立中山大學應用數學系碩士論文。
[8] 郭崧義(2017)。模型整合在短期負載預測的應用，國立中山大學應用數學系碩士論 文。
[9] 董道廷(2017)。電力系統短期負載預測，國立中山大學電機工程學系碩士論文。