短期負載預測為電力系統運轉及調度的重要參考依據，準確的負載預測使用於機組排程、經濟調度及電網安全分析，不僅可以降低運轉成本，也可以讓電力穩定且可靠的供應，未來大量的再生能源併網以及電力日前市場的需求，負載預測所扮演的角色將更加重要。本研究針對未來數日的短期負載，提出二階段類神經網路(Artificial Neural Network, ANN)負載預測模型，第一階段的模型提供24小時負載預測曲線；第二階段的模型輸出尖峰及離峰負載預測值，並利用第二階段的輸出結果對第一階段的曲線做調整，此模型使用台灣電力公司的負載實績進行驗證，其預測結果顯示二階段模型有效的改善一階段之預測準確度。預測結果將會與半參數可加模型(Semi-parametric Additive Model, SAM)、混合模型及遞迴神經網路模型(Recurrent Neural Network, RNN)進行比較。

Accurate Short-Term Load Forecast (STLF) is important in ensuring efficient and reliable power system operations. In this study, we propose a two-stage Artificial Neural Network (ANN) model for STLF. The first stage models forecast next seven days 24-hour load profiles and the second stage ANN forecasts the daily maximum peak demand and minimum off-peak demand with higher accuracy. The daily maximum and minimum loads forecasted in the second stage are used to improve the load profile obtained in the first stage. The accuracy of the proposed forecast model is tested using the historical data obtained from Taiwan Power Company (TPC). Forecast results are compared with those obtained from Semi-parametric Additive Model, Mix model, and Recurrent Neural Network model. Mean absolute percent errors are computed to assess the effectiveness of each model. Test results show that the proposed two-stage ANN model can outperform a previously proposed single stage ANN load forecast model.

論文審定書 i
誌謝 ii
中文摘要 iii
Abstract iv
目錄 v
圖目錄 viii
表目錄 x
第一章 緒論 1
1.1 本論文研究背景 1
1.2 文獻回顧 2
1.2.1 時間序列分析方法 3
1.2.2 人工智慧技術為基礎的短期負載預測方法 7
1.3 論文架構與貢獻 9
第二章 短期負載預測模型 11
2.1 資料介紹與處理 11
2.1.1 負載資料 11
2.1.2 溫度資料 13
2.1.3 一般日及特殊日定義 14
2.2 類神經網路模型介紹 15
2.2.1 模型架構 21
2.2.2 模型求解方法 24
2.3 半參數可加模型 27
2.4 混合模型預測方法 29
2.5 遞迴類神經網路模型 31
2.6 特殊日模型 34
2.6.1 特殊日前後一日取代型態 36
2.6.2 特殊日負載預測程序 40
2.7 即時負載預測模型 42
第三章 尖離峰負載預測模型及修正方法 43
3.1 類神經網路尖峰離峰負載預測模型 43
3.1.1 模型架構 43
3.1.2 訓練集篩選方法 44
3.2 預測曲線修正方法 51
3.2.1 尖離峰負載誤差之影響 51
3.2.2 負載預測曲線修正方法 51
第四章 測試結果與討論 53
4.1 類神經網路模型預測結果 54
4.2 半參數可加模型預測結果 56
4.3 混合模型預測結果 58
4.4 遞迴神經網路模型預測結果 60
4.5 二階段修正類神經網路模型預測結果 62
4.6 一般日預測結果比較與討論 64
4.7 其他混合及修正模型預測結果 67
4.8 特殊日預測結果 72
4.9 即時負載預測結果 74
第五章 結論與未來研究建議 76
5.1 結論 76
5.2 未來研究方向 77
參考文獻 79
附錄 81

[1] 行政院，「前瞻基礎建設計畫—綠能建設」，Available online: https://www.ey.gov.tw/Page/5A8A0CB5B41DA11E/3c59c596-c1f3-424e-8b9d-bb047310208e
[2] 盧展南，「強化現行輔助服務估算機制及作業平台」，台灣電力股份有限公司委託研究案，第二次期中報告，2017年。
[3] A. K, Singh, S. Khatoon, M. Muazzam, and D. K. Chaturvedi, “Load forecasting techniques and methodologies: A review” 2012 2nd International Conference on Power, Control and Embedded Systems, pp. 1-10, December, 2012.
[4] R. S. Tsay, “Analysis of financial time series,” Wiley, pp. 543, 2005.
[5] G. Juberias, R. Yunta, J. G. Moreno, and C. Mendivil, “A new ARIMA model for hourly load forecasting,” IEEE Transmission and Distribution Conference (Cat. No. 99CH36333), Vol. 1, pp. 314-319, April, 1999.
[6] 林信成，軟性計算理論與知識處理技術之研究，教育資料與圖書館學，2000。
[7] T. Senjyu, S. Higa, and K. Uezato, “ Future load curve shaping based on similarity using fuzzy logic approach,” IEE Proceedings-Generation, Transmission and Distribution, vol. 145, no. 4, pp. 375-380, 1998.
[8] K. H. Kim, J. K. Park, K. J. Hwang, and S. H. Kim, “Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems,” IEEE Transactions on Power Systems, vol. 10, no. 3, pp. 1534-1539, 1995.
[9] S. I. Vagropoulos, E. G. Kardakos, C. K. Simoglou, A. G. Bakirtzis, and J. P. Catalão, “Artificial neural network-based methodology for short-term electric load scenario generation,” 18th International Conference on Intelligent System Application to Power Systems (ISAP), pp. 1-6, September, 2015.
[10] H. Daneshi, and A. Daneshi, “Real time load forecast in power system,” Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, pp. 689-695, April, 2008.
[11] 台灣電力公司，「今日用電曲線」，Available online: https://www.taipower.com.tw/tc/page.aspx?mid=206&cid=403&cchk=1f5269ec-633e-471c-9727-22345366f0be
[12] R. G. Steadman, “A universal scale of apparent temperature,” Journal of Climate and Applied Meteorology, vol. 23, no. 12, pp. 1674-1687, 1984.
[13] 中央氣象局，「觀測資料查詢」Available online:
http://e-service.cwb.gov.tw/HistoryDataQuery/
[14] 羅華強，「類神經網路: MATLAB 的應用」，高立圖書有限公司，2011。
[15] 董道廷，「電力系統短期負載預測」，中山大學電機工程學系研究所學位論文， 頁碼1-98，2017。
[16] J. De Villiers, and E. Barnard, “Backpropagation neural nets with one and two hidden layers,” IEEE Transactions on Neural Networks, vol. 4, no.1, pp. 136-141, 1993.
[17] H. S. Hippert, C. E. Pedreira, and R. C. Souza, “Neural networks for short-term load forecasting: A review and evaluation,” IEEE Transactions on Power Systems, vol. 16, no. 1, pp. 44-55, 2001.
[18] J. W. Taylor, “Short-term electricity demand forecasting using double seasonal exponential smoothing,” Journal of the Operational Research Society, vol. 54, no. 8, pp. 799-805, 2003.
[19] S. Fan, and R. J. Hyndman, “Short-term load forecasting based on a semi-parametric additive model,” IEEE Transactions on Power Systems, vol. 27, no. 1, pp. 134-141, 2012.
[20] 徐朮，「電力負載量之短期預測」，中山大學應用數學系研究所學位論文， 頁碼1-35，2016。
[21] 袁子倫、徐朮、楊亞叡、董道廷、羅夢娜、吳進忠、盧展南，「電力負載量之短期預測」，中華民國第三十七屆電力工程研討會，12月，2017。
[22] 江典聲，「具有半參數模型基底之遞迴神經網絡於短期電力負載預測之應用」，中山大學應用數學系研究所學位論文， 頁碼1-35，2018。
[23] 內政部民政司，「明年起放假日遇星期六、日確定補假」，Available online: http://www.moi.gov.tw/dca/01news_001.aspx?sn=8498