學者觀點－結合新興科技 提升再生能源預測技術

臺灣再生能源蘊藏龐大發電潛力，全球前20處最優離岸風場，臺灣就佔16處，且中南部豐富的日照資源，也有利於太陽能發電，因此，發展再生能源已被政府列爲能源與電力政策的首要目標之一。不過，再生能源容易受到外在環境影響，像是風速與照度的變動，都會使風力與太陽能發電穩定性產生挑戰，所以當再生能源裝置容量逐漸提高之際，其發電量預測的工作也愈形重要。

在預測前，若能充分掌握未來短期（如數分鐘、數小時、乃至於數天）的發電量與趨勢，將可大幅降低系統運轉的不確定性，其燃料成本爲零的優勢馬上凸顯出來。隨着預測技術的提升，其不確定性會愈來愈低，未來再生能源預測將如同傳統負載預測一般，成爲電力運轉中非常成熟與可靠的技術之一。

近年來全世界在大氣科學、計算科學、量測技術、以及人工智慧等領域的大幅進步，因此再生能源的不確定性將可利用精確的預測技術大幅降低。重要的技術層面包含前端的大氣科學與資料前處理技術，以及隨後的統計與人工智慧訓練模型。大氣科學技術可以獲得基於模式產品統計下的數值天氣預報，預測未來數小時乃至於數天的大氣參數，如風速、日射量、雨量、溫溼度、氣壓等。除了大氣科學的數值天氣預報外，尚有其他輔助預測的工具，例如衛星影像、天空影像、測風塔、以及光學雷達等，都可以輔助獲得短期不同預測時段的重要輸入變數。

數據的精準與否是預測的關鍵，也是太陽光電預測的重要步驟，再生能源的預測過程中，許多重要的輸入可能遺失大量的資料或是存在各種雜訊，因此不利於模型的訓練學習。而數據預處理是保持高品質數據的重要步驟之一，它可以減少或過濾一些不必要的雜訊，並提取原始數據的主要特徵。典型預處理技術包含數據清洗與標準化、分類、迴歸、聚類以及降維等方法。

最後便是進行再生能源預測模型的建立，過去採用許多數學統計與傳統類神經網路的架構進行模型訓練，但近期許多機器學習演算法陸續被提出。例如傳統的神經網路架構的隱藏層較少，也稱爲淺層神經網路。若增加隱藏層以及不同的算法使其結構更加複雜，便成爲深度神經網路。這些深度學習近年衍生許多新式演算法，許多都尚未應用於再生能源發電的預測中，因此提供再生能源預測很大的潛力。特別是再生能源預測需要大數據與多維度的資料處理，更需要深度學習的特徵擷取以及強效的學習架構。

隨着再生能源的普及與高度進展，許多結合再生能源發電的相關技術亦將突飛猛進，例如結合新興科技以提升再生能源預測技術，便是重要的研發工作項目。未來再生能源發電經成爲可預測甚至可調度的電源，幫助臺灣提升能源自主性，並朝淨零碳排目標邁進。