韓劇電影你都看哪一部呢？論文書籍站
國立虎尾科技大學 車輛工程系碩士班 卓慶章、邱青煌所指導 邱韻嘉的 水平軸風力發電機葉片傾角對運轉性能之影響 （2020），提出一台風力發電機發電量關鍵因素是什麼，來自於25kw水平軸風力發電機、葉片傾角、計算流體動力學、數值模擬。
而第二篇論文國立高雄科技大學 工業工程與管理系 唐惠欽所指導 鄭家祐的 遷移學習方法預測風力發電量之研究 （2020），提出因為有 風力發電、機器學習、遷移學習、多層感知器的重點而找出了 一台風力發電機發電量的解答。
水平軸風力發電機葉片傾角對運轉性能之影響
為了解決一台風力發電機發電量 的問題，作者邱韻嘉 這樣論述：
本論文使用計算流體動力學模擬水平軸風力發電機之葉片傾角對其運轉性能之影響。本研究有分析不同紊流模型、葉片傾角、轉速、風速對輸出功率之影響。結果顯示，紊流模型RNG k-ε model較適合模擬25kw風力發電機之流場，而在相同轉速下，藉由增加葉片傾角可提高風力發電機之輸出功率。然而，相同風速下，可降低葉片傾角來提升風力機之輸出功率。另外，由研究分析結果可發現，較大的葉片傾角有利於風力發電機的微風起動。最後，較小的葉片傾角適用於較低風速且穩定的風場條件，而較大的葉片傾角則適用於較大風速的風場條件。若在較低風速且穩定的風場下，較小的葉片傾角較合適。
遷移學習方法預測風力發電量之研究
為了解決一台風力發電機發電量 的問題，作者鄭家祐 這樣論述：
風力發電的建置成本與太陽能相比較低且裝置容電量大，但風力發電屬於間歇性電力所以會發生發電不足的情況，因此需要預測風力發電量來配合電力系統的配置。風力發電的預測模型的建立過程非常耗時且績效成果不一定理想，因此本研究基於深度學習方法上使用了遷移學習方法來建立預測模型。本研究以台灣區的風力發電廠做為主要的數據集採集來源，本研究使用遷移學習之技術，把在A電廠的第A-1台風力發電機組上採集到的數據集進行模型集訓，訓練完成後的模型可運用到A電廠的第A-1台上，同時也能運用在B電廠的第B-1台風力發電機組上進行預測。本研究實驗步驟為資料收集、資料清理與前置處理、建立資料模型、使用模型預測風電量、模型績效等
五個階段。本研究使用氣象資料預測發電量預測方法有MLR及MLP、XGBoost與LSTM等四種方法，績效的指標有RMSE、MAE與R²等3項指標去評估模型。本研究選擇資料集(B)的MLP模型做為遷移學習模型使用，本研究將資料集(B)的MLP遷移至資料集(A)上，再透過資料集(A)建立MLP模型讓兩者模型進行績效比較。在資料集(A)上發電量MW(t)最佳表現績效為[Transfer(Model B)]的(27.6158)，(Model A)最佳表現績效為(34.3941)，兩者相差(6.7782)；發電量MW(t+1)最佳表現績效為[Transfer(Model B)]的(28.7172)，(M
odel A)最佳表現績效為(33.5549)，兩者相差(4.8377)；發電量MW(t+2)最佳表現績效為[Transfer(Model B)]的(29.4415)，(Model A)最佳表現績效為(33.4018)，兩者相差(3.9603)。從遷移學習實驗在資料集(A)上使用[Transfer(Model B)]績效均比原始資料集(A)建立的MLP模型(Model A)來的好。