太陽光電能源科技股份有限公司面試的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

以深度學習進行太陽能發電量預測-龍井太陽能發電廠案例

為了解決太陽光電能源科技股份有限公司面試的問題，作者張志豪 這樣論述：

政府於2009年通過「再生能源發展條例」之後，就以積極開放的態度發展再生能源。條例當中，太陽光電裝置容量預定於2025年達到20GW的目標。但太陽能發電量可能受天候變化所帶來的間歇性影響。這種間歇性發電的特質，往往造成供電端無法快速追隨負載需求端之急遽變化。換言之，當負載需求端原本就會根據市場經濟活動變化，進而產生用電量高低起伏之不確定性，再加上來自再生能源發電端間歇特質所造成之第二重不確定性，這兩種同時存在不確定性若是同步方向變動，或許對電力系統未必不利。惟若這兩種不確定性恰巧反向變動時，則會造成電力系統供需不平衡的頻率擾動，成為電力調度的一大挑戰。本研究旨在預測太陽能光電廠未來96小時之

發電量，並以每十分鐘一筆產生太陽光電發電量預測資料。預期研究成果之目標為所預測的太陽能發電量，其平均絕對誤差值小於10%之內。為達成此一目的，本研究採用台電公司再生能源處提供的台中龍井1-1期、龍井1-2期與龍井2期之歷史發電數據進行分析。資料擷取時間範圍自2015年1月1日0時0分起至2019年1月1日0時0分止。資料時間間隔為每十分鐘一筆變流器歷史發電數據，共計631,155‬筆紀錄。首先進行資料預處理，刪除資料內含設備狀態的欄位，其欄位值以True與False字元做為表示。另外因為部分變數，四年資料的內容只有ND與del組成，不具任何資料內容，故也先刪除。接著使用Python線性補值的方

法進行修補。接著進行資料降維，使用皮爾森係數、因素分析與主成份分析進行兩次資料降維，最後取出影響總發電量之高度相關變數，如累積發電度數、交流累積發電量、直流累積發電量、本日累計發電量、KWH修正點、乏時、正向瓦時、逆向瓦時、二氧化碳減碳量等，接著使用遞歸神經網路(Recurrent Neutral Network,RNN)、卷積神經網路(Convolutional Neural Networks,CNN)、閘控循環單元(Gated Recurrent Unit,GRU)、長短期記憶網路(Long Short-Term Memory,LSTM)、混合神經網路(RNN+LSTM、CNN+LSTM、

GRU+LSTM)等七種深度學習演算法建立預測模型並進行分析，最後以平均絕對誤差當作評估標準進行評估。 實證結果得知，龍井1-1最佳模型為LSTM，驗證損失的平均絕對誤差最佳表現為：0.0039。龍井1-2最佳模型為CNN+LSTM，驗證損失的平均絕對誤差最佳表現為0.00038759。龍井2最佳模型為RNN，驗證損失的平均絕對誤差最佳表現為0.0017。而各場域七種模型預測成果皆達到本研究設定平均絕對誤差值小於10%之研究目標。 最後，本研究之結果可提供給研究單位、學者或研究人員進行研究之參考。同時，本研究找出之影響發電量之關鍵特徵，可提供給太陽能發電廠主事者，聚焦於這些關鍵特徵之數

據變化，進行未來96小時每十分鐘之發電量預測，減緩太陽能間歇性發電等不確定性之狀況，提升太陽能發電整體之效能及因應對策之穩定度。