林口火力發電廠空污的問題，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

臺灣大型點源與交通移動源污染排放對PM2.5濃度影響

為了解決林口火力發電廠空污的問題，作者林怡成 這樣論述：

臺灣PM2.5高污染事件常發生於秋冬時期，長期暴露於高濃度PM2.5中，人體呼吸系統將受到嚴重破壞，故空氣污染議題備受民眾關注。高污染事件主要受氣象環境與本地排放源的高排放量影響，臺灣氮氧化物(NOX)年排放量以移動源廢氣排放為主、硫氧化物(SOX)年排放量則以工業活動和電力業居多，其中火力發電廠更占全國點源近四成排放量。根據經濟部能源局2018年資料指出，臺灣有近81%的發電量來自化石燃料，53%屬於傳統的燃煤技術，燃燒後的污染物不僅影響周圍環境，亦隨著風場結構帶往下風處。近年來，臺灣政府致力於實現高發電效率和低排放的目標，引進超超臨界（Ultra Super Critical, USC）

燃煤技術應用於林口火力發電廠中，以增加發電量並減少氮氧化物和硫氧化物的排放，此研究的目的是評估USC技術對臺灣空氣污染的影響。林口火力發電廠位於林口台地西側近海處，為了解林口周圍環境污染物特性，參考前人群集分類結果（Hsu and Cheng, 2019）將污染物依天氣型態分類，並使用環保署測站的歷年成份資料與陽明交通大學蔡春進教授提供2020年2月逐時PM2.5資料進行分析與討論。結果顯示，群集3（弱綜觀天氣型態）PM2.5與前驅物質(NOx與SO2)的濃度值最高，其次為群集2（高壓迴流天氣型態）與群集6（副熱帶高壓壟罩天氣型態），PM2.5成份以硫酸鹽與硝酸鹽為主。使用氣象模擬WRF3.8

.1版本與臺灣空氣污染物排放量清冊資訊TEDS10的輸出結果，納入CMAQv5.2進行空氣污染物模擬，個案一時間點為2020年2月12日至13日、個案二為2020年2月24日至25日，此時臺灣氣象環境處於弱綜觀的穩定天氣型態，由於西半部區域位於背風區、空氣擴散條件差，導致該區域空氣品質不佳。為了進一步探討林口發電廠對下風處空氣品質的影響，使用Brute Force Method（BFM）將林口火力發電廠的排放量調整為零（NoLKP組），並與Base組進行比較。林口電廠主要影響雙北、桃園和新竹地區，PM2.5小時平均貢獻量值約0.5~1.5μg/m3。同時，針對USC技術對於周圍環境空氣品質改善

效益，使用2013年林口電廠亞臨界(Subcritical, SC)舊機組排放資料進行空品模擬，計算與Base組之間的差異。結果顯示，北部地區空氣品質改善效益較好，中部地區較差。 當臺灣西部地區高濃度PM2.5事件發生時，其他重工廠與交通移動源的污染排放量高於林口火力電廠許多，欲探討各大型污染源PM2.5貢獻，經由BFM計算各污染源貢獻量，再依照群集結果進行分類。當臺灣處於弱綜觀天氣型態下，各污染源主要影響各自所在的空品區，點源貢獻量占比約1~2%，以台中火力發電廠影響最為顯著；交通移動源貢獻相較於點源PM2.5貢獻量較高，占比約16~23%。

應用類神經網路預測發電廠周圍細懸浮微粒及臭氧濃度

為了解決林口火力發電廠空污的問題，作者張家維 這樣論述：

根據2020年統計燃煤占發電量的36%，表示臺灣燃煤發電量仍為高占比，而典型預測空氣品質模式包含高斯類擴散模式、軌跡類模式與網格類模式等，本研究以機器學習中的類神經網路(Artificial Neural Network, ANN)整合分析環保署固定污染源連續自動監測設施資料(Continuous Emission Monitoring Systems, CEMS)、環保署空氣品質監測資料、中央氣象局氣象觀測資料，用以預測鄰近三座台電電廠(林口、台中、大林)每日的細懸浮微粒與臭氧濃度並探討預測結果。蒐集2019至2020年林口、台中、大林電廠之固定污染源每小時排放數據(包含氮氧化物及二氧化硫

)，林口、沙鹿、小港空氣品質監測站之每小時空氣污染物數據(包含二氧化硫、二氧化氮、一氧化碳、臭氧、細懸浮微粒及懸浮微粒)與林口、梧棲、鳳森氣象觀測站之每日大氣數據(包含溫度、氣壓、濕度、風速及風向)等參數，將前述資料彙整為日平均值導入以Python語言程式建構的ANN模型中作為輸入參數，輸出參數為細懸浮微粒(μg/m3)與臭氧(ppb)，決定係數(Coefficient of determination, R2)、均方根誤差(Mean Square Error, MSE)與絕對平均誤差(Mean Absolute Error, MAE)用以評估模型表現，隱藏層神經元試誤後，結果得出細懸浮微粒與

臭氧分別使用22個與23個隱藏層神經元有最佳的預測表現，再將數據分區建立模型，保留訓練與驗證時連接層與層之間的最佳權重值，用以預測2021年1月至3月的細懸浮微粒與臭氧濃度。以ANN預測每日細懸浮微粒濃度，林口空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.01平均R2值為 0.9057；沙鹿空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.004平均R2值為 0.9243；小港空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.004平均R2值為 0.9303。以ANN預測每日臭氧濃度，林口空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.006平

均R2值為 0.7523；沙鹿空氣品質監測站之最佳設定在丟棄神經元為 0%，學習速率 0.008平均R2值為 0.7437；小港空氣品質監測站之最佳設定在丟棄神經元為 20%，學習速率 0.01平均R2值為 0.7626。預測結果顯示，細懸浮微粒預測值低於實際值，結果與訓練模型時結果大致相符；然而臭氧預測值大部分高於實際值，模型預測細懸浮微粒表現較佳。本研究建立預測細懸浮微粒之ANN模型，僅使用少部分參數及資料量即可達到良好的預測效果，可以作為未來預測空氣品質的參考依據，建議未來能夠應用於其他電廠進行預測評估。此外，臭氧結果較差原因推測臭氧多為衍生性，並非由污染源直接排放，建議未來臭氧預測納入

光化學評估監測站、揮發性有機物等相關臭氧前驅物之數據與傳輸、沉降、排放等大氣因子作為建立模型之參數。