台灣AI產業應用研究(3)-使用時間序列資料來預測太陽能板發電量
NTT DATA 擁有 AI 及智慧製造顧問團隊，並藉由自動化機器學習解決方案 IDI+（Intelligent Data Insight+），為客戶提供完整的 AI 解決方案，協助客戶實現智慧製造及 AI 落地方案。
一、台灣太陽能產業
太陽能產業的產業鏈可以分為上游、中游及下游。上游生產矽晶圓；中游將矽晶圓組裝成太陽能電池，並整合電力調節器、蓄電池等零組件，生產太陽能發電系統；下游則負責銷售太陽能發電系統、架設太陽能屋頂、興建太陽能電廠等，進而將電力自用或售電。
台灣過去曾是太陽能產業的製造大國，從上游矽晶圓、中游電池到下游發電廠都有佈局，但在市場逐漸飽和且中國以價格優勢成為全球最大矽晶圓生產國之後，台灣的太陽能產業逐漸衰微。但在成本逐漸降低且石化能源枯竭，太陽能源的需求再起，加上政府的產業政策支持，讓台灣的太陽能產業重新復甦，內需與外銷同步增長。
二、預測太陽能發電量
在太陽能產業，最重要的是維持穩定的發電量，過往在太陽能板發電的維運需仰賴大量人力與時間成本，其中太陽能發電量的預測更為重要，除了和營運收入直接相關，也是判斷太陽能板清洗維護時間的重要依據。
太陽能發電預測的議題有許多面向，可以透過天氣資訊來預測太陽能板的最佳維護時間，也可以透過環境資訊及機台資訊來預測太陽能板的效率，而本文要探討的則是，透過時間序列（Time-Series）的發電量資料，來預測未來的太陽能發電量，進而提供更多可靠資訊給維運團隊。
三、用 AI 解決問題
面對本文想要解決的發電量預測問題，在傳統統計學領域，已有許多模型的預測結果表現良好，像是傳統迴歸模型以及進階模型如 ARIMA。而在深度學習領域也提出許多模型可以處理時間序列資料的預測問題，能夠更好地處理季節效應等因素，其中，最常被用來處理時間序列的模型為 LSTM（Long Short-Term Memory）。
LSTM 是 RNN（Recurrent Neural Network）模型的其中一種，RNN 系列模型具有記憶性，因此在處理時間序列及文本資料時表現較好。而 LSTM 比起 RNN 模型，加上了 Input Gate、Output Gate、Forget Gate 及 Memory Cell，可以儲存更多的記憶，對於時間序列及上下文資訊可以有更好的預測表現。
本文將分享如何透過 LSTM 模型搭配 CNN 模型，來預測太陽能板的發電量。
四、建議做法
我們將透過在資料科學競賽平台 Kaggle 上所提供的資料，使用太陽能板發電量的時間序列資料，預測未來的太陽能板發電量。以下將會分成 4 個步驟來進行預測模型的訓練。
1. 資料集準備
- 我們的訓練資料欄位有累計太陽能板發電量（cum_Power）、每日使用的電力（Elec_kW）及每日使用的瓦斯（Gas_mxm），其中我們要針對 cum_Power 進行預測。首先我們將累計太陽能板發電量轉換成每日的太陽能板發電量（day_Power）。
- 我們將 2019/10/28 以前的資料作為訓練資料（2924 筆），2019/10/29 至 2020/10/28 的資料作為驗證資料（366 筆）。
- 我們將原本每日太陽能發電量的資料，轉換成透過前365天的太陽能發電量來預測當天的太陽能發電量的資料格式，即前365天的太陽能發電量作為 features，第366天的太陽能發電量作為要預測的 label。
2. 模型建置
- 我們使用 LSTM 加上 CNN（Convolutional Neural Network） 的架構的來建置模型，下圖為模型的架構。
3. 模型訓練與驗證
- 在模型訓練階段，我們使用以下設定來進行訓練：
- optimizer = 'adam'
- loss = 'mae'
- epochs = 200- 在模型預測階段，我們將每次預測的結果更新到下一次的訓練資料，依序使用前 365 天的發電量來預測第 366 天的發電量，以此預測下一整年度的發電量。
4. 模型預測結果
我們將前一步驟所預測的當日發電量和實際發電量的資料，繪製成曲線圖來進行比較。
我們使用以下兩個指標來檢視模型的預測結果：
- R2 Score: 0.64
- Mean Square Error: 4.04我們也可以將當日發電量的預測值轉換回累積發電量的預測值，來和原始資料的累積發電量進行比較。
最後我們使用兩個指標來檢視模型的預測結果：
- Accuracy: 97.42%
- R2 Score: 1.00
- Mean Square Error: 80.94五、結論
太陽能產業以及綠色能源產業，最常被挑戰的問題都是發電效率。因此，若能夠結合人工智慧與深度學習技術，對太陽能板的發電量有更精準的預測，將能有效提升太陽能板發電的營運效率。
本文藉由預測太陽能板發電量的案例分享，讓讀者能對人工智慧的技術及在太陽能產業的應用，有更深的認識與了解，若對於文章內容有任何問題，或是想更近一步了解 NTT DATA 的自動化資料科學解決方案 IDI+，都歡迎至粉絲專頁與我們聯繫，謝謝。
