台灣位於四面環海地形屬於海島型國家，缺乏天然能源。發電燃料大部份必須仰賴國外大量進口原油與煤等石化原料，在能源的需求與日俱增之下，使得台灣電力公司(Taiwan Power Company, 簡稱台電)因發電及購電成本增加進而提高售電單價，在企業營運成本考量下，希望能在有效降低基本電費。本文提出在需量預測方法於決定最佳化契約容量，並以光電廠為例，利用氣象局網站的溫度、台灣電力公司的計量電表 (Meter of Facility, MOF)的需量及製程投片量等歷史資料，使用類神經網路、複迴歸及自我迴歸整合移動平均模式(ARIMA)等三種方法進行預測並且分析比較。經由結果顯示，在資料有限的情境下，運用自我迴歸整合移動平均模式(ARIMA)於光電工廠之電力預測，在整體的平均絕對百分誤差0.9%，較其他二種方法精確，可據以決定光電工廠最佳契約容量，以減少基本電費支出。

Taiwan is an island country surrounded by sea with a shortage of natural energy. Most of the fuel for power generation must rely on a foreign import of petrochemical raw materials, such as crude oil and coal. With an increase on global energy requirement, Taiwan Power Company raises the unit price of electricity sale to react its increasing costs on purchase and electricity generation. To control the operating budget, enterprises hope to reduce the electricity cost effectively. This paper presents an application of demand forecasting methods to determine an optimal contract capacity, and choosing photonics plants as an example. The selected reference data include the temperature measurement records from Bureau of Meteorology website, the electricity demand records from Meter of Facility (MOF, Taiwan Power Company) and the film quantity used in process. Then, adopting three methods for prediction and comparison, including: Artificial neural network, Multiple regression and Autoregressive integrated moving average model (ARIMA). Under a situation of limited data, the result shows that the ARIMA model predicts an electricity demand in photonics plants with an absolute error of 0.9% (overall average). It's more accurate than the other two methods. So, this result provides a contract capacity optimization of photonics plant to reduce the basic electricity cost.

[1] http://www.taipower.com.tw，擷取自 http://info.taipower.com.tw/TaipowerWeb//upload/files/32/tpc_long_loading.pdf，2013年。
[2] OluwandeA.G, “Exploitation of advanced control techniques in power,” Computing & Control Engineering Journal, Vol.12 , pp.63-67, 07 Aug. 2002.
[3] 劉美琦，台灣地區電力尖峰負載預測之研究，南華大學環境管理研究所，2001年。
[4] 應立志、潘美秋，迴歸分析與灰色理論在電力需求量預測之比較----台電實證案例，德明學報第23期，2004年。
[5] 陳仁安，以灰色系統與類神經網路之線性組合進行適應性負載預測，東華大學資訊工程研究所碩士論文，2004年。
[6] 賈繼德，台灣電力需求預測模型之探討─ARIMA模型及迴歸模型，東吳大學經濟學研究所碩士論文，2009年。
[7] 傅靖中，類神經網路於有線電視系統之電力契約容量之預測，義守大學電機工程研究所碩士論文，2008年。
[8] 黃煌初，動態結構類神經網路於電力負載之研究，國立中山大學電機工程研究所博士論文，2001年。
[9] 洪芳婷，應用混合型負載預測模型於最佳化之需量規劃，國立成功大學電機工程研究所碩士論文，2007年，頁 72-80。
[10] 顏榮祥、羅偉榮，台南科學工業園區用電量灰預測模式建立之研究，南台科技大學電機工程研究所碩士論文，2007年。
[11] 羅文毅，基於氣象資料的配電饋線負載預測之研究，國立臺灣科技大學電機工程研究所碩士論文，2009年。
[12] 林若玫，變電所短期負載預測模式研究，第二十屆電力工程研討會論文，2009年。
[13] W. CharytoniukM.S. Chenand, “Very short-term load forecasting using artificial neural networks,” IEEE Trans.on Power Systems,Vol.15,No.1, pp.263-268, 07 Aug 2002.
[14] SmithM, “Modeling and Short-term Forecasting of New South Wales Electricity System Load,” Journal of Business & Economic Statistics,Vol. 18, No. 4, pp. 465-478. Oct 2000.
[15] Kamerschenand D.V. PorterD.R, “The Demand for Residential, Industrial and Total Electricity,1973-1998. ” Energy Economics,pp 87-100. Jan. 2012.
[16] Che Guan, Student Member, Peter B. Luh, Fellow, Laurent, “Very Short Term Load Forecasting Wavelet Neural Networks With Data Pre Filtering,” IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 28,pp.30-41. 05 June 2012.
[17] Soaresand L.R. SouzaL.J, “Forecasting Electricity Demand Using Generalized Long Memory, ” International Journal of Forecasting, Vol.22, pp.17-28, 2006.
[18] Larsen, Nesbakken,“Household Electricity End-use Consumption：Results from Econometric and Engineering Models, ”Energy Economics, Vol.26, pp.179-200, March 2004.
[19] AmjadyN, “Short-term hourly load forecasting using time-series modeling with peak load estimation capability, ”IEEE Trans. on Power Systems,Vol.16,No.4, pp.797-805, 07 August 2002.
[20] FataiL. Oxley and F.G. ScrimgeoarK, “Modeling and Forecasting the Demand for Electricity in New Zealand：A Comparison of Alternative Approach, ” Energy Journal, 24, pp. 74-102, 2002.
[21] Darbellayand M. SlamaG.A, “Forecasting the Short-term Demand for Electricity：Do Neural Networks Stand a Better Chance？, ”International Journal of Forecasting, Vol.16, pp.71-83., 2000.
[22] 台灣電力公司營業規則，擷取自 台灣電力公司: http://www.taipower.com.tw/content/rules_item/rules_item01.aspx?CType=4，2013年。
[23] 台灣電力公司營業規則施行細則，擷取自台灣電力公司: www.taipower.com.tw/UpFile/RulesItemFile/main_3_6_2_1.pdf，2013年。
[24] 吳宗正，迴歸分析:理論與分析，復文發行，民國84年。
[25] 陳耀茂，多變量分析導論，全威圖書，民國84年。
[26] 葉怡成，類神經網路模式應用與實作，儒林出版，1993年。