太陽光電系統受日照強弱影響，無法充分滿足負載設備穩定供電之需求，即使平常日照充足，仍有可能因氣流瞬間之變化，天候突然轉變，造成發電量起伏不定。隨著再生能源占總電力負載供給比例逐漸提升，如何穩定電力系統之供電品質成為重要課題，為了大幅提高太陽能發電比例，降低營運成本，並保障電網安全，太陽能預測技術顯得尤為重要。
資料探勘的精神在於從大量的資料中找出潛在的有用資訊，本研究以倒傳遞類神經網路來預測進行太陽光電系統之發電量。為提升其預測能力，除了以臺南市地區既有太陽光電系統之太陽能板直流輸出功率作為輸入變數之外，並增加中央氣象局臺南觀測站之氣象參數作為輸入變數。在輸入倒傳遞類神經網路前，先進行資料標準化及主成分分析篩選具關鍵性之影響變數，而後經由神經網路訓練與平均絕對百分比誤差、均方根誤差及平均絕對誤差之判定，獲得內部參數之設定值，當隱藏層神經單元數3個、訓練步驟 20,000 次、學習速率1.0時，所得之預測值最佳。

The Solar Photovoltaic System is affected by the intensity of sunlight and cannot fully meet the demand for stable power supply for load equipment. Even if the sunlight is sufficient in normal days, there may be sudden changes in the airflow, resulting in fluctuations in power generation. As the proportion of renewable energy in the total electric load supply gradually increases, how to stabilize the power supply quality of the power system has become an important issue. In order to significantly increase the proportion of the Solar Energy Generation, reduce operating costs, and ensure power grid security, greatly increase the proportion of Solar Power Generation, reduce operating costs, and ensure grid security, the predictive technology of the Solar Energy Generation is particularly important.
The spirit of Data Mining is to find the potentially useful information from a large amount of data. In this study, the Back-Propagation Neural Network is used to predict the power generation of the Solar Photovoltaic System. In order to improve its prediction ability, in addition to the DC output power of the existing Solar Photovoltaic System in Tainan City as the input variable, the meteorological parameters of the Central Meteorological Bureau Tainan Observatory were added as the input variable. Before inputting the Back-Propagation Neural Network, first carry out data standardization and Principal Component Analysis to filter the critical influencing variables, and then through Neural Network training and the judgment of the Mean Absolute Percentage Error, Root Mean Square Error, and Mean Absolute Error get the set value of internal parameters. When the number of hidden layer units is 3, the training steps are 20,000 times, and the learning rate is 1.0, the predicted value obtained is the best.

中文部份
1. 王金印、林宏志、李國路與陳萬金(2013)。多區域HCPV系統資料整合與分析暨環境因素之影響評估。行政院原子能委員會委託研究計畫研究報告，計畫編號：1022001INER022，pp. 53，臺北市，臺灣。
2. 王金印(2014)。太陽能預測模式與分析技術研究。行政院原子能委員會委託研究計畫研究報告，計畫編號：1032001INER023，pp. 53，臺北市，臺灣。
3. 王金印(2015)。大氣環境因子對太陽能預測與發電影響之研究。行政院原子能委員會委託研究計畫研究報告，計畫編號：1042001INER017，pp. 5，臺北市，臺灣。
4. 沈仲晃(2005)。太陽能電池安裝角度與電能輸出之研究。技術學刊，20(1)，pp.20，臺北市，臺灣。
5. 吳曜圳、吳韻吾與林欣怡(2016)。太陽能光電系統應用於照明之研究。中華民國營建工程學會第十四屆營產業永續發展研討會，苗栗縣，臺灣。
6. 徐國昌、黃柏鈞、黃茂庭、林偉民與曾美惠(2013)。台灣太陽光電系統發電量分析探討。電力人，14，pp. 5，臺北市，臺灣。
7. 孫川永、彭友兵、高媛媛、于廣亮、姜寧與魏磊(2012)。數值模式在太陽能出力分析中的應用研究。電網與清潔能源，28(8)，pp. 73-76，西安，中國。
8. 陳斐文(2012)。聚光型太陽光發電系統之清洗決策分析，國立中央大學資訊工程學系碩士論文，桃園市，臺灣。
9. 陳彥豪、楊玨與盧思穎(2015)。儲能應用介紹與推動方向建議。電力電子雙月刊，13(4)，pp. 35-48，臺北市，臺灣。
10. 陳彥均、彭兆川、黃渡根與黃郁文(2011)。太陽光電發電規設與設置研討。中華技術。91，pp. 105，臺北市，臺灣。
11. 馬金玉、羅勇、申彥波與李世奎(2011)。太陽能預報方法及其應用和問題。資源科學，33(5)，pp.829-837，中國。
12. 黃明輝(2014)。臺灣日照量高低的爭議。科學月刊，396，pp.6，臺北市，臺灣。
13. 高翊倫(2009)。建構台灣地區太陽能發電系統之發電量預測模型。國立交通大學工業工程與管理學系碩士論文，新竹市，臺灣。
14. 晉鳳山(2002)。改良式倒傳遞類神經網路之研究。測驗統計簡訊，47，pp.29，臺北市，臺灣。
15. 葉怡成(2001)。類神經網路模式應用與實作。儒林出版社，pp.16-43，臺北市，臺灣。
16. 葉鳳美、張引、陳帄與劉景毅(2011)。彰濱河海水質整體變動指數之時序交叉相關研究。第 33 屆海洋工程研討會論文集，pp. 736，高雄市，臺灣。
17. 張品全(2002)。太陽能電池。科學發展月刊，349，pp.22-29，臺北市，臺灣。
18. 張文恭(2019)。應用改良式深度學習網路方法於電力系統不同區域之太陽光電發電量預測(第2年)。科技部補助專題研究計畫成果報告期末報告，計畫編號：MOST 106-2221-E-194-041-MY2，pp. 6，嘉義市，臺灣。
19. 傅粹馨(2002)。主成份分析和共同因素分析相關議題之探究。教育與社會研究，3，pp. 107-132，高雄市，臺灣。
20. 楊新全、賈方霈、季延平、戴台平、黃致祥與許志義(2015)。電力需求端管理技術探勘分析之研究。台電工程月刊，797，pp. 99，臺北市，臺灣。
21. 簡禎富、許嘉煜(2014)。資料挖礦與大數據分析。前程文化，7，新北市，臺灣。
22. 穆格銘(2016)。倒傳遞類神經網路技術應用於太陽能發電預測。國立臺灣師範大學工業教育學系碩士論文，臺北市，臺灣。
23. 駱明麟(2018)。空氣品質對太陽能源轉換之影響。國立中興大學機械工程學研究所碩士論文，臺中市，臺灣。
24. 鄭詠文、林峯州、鄭宇辰、蕭盛澤與王耿斌(2018)。太陽光電產業專利趨勢分析。智慧財產權月刊，247，pp. 08，臺北市，臺灣。
25. 鄭哲宇(2020)。R軟體資料分析應用：線性迴歸診斷。臺北醫學大學數據處統計中心 eNews，35，臺北市，台灣。
26. 蕭子訓、黃孔良與張耀仁(2017)。太陽光電年發電量預測模型建置及策略研究。臺灣能源期刊，4(4)，pp. 01，臺北市，臺灣。
27. 嚴偉倫(2015)。建立台灣在經典氣象年中的太陽能資料庫。國立成功大學航空太空工程學系碩士論文，臺南市，臺灣。
28. 臺南市政府經濟發展局(2019)。一百零八年度補助設置太陽光電系統實施計畫，108年4 月3日第一次修訂公告，臺南市，臺灣。
英文部份
1. Aguiar, L. M., (2016), Combining solar irradiance measurements, satellite-derived data and a numerical weather prediction model to improve intra-day solar forecasting, Renewable Energy, 97, pp.599-610 , USA.
2. Agrawal, R., & Srikant, R. (1994), Fast algorithm for mining association rules in large database, In Research Report RJ, 9839, IBM Almaden research Center, San Jose, CA.
3. Chuang, D.,(2019)。太陽光電技術百家爭鳴，提高轉換效率為一大發展重點。TechNews 科技新報，臺北市，臺灣。
4. Demirtas, M., (2012), Prediction of Solar Radiation Using Meteorological Data, IEEE (ICRERA), International Conference on Renewable Energy Research and Applications, USA.
5. IEC(2016), Photovoltaic system performance monitoring Guidelines for measurement, data exchange and analysis, IEC 61724-3, USA.
6. Han, J., Kamber, M., & Pei, J. (2011), Data Mining: Concepts and Techniques, Morgan Kaufmann , 3, USA.
7. Lewis, E. B., (1982), Control of body segment differentiation in Drosophila by the bithorax gene complex, Prog Clin Biol Res, 85, pp. 269-88, USA.
8. Wang, F., Mi, Z., Su, S., & Zhao, H. (2012), Short-Term Solar Irradiance Forecasting Model Based on Artificial Neural Network Using Statistical Feature Parameters, Energies, 5, pp.1355-1370, USA.
網站部份
1. 經濟部能源局網站(2017)。太陽光電知識館。取自https://www.re.org.tw/knowledge/more.aspx?cid=202&id=628。最後瀏覽日：2017年12月7日。
2. 美國國家再生能源實驗室(NREL)網站(2000)。Reference Solar Spectral Irradiance:Air Mass 1.5。取自https://www.nrel.gov/grid/solar-resource/spectra-astm-e490.html。最後瀏覽日：2020年6月。
3. 一點新知 GetIt01網站(2018)。取自https://www.getit01.com/pw20190709765256667/。最後瀏覽日：2018年7月11日。
4. 北一女中地科網站(2019)。細說從頭：為什麼要觀測雲。取自http://web.fg.edu.tw。最後瀏覽日：2019年。
5. 台灣電力公司網站(2020)。再生能源發電概況。取自https://www.taipower.com.tw/tc/page.aspx?mid=204&cid=1582&cchk=5b8ce619-7ff5-40e9-9032-bdfd93d197d9。最後瀏覽日：2020年6月19日。
6. 台灣電力公司網站(2020)。108年各縣市太陽光電容量因數。取自
https://www.taipower.com.tw/tc/page.aspx?mid=207&cid=165&cchk=a83cd635-a792-4660-9f02-f71d5d925911#b04。最後瀏覽日：2020年5月25日。
7. 安集科技股份有限公司網站(2019)。取自http://www.anjitek.com/userfiles/AJPS660-CH-201901.jpg。最後瀏覽日：2019年1月。
8. 原生生活網站(2020)。取自https://www.initialsolar.com/blog/3。最後瀏覽日：2020年8月16日。
9. 國際再生能源協會網站(2019)。取自
http://resourceirena.irena.org/gateway/dashboard/?topic=4&subTopic=54。最後瀏覽日：2019年10月。
10. 中央氣象局CODIS網站(2018) 。取自
https://e-service.cwb.gov.tw/HistoryDataQuery/index.jsp。最後瀏覽日：2018年3月3日。
11. ITREAD網站(2018)。KNN演算法(有監督學習演算法)。取自https://www.itread01.com/content/1546211528.html。最後瀏覽日：2019年12月25日。
12. 維基百科(2019)。多重共線性。取自
https://zh.wikipedia.org/wiki/%E5%A4%9A%E9%87%8D%E5%85%B1%E7%BA%BF%E6%80%A7。最後瀏覽日：2019年12月18日
13. 維基百科網站(2020)。太陽能電池。取自
https://zh.wikipedia.org/wiki/%E5%A4%AA%E9%98%B3%E8%83%BD%E7%94%B5%E6%B1%A0。最後瀏覽日：2020年3月17日。
14. 維基百科(2020)。R Studio。取自
https://zh.wikipedia.org/wiki/RStudio。最後瀏覽日：2020年9月26日。
15. 維基百科(2020)。季節。取自
https://zh.wikipedia.org/wiki/%E5%AD%A3%E8%8A%82。最後瀏覽日：2020年6月27日。