現今油價居高不下，在許多可替代再生能源中，太陽能對台灣較具發展優勢，且太陽能電池生產技術台灣領先全球居領導地位，台灣南部又擁豐富的日照及光電產業發展健全，故以南部某光電產業太陽能電池發電資料為基礎，預測太陽能發電量，可做為政府或民間廠商設立太陽能發電廠的參考資料。
本文太陽能發電預測方法主要將太陽能發電歷史資料藉由Matlab小波轉換後，再將小波轉換後所產生資料經由倒傳遞類神經網路訓練，進而預測未來一天至未來一周的太陽能發電量。其中因太陽能發電受天氣影響其預測發電準確度，例如日射量、氣溫、降雨量皆會影響發電量，因此將太陽能發電預測依季節分為春天、夏天、秋天、冬天，以提高發電量準確度。本論文使用的氣候參數包括參考氣象預報之太陽照度時數及降雨量，數據包括台南地區2011年8月到2012年9月年的氣象資料。
經由模擬結果顯示本論文使用小波轉換加倒傳遞類神經網路預測，較一般傳統類神經網路預測其平均相對誤差(Mean Relative Error)準確度提高46.3%、均方根誤差(Root Mean Squared Error)準確度提高18.5%。

Today's high oil prices, many alternative renewable energy, solar Taiwan more development advantages, and solar cell production technology of Taiwan's leading global leader in southern Taiwan and owns abundant sunshine and optoelectronics industry development of sound, so to the photoelectric industry solar cell power generation based on data, to predict the amount of solar power, can be used as a reference of the government or private companies to set up solar power plants.
In this thesis, solar power prediction method is mainly the history of solar power by wavelet transform Matlab wavelet transform, and then after the wavelet transform to generate data via back-propagation neural network training, to predict the next day to the next week's solar capacity.
Due to solar power generation affected by the weather accuracy of its predictive power generation, such as solar radiation, temperature, rainfall will influence the power generation, solar power generation forecast according to the season is divided into spring, summer, autumn, winter, to improve the accuracy of power generation. Climate parameters used in this paper, including reference to the weather forecast of sun illumination hours and rainfall, including Tainan area from August 2011 to September 2012, the meteorological data.
Simulation results show that our wafer transform plus back-propagation neural network to predict than the traditional neural network to predict the average relative error (Mean Relative Error) improve the accuracy of 46.3%, root mean square error (Root Mean Squared Error ) improve the accuracy of 18.5%.

參考文獻
[1] 經濟部能源局，2012年能源產業技術白皮書。
[2] 華 健與吳怡萱(2008)，「再生能源概論」，五南出版社。
[3] S. Wang, N. Zhang, Y. Zhao, and J. Zhan, “Photovoltaic System Power Forecasting Based on Combined Grey Model and BP Neural Network,” Electrical and Control Engineering (ICECE), 2011 International Conference on, 16-18 Sept. 2011.
[4] N. Al-Messabi, Y. Li, I. El-Amin, and C. Goh, “Forecasting of Photovoltaic Power Yield Using Dynamic Neural Networks,” WCCI 2012 IEEE World Congress on Computational Intelligence, June, 10-15, 2012 - Brisbane, Australia.
[5] 廖大榮，以ARMA模型預測太陽能電廠發電量之研究，私立朝陽科技大學環境工程與管理系研究所碩士論文，民國101年10月。
[6] 高翊倫，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研究所碩士論文，民國98年6月。
[7] 工研院太陽光電資訊網，Available: http://solarpv.itri.org.tw/aboutus/index.asp [Accessed May 2012].
[8] 西澤義昭，太陽光發電初步住宅應用，理工圖書株式會社，民國87年2月。
[9] 工業技術研究院，Available: http://college.itri.org.tw/document/0801/pv-future.pdf [Accessed May 2012].
[10] S. Mallat, “Multifrequency Channel Decomposition of Images and Wavelet Models,” IEEE Trans. Acoust., Speech, Signal Processing, Vol. 37, No. 7, pp. 2091-2110, Dec. 1989.
[11] Y. Meyer, Ondeletts et Operatewrs, Volume I, II. Hermann, Paris, 1990.
[12] S. Mallat, “A Theory for Multiresolution Signal Decomposition: The Wavelet Representation,” IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp. 674-693, July 1989.
[13] Y. Liu, J. Shi, Y. Yang, and W. Lee, “Short-Term Wind-Power Prediction Based on Wavelet Transform–Support Vector Machine and Statistic-Characteristics Analysis,” IEEE Transactions On Industry Applications, Vol. 48, No. 4, July/August 2012.
[14] 林哲毅，具預測與電器排程功能之智慧家庭最佳化電能管理系統，成功大學電機工程研究所碩士論文，民國101年6月。
[15]林穎駿，應用小波轉換與類神經網路於電力品質事故之監測與辨識，成功大學電機工程研究所碩士論文，民國92年7月。
[16] 蘇木春，張孝德，機器學習：類神經網路、模糊系統以及基因演算法則，全華科技圖書股份有限公司，民國90年7月。
[17] 葉怡成，類神經網路模式應用與實作，如銀圖書有限公司，民國91年3月。
[18] 羅華強，類神經網路運用-MATLAB的應用，高立圖書有限公司，民國97年1月。
[19] 王政偉，結合小波轉換與類神經網路辨別電力開關之切換，私立中原大學電機工程學系，碩士論文，民國92年7月。
[20] 邱韻如，數據的分析與處理，長庚大學普通物理實驗講義，民國101年9月。