我國經濟部的能源產業政策得知，預計於2025年再生能源發電將占總發電量的百分之二十七。由於再生能源發電的間歇性與低可控性，使得高再生能源占比的背後，存在電網安全運轉的隱憂。為了降低再生能源發電之不穩定特性的衍生問題，發電預測技術是穩定電網供電安全之重要研究；而國外再生能源發電當中，以太陽能光電占比最高，故本文將聚焦於太陽光電系統之發電預測。
　　本文使用前向選擇法(FS)對輸入變量進行特徵處理，進而判斷各特徵與太陽光電發電功率的相關度，從前向選擇法(FS)的結果得以觀察各輸入變量對輸出(發電功率)之耦合關係。依據特徵選擇的結果，建立不同的神經網路模型，藉由評比這些模型之預測誤差，獲得各季節最佳之模型，藉以觀察非相關特徵影響預測模型精確度的問題，最後以各季最佳模型進行發電預測。實驗結果顯示，對於倒傳遞神經網路(BPNN)來說，在排除非相關特徵進行建模之時，會產生各季最佳預測模型；對於徑向基函數神經網路(RBFNN)來說，僅以最相關之特徵進行建模時，會產生各季最佳預測模型。

According to Bureau of Energy, MOEA, R.O.C, penetration of renewable energies is expected to reach 27% by 2025. Due to the intermittent and low controllability of renewable energy generation, behind the higher proportion of renewable energy, there is a concern about the safe operation of the grid. In order to reduce the derivation of unstable characteristics of renewable energy generation, power generation prediction technology is an important research to stabilize grid power supply security. In foreign countries, solar energy accounts for the highest proportion of solar energy, so this article will focus on the solar power system's power generation forecast.
In this paper, the forward selection method (FS) is used to characterize the input variables, and then the correlation between each feature and the solar photovoltaic power is judged. From the results of the forward selection method (FS), the coupling relationship between the input variables and the output (power generation) can be observed. Different neural network models are established based on the results of feature selection. By evaluating the prediction errors of these models, the best model for each season is obtained. Observing the problem that the non-correlated features affect the accuracy of the prediction model, and finally predicting the power generation with the best model of each season. The experimental results show that for the Back Propagation Neural Networks (BPNN), when the non-correlated features are excluded from modeling, the best prediction models for each season are generated; For Radial Basis Function Neural Networks (RBFNN), the best prediction model for each season is produced when modeling only with the most relevant features.

R.L Arantegui, and A.J. Waldau,“Photovoltaics and wind status in the European Union after the Paris Agreement” Renewable and Sustainable Energy Reviews, Vol.81,pp.2460-2471,2018.
經濟部，「2017/2018產業技術白皮書」，經濟部能源局，2017年，9月。
胡仕儀，2012，「台灣能不能?!?!政策簇擁日本太陽能發電2030年衝100GW目標更明確」，第102期，第12-16頁。
姚鴻成，2014，韓國推動能源政策之方向。
Jung Min-hee, “New Energy Industry Promotion - 42 Trillion Won to be Invested in New Energy Sector,” Business Korea, July, 2016.
Website:http://www.businesskorea.co.kr/english/15150-new-energy-industry-promotion-42-trillion-won-be-invested-new-energy-sector
T. Adefarati and R. C. Bansal, “Integration of renewable distributed generation into the distribution system:a review,” IET Renewable Power Generation, Vol. 10,No. 7, pp. 873-884, July, 2016.
法國生態及團結轉型部(Ministry of the Ecological and Solidarity-based Transition)，太陽能產業與相關技術之介紹網頁，https://www.ecologique-solidaire.gouv.fr/solaire. 2017年2月。
Green Growth Act - THE MULTIANNUAL Energy Plan (MEP), French Act Website,
https://www.ecologique-solidaire.gouv.fr/sites/default/files/4pages_PPE_GB_DEF_Web.pdf, October, 2016.
Federal Ministry for Economic Affairs and Energy, “For a future of green energy,” Website,
https://www.bmwi.de/Redaktion/EN/Dossier/renewable-energy.html, May, 2018.
United States Environmental Protection Agency, “Overview of the American Recovery and Reinvestment Act of 2009,” July, 2013.
P. Denholm, R. Margolis, T. Mai, G. Brinkman, E. Drury, M. Hand, and M. Mowers, “Bright future: Solar power as a major contributor to the US grid,” IEEE Power and Energy Magazine, Vol.11, No.2, pp.22-32, March, 2013.
W. J. Cole, B. A. Frew, P. J. Gagnon, J. Richards, Y. Sun, R. M. Margolis, and M. A. Woodhouse, “SunShot 2030 for Photovoltaics (PV): Envisioning a Low-cost PV Future,” National Renewable Energy Laboratory (NREL), September, 2017.
余凱，賈磊，陳雨強，徐偉伟，「深度學習的昨天、今天和明天」，2013年。
Chen Changsong, Duan Shanxu, Yin Jinjun. Design of photovoltaic array power forecasting model based on neural network[J]. Transactions of China Electrotechnical Society, 2009, 24(9)：153-158.
王思睿，薛云灿，李彬，邓立华，顾菁，「基於BP神經網路的光伏發電預測模型設計」，2016年4月。
Jung Dooyong. Interleaved Soft—switching Boost Converter for Photovoltaic Power·Generation System[J]. Power Electronics, IEEE Transactions, 2011, 26(4)：1137¬-1145.
柴杰，江青茵，曹志凯，「RBF神經網路的函數逼近能力及其算法」，2002年9月。
毛勇，周晓波，夏铮，尹征，孙优贤，「特徵選擇算法研究綜述」，2007年4月。
陈泽淮，张尧，武志刚，「RBF神經網路在中長期負載預測中的應用」，2006年2月。
程泽，李思宇，韩丽洁，蒋春晓，「基於數據挖掘的光伏陣列發電預測方法研究」，2017年3月。
“Solar Photovoltaic,” SBC Energy Institute, September, 2013.
科技新報http://technews.tw/2014/12/31/2014-green-technology/，文章發布日期2014/12/31。
科技商情
http://www.digitimes.com.tw/tw/dt/n/shwnws.asp?Cnlid=13&id=0000397668_78V79QDF5UIREM98JK6U7&ct=1，文章發布日期2014/10/22。
聚恆科技股份有限公司網站http://www.hengs.com/solarproducts-pv%20module.html
工業技術研究院產業學習網
https://college.itri.org.tw/topiclearn.aspx?id=133
慶聲科技網站http://www.kson.com.tw/chinese/study_23-6.htm
王宗櫚，陳嬿羽，張弘達，「摔不破的太陽能電池」，科學發展，483期，第62 ~ 68頁，2013年。
张程熠，「光伏微电网发电预测与经济运行研究」，2017年3月。
沈輝，曾祖勤，「太陽能光電技術」，五南圖書出版社，2010年。
顧鴻濤，「太陽能電池元件導論」，全威圖書有限公司，2008年。
吳財福，「綠色能源直流供電系統介紹」，國立中正大學，2009年11月。
黃郁文，黃渡根，陳彥均，彭兆川，楊凱平，「國內外再生能源發電系統併網規範研討」，2014年7月。
IEEE Std. 1547, Standard for Interconnecting Distributed Resources with Electric Power Systems.
E.ON Netz GmbH, Grid Connection Regulations for High and Extra High Voltage.
黃彥閔，「淺談低頻卸載」，台灣電驛協會會刊36期。
California Electric Rule 21 Supplemental Review Guideline
交通部中央氣象局，
https://www.cwb.gov.tw/V7/eservice/docs/overview/organ/wfc_intro.htm#content3
交通部中央氣象局，
https://www.cwb.gov.tw/V7/knowledge/encyclopedia/me005.htm
Halton Hills Hydro, Guidelines for Applicants Connecting Distributed Generation
冰静，朱宪辰，预测原理与方法[M]。上海：上海交通大学出版社，1991年。
洪丽，「太阳能光伏电站短期发电预测研究」，東南大學，2013年，4月。
张乃尧，阎平凡，「神经网络与模糊控制」，清华大学出版社，1998年。
韩力群，「人工神经网络理论、设计及应用」，化学工业出版社，2001年。
刘艳萍，风电场出力的短期预测研究[D]：[硕士学位论文]。保定：华北电力大学(保定)电力系统及其自动化系，2011年。
孙劲松，风电场输出功率预测的研究[D]：[硕士学位论文]。保定：华北电力大学(保定)电工理论与新技术系，2009年。
Steel, R. G. D.; Torrie, J. H. Principles and Procedures of Statistics with Special Reference to the Biological Sciences. McGraw Hill. 1960.
Glantz, Stanton A.; Slinker, B. K. Primer of Applied Regression and Analysis of Variance. McGraw-Hill. 1990. ISBN 0-07-023407-8.
Draper, N. R.; Smith, H. Applied Regression Analysis. Wiley-Interscience. 1998. ISBN 0-471-17082-8.
Devore, Jay L. Probability and Statistics for Engineering and the Sciences 8th. Boston, MA: Cengage Learning. 2011: 508–510. ISBN 0-538-73352-7.
中興大數據中心
http://cidr.nchu.edu.tw/xoops/nchubigdatacenter/