應用長短期記憶模型於建築空調需量預測

依據經濟部能源局統計，108年的用電量較過去十年成長了11.7%，而台灣除了用電需求增加外，環保意識也逐漸增加，新建電廠一般從規劃、環評、興建到運轉大約需要8～10年的時間，也因此讓台電的備轉容量率逐年降低，2016年5月31日備轉容量率出現自2006年以來的最低紀錄1.64%。這幾年經濟部努力開源，除了林口、大林新機組加入運轉，老舊機組如協和、興達及再生能源如太陽能和離岸風電等全力支援下，2019年備轉容量率再次回復到10%以上。然而隨著產業發展、老舊電廠的退役及氣候變遷的影響，缺電問題依然會是未來需要面對的必要課題。缺電問題除了透過新建電廠等開源的方法外，也可透過減少耗能的節流手法達到，而要討論節能，可以先探討能源使用的情況。除了生產所需的製程耗電外，空調耗電是一般商用建築中，耗能量最高的項目，佔建物全年總耗能的40%～60%以上，其次則為照明耗電，佔30%～40%。為了減少空調系統在白天尖峰時期的運轉耗電，空調產業發展出一種可在夜間儲存冷卻能量，白天再釋放的系統，稱為儲冷空調系統。但儲冷空調系統控制策略複雜，管理人員需具備較高的管理技術水平才能妥善操作維運，且早期儲冷空調系統因採用製造不良之儲冰設備或因儲冷系統之設計不良，儲冷空調系統在多年前百花齊放後即銷聲匿跡。但在今日面臨可能缺電的環境下，利用儲冷空調系統來轉移電力尖峰用電至離峰時段，可以減輕新建電廠的壓力，並提高電廠之運轉效益，也可以用來改善電力尖峰時段，空調冰水機之運轉效益與效率。一般而言，為了將大型建築的空調系統維持較佳的運轉效益與效率，會建立中央監控系統協助管理人員監看及控制空調系統設備。對建築物的管理人員而言，若能得知空調系統的負載預測值及耗電預測值，則能在用電契約容量與人員舒適度取得最佳的運轉設定數值。本研究採用深度學習的方式建立空調需量的預測模型，利用深度學習的複雜性及自適性提供更準確的預測值，期望找出適合建築空調需量預測的輸入參數及深度學習的模型，提升預測的準確度及降低建立空調需量預測模型的成本。