科技與工程學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5

沿革

科技與工程學院(原名為科技學院)於87學年度成立,其目標除致力於科技與工程教育師資培育外,亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下,自91學年度增設「機電科技研究所」,該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」,並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外,「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後,本院為配合本校轉型之規劃,增加學生於科技與工程產業職場的競爭,本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展,兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年,本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此,本院發展之重點涵蓋教育(技職教育/科技教育/工程教育)、科技及工程等三大領域,並定位為以技術為本位之應用型學院。

107學年度,為配合本校轉型規劃,「光電科技研究所」由原隸屬於理學院改為隸屬本(科技與工程)學院,另增設2學程,分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。

News

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    基於Transformer之全天空影像進行估計與預測日射量之系統
    (2023) 謝濟元; Hsieh, Chi-Yuan
    近年來再生能源發展日益興旺,太陽能作為可持續性發展能源。其發電量與日射量成正關,如能建立一穩定且準確的日射量預測,可加強對緊急狀況之應變能力。在眾多類神經網路類型當中循環神經網路(RNN)已發展多年,其中長短期記憶網路(LSTM)更是被大量使用於具時間序列特性之日射量預測。近年來有學者提出新型態類神經網路模型Transformer,雖其最初目的為語言辨識但因與RNN相似之特性也被大量使用於時間序列之預測。過往之日射量研究多以LSTM為主,然而Transformer模型具有不會梯度爆炸且可同時從多個序列獲取資訊等優點,故本論文嘗試提出一基於Transformer網路為架構之日射量預測模型並以多種效能評估指標與LSTM進行比較。此外,從過往研究可知天氣狀況對日射量有顯著之影響,因此本論文輔以隨機森林(random forest)對數據先進行分類以加強訓練精確度。實驗結果顯示Transformer有不亞於LSTM的預測準確率,在某些指標甚至更勝LSTM。
  • Item
    基於超像素分割之衛星雲圖進行預測與估計日射量之系統
    (2022) 郭家宏; Guo, Jia-Hong
    由於日射量容易受天氣因素影響而容易產生變化,進而造成太陽能發電量不穩定,因此,難以將其整合入區域電網當中。本文建立一個以超像素分割衛星雲圖為基礎之日射量估計與預測系統。分析衛星雲圖並萃取其雲層特徵,採用光流法,分析雲層運動,生成預測的衛星雲圖。再將這些影像特徵與一些天氣預報特徵作為長短期記憶(LSTM)之輸入,進行日射量的估計與預測。本文使用幾個效能指標來評估估計與預測的效果,包括平均絕對誤差(MAE)、均方根誤差(RMSE)以及判定係數(R^2);並設計數個實驗方法進行比較,實驗結果顯示,本文所提出方法有達到預期的成果。
  • Item
    利用全天空影像分析進行日射量及太陽能發電量之估算與預測
    (2021) 朱財平; Chu, Tsai-Ping
    日射量容易受天氣因素影響而產生突坡事件,並造成太陽能發電量不穩定,以致難以將其整合入區域電網當中。本研究以全天空影像儀捕獲白晝之全天空影像,並建立一以影像特徵為基礎之日射量及太陽能發電量估算與預測系統。分析當前空影像以萃取全域及局部雲層之權重;利用光流法推算雲層移動狀態,並製作一分鐘之天空預測圖像。將雲層權重作為長短期記憶(LSTM)之輸入,以進行日射量估算與預測。並且,製作功率曲線,以進一步估算太陽能之發電量。本研究使用多個效能指標評估效果,包括平均絕對誤差(MAE)、均方根誤差(RMSE)、正歸化均方根誤差(nRMSE)以及判定係數(R^2);並設計數個實驗方法進行比較,實驗結果顯示,本研究所提出方法具有較佳的性能。