電機工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/85

歷史沿革

本系成立宗旨在整合電子、電機、資訊、控制等多學門之工程技術,以培養跨領域具系統整合能力之電機電子科技人才為目標,同時配合產業界需求、支援國家重點科技發展,以「系統晶片」、「多媒體與通訊」、與「智慧型控制與機器人」等三大領域為核心發展方向,期望藉由學術創新引領產業發展,全力培養能直接投入電機電子產業之高級技術人才,厚植本國科技產業之競爭實力。

本系肇始於民國92年籌設之「應用電子科技研究所」,經一年籌劃,於民國93年8月正式成立,開始招收碩士班研究生,以培養具備理論、實務能力之高階電機電子科技人才為目標。民國96年8月「應用電子科技學系」成立,招收學士班學生,同時間,系所合一為「應用電子科技學系」。民國103年8月更名為「電機工程學系」,民國107年電機工程學系博士班成立,完備從大學部到博士班之學制規模,進一步擴展與深化本系的教學與研究能量。

News

Browse

Search Results

Now showing 1 - 4 of 4
  • Item
    基於深度學習之光流法應用於全天空影像之日射量估計與預測
    (2023) 陳家豪; Chen, Chia-Hao
    因應太陽能發電日益重要,又因太陽能發電量受制於日射量的影響,同時考量太陽能發電是間歇性的能源,故提出一種基於深度學習光流應用於全天空影像之日射量估計與預測的方法。由於日射量變化容易受到天氣狀況影響,本文藉由全天空影像,建立一個以影像特徵為基礎之日射量估計與預測系統,其影像特徵包括,利用紅藍比例法計算影像中雲層比例、雲層厚度,及藉太陽位置演算法得到影像中太陽位置,分析太陽附近雲層特徵,萃取全域與局部的雲層權重。同時用基於深度學習的光流法推算雲層移動的狀態,並製作未來數分鐘之天空預測圖像,將這些預測圖像作長短期記憶(LSTM)之輸入特徵,日射量作為訓練輸出,其深度學習光流法是透過卷積神經網路來實現。本文將資料集區分為月、季、半年與一年,分別進行10分鐘至60分鐘的日射量預測。同時,本文使用多個效能指標評估效果,包括平均絕對誤差(Mean Absolute Error)、均方根誤差(Root Mean Square Error)與判定係數(R^2)。最後,與文獻的方法進行比較,本文所提的方法具有較好的結果。
  • 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。
  • Item
    Real-Time Recognition of Moving Direction of a Target Object Based on Historical Trajectories
    (2011-06-10) Chen-Chien Hsu; Wei-Chen Liu; Chin-Ming Hong
    This paper presents an effective algorithm to identify moving direction of an object in images based on historical trajectories of the moving object. By continuously acquiring images, temporal differencing is performed to detect the moving object followed by median filtering to reduce noises in the images. After that, opening operation is adopted to remove small objects lacking momentum in the binary image and strengthen the surrounding thickness of those with sufficient momentum. Historical trajectories can therefore be constructed by decreasing the momentum of the binary images as time elapsed based on established rules to decide the moving direction of objects.