走在汽車革命的路上論文書籍站
崑山科技大學 電機工程研究所 王瑋民所指導 陳嘉祐的 校園節能實務-以高職學校為例 （2017），提出能源局徵才關鍵因素是什麼，來自於節能、太能能熱水器、電力需量管理系統、高壓變壓器。
而第二篇論文國立中興大學 資訊管理學系所 許志義所指導 張家源的 以資料探勘技術預測風力發電量之研究：彰工風力發電站案例 （2017），提出因為有 風力發電量預測、變異數分析、獨立樣本T檢定、隨機森林、支援向量迴歸、特徵選取的重點而找出了 能源局徵才的解答。
校園節能實務-以高職學校為例
為了解決能源局徵才 的問題，作者陳嘉祐 這樣論述：
為降低校園電力資源大量耗用，國教署及經濟部能源局近年來致力於節能相關措施，本文針對國內技職學校(以國立白河高級商工職業學校為例)節能措施及電能管理進行成效分析。校園用電建築物包括宿舍及教學區、行政區，節能行動主要以包括電能管理及老舊設備汰換；電能管理以建構電力需量監控系統，透過校園網路系統進行學校即時電力需量監控。設備汰換主要以燈具、冷氣機、效能衰退的高壓變壓器及老舊過時實習設備為主；其他措施包括學生宿舍熱水器更換為太陽能熱水器系統；活動中心老舊箱型冷氣機更新計劃等。
以資料探勘技術預測風力發電量之研究：彰工風力發電站案例
為了解決能源局徵才 的問題，作者張家源 這樣論述：
由於風機的建置成本昂貴及電力的不易儲存，若能依據本身居住環境之天氣變化預測風力發電量，電力市場上的利害關係人可以從中評估其安裝之價值，並且進行相關之電力決策。有鑑於此，藉由本研究之實驗結果提供利害關係人在風力發電的應用及建置中能有個不同的指標可供參考。本研究以台灣電力公司所提供的風力發電機數據作為研究資料，採用統計方法分析每台風機的發電量狀況，找出發電量異常之風機，並且探究季節轉換對於發電量是否有影響。另外，結合中央氣象局觀測資料查詢系統所提供的歷年氣象數據，依據不分季、季風與海陸風等天氣因素建立發電量預測模型，為了探討各演算法對於預測結果的影響，藉由隨機森林、支援向量迴歸、人工神經網路、最
近鄰居法與線性迴歸等找出預測誤差最低之演算法，最後在使用演算法進行特徵選取，最佳化其結果。實驗結果發現，採用變異數分析三十一台風力發電機其平均發電量最低的5台風機，彼此間有顯著差異，可能是因為風機之架設位置或維修狀況等因素造成。並且，採用獨立樣本T檢定得知東北季風及海陸風時段其分析結果為顯著，意味著風力發電量的數值在此期間或許能得到更精確的預測。另外，風機編號5、風機編號26為最佳及最差預測結果，但是風機編號31其〖 R〗^2值小於0.9，故可以推斷出有其他特徵影響其發電量的數值變化。然而，將不分季、東北季風與海陸風時段之風力發電量建立預測模型，結果發現以隨機森林作為預測模型之演算法時可以獲得
最低的誤差值，此外，東北季風（MAPE值為0.136）及海陸風（MAPE值為0.193）時段預測較不分季（MAPE值為0.214）時期精確，意味著於此時段進行預測其誤差值較低。最後，本研究使用SFS演算法找出各模型之最相關特徵，並且得到更低預測誤差值（不分季之MAPE值為0.213，東北季風時段之MAPE值為0.130，海陸風時段之MAPE值為0.188），使得預測模型能有更佳的結果。