隨著國際2050淨零轉型及碳邊境稅衝擊，企業紛紛發布ESG永續報告，臺灣的碳排有90%來自於能源的使用，如何有效衡量、預估及監督能源使用是否有達到節能減碳，是非常重要的工作。傳統能源管理係採用基線模型進行節能目標監督，以能耗值及變因為輸入值，透過線性或非線性等迴歸模型進行運算，產生基線理論值，持續監測未來能耗是否降低。而不同設備的變因可能不一樣，並不容易判斷是否真的有其影響性。
因此，本研究希望能透過長短期記憶(Long short-term memory, LSTM)技術，建立一套深度學習類神經網路的系統，自動識別重要變因，以建立有效的基線模型，減少須由人工重複嘗試確認變因。

With the impact of the international 2050 net-zero transition and the carbon border tax, companies have released ESG sustainability reports. 90% of Taiwan’s carbon emissions come from energy use. How to effectively measure, estimate and monitor whether energy use has achieved energy conservation and carbon reduction, is a very important.
Traditional energy management systems use baseline models for energy-saving target management, using energy consumption values and variables to calculate through linear or nonlinear regression models to generate baseline theoretical values and continuously monitor whether energy consumption is improved in the future. The variables of different devices may be different, and it is not easy to judge whether they really have an impact.
Therefore, this research hopes to use long short-term memory (LSTM) technology to establish a deep learning neural network system to automatically identify variables to establish an effective baseline model and reduce the need for manual Repeat attempts to identify the cause.

目錄
目錄	V
圖目錄	VI
第一章、簡介	1
第二章、相關研究	4
第三章、背景知識	5
3.1、能源基線（EnB, Energy Baseline）	5
3.2、LSTM（Long Short-Term Memory，長短期記憶）	8
3.3、GAN（Generative Adversarial Network，生成對抗網路）	10
第四章、系統架構	12
4.1、目標	12
4.2、問題與挑戰	12
4.3、系統設計	13
第五章、實驗分析	17
5.1、實驗環境	17
5.2、數據集	17
5.3、模型測試	17
第六章、結論	20
參考文獻	21
圖目錄
圖 1、能源績效、能源績效指標及能源基線的關係圖(BSI)	5
圖 2、能源來源示意圖	6
圖 3、能源消耗與變數關係圖(BSI)	7
圖 4、基線目標管理示意圖	8
圖 5、簡單的LSTM結構	9
圖 6、LSTM模型種類	9
圖 7、生成對抗網路架構	10
圖 8、研究目標示意圖	12
圖 9、研究架構示意圖	13
圖 10、係數資料庫來源	14
圖 11、全球暖化潛勢GW係數定義	14
圖 12、影響因子資料示意	15
圖 13、溫室氣體排放數據計算公式	15
圖 14、基線模型示意圖	16
圖 15、基線模型程式碼	17

[1]	J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding," arXiv preprint arXiv:1810.04805, 2018.
[2]	Determining the Adjustment Baseline Parameters to Define an Accurate Customer Baseline Load GECAD - Knowledge Engineering and Decision Support Research Center Baseline Energy Modelling in an Educational Building Campus for Measurement and Verification ©2017 IEEE
[3]	Modeling Baseline Electrical Energy Use of Chiller System by Artificial Neural Network ©2016 IEEE