電力負載電紋特徵辨識技術應用探討

前言

目前監測負載電力使用情形是於電力總輸入端安裝電錶來量測耗電量，此法只能瞭解總用電量，無法知悉負載總類、特性及負載個別能耗、使用模式，對於負載用電效率、負載是否老化及提供節能建議更是不可能實現的功能。如果要掌握所有用電設備電力耗量，代表監測解析度越高則必須安裝更多的量測電錶，意味著高建置成本及未來維修考量。本文將以目前已發表之智慧電表技術研究成果作一概略介紹，以了解智慧電表如何搭配現今卓越的電腦硬體能力及各種演算法來偵測及辨識各負載耗電情形，既可監測負載用電情形來做為能源管理的基礎，也可節省建置成本。

文獻回顧

負載用電監測是設計電力系統重要的關鍵，而監測技術分為侵入式及非侵入式負載監測^[1] (如 圖一)，其兩者間差異為侵入式必須於每個負載供電端安裝電壓、電流感測器並與電錶結合來得知電力使用情形，而非侵入式僅於各迴路電力入口端安裝可折式電壓、電流感測器及電錶，搭配訊號分析及負載辨識技術，監測流程較複雜、困難，但具易於維護及低建構成本優點。傳統式電力監控系統主要功能如：自動抄錶、電力品質監視、狀態監視、用電監視及記錄、電力需量監測及控制等，所有用電資料的擷取必須於電力供應系統建置時於現場端安裝許多電壓、電流感測器及與智慧型電錶來獲取用電資料，此方式即為侵入式負載監測，其負載用電資料之解析度只能了解各主要用電迴路用電資訊，至於下游負載用電資料則是黑盒子，無從了解，除非利用人工現場抄錶或量測，耗費人力及時間。

由上述回顧可以了解傳統式電力監控系統雖可監測負載用電情形，但建置成本昂貴，且其資料解析度不足以掌握所有負載用電狀況，對於系統運轉而言，必須花費許多人力於負載管理。如何利用現有系統與設備來結合非侵入式負載電紋特徵辨識技術來監測及管理下游負載將是未來發展趨勢。

計畫方法

非侵入式負載監測系統的電紋特徵辨識技術基本原理是利用各種演算法挖掘、辨識負載啟動/停止及運轉的獨特電力特徵。主要分析模式可分為穩態條件及暫態條件分析。穩態條件分析會利用電壓、電流、實功、虛功、電流諧波…等等^[3][4]，其資料取樣速度不需要太快，只要在數秒之內一筆即可。而暫態條件分析最主要是利用暫態電流波形分析設備啟動特徵，來辨識設備同時啟動的問題，故取樣周期必須達到8000次/秒以上，再利用多種演算法辨識負載電紋特徵值及分類。其主要流程如 圖二所示。

而常用辨識演算技術約略為下列數種。

技術一 - 模糊邏輯理論(Fuzzy Logic Theory)^[5]

為圖樣辨識，將待辨識負載波行處理成模糊理論之歸屬函數，並與資料庫內已知負載暫態波形做最大近似程度計算，進而利用模糊關聯矩陣找出最相近之負載指標。

技術二 - 集群分析(Cluster analysis)^[5][6]

靜態數據分析的一門技術，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息皆會利用。其原理是把相似的對象通過靜態分類方法分成不同組別或子集，這樣讓在同一個子集中的成員對象都有相似的一些屬性，如 圖三。

資料分類是依據資料相似度來決定。資料相似度計算方法眾多，有尤拉距離公式（如 圖四）、曼哈頓距離公式（如 圖五）、加權式距離衡量公式（如 圖六）…等。

........（尤拉距離公式）

................（曼哈頓距離公式）

........................（加權式距離衡量公式）

群集間的相似程度計算如下所示及 圖六。

美國電力研究所(Electric Power Research Institute，EPRI)以穩態條件為分析基礎將有效功率與無效功率所組成的變化排列組合，依照五個步驟：一、邊界偵測（如 圖七）、二、叢集分析、三、叢集配對（如 圖八）、四異例解析及五、負載確認來達成負載辨識分類，但無法辨識出不同種類的相同用電量負載，且監測負載數量過於龐大時其變化排列組合將會呈指數成長，則效能就有待評估。

技術三 - 類神經網路(Neural Network)^[7]

基本上可分成以下三種學習方式。

監督式學習(Supervised Learning)

是指從問題領域中取得訓練。包含輸入向量與目標輸出向量，從中學習輸入向量與目標輸出向量內在對應規則，並不斷的修改網路加權值，直到收斂為止。較具代表性的理論主要有倒傳遞神經網路(Back Propagation Network)、k-最近鄰居法則法則(k-Nearest Neighbor Rule, k-NNR)、機率神經網路(Probabilistic Neural Network)與反傳遞網路(Counter Propagation)。

非監督式學習(Unsupervised Learning)

指從問題領域中取得訓練。包含輸入向量但無目標輸出向量，透過已知的輸入資料從中學習訓練範例的內在集群規則，藉以推論新的輸入與哪些訓練範例屬於同一集群的預測或聚類。較具代表性的理論主要有：自組織映射圖(Self-Organizing Map, SOM)與自適應共振理論(Adaptive Resonance Theory, ART)。

聯想式學習(Associate Learning)

指從問題領域中取得狀態變數值的訓練，並從中學習範例的內在記憶規則，主要應用在只有不完整的狀態變數值，而須推論其完整狀態變數值的新應用。具代表性的理論主要有：霍普非爾網路(Hopfield Neural Network, HNN)與雙向聯想記憶網路(Bi-directional Associative Memory, BAM)。

上述所提及之方法以倒傳遞類神經網路(Back Propagation Network, BPN)（如 圖九）最為普遍應用，是一種平行分布訊息的處理方法，適合於預測、分類，及診斷等各方面應用，其主要流程如 圖十所示。

而電紋特徵辨識最常使用之輸入有穩態能量、有效及無效功率、電流/電壓諧波失真及啟動暫態能量…等。針對所有可能的排列組合列出，並將其特徵向量化及進行暫態程序模擬辨識。因加入了啟動暫態能量特徵，可改善負載辨識所需的計算時間且辨識率也提高。

有效與無效功率量計算公式：

單相啟動暫態能量計算公式：

三相啟動暫態能量計算公式：

結果與分析

電力負載電紋特徵辨識技術研究經歷多年來，在學術界一直有新方法導入來提昇辨識度以符合實際應用需求。目前逐漸慢慢將此技術轉移為商業應用並慢慢導入市場及開發應用需求。

近年來地球氣候變化極端，科學研究與地球溫室效應有著強烈關連性。而其中因人類過度開發破壞環境、汙染環境、能源過度耗費等等因素皆是原因，所以提倡節約能源及開發替代環保能源是目前的主要作法。而其中隨手能做的就是節約能源。但是除了養成良好能源使用習慣外，如何知道耗電分佈情形就成為採取進一步節能改善的重要依據，家庭因為用電負載種類繁多，使用模式複雜，利用負載電紋特徵辨識技術的反覆學習即可獲得相當準確資訊，目前所推出之智慧與綠能管理控制系統（如 圖十一）^[8]即是以智慧電錶搭配負載電紋特徵辨識技術。

目前發展之系統可提供下述功能。

自動負載運轉監測

由於電器的開關與使用在不同時間點上發生，每一個電器在切換狀態下消耗的交流電電流有效值，交流電電流諧波，以及造成的有效功率(Active Power)和無效功率(Reactive Power)的變化特性不同，透過具特徵辨識功能之智能電表或雲端的運算，可藉由比對在資料庫中各種電器耗電的特徵值（如 圖十二）與耗電變化之間的差異性，自動判別出每一個電器的種類，甚至於其品牌和型號，更進一步可以分析出電器的狀態切換（如 圖十三）（例如電風扇從最高速切至最低速）。

用電負載分佈監測

圖十四由總耗電中分解出每一個電器的耗電情形。透過觀察與記錄各個電器的耗電情形（如 圖十五），提供各房間、各辦公室的耗電分布來知悉電器使用模式。

負載設備健康診斷分析

可以比對相同品牌、相同型號的電器用電特性，分析其用電效率並判讀耗電原因（例如是否需維修或過於老舊），提供使用者節能建議。

至於辨識演算也正朝設備老化、電力故障診斷分析功能來發展，可供系統維修時使用減少人力需求及縮短故障確認時間，尤其是對戶外供電迴路故障維修使用顯著，例如戶外路燈維修更換。

而於工業應用方面，如前文所提，仍以侵入式監測方式架構電力監控系統，對於末端負載用電狀況掌握程度則端賴電錶安裝多寡而定。也因工業用電與生產製程息息相關，系統架構複雜且能夠反覆學習的機會相對少，辨識方法較繁瑣複雜，進而會影響辨識度較低，故尚未導入電紋特徵辨識技術。以半導體晶圓廠規模而言，如要了解所有製程機台用電狀況即模式，如 圖十六所示之製程設備負載監控架構，必須增設電錶及相關施工費用將會超過新台幣五千萬元以上（含電錶、比壓器比流器及施工費用），但如能導入此技術並整合目前電力監控系統，針對製程機台運轉特性及模式來優化辨識演算法，將會對電力監控及能源管理有鉅大助益，並且能利用既設監控設備來建置更完善電力管理系統，以其發揮最大成本效益，降地成本。

結論

電紋特徵辨識技術可簡化目前負載監測系統的建置成本，雖然其流程較複雜，每種演算方法有其缺點及限制，目前僅限於學術研究及一般工業負載用電監測，並尚未完全符合工業用電實際應用需求。為了能符合複雜的半導體廠負載用電監測需求，電紋特徵辨識技術必須加入半導體廠負載用電特性來調整、優化辨識演算法或搭配其他辨識技術來發展適合工業負載用電的辨識系統。針對未來半導體晶圓廠的能源管理，掌握所有設備機台能源使用情形是必須的，故建立一套系統化、符合成本效益的電力負載監測系統將有助於能源管理及系統操作運轉，而電紋特徵辨識技術便是具潛力的發展方向，所以未來可透由產學技術合作，針對製程機台負載特性來發展適合半導體晶圓廠的電紋特徵辨識演算法，進而全面掌握製程機台用電情形，甚至負載用電效率、設備健康/老化診斷分析、設備故障分析等都是未來方展方向。