Page 45 - Vol.14

Tech
Notes
技術專文

圖一、侵入式及非侵入式負載監測 圖三、集群分析流程 圖七、邊界偵測 圖八、叢集分析與叢集配對

KW KVar
߭ΣԒᅿกПԒ ߨ߭ΣԒᅿกПԒ 4
ၦਠԞ໲ Ҕᘏ໲
ĩ໡ఃĪ
ڿۢԓCT ࣁ୞ԓCT
CT CT 3 ପᄈ
ϸݚ
CT CT
ၦਠߓұ 2 Ⴌዦᝦ KW
CT CT տ੊ᐡ
॓ၸ ॓ၸ
1
଼ႁ
ࣻծ࡚ॏ
॓ᘏ໲
ĩᜱഗĪ
0 10 20 30 40 min
ϸġထġݳ
Ⴌᒽ Ⴌᒽ
固定式CT安裝必須與供電系統建置時一起安裝，活動式CT可依需求再安裝，較具彈性。 ϸထ๗ݏ
直到收斂為止。較具代表性的理
圖九、倒傳遞神經網路
論主要有倒傳遞神經網路 (Back
ထ໲၍ម Propagation Network)、k- 最 近
圖二、電紋特徵辨識技術流程
ᒰяঅ 鄰居法則 (k-Nearest Neighbor
ᇳৰঅ
ϸထ๗ݏ Rule, k-NNR)、機率神經網路
ᛨᄙϸݚ (Probabilistic Neural Network) 與反
੬ኊ๶ڦ
ᒰяঅ 傳遞網路 (Counter Propagation)。
ၦਠᘞڦ ၦਠ೏౪ ᒲᜌϸ᜹ ၦਠᔗң
ᇳৰঅ
ኸᄙϸݚ
੬ኊ๶ڦ 非監督式學習
(Unsupervised Learning)
ᒰяঅ
ᇳৰঅ 指從問題領域中取得訓練。包含輸
૗૊ޒݸȃ
ԥਞȃณਞѓ౦ 圖六、群集間相似程度計算 ᒰΤቺ ᗵᙡቺ ᒰяቺ
ȃᒚݱȃ ੬ኊ๶ڦᅌᆘ Ӽ२ᅌᆘݳ ၽᙾ௒םȃ 入向量但無目標輸出向量，透過已
ໍ՘ϸ᜹
Іኸᄙݱםįįį๊ ೪റՃϾᆀຝȃ
ࢉሬϸݚ 知的輸入資料從中學習訓練範例的
j C j C 內在集群規則，藉以推論新的輸入
 x 
d 2  , Xj   Xi  k x   id x jd 2  1 2  x  x j  i i x j .....（尤拉距離公式） 與哪些訓練範例屬於同一集群的預
d 1  2
圖四、尤拉距離 圖五、曼哈頓距離 i C i C k 測或聚類。較具代表性的理論主要
 d x  , x  x   x x  x .................................（曼哈頓距離公式）
M i j 1  id jd i j 1 有：自組織映射圖 (Self-Organizing
y y d Map, SOM) 與 自 適 應 共 振 理 論
d C , C d C , C  k 2  1 2

min i j avg i j dXi , Xj   w x   d id x jd .....................................（加權式距離衡量公式）
d 1  (Adaptive Resonance Theory,
j C j C ART)。
群集間的相似程度計算如下所示及 圖六。
Џܝ຾ᚕ
୦ࠥႴ຾ᚕ ( d p 
min  d C i j  ,C  pC min  p ') mean  d C i j  ,C  ( d m  i m j ) 聯想式學習 (Associate Learning)

,' p C
i C i C i j
 d C  ,C  1 pC    ' p C d p  ( p ')  d C  ,C  min ( d p  p ') 指從問題領域中取得狀態變數值的
avg i j nn j i  j min i j pC i ,' p C j


i
mean d C , C j max d C , C j 訓練，並從中學習範例的內在記憶
i
i
x x
美國電力研究所 (Electric Power Research Institute，EPRI) 以穩態條件為 規則，主要應用在只有不完整的狀
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： 態變數值，而須推論其完整狀態變
一、邊界偵測（如 圖七）、二、叢集分析、三、叢集配對（如 圖八）、四 數值的新應用。具代表性的理論
周期必須達到 8000 次 / 秒以上， 理成模糊理論之歸屬函數，並與資 分析以及生物信息皆會利用。其原 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 主要有：霍普非爾網路 (Hopfield
再利用多種演算法辨識負載電紋特 料庫內已知負載暫態波形做最大近 理是把相似的對象通過靜態分類方 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 Neural Network, HNN) 與雙向聯想
徵值及分類。其主要流程如 圖二所 似程度計算，進而利用模糊關聯矩 法分成不同組別或子集，這樣讓在 數成長，則效能就有待評估。 記憶網路 (Bi-directional Associative
示。 陣找出最相近之負載指標。 同一個子集中的成員對象都有相似 Memory, BAM)。
的一些屬性，如 圖三 。 技術三 - 類神經網路 (Neural Network) [7]
而常用辨識演算技術有以下數種。 上述所提及之方法以倒傳遞類神經
資料分類是依據資料相似度來決 基本上可分成以下三種學習方式。 網 路 (Back Propagation Network,
技術二 - 集群分析 定。資料相似度計算方法眾多，有
技術一 - 模糊邏輯理論 (Cluster Analysis) [5][6] BPN)（如 圖九）最為普遍應用，是
尤拉距離公式（如 圖四）、曼哈頓 監督式學習 (Supervised Learning) 一種平行分布訊息的處理方法，適
(Fuzzy Logic Theory) [5]
靜態數據分析的一門技術，包括機 距離公式（如 圖五）、加權式距離 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 合於預測、分類及診斷等各方面應
為圖樣辨識，將待辨識負載波形處 器學習、數據挖掘、模式識別、圖像 衡量公式（如 圖六）…等。 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， 用，其主要流程如 圖十所示。
42 NEW FAB JOURNAL JUNE 2014 43