Page 46 - Vol.14
P. 46

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
   41   42   43   44   45   46   47   48   49   50   51