住宅電氣火災防範:使用智慧電表與深度學習技術

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：55

、訪客IP：18.224.69.176

姓名

鄭安平(AN-PING JENG) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

住宅電氣火災防範:使用智慧電表與深度學習技術
(Unsafe Electricity Usage Prediction Using Smart Meters Data and Deep Learning)

相關論文

★ 路權取得資料探勘與決策輔助工具設計之研究	★ 以時空資料庫管理管線單位道路申挖許可之雛形系統研究
★ 關鍵基礎設施相依性模型設計與應用	★ 應用RFID技術於室內空間防救災時的疏散指引系統之研究
★ 考量列車迴轉與擾動因子情況下高速鐵路系統最佳化排班設計之研究	★ 應用資料探勘分群分類演算法與空間資料庫技術在鋪面裂縫影像辨識之初探
★ 以本體論建構工程程式設計課程之線上考試平台研究	★ 結合遙測影像與GIS資料以資料挖掘技術進行崩塌地辨識-以石門水庫集水區為例
★ 設計整合型手持式行動裝置平台於災害設施損毀資料收集研究	★ 考量擾動因子情況下傳統鐵路時刻表建置合併於高速鐵路時刻表模型之回顧與探討
★ 關鍵基礎設施相依性分析:以竹科某晶圓廠區為例	★ 建築資訊模型於火災原因調查流程的應用
★ Hadoop雲端平台在工程應用之探討研究	★ 關鍵基礎設施投入產出停轉模型之回顧與應用
★ 擴展建築資訊模型於防救災應用：使用Revit平台	★ 應用交通資料蒐集與發佈設備及資料探勘法協助觀光地區交通管理策略之研究：以桃園大溪老街為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

以往文獻在預測住戶用電量時，概分兩類：(1)利用各式感測器(如動作感測器、溫濕度感測器、電量感測器等)先預測居民行為，進而從所使用的電器推估耗電量；(2)直接從感測器蒐集的數據推估未來用電量，然而預測準確度不盡理想。近年隨著人工智慧、深度學習技術的大幅躍進，例如Google旗下的DeepMind組織於2014年開始發展AlphaGo研究計畫，應用深度學習作法讓電腦學習下圍棋，並於2016年3月和世界冠軍韓國職業棋士進行對弈，結果為四勝一負。因此，本研究應用預測能力較好的深度學習演算法(Long Short-Term Memory,LSTM)，利用台灣有限的用電資料與英國公開的用電資料，分析智慧電表用電紀錄資料集合，並可以預測出住戶是否將有用電不安全情況，讓住戶有時間因應防範電氣火災可能發生的風險。
另外，本研究分析英國、法國、瑞士、美國、澳洲及印度等國家公開的智慧電表用電資料集合，發現各國用電資料呈現的欄位定義及單位不同，未來可以再進一步針對台灣的智慧電表用電資料的欄位格式與定義做更進一步研究，以尋求智慧電表規格彈性化、用電資料國際共通性。

摘要(英)

In the past, when predicting the electricity consumption of households, there are two categories: (1) using various types of sensors (such as motion sensors, temperature and humidity sensors, power sensors, etc.) to predict residents′ behaviors first, and then the electrical appliances used to estimate the final power consumption; (2) directly estimate the future electricity consumption from the data collected by the sensors, but both types of prediction accuracy are not satisfactory. In recent years, with the great leap of artificial intelligence and deep learning technology, for example, Google′s DeepMind organization began to develop the AlphaGo project in 2014, applying deep learning methods to let computers learn Go, and in March 2016 and played with the world champion. The game result was four wins (AlphaGo) and one loss. Therefore, this study applies the Long Short-Term Memory (LSTM) and uses the UK′s public electricity data as well as Taiwan′s limited power consumption data to analyze the power consumption records. It is assumed once households will encounter unsafe electricity usage conditions, residents can have more time to deal with the risks that may result in electrical fires.
III
In addition, this study analyzes the collection of smart meters used in countries such as the United Kingdom, France, Switzerland, the United States, Australia and India, and finds that the definitions and units of the fields used by countries′ electricity data are different. In the future, they can serve as the references for Taiwan′s smart meters deployment. By applying the proposed system, residents can stop their behaviors immediately if an alert is activated due to the unsafe electricity usage prediction.

關鍵字(中)

★ 電氣火災
★ 用電不安全
★ 智慧電表
★ 用電資料分析
★ 大數據
★ 深度學習

關鍵字(英)

★ Electrical fire
★ Unsafe use of electricity
★ Smart meter
★ Smart memter data analytics
★ Big data
★ Deep learning

論文目次

中文摘要 Ⅰ
英文摘要 Ⅱ
誌謝 Ⅳ
目錄 Ⅴ
圖目錄 Ⅶ
表目錄 Ⅸ
第一章前言 1
第一節研究背景與動機 1
第二節研究問題與目的 6
第三節研究範圍與限制 8
第四節研究方法 9
第五節論文架構 9
第二章文獻回顧與分析 10
第一節火災統計 10
第二節電氣火災定義與案例分析 11
第三節屋內線路裝置規則有關線路負載規範 24
第四節國內外智慧電表發展概況 30
第五節人工智慧技術進展 42
第六節文獻回顧總結 45
第三章住宅用電資料之人工智慧分析方法 46
第一節訪談作業 46
第二節住宅用電資料 48
第三節初探英國與台灣的用電資料主要特性 52
第四節英國用電資料 LSTM 模型建立與預測結果 71
第五節台灣用電資料 LSTM 模型建立與預測結果 102
第四章問卷設計與驗證 117
第一節專家問卷設計與實施 117
第二節專家驗證 118
第三節專家驗證結論與建議 129
第五章結論與建議 131
第一節結論 131
第二節建議 131
第三節貢獻 133
文獻參考 134
附錄 139
附錄 1 專家問卷 139

參考文獻

〔1〕施恩、古文潔、陳翔雄,智慧電表布建現況與提升效益分析,台灣經濟研究月刊,P116-123,第38卷第11期,民國104年11月。
〔2〕黃仁章,一般電器產品線路安裝屋內線路裝置規則介紹P18,105年10月,https://www.google.com/search?safe=active&biw=1366&bih=635&ei=PKA4W7LSFuar0PEP5OCB-A0&q=%E9%BB%83%E4%BB%81%E7%AB%A0%E9%9B%BB%E6%A9%9F%E6%8A%80%E5%B8%AB%E5%B1%8B%E5%85%A7%E7%B7%9A%E8%B7%AF%E8%A3%9D%E7%BD%AE%E8%A6%8F%E5%89%87%E4%BB%8B%E7%B4%B9&oq=%E9%BB%83%E4%BB%81%E7%AB%A0%E9%9B%BB%E6%A9%9F%E6%8A%80%E5%B8%AB%E5%B1%8B%E5%85%A7%E7%B7%9A%E8%B7%AF%E8%A3%9D%E7%BD%AE%E8%A6%8F%E5%89%87%E4%BB%8B%E7%B4%B9&gs_l=psy-ab.12...4391.4391.0.7374.1.1.0.0.0.0.448.448.4-1.1.0....0...1c.2.64.psy-ab..0.0.0....0.rrF7i-5sqMQ,Last Accessed date:July,2017。
〔3〕王怡臻,資策會,全球智慧電錶之市場發展現況與趨勢,CTIMES,2013年6月,https://www.ctimes.com.tw/DispArt/tw/%E6%99%BA%E6%85%A7%E9%9B%BB%E9%8C%B6/1306241116H3.shtml, Last Accessed date:June,2017。
〔4〕張瑜庭、王如觀、周建成,建築用電資料格式與分析技術,2018第22屆營建工程與管理學術研討會,民國107年7月。
〔5〕王金墩,台電智慧電網未來規劃與運作,P30,台電綜合研究所, http://www.smart-grid.org.tw/userfiles/vip1/02台電智慧電網未來規劃與運作, Last Accessed date:May,2017。
﹝6﹞丁于倫,智慧電表傳輸通訊介面之研究,電子檢測與品管,P50-56,第86期,2011年4月。
﹝7﹞沈玉如、王耀村,台電智慧電表基礎建設AMI資料蒐集中心建置與應用探討,電機機師雜誌,第169期,2015年2月。
〔8〕林維翎,網路數位電力監測系統於大學用電行為分析之研究,國立中央大學環境工程研究所碩士論文,民國98年6月。
〔9〕林常平、陳貽評,從消費端看智慧電表問題,能源報導,2011年9月。
〔10〕胡忠興,智慧型電表相關法律問題之研究,東吳大學法律學系碩士論文,P127,民國102年7月。
〔11〕張智雄,以建築資訊模型/深度學習作法實現聲音定位救災用途,國立中央大學土木工程系碩士論文,P14-16,民國107年6月。
〔12〕簡賢文等,住宅火災防治策略之研究,台北市政府消防局,P61-71,民國95年12月。
〔13〕陳美心,AI於空間資訊上之應用與發展,逢甲大學,P8-11,民國107年3月。
〔14〕廖宜俊,住家用電資料時空分析與樣式探勘,國立中央大學碩士論文,P13-17,民國105年6月。
〔15〕何柏霖,住家與社區同儕用電比較之資料上傳與彙整機制,國立中央大學碩士論文,P5-9,民國105年6月。
〔16〕大同大學智慧電網控制及智慧家庭示範中心https://smartmeter-lab.webnode.tw/news/%E6%99%BA%E6%85%A7%E8%AE%80%E8%A1%A8%E7%B3%BB%E7%B5%B1/,Last Accessed date:March,2018
〔17〕全球智慧型電表系統市場趨勢分析https://km.twenergy.org.tw/ReadFile/?p=KLBase&n=2017310164018.pdf, Last Accessed date:June,2018。
〔18〕智慧電網國際發展趨勢與國內推動現況,林法正,國立中央大學電機系,2016,
www.ee.ncu.edu.tw/~linfj/PDF/811.pdf, Last Accessed date:May, 2018。
〔19〕YouTube（2017）,行動電源爆炸釀火災一家5口倉皇逃生,中視新聞， https://www.youtube.com/watch?v=diKn_vzJqaA, Last Accessed date:July, 2017。
〔20〕一般電器線路安裝宣導說明會,屋內線路裝置規則介紹，http://cyk.myweb.hinet.net/new_page_74.htm ,Last Accessed date:July,2017。
〔21〕中國南方電網（2018），不安全用电行为有哪些， https://www.csg.cn/ydfw/cjwt/201512/t20151219_110410.html,Last Accessed date:July,2018。
〔22〕日本東京消防廳（2004）,電器火災實驗室宣導影片，https://www.youtube.com/watch?v=fDzu6PaFX_I,Last Accessed date:May,2016。
〔23〕內政部消防署（2017）,101-106年全國火災次數、起火原因及火災損失統計表，https://www.nfa.gov.tw/cht/index.php?code=list&ids=220,Last Accessed date:May,2018。
〔24〕內政部消防署（2018）,住宅防火對策，https://www.nfa.gov.tw/cht/index.php?code=list&ids=265 ,Last Accessed date:July,2018。
〔25〕台北市政府消防局（2018）,防火宣導，https://www.119.gov.taipei/detail.php?type=article&id=10888,Last Accessed date:May,2018。
〔26〕台灣電力公司（2018）,用電安全宣導，https://www.taipower.com.tw/tc/news_noclassify.aspx?mid=323,Last Accessed date:May,2018。
〔27〕全國法規資料庫（2017）,用戶用電設備裝置規則，https://law.moj.gov.tw/LawClass/LawAll.aspx?PCode=J0030018,Last Accessed date:June,2017。
〔28〕臺灣博碩士論文知識加值系統(2017), https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/ccd=isNXAh/login?jstimes=1&loadingjs=1&o=dwebmge&ssoauth=1&cache=1544849399921, Last Accessed date:June,2017。
〔29〕行政院災害防救辦公室（2015）,國家防災日,抗震保安全民一起來,台北市,台灣。
〔30〕胡英達（2016）,桃園市民防災手冊,桃園市：桃園市政府消防局。
〔31〕陳弘毅（2016）,火災學,台北市：鼎茂圖書出版股份有限公司。
〔32〕智慧城市與物聯網Smart City & IoT（2015）,台灣智慧城市產業聯盟組織章程，http://smartcity.org.tw/constitution.php ,Last Accessed date: July,2017。
〔33〕國家發展委員會（2006）,921集集地震事件之各縣市災損統計,台北市,台灣。
〔34〕經濟部能源局（2018）,善待延長線,安全過好年，https://www.facebook.com/moea.gov.tw/videos/善待延長線-安全過好年 /1990485147658318/,Last Accessed date:June,2018。
〔35〕經濟部能源局（2011）,智慧電網總體規劃，https://www.moeaboe.gov.tw/ecw/populace/content/SubMenu.aspx?menu_id=1946,Last Accessed date:June,2017。
〔36〕經濟部能源局（2011）,台灣智慧電網推動現況，https://energymagazine.tier.org.tw/Cont.aspx?CatID=24&ContID=1749 ,
Last Accessed date:June,2017。
〔37〕經濟部能源局（2014）,省電不難,智慧電表教你玩，https://energymagazine.tier.org.tw/Cont.aspx?CatID=&ContID=2320 ,Last Accessed date:June,2017。
〔38〕台大智活,“能源人物誌 [Web page]”，
https://energytofu.ntu.edu.tw/p_list.html,Last Accessed date: March,2019。
〔39〕REFIT. (2016). An electrical load measurements dataset of United Kingdom households from a two-year longitudinal study, dx.doi.org/10.1038/sdata.2016.122.
〔40〕Batra, N., Gulati, M., Singh, A. & Srivastava, M. B. (2013). It’s Different: Insights into home energy consumption in India. Proceedings of the 5th ACM Workshop on Embedded Systems for Energy-Efficient Buildings—BuildSys’ 13, 1–8.
〔41〕Du, X., Liu, D., Zhang, K., Shen, Y., Zhao, K., Ni, Y. (2013). Auto-clustering algorithm based on compute unified device architecture and gene expression programming. Journal of Computer Applications, 33(7), 1890-1893.
〔42〕Energy Saving Trust. (2014). Household Electricity Survey Final Report, Department of Energy and Climate Change (DECC), and the Department for Environment, Food & Rural Affairs (DEFRA), UK.
〔43〕Hebrail, G. E. R., Barard, A. E. R. (2012). Individual household electric power consumption Data Set, UCI Data Repository.
〔44〕Jouppi, N., Young, C., Patil, N., Patterson, D. (2018). Motivation for and Evaluation of the First Tensor Processing Unit. IEEE Micro, 38(3), 10-19.
〔45〕Krizhevsky, A., Sutskever, I., Hinton, G. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
〔46〕Murray, D., Stankovic, L., Stankovic, V. (2017). An electrical load measurements dataset of United Kingdom households from a two-year longitudinal study. Scientific Data, 4, 160122.
〔47〕Silver, D., Huang, A., Maddison, C., Guez, A., Sifre, L., van den Driessche, G. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
〔48〕Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354-359.
〔49〕Wang, J., Yang, Y., Mao, J., Huang, C., Xu, W. (2016). CNN-RNN: A Unified Framework for Multi-Label Image Classification. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, LAS VEGAS, USA, June 26-July 1.

指導教授

周建成

審核日期

2019-4-24

推文