能源管理系統電能補值方法誤差率比較分析

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：29

、訪客IP：3.21.248.119

姓名

蔡欣寧(Hsin-Ning Tsai) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

能源管理系統電能補值方法誤差率比較分析

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 基於卷積神經網路之身分識別系統
★ 企業員工情感分析與管理系統之研發	★ 資料淨化於類別不平衡問題: 機器學習觀點
★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例	★ 應用機器學習建立單位健保欠費催繳後繳納預測模型

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]

至系統瀏覽論文 ( 永不開放)

摘要(中)

能源管理系統最常見的設備斷線遺漏值補值方式為線性內插法，有鑑於此法在斷線時間較長時會將資料數值(耗電量、及時耗功、功率因素等)呈現的波形或斜率抹平，對於後續需量計算以及契約容量設定，進而影響電費分析計算及迴歸模型建立與後續節能績效預測的結果。
本研究方法以K-最近鄰迴歸法、支援向量迴歸、多層感知器迴歸、移動自迴歸平均方法對能源管理系統蒐集的電能資料進行補值，其目的在分析比較使用以上方法與線性內插法補值作比較，對此四種方式的結果使用MAPE進行比較分析，進而選擇該演算法進行未來系統補值改善。
本實驗結果使用K-最近鄰迴歸法以連續1日訓練資料集得到較佳的補值方法，電壓使用KNN Regression K=140，電流使用SVR cost =30，epsilon 0.3，功率因素使用SVR cost =60，epsilon 0.1，耗電量使用X-12-ARIMA，即時耗功使用SVR cost =90，epsilon 0.2得到比原來使用LI更好的補值效果。

摘要(英)

The most common method for complementing the missing value of the equipment in the energy management system is linear interpolation. In view of this method, the data value (power consumption, timely power consumption, power factor, etc.) will be presented when the disconnection time is long. The waveform or slope is smoothed, which is used for subsequent demand calculation and contract capacity setting, which in turn affects the results of electricity cost analysis calculation and regression model establishment and subsequent energy conservation performance prediction.
This study uses KNN Regression, SVR, MLP Regression , and ARIMA method supplements the energy data collected by the energy management system. The purpose is to compare and compare the above methods with the linear interpolation method. The results of the four methods are compared and analyzed using MAPE, and then the algorithm performs future system complement value improvement.
The results of this experiment use the K-nearest neighbor regression method to obtain a better complement method for the continuous 1 day training data set.
The voltage uses KNN Regression K=140, the current uses SVR cost =30, epsilon 0.3, the power factor uses SVR cost =60, epsilon 0.1, the power consumption uses X-12-ARIMA, and the immediate power consumption uses SVR cost =90. Epsilon 0.2 gets a better complement than the original LI.

關鍵字(中)

★ 遺漏值
★ 線性內插法
★ K-最近鄰迴歸
★ 支援向量迴歸
★ 多重感知器迴歸
★ 移動自迴歸平均法

關鍵字(英)

★ Missing values
★ Linear interpolation
★ K-nearest neighbor regression
★ Support vector regression
★ Multiple perceptron regression
★ ARIMA

論文目次

第一章、緒論 1
1.1. 研究背景 1
1.2. 研究動機 2
1.3. 研究目的 4
1.4. 論文架構 5
第二章、文獻探討 6
2.1. 電能資料遺失值定義及處理 6
2.2 線性內插法之相關文獻 7
2.3 K-最近鄰迴歸補值法插補之相關文獻 7
2.4 支援向量迴歸插補之相關文獻 9
2.5 多層感知器插補之相關文獻 11
2.6 ARIMA 移動自迴歸平均之相關文獻 12
2.7 小結 13
第三章、研究方法與實驗流程 14
3.1. 研究設計與架構 14
3.2. 資料來源 16
3.3. 實驗流程 16
3.3.1. 資料處理 17
3.3.2. 補值流程 18
(1) KNN Regression，SVR，MLP Regression 補值 18
(2) ARIMA 補值 19
(3) Linear Interpolation補值 (Baseline) 20
3.3.3. 評估準則 20
(1) MAPE (Mean Absolute Percentage Error) 20
3.3.4. 補值結果分析 21
(1) KNN Regression，SVR，MLP Regression 參數、時間區間分析 21
(2) KNN Regression，SVR，MLP Regression 補值結果平均分析 21
(3) KNN Regression，SVR，MLP Regression，ARIMA，LI及三種方法補值結果平均分析 21
(4) 高壓兩段式尖峰、半尖峰、離峰時間分析 21
(5) 夏日、非夏日時間分析 23
第四章、實驗結果 24
4.1. 資料集 24
4.2. KNN Regression，SVR，MLP Regression 參數、 27
時間區間分析 27
4.2.1. KNN Regression 27
4.2.2. SVR 41
4.2.3. MLP Regression 50
4.2.4. KNN Regression，SVR，MLP Regression小結 61
4.3. KNN，SVR，MLP Regression 補值結果平均分析 63
4.4. ARIMA與Linear Interpolation 補值分析 65
4.5. 小結 76
第五章、結論與未來研究方向 78
5.1. 結論 78
5.2. 研究貢獻 80
5.3. 未來研究方向 80
參考文獻 82

參考文獻

中文文獻
[1]. 上報快訊陳婕翎(December 26 19:40:00, 2017)，【2017國內十大新聞Top 7】815全台大停電仍不停下推動能源轉型的腳步，Retrieved December 2 17:30:00，2018，from https://www.upmedia.mg/news_info.php?SerialNo=31389
[2]. MBA lib 智庫．百科，能源管理系統，from https://wiki.mbalib.com/zh-tw/%E8%83%BD%E6%BA%90%E7%AE%A1%E7%90%86%E7%B3%BB%E7%BB%9F
[3]. 曾憲威（任教於德霖技術學院電腦與通訊工程系）、李揚漢、顏良祐（以上兩位任教於淡江大學電機工程學系）(March 27,2014) ，節能監控系統應用, Retrieved December 2 17:30:00， 2018，from http://scimonth.blogspot.com/2014/03/blog-post_6415.html
[14]. 黃瀞萱，支援向量迴歸結合真實波動分類預測股票指數，臺北市立大學資訊科學系碩士班碩士論文，2013。
[20]. 台灣電力公司，導線失竊與違章用電整合系統建置與示範研究https://www.taipower.com.tw/upload/314/2017112317030772035.pdf

英文文獻
[4]. Little, Roderick J. A., and Rubin, Donald B. 2002. Statistical Analysis with Missing Data 2nd ed. New York: John Wiley & Sons.
[5]. Little, R.J.A. and Rubin, D.B. (1987) Statistical Analysis with Missing Data. John Wiley & Sons, New York.
[6]. Taiwan Power Company, http://www.taipower.com.tw, 2019
[7]. H. Junninen, H. Niska, K. Tuppurainen, J. Ruuskanen, M. Kolehmainen, "Methods for imputation of missing values in air quality data sets", Atmos. Environ., vol. 38, no. 18, Jun. 2004.
[8]. "Uniform Business Practices for Unbundled Electricity Metering-Volume 2", Edision Electric Institute, Dec. 2000.
[9]. Jakub Langhammer and Julius Česák. 2016. Applicability of a Nu-Support Vector Regression Model for the Completion of Missing Data in Hydrological Time Series
[10]. Minkyung Kim 1 ID , Sangdon Park 1 , Joohyung Lee 2,*, Yongjae Joo 3 and Jun Kyun Choi 1.Learning-Based Adaptive Imputation Method with kNN Algorithm for Missing Power Data
[11]. Peppanen, Jouni, Reno, Matthew J., Zhang, Xiaochen, and Grijalva, Santiago. Handling Bad or Missing Smart Meter Data through Advanced Data Imputation.. United States: N. p., 2016. Web. doi:10.1109/ISGT.2016.7781213.
[12]. Vladimir N. Vapnik. The Nature of Statistical Learning Theory. New York: Springer, 1995
[13]. Vladimir Vapnik , Steven E. Golowich , Alex Smola. Support Vector Method for Function Approximation, Regression Estimation, and
Signal Processing. Neural Information Processing Systems Conference, 1997.
[15]. Alex J. Smola and Bernhand Sch ̈lkopf. A tutorial on support vector regression. Statistics and Computing: Springer, 2003.
[16]. Bishop, C.M. (1995). Neural Networks for Pattern Recognition. Oxford University Press, Oxford, United Kingdom
[17]. Chambers, R. (2003). Overview of the methods investigated by the EUREDIT project. http://www.cs.york.ac.uk/euredit/
[18]. H. Tram, Technical and operation considerations in using Smart Metering for outage management. Transmissions and Distribution Conference and Exposition, 2008, T&D. IEEE/PES, pp. 1-3
[19]. K. Sridharan ; N. Schulz, Outage Management through AMR Systems Using an Intelligent Data Filter. IEEE Transactions on Power Delivery, 2001, Vol. 16(4), pp. 669-675
[21]. Alex J. Smola and BernhardScholkopf, August 2004 ,“A tutorial on support vector regression”, Statistics and Computing, Volume 14 Issue 3 pp. 199-222
[22]. "Support vector machines experts for time series forecasting" ,Pages 199-222
[23]. Minkyung Kim 1 ID , Sangdon Park 1 , Joohyung Lee 2,*, Yongjae Joo 3 and Jun Kyun Choi 1 “Learning-Based Adaptive Imputation Method with kNN Algorithm for Missing Power Data”, Korea Electric Power Research Institute, Daejeon 305-760, Korea
[24] US Census Bureau, X-12-ARIMA Reference Manual Version 0.2.10
http://www.census.gov/srd/www/x12a/, 2013

指導教授

蔡志豐(Chih-Fong Tsai)

審核日期

2019-7-1

推文