臺灣博碩士論文加值系統

摘要
對現今工業的營運成本而言，電能管理漸漸被企業所重視，在影響整體生產運作最小的情況下，對工廠用電做有效的電力監控，若能準確地預測用電，將可減少公司電費的成本支出，進而提高企業競爭力，並可同時做到兼顧節能減碳的社會責任及減少地球暖化等問題。

本文配合鋼鐵廠之特性與負載資料，利用AI機器學習(Python程式設計)對廠內過去之需量資料進行分析，發展出一套電力需量預測系統，此模型針對台電以每15分鐘為一週期計算，持續預測每週期之第15分鐘的用電需量，每天皆不間斷地即時預測下一週期需量值，藉以解決供電中心在需量管理上有用電超約(契約容量)之問題，管理需量不超出契約容量為目標。

為驗證所提預測系統的適用性及準確性，透過廠內實際之用電負載資料分析，並進一步比較所提方法與文獻及現有預測系統(保帆系統、時間序列系統)預測準確度。數值結果顯示本文所提的預測模型比起文獻使用人工神經網絡及廠內現有預測方法皆有更高的預測準確率。

關鍵字： AI機器學習、契約容量、電力需量預測

ABSTRACT
As far as the operating costs of today’s industries are concerned, power management is gradually being valued by companies. With minimal impact on the overall production and operation, effective power monitoring of the factory’s power consumption will reduce the company’s electricity costs if the power consumption can be accurately predicted. In order to increase the competitiveness of enterprises, it can also take into account the social responsibility of energy saving and carbon reduction and reduce global warming.
Based on the characteristics and load data of the steel plant, this study analyzes the past demand data in the plant, and develops a power demand forecasting system by AI machine learning (Python programming). This model is designed to calculate every 15 minutes to forecast the electricity demand at the 15th minute of each cycle continuously in real time every day for the next cycle demand value. The purpose of the model is to solve the problem of the power supply center’s demand management exceeding the contract, and control the demand under the contract’s capacity.
The actual load data of the power plant will be collected and analyzed to verify the applicability and accuracy of the proposed forecasting system, meanwhile, the forecast accuracy of the proposed method will further compare with the literature and the existing forecasting system. The final data shows that the prediction model proposed in this article has a higher prediction accuracy than the artificial neural network used in the literature and the existing prediction methods in the factory.
Keywords: AI Machine Learning, Contract Capacity, Power Demand Forecast

目錄
摘要 i
ABSTRACT ii
誌謝 iii
目 錄 iv
表 目 錄 vi
圖 目 錄 vii
第一章、緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 研究目的 4
1.4 研究流程 4
第二章、文獻探討 5
2.1電力需量預測系統 5
2.1.1電力需量預測 5
2.1.2需量預測管理監控系統 8
2.2 機器學習 11
第三章、研究方法 14
3.1 系統描述與組成 14
3.1.1 現況說明 14
3.1.2 學習評量標準 17
3.2 資料收集方式 21
3.3 建模分析方式介紹 22
3.3.1 Random Forest Regressor 22
3.3.2 XGBoost 27
3.3.3 Multilayer Perceptron 28
3.4 演算法之模擬結果 30
3.4.1 Random Forest Regressor需量預測分析結果 35
3.3.2 XGBoost需量預測分析結果 39
3.3.3 Multilayer Perceptron(SL) 需量預測分析結果 43
3.3.4 Multilayer Perceptron(DL) 需量預測分析結果 46
第四章 結論與未來研究方向 49
4.1結論 49
4.2未來研究方向 51
參考文獻 52


 
表目錄
表 2 1 機器學習四種學習模式 12
表 2 2 現行機器學習演算法 13
表 3 1 即設供電區和第二供電區外購台電契約量(MW) 15
表 3 2 隨機森林優點表 23
表 3 3 變數修改前RMSE比較表 31
表 3 4 變數修改後RMSE比較表 33
表 3 5 109年12月份用電數據 34
表 3 6 RF Program 35
表 3 7 XGBoost Program 39
表 3 8 Multilayer perceptron(SL) Program Program 43
表 3 9 Multilayer perceptron(DL) Program Program 46
表 4 1 需量預測方式與現有之需量預測系統比較表 49
表 4 2 降低契約容量節省電費對照表 50




 
圖目錄

圖 1 1 用電量趨勢圖 1
圖 1 2 每15分鐘累積用電量趨勢圖 1
圖 1 3 保帆系統需量預測(斜率法) 2
圖 1 4 研究流程圖 4
圖 2 1 契約容量與用電需量關係圖 5
圖 2 2 需量定義 6
圖 3 1 廠內電力系統架構圖 14
圖 3 2 廠內自有發電機組配置 14
圖 3 3 廠內外購電系統圖 15
圖 3 4 實際結果與預測結果比較(保帆系統) 16
圖 3 5 資料擷取示意圖 21
圖 3 6 隨機森林與 Bagging關聯圖 22
圖 3 7 隨機抽樣-訓練決策數 24
圖 3 8 隨機選取屬性-做節點分類屬性 25
圖 3 9 建立大量決策數-形成森林 25
圖 3 10 單層感知器 28
圖 3 11 2層感知器 29
圖 3 12 多層感知器 29
圖 3 13 以隨機森林樹演算法預測(7、8月數據) 30
圖 3 14 外購電與負載相關性 31
圖 3 15 外購電與自發電相關性 32
圖 3 16 用電需量和外購電相關性 32
圖 3 17 變數修正後隨機森林樹演算法預測(7、8月數據) 33
圖 3 18 隨機森林Python程式執行情形 35
圖 3 19 Random Forest Regressor需量預測分析特徵比重 37
圖 3 20 Random Forest Regressor Training預測與實際值比較圖 38
圖 3 21 Random Forest Regressor Test的預測與實際值比較圖 38
圖 3 22 XGBoost Python程式執行情形 39
圖 3 23 XGBoost需量預測分析特徵比重 41
圖 3 24 XGBoost Training預測與實際值比較圖 42
圖 3 25 XGBoost Test的預測與實際值比較圖 42
圖 3 26 Multilayer Perceptron Python(SL)程式執行情形 43
圖 3 27 Multilayer perceptron(SL) Training預測與實際值比較圖 45
圖 3 28 Multilayer perceptron(SL) Test的預測與實際值比較圖 45
圖 3 29 Multilayer Perceptron Python(DL)程式執行情形 46
圖 3 30 Multilayer perceptron(DL) Training的預測與實際值比較圖 48
圖 3 31 Multilayer perceptron(DL) Test的預測與實際值比較圖 48
圖 4 1 需量系統架設圖 51

參考文獻
中文
1、 Grigsby, Leonard L.，2007， The Electric Power Engineering Handbook，Taylor & Francis。
2、中華民國105年，需量反應負載管理措施，台灣電力公司網站。
3、王瑋民、唐培春，2005，混合型網路技術於需量監控系統應用實務，94年全國節約能源研討會年。
4、鄭正仁、楊正光、宋福生、古勝偉，中華民國107年，百貨業節能技術手冊，經濟部能源局。
5、郭明錫，1999，電力自動化的架構與通訊協定，電機月刊 第九卷第一期。
6、雷明，2019，機器學習，清華大學出版社，北京。
7、林東清，2018，資訊管理：e化企業的核心競爭能力，七版，元照出版社。
8、MacKay, D. J. C.,2003 ,資訊理論、推理和學習演算法 ,劍橋大學出版社。
9、陳欣得，2006，統計學—變異數分析 第7章，靜宜大學。
10、SUBHASN SHARMA，2005，多變量分析，第八章、迴歸分析，呂金河譯，滄海出版社。
11、董師師、黃哲學，2013，隨機森林理論淺析，集成技術第一期。
12、李欣海，2013，隨機森林模型在分類與回歸分析中的應用，應用昆蟲學報。
13、2017，XGBoost中文文檔，apachecn。
14、黃國源，2018，類神經網路，第四章多層感知器，全華圖書。
15、Hetland, Magnus Lie，2017，Beginning Python From Novice to Professional Magnus Lie Hetland，Apress。



網站
a、https://rpubs.com/ivan0628/numerical_model_evaluation
b、https://zh.wikipedia.org/wiki/rmes
c、https://baike.baidu.com/item/隨機森林
d、https://baike.baidu.com/item/XGBoost
e、https://zh.wikipedia.org/ wiki/多層感知器