臺灣博碩士論文加值系統

　　電力負載預測是電力公司規劃未來之電力供給時，一項不可或缺的考量因素，準確的負載預測除了可以提供適當的發電排程和規劃、降低運轉成本、維持供電可靠度，並能避免限電危機或資源浪費，進一步增加電力系統供電品質和電力公司營運的競爭力。
　　本論文以量子基因演算法(Quantum Genetic Algorithm, QGA)結合類神經網路(Artificial Neural Network, ANN)中的倒傳遞網路法(Back-Propagation Neural Network, BPNN)來求解負載預測之問題，本論文乃以倒傳遞網路為主體，然後使用量子基因演算法來求取倒傳遞網路之各項參數值，以改善原本用於求解網路最佳參數值之倒傳遞法方式。
　　在求解當中，量子基因演算法是一種新興的優化技術，該算法採用量子機率向量的編碼方式，同時使用量子位元、量子疊加態的思想，其中量子疊加態的特性能使排列更多元化，而機率表達的特性，是將解的狀態以一定的機率表達出來，能有效提高整體最佳解的搜索能力。
　　在本論文中以台電提供之電力負載資料為基準，並使用中央氣象局所提供的氣象資訊作實際之負載預測，所測得的結果並與傳統方法做比較，由結果顯示本方法可求得較小之負載預測誤差值，故本方法非常適用於實際之負載預測工作上。

Power load forecasting is one of the essential factors of electric utilities when planning the future electricity supplies. Precise forecasting of electricity consumption may not only provide proper generation commitment and scheduling but also reduce the operational cost. It can also maintain the reliability of power systems, avoiding electricity crisis or wasting resources. It can further increase the power quality of power systems and the competitiveness of utilities.
This thesis presents a hybrid Quantum Genetic Algorithm (QGA) and Back-Propagation Neural Network (BPNN) of Artificial Neural Network (ANN) for load forecasting solution. A Back-Propagation Neural Network is used for the initial load forecasting, then we used QGA approach to find the optimal solution of the parameters of BPNN to improve the existing method of Back-Propagation.
The Quantum Genetic Algorithm is a new optimization technique which uses the coding method of quantum probability vector, and also uses the quantum bit and quantum superposition at the same time. The superposition can let it express more states. The probability expression characteristic can be expressed the solution state by certain probability. It can raise the ability of optimal solution.
In this thesis we apply the power loads data from Taipower Company and the weather information from Central Weather Bureau to forecast the loads. We used the QGA-BPNN to examine if we could improve the tradition methods. The results demonstrated that QGA-BPNN is more accuracy and efficiency; thus it can be applied to the actual load forecasting.

摘　要 i
ABSTRACT ii
誌 謝 iv
目 錄 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 文獻回顧 3
1.3 研究目的 5
1.4 論文架構 6
第二章 類神經網路與學習理論 7
2.1 簡介 7
2.2 類神經網路概論 8
2.2.1 生物神經元模型 9
2.2.2 人工神經元模型 11
2.2.3 類神經網路的分類 15
2.3 倒傳遞類神經網路 17
2.3.1 倒傳遞類神經網路架構 17
2.3.2 倒傳遞類神經網路原理 18
2.3.3 倒傳遞類神經網路的探討 24
第三章 基因演算法與量子基因演算法 26
3.1 基因演算法 26
3.1.1 簡介 26
3.1.2 基因演算法之執行步驟 27
3.1.3 基因演算法的相關探討 34
3.2 量子基因演算法 35
3.2.1 簡介 35
3.2.2 量子基因演算法之編碼方式 36
3.2.3 量子基因演算法之執行步驟 38
3.2.4 量子基因演算法的探討 42
第四章 短期負載預測及模擬結果分析 43
4.1 簡介 43
4.2 預測方法的建立 43
4.2.1 輸入資料的分析 43
4.2.2 資料數據正規化 44
4.2.3 訓練及測試集合的選擇 45
4.3 預測模型架構 46
4.3.1 短期負載預測之網路架構 46
4.3.2 網路性能評估準則 49
4.4台電負載預測結果分析 50
4.4.1 一整年度的預測 51
4.4.2 周一至周日的預測 56
4.4.3 工作日和非工作日的預測 62
第五章 結論及未來研究方向 65
5.1 結論 65
5.2 未來研究方向 66
參考文獻 67

[1] 經濟部能源局，http://web3.moeaboe.gov.tw/ECW/populace/home/Home.aspx。
[2] 台灣電力公司，http://www.taipower.com.tw/。
[3] A. D. Papalexopulos and T. C. Hesterberg, “A Regression-Based Approach to Short-term System Load Forecasting,” IEEE Transactions on Power Systems, Vol. 5, No. 4, November 1990, pp. 1535-1547.
[4] T. Haida and S. Muto, “Regression Based Peak Load Forecasting Using a Transformation Technique,” IEEE Transactions on Power Systems, Vol. 9, No. 4, November 1994, pp. 1788-1794.
[5] G. T. Heinemann, D. A. Nordman, and E. C. Plant, “The Relationship Between Summer Weather and Summer Loads, A Regression Analysis,” IEEE Transactions on Power Apparatus and Systems, Vol. PAS-85, No. 11, November 1996, pp. 1144-1154.
[6] I. Moghram and S. Rahman, “Analysis and Evaluation of Five Short-term Load Forecasting Techniques,” IEEE Transactions on Power Systems, Vol. 4, No. 4, October 1989, pp. 1484-1491.
[7] M. T. Hagan and S. M. Behr, “The Time Series Approach to Short Term Load Forecasting,” IEEE Transactions on Power Systems, Vol. PWRS-2, No3, August 1987, pp. 785-791.
[8] H. T. Yang, T. C. Liang, K. R. Shih and C. L. Huang, “Power System Yearly Peak Load Forecasting: A Grey System Modeling Approach,” IEEE Proc. Energy Management and Power Delivery, Vol. 1, 1995, pp. 261-266.
[9] S. H. Fan, T. Y. Xiao and C. Guo, “A Model of the Expanded Grey Theory,” 2004 IEEE International Conference on Networking, Vol. 1, March 2004, pp. 339-342.
[10] S. J. Kiartzis, A. G. Bakirtzis, J. B. Theocharis and Gr. Tsagas, “A Fuzzy Expert System for Peak Load Forecasting. Applicaton to the Greek Power System,” IEEE Proc. MEleCon 2000, Vol. 3, 2000, pp. 1097-1100.
[11] H. Mori, Y. Sone, D. Moridera and T. Kondo, “Fuzzy Inference Models for Short-term Load Forecasting with Tabu Search,” IEEE Proc. Systems, Man, and Cybernetics, Vol. 6, 1999, pp. 551-556.
[12] S. Rahman and O. Hazim, “A Generalized Knowledge-Based Short-term Load-Forecasting Technique,” IEEE Transactions on Power Systems, Vol. 8, No. 2, May 1993, pp. 508-514.
[13] A. Khotanzad, A. R. Reza and T. L. Lu, “ANNSTLF-A Neural-Network-Based Electric Load Forecasting System,” IEEE Transactions on Neural Networks, Vol. 8, No. 4, July 1997, pp. 835-846.
[14] R. C. Hwang, H. C. Huang and J. G. Hsieh, “Short-term Power Load Forecasting by Neural Network with Stochastic Back-Propagation Learning Algorithm,” IEEE Power Engineering Society Winter Meeting, Vol. 3, Jan. 2000, pp. 1790-1795.
[15] C. Y. Tee, J. B. Cardell and G. W. Ellis, “Short-term Load Forecasting Using Artificial Neural Networks,” IEEE North American Power Symposium, Oct. 2009, pp. 1-6.
[16] W. Charytoniuk and M. S. Chen, “Very Short-term Load Forecasting Using Artificial Neural Networks,” IEEE Transactions on Power Systems, Vol. 15, Feb. 2000, pp. 263-268.
[17] G. C. Liao, “An Improved Fuzzy Neural Networks Approach for Short-term Electrical Load Forecasting,” 2011 8th Asian Control Conference, Kaohsiung, Taiwan, May 2011, pp. 596-601.
[18] 林昇甫，洪成安，神經網路入門與圖樣辨識，台北市：全華科技圖書股份有限公司，2002。
[19] 蘇木春，張孝德，機器學習：類神經網路、模糊系統以及基因演算法則，台北市：全華科技圖書股份有限公司，2006。
[20] 羅華強，類神經網路－MATLAB的應用，新竹市：清蔚科技，2001。
[21] 張展維，應用類神經網路於即時電壓穩定度評估，碩士論文，國立臺北科技大學電機工程研究所，台北市，2004。
[22] 施順鐘，應用類神經網路於醫院空調短期電力預測，碩士論文，國立臺北科技大學電機工程研究所，台北市，2005。
[23] Matin T. Hagan, Howard B. Demuth, Mark Beale，類神經網路設計，台北市：湯姆生，2004。
[24] 林永青，應用基因演算法於電力系統最佳補償，碩士論文，國立臺北科技大學電機工程研究所，台北市，2002。
[25] 廖國清，最佳演算法應用於負載預測及機組排程問題，博士論文，國立中山大學電機工程研究所，高雄市，2005。
[26] Richard P. Feynamn, “Simulating Physics with Computers,” International Journal of Theoretical Physics, Vol. 21, No. 6/7, 1982, pp. 467-488.
[27] David Deutsch, “Quantum theory, the Church-Turing principle and the universal quantum computer,” Proceedings of the Royal Society of London A, No. 400, 1985, pp. 97-117.
[28] 王鵬翔，應用量子基因演算法求解火力機組排程，碩士論文，國立臺北科技大學電機工程研究所，台北市，2011。
[29] 李士勇，李盼池，量子計算與量子優化算法，哈爾濱：哈爾濱工業大學出版社，2009。
[30] 中央氣象局，http://www.cwb.gov.tw/V7/index.htm。
[31] R. J. Pratap, D. Staiculescu, S. Pinel, J. Laskar, and G. S. May, “Modeling and Sensitivity Analysis of Circuit Parameters for Flip-Chip Interconnects Using Neural Networks,” IEEE Transactions on Advanced Packaging, Feb. 2005, pp. 71-78.