臺灣博碩士論文加值系統

Laborelec數碼診斷法為目前油浸式變壓器油中氣體分析中最能診斷出故障的方法，但Laborelec數碼診斷法卻存在著無法明確歸屬故障類別的問題，然而目前各種診斷法之診斷結果具不確定性，且變壓器規格及檢測記錄等因素都可能會影響分析的結果。因此，本研究要修正Laborelec數碼診斷法，使診斷更完備和正確，並借由各診斷法之檢測分析記錄找出專家之經驗規則，將專家之智慧應用於系統中作智慧型診斷。本文主要之貢獻有：
1.修正變壓器油中氣體分析之Laborelec數碼診斷法，可使實務存在約有55%無法明確歸屬故障類別之狀況變為100%完全將故障類別歸類。
2.應用粗集理論，由油中氣體分析多方面之影響因素掘取專家經驗，最佳規則正確率達90.7%(信賴度CF=100%，依賴度γP=90.8%))，並使用可靠性之指標運用於變壓器油中氣體分析上。
3.使用回饋機制，實作動態式之學習與預測，可依據專家每次分析使用，不斷累積經驗規則而精進各種狀況研判之可靠性。

The Laborelec method is believed to be the most useful and powerful approach to diagnose faults for Dissolved Gas Analysis (DGA) in oil-filled transformers to date. However, the most constrain of the Laborelec method is that it cannot discriminate crisply between two faults in some situations. Besides, not only all kinds of present DGA methods have uncertainties but also the type of transformer and records of analyses would impact on the results of diagnosis. Consequently, we modify the Laborelec method in a more powerful and correct way. After finding experts’ rules from the records of different methods,This paper successfully applies these intelligent rules in the proposed DGA system. The main contributions of this paper are as follows:
1.Improve the crisp classification ability of the Laborelec diagnosis from 55% to 100%.
2.Use rough set theory (RST) to extract and discover experts’ experience in the form of rules from factors of DGA analyses. The accuracy of optimal rules is 90.7%(under Confidence(CF)=100%，Support (γP)=90.8%).
3.Propose feedback mechanisms by implementing dynamic learning and prediction that accumulate experienced rules and enhance the reliability of the diagnosis system.

中文摘要 ------------------------------------------------------------------------ i
英文摘要 ------------------------------------------------------------------------ ii
誌謝 ------------------------------------------------------------------------ iii
目錄 ----------------------------------------------------------------------- iv
表目錄 ------------------------------------------------------------------------ vi
圖目錄 ------------------------------------------------------------------------ vii
符號說明 ------------------------------------------------------------------------ viii
一、 緒論------------------------------------------------------------------ 1
1.1 研究動機與目的--------------------------------------------------- 1
1.2 研究限制------------------------------------------------------------ 2
1.3 論文架構------------------------------------------------------------ 2
二、 文獻探討------------------------------------------------------------ 4
2.1 變壓器--------------------------------------------------------------- 4
2.1.1 變壓器保養檢查--------------------------------------------------- 5
2.1.2 變壓器之結構及功能--------------------------------------------- 6
2.1.3 變壓器劣化--------------------------------------------------------- 7
2.2 油中氣體分析------------------------------------------------------ 7
2.3 台塑保養中心變壓器診斷流程及診斷標準------------------ 9
2.4 氣體模式診斷法--------------------------------------------------- 12
2.5 二成份比診斷法--------------------------------------------------- 13
2.6 數碼診斷法--------------------------------------------------------- 13
2.7 粗集理論------------------------------------------------------------ 21
2.7.1 粗集理論之基本定義--------------------------------------------- 21
2.7.2 粗集理論之應用範例--------------------------------------------- 24
三、 智慧型診斷與演算法--------------------------------------------- 27
3.1 研究架構------------------------------------------------------------ 27
3.2 修正Laborelec診斷法之演算法-------------------------------- 28
3.3 粗集理論掘取專家經驗規則之演算步驟--------------------- 33
3.4 專家經驗規則之回饋機制之演算步驟------------------------ 37
四、 智慧型診斷改善系統--------------------------------------------- 40
4.1 系統架構------------------------------------------------------------ 40
4.2 測試環境建置------------------------------------------------------ 40
4.3 系統介面------------------------------------------------------------ 41
五、 個案實例驗證與研究發現--------------------------------------- 45
5.1 個案介紹------------------------------------------------------------ 45
5.2 修正Laborelec診斷法之個案實例驗證----------------------- 46
5.3 粗集理論掘取專家經驗規則之個案實例驗證-------------- 46
5.4 回饋機制之個案實例驗證--------------------------------------- 48
5.5 IDI系統驗證整體績效------------------------------------------- 50
5.6 研究發現------------------------------------------------------------ 51
六、 結論與後續研究--------------------------------------------------- 54
中文參考文獻 ------------------------------------------------------------------------ 55
英文參考文獻 ------------------------------------------------------------------------ 56

中 文 參 考 文 獻
1.Meathcote,M.J.,2004，變壓器實用技術大全，王曉鶯等譯，機械工業出版社，北京。
2.王明經，2004，“變壓器的絕緣材料(上)”，電機月刊，14卷，2期，2月。
3.王曉鶯等編著，2004，變壓器故障與監測，機械工業出版社，北京。
4.台塑企業，“變壓器的特徵和檢查保養”。
5.台塑企業，2005，“保養中心簡介” 。
6.吳光超，1993，“以變壓器油中氣體組成型態診斷異常變壓器之方法介紹”，台灣大電力研究試驗中心油中氣體診斷變壓器故障專輯，頁15-20，2月。
7.吳光超，1993，“以變壓器油中氣體成分比值之數碼法診斷異常變壓器”，台灣大電力研究試驗中心油中氣體診斷變壓器故障專輯，頁21-27，2月。
8.李武翰，2004，“浸式變壓器保養改善探討”，第十四次台塑企業預知保養技術研討會，9月。
9.汪素芬，1993，“變壓器油中溶解氣體之化學分析法”，台灣大電力研究試驗中心油中氣體診斷變壓器故障專輯，頁8-14，2月。
10.周波，“粗集方法在KDD系統中的應用與研究”，西安電子科技大學多媒體研究所。
11.周建宏，1998，電力變壓器故障診斷用之乏晰學習向量專家網路，中原大學，碩士論文。
12.林煜亮，2002，“變壓器之生命週期”，電機月刊，12卷，4期，4月。
13.洪仁修，2004，“變壓器預知保養技術-油中氣體分析”，第十四次台塑企業預知保養技術研討會，9月。
14.翁文才，2004，粗集相似度法建立智慧型魚病診斷輔助系統，雲林科技大學，碩士論文。
15.張宏昇，2002，“變壓器之預防保養技術”，電機月刊，12卷，4期，4月。
16.張哲騰，2002，應用模糊集合理論及類神經網路理論於油浸式電力變壓器故障診斷，國立中正大學，碩士論文。
17.張詩錦，2003，“變電設備異狀診斷與感測技術”，電機月刊，13卷，8期，8月。
18.張衡閣，2002，一個資料庫多維度序列法則探勘方法，朝陽科技大學，碩士論文。
19.莊奇東，2003，“電力變壓器可靠度的探討”，電機月刊，12卷，4期，4月。
20.許文明，2002，應用線上監測於變壓器異常診斷之研究，國立台北科技大學，碩士論文。
21.曾黃麟，1998，粗集理論及其應用，重慶大學出版社，四川。
22.黃俊期，2002，使用XML與Fuzzy Rough Set於遠距診斷之研究，雲林科技大學，碩士論文。
23.經濟部工業局九十二年度工業技術人才培訓計畫講義，2003，“變壓器及電抗器設計與試驗技術”，10月。
24.經濟部工業局九十年度工業技術人才培訓計畫講義，2001，“高壓受電設備故障診斷與維護”，7月。
25.葉護彬，1999，”變壓器之保養檢查”，電機月刊，9卷，4期，4月。
26.預保科技，“變壓器預知保養技術”。
27.劉旺林，2001，使用類神經網路與資料挖礦之粗集理論於設備監控診斷之研究，雲林科技大學，碩士論文。
28.蔡明勳，2003，電力變壓器故障偵測與諧波分析， 國立中山大學，碩士論文。
29.鄭進成，1999，利用變壓器油中氣體分析診斷變壓器異常狀況，國立中山大學，碩士論文。
30.翰霖科技公司，“油中氣體分析”。

英 文 參 考 文 獻
1.A.Showron , N.Xhong,2000,“Rough Set in KDD Tutorial Notes”，Warsaw University,Maebashi Institute of Technolgy。
2.An-Pin Chen,Chang-Chun Lin,1998,“Fuzzy approaches for fault diagnosis of transformers”,Fuzzy Sets and System,vol.118, pp.139-151,December。
3.Chin-Pao Hung,Mang-Hui Wang,2004,“Diagnosis of incipient faults in power transformers using CMAC neural network approach”,Electric Power Systems Research,vol.71, pp.235-244,January。
4.Hsing-Chia Kuo,Hui-Kuo Chang,Yen-Zen Wang,2004,“Symbiotic evolution-based design of fuzzy-neural transformer diagnostic system”,Electric Power System Research,vol.72, pp.235-244,September。
5.M.H. Wang,C.P. Hung,2003,“Novel grey model for the prediction of trend of dissolved gases in oil-filled power apparatus”,Electric Power Systems Research,vol.67, pp.53-58,February。
6.Repu Li,Zheng-ou Wang,2003,“Computing, Artificial Intelligence and Information Technology Mining classification rules using rough sets and neural networks”,European Journal of Operational Research,June。
7.Show-Chin Lee,Mu-Jung Huang,2002,“Applying AI technology and rough set theory for mining association rules to support crime management and fire-fighting resources allocation”,Journal of Information Technology and Society。