臺灣博碩士論文加值系統

配合發電期間售電量之準確估算可提供電力公司多方面運用，用戶售電量之估算若能考慮用戶負載特性將能獲致更好之估算結果，本論文即是將台電公司已進行多年之負載特性調查研究成果運用在售電量準確估算上。
本論文將台電公司抄表結果透過負載特性模型辨識與比對程序而得到推估量，最後再結合類神經網路理論來預測售電量值，本論文針對系統行業別分析與建置其推估程序。
網路之運用讓資訊得以迅速獲得，此研究應用Microsoft SQL Server建置一資料庫系統，也運用Visual Basic設計親合性人機介面，以整合Matlab的類神經模組來完成整個售電量推估服務系統，考量此系統應之應用性開發為Client/Server架構之網路架構，讓使用者可以透過網路取得所需資料。

The accurate estimation of energy sales of each month will present many applications for utility, and if the load characteristic of customers would be considered on the estimated process will promote the estimated accuracy. In this thesis, we applied the achievement of load survey of Taipower to advance the estimated accurate of energy sales of each month.
The procedure of load models identification and collation had been developed in this thesis to complete the estimated procedure of meter energy sales to energy sales of each month, and the artificial neural network (ANN) are applied to the forecast procedure, industries energy sales which are estimated in this thesis.
We will get information as soon as possible by network now, the Microsoft SQL Server database management system are applied to set up a database system in this thesis, and the Visual Basic are applied to design a friendship interface and to combine the energy sales estimated service system, and the Client/Server network architecture had been designed in the service 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
第壹章、緒論---------------------------------------------------------1
一、研究背景及目的----------------------------------------------------1
二、研究步驟---------------------------------------------------------2
三、章節概要---------------------------------------------------------4
第貳章、考慮負載特性之行業別售電量推估模組-------------------------------5
一、前言-------------------------------------------------------------5
二、負載特性模型辨識與比對研究之運用------------------------------------5
三、配合發電期間當月行業別售電量推估機制---------------------------------12
（一）名詞說明-------------------------------------------------------12
（二）配合負載特性之母體當月份售電量推估方法-----------------------------13
（三）行業別推估結果與驗証---------------------------------------------17
第参章、考慮類神經網路之行業別售電量預測推估-----------------------------24
一、前言------------------------------------------------------------24
二、類神經網路的介紹--------------------------------------------------24
（一）腦生物神經元之運作----------------------------------------------24
（二）類神經網路的演進------------------------------------------------25
（三）神經元的數學模式------------------------------------------------26
（四）類神經網路之種類與特性------------------------------------------30
（五）倒傳遞網路學習法則----------------------------------------------31
三、行業別售電量預測推估----------------------------------------------36
（一）輸入變數的選擇--------------------------------------------------36
（二）建立預測網路架構------------------------------------------------37
（三）各行業別售電度數預測結果-----------------------------------------40
四、本章結論---------------------------------------------------------41
第肆章、系統網路資料庫架構與設計---------------------------------------42
一、前言------------------------------------------------------------42
二、資料庫系統設計---------------------------------------------------42
三、售電推估服務系統--------------------------------------------------42
四、資料表設計-------------------------------------------------------60
第伍章、行業別負載特性與類神經預測網路模型關聯性分析----------------------60
一、前言------------------------------------------------------------64
二、分析方法---------------------------------------------------------64
三、實例分析--------------------------------------------------------64
（一）網路架構與預測誤差值之關係---------------------------------------66
（二）行業別之夏月平均負載率、尖峰比例、離峰比例-------------------------68
（三）結果分析-------------------------------------------------------69
四、名詞說明---------------------------------------------------------72
第陸章、結論---------------------------------------------------------74
Chapter 6、Conclusion-----------------------------------------------75
參考文獻-------------------------------------------------------------76

[1] 黃鐘慶，黃佳文，2002年，台電系統負載特性調查研究分析，台電電研所
[2] 台電行業別分類表，台灣電力公司。
[3] 高壓需量用戶抄表日程表，2005年，台灣電力公司。
[4] 洪進翔，2003，“電力需量迴歸模型之網路資料庫系統建置”，國立高雄應用科技大學，碩士論文。
[5] 林茂寬，2004，“最適負載管理模式之網路支援系統開發研究”，國立高雄應用科技大學，碩士論文。
[6] 台灣電力公司，1997，台電系統負載特性調查分析研究第二期計畫完成報告。
[7] 台灣電力公司，2003，台電系統饋線負載特性調查研究計畫完成報告。
[8] Yoh-Han Pao, Adaptive Pattern Recognition and Neural Networks , Addison-Wesley Publishing Company, Inc., 1989.
[9] Gail A. Carpenter, Stephen Grossberg, Pattern Recognition By Self-Organizing Neural Network, A Bradford Book, The MIT Press, Cambridge, Massachusetts, IEEE Computer Society., 1989.
[10] Simon Haykin, Neural Network - A Comprehensive Foundation, IEEE Computer Society Press, Sigarpore., 1994.
[11] 葉怡成，2003，類神經網路模式應用與實作，八版，儒林圖書，台北
[12] 曾燕明，1996，“類神經網路於配電系統負載預測及饋線最佳開關操作之應用”，國立中山大學，博士論文。
[13] J. Hopfield, “ Neural Networks and Physical Systems with Emergent Collective Computational Abilities, ” Proceeding of the National Academy of Sciences, Vol. 79, 1982, pp. 2554-2558.
[14] M.Riedmiller and H.Braun, “A Direct Adaptive Method for Faster Backpropagation Learning : The RPROP Algorithm” IEEE Conference on Electrical, Insulation Vol.1,pp.586-591,1993”
[15] 羅華強，2001，類神經網路－MATLAB的應用，清蔚科技發行，新竹
[16] Neural Work Professional II and Neural Works Explorer , Neural Ware Inc. Pittsburgh, U.S.A.
[17] 台灣電力公司，2002年4月，長期負載預測（91年105年）。
[18] 施威銘研究室，2000，SQL Server2000管理實務，初版，旗標發行，台北。
[19] 李勁、謝兆陽編著，2000，SQL Server2000資料庫設計與管理，初版，文魁發行，台北。
[20] 胡百敬著，2004， SQL Server效能調校聖經，初版，學貫行銷發行，台北。
[21] 陳徹工作室編著，VISUAL BASIC 6.0資料庫程式設計實務，2001，松崗發行，台北
[22] 彭明柳編著，VISUAL BASIC 6中文專業版徹底研究，2003，二版，博碩文化發行，台北
[23] 張智星，MATLAB程式設計與應用， 2000版，二版，清蔚科技發行，新竹
[24] Amir Aczel，Jayavel Sounderpandian，商用統計學入門與應用，2002，吳啟聰，美商麥格羅.希爾國際股份有限公司台灣分公司發行，台北
[25] Ashok D. Belegundu and Tirupathi R. Chandrupatla, “Optimization Concepts and Applications in Engineering“, Prentice Hall, 1999.
[26] D.Bitton , and D.J.DeWitt , “A Methodology for Database System Performance Evaluation , ”ACM SIGMOD-International Conference on Management of Data May 1984 ,pp.176-185
[27]Grady Booch, “Object Solutions: Managing the Object-Oriented Project”, Benjamin/Cummings Publishing Company , Inc . , 1996
[28] D. Bell and J. Grimson , “Distributed Database System ”,Addison-Wesley (1992)
[29] M. T. Ozsu and P. Valduriez , “Principles of Distributed Database Syatems, ” Prentice-Hall International Book Company ,1992
[30]M.T. Hagan, and S.M. Behr, “ The Time Series Approach To Short Term Load Forecasting, ” IEEE Trans. on Power System, Vol. PWRS-2, No. 3, August 1987, pp 785-791.
[31]J. D. Farmer, J. J. Sidorwich, “ Predicting Chaotic Time Series. ” Physical Review Letters, Vol. 59, No. 8, 1987, pp. 845-848.
[32]T.M. Peng, N.F. Hubele, G.G. Karady, “ Advancement In The Application of Neural Networks for Short-Term Load Forecasting, ” IEEE Trans. On Power Systems, Vol. 7, No. 1, February 1992, pp. 250-257.
[33]K. L. Ho, Y. Y. Hsu, C. C. Yang, “ Short Term Load Forecasting Using A Multilayer Neural Network With An Adaptive Learning Algorithm, ” IEEE Trans. on Power System, Vol. 7, No. 1, February 1992, pp. 141-149.
[34]M. Minsky and S. Papert, Perceptron, MIT Press, 1969.
[35] H. Mori, K. Itou, H. Uematsu, S. Tsuzuki, “An Artificial Neural-Net Based Method for Predicting Power System Voltage Harmonics, ” IEEE Transaction on Power Delivery, Vol. 7, No. 1, January 1992, pp 402-409.
[36]M.C. Brace, J. Schmidt, and M. hadlin, “ Comparison Of The Forecasting Accuracy Of Neural Networks With Other Established Technique, ” Pressing of First International Forum on Application of Neural Networks to Power System, Seattle, July 23-26, 1991.
[37]Y. Y. Hsu and C. C. Tang, “ Design of Artificial Neural Networks for Short-term Load Forecasting, Part I : Self-organising Feature Maps for day Type Identification, ” IEE Proceedings -C, Vol. 138, No. 5, 1991, pp. 407-413.
[38]Richard A.Johnson, Dean W. Wichern, Applied Multivariate Statistical Analysis, Prentice-Hall, Inc., Englewood Cliff, New Jersey, 1982.
[39] H. Kim, Y. Ko, K. H. Jung, “Artificial Neural-Network Based Feeder Reconfiguration for Loss Reduction in Distribution Systems”, IEEE, Trans. on Power Delivery, Vol. 8, No. 3, July 1993, pp. 1356-1366.
[40] B. Kosko, “Neural Network and Fuzzy Systems ： A Dynamical Systems Approach to Machine Intelligence, ” Neural-Network, Prentic-Hall, 1992