本文旨在應用數位影像處理技術搭配建構的類神經網路，針對氣體絕緣開關(gas insulated switchgear, GIS)進行內部瑕疵辨識之研究，研究主要分為局部放電訊號實地量測，並運用類神經網路針對量測資料之放電次數相位解析(N-Q-Φ)圖譜進行瑕疵辨識。本次研究的被試物為三具簡易型的GIS，並於工廠製作組裝過表中分別在內部設置特定相異的瑕疵。將所量測到的局部放電數據，經過濾波、化簡與資料轉換後得到N-Q-Φ圖。利用影像內插法與二維小波轉換針對相位解析圖進行資料化簡與特徵萃取，並建構三層前饋式倒傳遞類神經網路。經過影像處理後的N-Q-Φ圖譜，可減少輸入類神經元個數，有效降低類神經網路的複雜度提高其運算效率。將特徵萃取後之N-Q-Φ圖輸入至類神經網路，進行GIS內部瑕疵之辨識，並針對不同輸入的網路其成功辨識率進行探討，可發現輸入資料若為經過二維小波轉換之近似係數的低頻成分子函數，在選定的三個電壓等級皆可大幅提升其辨識率，且最高的辨識率已到達96.83%。

This paper aims using digital image processing technology with the construction of neural network for gas insulated switchgear internal defect detection. The study mainly divided into partial discharge signals measured in the field and use of neural network for phase resolved pattern defect identification. The study objects are three simple type of gas-insulated switchgear with different prefabricated defects, measurement of partial discharge data, filtering, simplification and data conversion to get phase resolve pattern. Image interpolation and two-dimensional wavelet transform are employed for phase resolve pattern data simplification and feature extraction, and a three-layer feed-forward back-propagation constructs neural network. The image processing of phase resolve pattern can reduce the number of neurons in the input layer. Reducing number of neurons effectively reduces the complexity of the neural network and improves its operation efficiency. Phase resolve pattern through feature extraction is input of the the neural network to identify the internal defects of the gas insulated switchgear and explore for different input network to its success recognition rate, then can find the input low frequency components vector sub-function of similar composition after a two-dimensional wavelet transform that significantly enhances the recognition rate in the selected three voltage levels. The highest recognition rate reaches 96.83%.

摘要 I
Abstract II
目錄 IV
圖目錄 VI
表目錄 IX
第一章 緒論 1
1.1. 背景與動機 1
1.2. 目的與方法 3
1.3. 論文章節簡述 5
第二章 局部放電試驗架構與氣體絕緣開關介紹 7
2.1. 氣體絕緣開關設備(被試物介紹) 7
2.2. 局部放電量測與試驗架構 12
第三章 類神經網路簡介 15
3.1. 背景簡介 15
3.2. 類神經網路 17
3.3. 倒傳遞類神經網路 24
第四章 小波轉換理論 30
4.1. 背景簡介 30
4.2. 時頻分解 31
4.3. 連續小波轉換 35
4.4. 離散小波轉換 39
4.5. 二維離散小波轉換 43
第五章 氣體絕緣開關內部瑕疵辨識 46
5.1. 瑕疵辨識試驗研究流程 46
5.2. 試驗資料處理流程 47
5.3. 類神經辨識系統 60
5.3.1. 系統建構 60
5.3.2. 類神經網路訓練 61
第六章辨識結果與討論 64
6.1. 訂定成功辨識標準 64
6.2. 二維小波轉換成分的瑕疵辨識率探討 66
6.3. 運用影像內插法及二維小波轉換層數之瑕疵辨識率探討 69
6.4. 隱藏層神經元個數與瑕疵辨識率關係之探討 72
第七章 結論與未來展望 74
7.1. 本文結論 74
7.2. 未來展望 76
參考文獻 78

[1]張建國，「地下電纜接頭局部放電線上監控系統之研製」，碩士論文，國立臺灣科技大學，民國九十五年。
[2]M. Ono, Y. Matsuyama, N. Otaka, T. Yamagiwa and T. Kato, “Experience of Gis Condition Diagnosis using Partial Discharge Monitoring by UHF Method,” in Proc. 2008 IEEE Condition Monitoring and Diagnosis, Beijing, China, April 21-24.
[3]Zhou Qian, Liu Yu, Tang Ju and Xie Yanbin, “Classification of UHF Partial Discharge in GIS Using Optimal Complex Wavelet-based Features,” in Proc. 2008 IEEE High Voltage Engineering and Application, Chongqing, China, November 9-13, pp. 701-704.
[4]C. S. Chang, J. Jin, C. Chang, T. Hoshino, M. Hanai and N. Kobayashi, “Online Source Recognition of Partial Discharge for Gas insulated Substations Using Independent Component Analysis,” IEEE Trans. Dielectrics and Electrical Insulation, Vol. 13, No. 4, pp. 892-902, August 2006.
[5]S. Rudd, S. D. J McArthur and M. D. Judd, “A Generic Knowledge-based Approach to the Analysis of Partial Discharge Data,” IEEE Trans. Dielectrics and Electrical Insulation, Vol. 17, No. 1, pp. 149-156, February 2010.
[6]「電氣開關實務」，IOSH安全資料表。
[7]溫坤禮，粘孝先，「高壓電工程」，全華圖書，民國九十二年。
[8]吳天得，「變電工程」，全華圖書，民國八十八年。
[9]朱德恒，嚴璋，「高電壓絕緣」，清華大學出版社，2007。
[10]郭政謙，「局部放電應用於GIS之絕緣狀態評估」，高壓局部放電及避雷器量測儀診斷技術研討會，2010。
[11]“High-voltage Test Techniques-partial Discharge Measurement,” IEC60270, 2000.
[12]陳駿德，「運用時間序列指標於設備之故障檢測研究」，碩士論文，聖約翰科技大學，民國九十八年。
[13]蔡瑞煌，「類神經網路概論」，三民書局，民國八十四年。
[14]焦李成，「神經網路系統理論」，儒林圖書，1991。
[15]葉怡成，「類神經網路模式應用與實作」，儒林圖書，1993。
[16]董崴，「應用類神經網路於即時性評估交鏈聚乙烯絕緣狀態之研究」碩士論文，國立臺灣科技大學，民國九十九年。
[17]羅華強，「類神經網路-MATLAB的應用」，高立圖書，民國九十四年。
[18]繆紹綱，「數位影像處理 活用Matlab第二版」，全華圖書，民國九十九年。
[19]林漢偉，「應用二維小波轉換與類神經網路於比流器局部放電圖譜之辨識」，碩士論文，國立臺灣科技大學，民國九十三年。
[20]A. Grossman and J. Morlet. “Decomposition of Hardy Functions into Square Integrable Wavelet of Constant Shape,” SIAM J. of Math. Anal., 15(4):723-736, July 1984.
[21]連國珍，「數位影像技術處理」，儒林圖書，2007年。
[22]C. M. Pun and M. C. Lee, “Rotation-invariant Texture Classification Using a Two-stage Wavelet Packet Feature Approach,” in Proc. 2001 IEEE Image and Signal Processing, Vol. 184, pp. 422-428.
[23]S.G. Mallet, “Wavelet for a Vision,” in Proc. 1996 IEEE Image Analysis and Interpretation, Vol. 84, No.4, pp. 604-614.
[24]C. Yim, W. N. Klarquist and A. C. Bovik, “Multiresolution Feature Extraction Based on Multifrequency Decomposition,” IEEE International Conference on Systems, Man, and Cybernetics, Vol. 3, pp. 2384-2389, 1994.
[25]Alasdair McAndrew, Jung-Hua Wang and Chun-Shun Tseng著，劉震昌審譯，「數位影像處理」，聖智學習，2010。
[26]方世榮，張文賢，「統計學導論」，華泰文化，2010年7月。