臺灣博碩士論文加值系統

摘要
本文研究之目的是針對高壓用電戶其電力設備系統中的高壓斷路器(Circuit Breakers)的殘餘使用壽命(Residual Useful Lifetime)做預測。目前的高壓斷路器設備使用壽命多為該設備出廠前所擬定的可靠度測試所提供，其測試條件多為固定式。例如工作溫度、額定電壓、額定電流均為一定值的情況。但斷路器設備在實際現場工作時其工作(環境)條件是變動的，故產生現存的壽命預估結果與實際並不符合的現象發生。為了精確預測產品使用後的壽命，必需採取定期檢測產品的健康狀態並預測其殘餘使用壽命。
故本文將採用利用歷年來的歲修停電檢驗量測的絕緣電阻值作為分類與預測的依據，預測斷路器設備的殘餘使用壽命，來提前告知用戶做汰換更新，以減少用戶的營業損失及提高用電品質與供電設備的可靠度及維護度。








關鍵字：斷路器、機器學習、監督式學習、決策樹演算法、二次指數平滑法

ABSTRACT
The purpose of this essay is to focus on the prediction of the circuit breakers’ residual useful lifetime in the electric equipment for High Voltage customer . Now the circuit breakers’useful lifetime is mostly provided by the reliability which is set up before leaving the factory. Its test conditions are mostly fixed. Such as work temperature; limited electric pressure; limited electric current are all set up in some fixed numerical numbers. But circuit breakers in reality are changeable in different environmet conditions, so the estimates lifetime will be not coincide with the real lifetime. In order to accurately predict the lifetime after using, we have to detect and test the healthy state of the products and predict its remnant lifetime regularly.
Therefore, the essay will in accordance with the test statistics during the electric power cut over the years to classify and predict so as to tell customers to renew their equipments in advance. Hope to reduce customers’operating damage and raise both the electric quality and the reliability in the products.







Keywords：Circuit Breakers, Machine Learning, Supervised Learning, Decision Tree Algorithms, Second Exponential Smoothing Algorithms

目錄
摘要 I
ABSTRACT II
謝誌 III
目錄 IV
圖目錄 VII
表目錄 IX
第一章緒論 1
1- 1研究背景 1
1-1- 1斷路器的研究背景 1
1-1- 2機器學習的研究背景 3
1- 2研究動機與目的 3
1- 3研究方法 4
1- 4論文架構 4
第二章 機器學習理論 6
2-1機器學習 6
2-1-1機器學習的種類 6
2-2決策樹演算法 7
2-3二次指數平滑法 18
2-3-1　指數平滑公式 18
2-3-2指數平滑公式α的選擇 19
2-3-3指數平滑公式-均方誤差 27
2-3-4指數平滑公式-預測 31
第三章 利用R語言實現數據分類與殘餘使用壽命預測 33
3-1建立分類模型 33
3-2建立殘餘使用壽命預測模型 40
第四章 研究結果與討論 44
4-1 研究的數據 44
4-2斷路器的健康狀態分類結果 46
4-3殘餘使用壽命的預測結果 49
4-3-1 CB-1斷路器殘餘使用壽命預測結果 50
4-3-2 CB-2斷路器殘餘使用壽命預測結果 53
4-3-3 CB-3斷路器殘餘使用壽命預測結果 54
第五章 結論與未來展望 58
5- 1結論 58
5- 2未來展望 59
參考文獻 60
附錄 62
附錄 A 62
828筆(80%)分類訓練資料 62
204筆(20%)測試資料 84
附錄 B 89
CB-1~CB-10斷路器歷年歲修保養數據表 89
附錄 C 116
2007年斷路器分類數據表 116
2007年斷路器分類結果表 118
附錄 D 120
決策樹斷路器分類程式碼 120
CB-1斷路器殘餘使用壽命預測程式碼 124
附錄 E 146
CB-1斷路器歷年歲修保養數據表 146
CB-2斷路器歷年歲修保養數據表 150
CB-3斷路器歷年歲修保養數據表 153

參考文獻
[1] 典藏版資料(民國72年)，中華百科全書，斷路器
http://ap6.pccu.edu.tw/Encyclopedia_media/main-usesc.asp?id=6976
[2] 每日頭條(2016/8/21)，電工小知識盤點：真空斷路器和空氣斷路器的區別
https://kknews.cc/news/rxl3kv.html
[3] 華儀電子(2016/6/25)，絕緣阻抗測試(IR)簡述
http://www.eecgroup.com.tw/article/article81.html
[4] 黃勝祿、邱敏彥、李長興、顏世雄(2014/11)，絕緣電阻要高或低，電力技術專欄 電力人•第十六期。
[5] 維基百科(2017/6/25)，自由的百科全書，機器學習。
https://zh.wikipedia.org/
[6] 李仁鐘，“應用R語言於資料分析：從機器學習、資料探勘到巨量資料” 初版，松崗資產管理股份有限公司，中華民國104年6月。
[7] 黃文、王正林，“利用R語言打通大數據的經脈”第二版，佳魁資訊，中華民國2016年2月。
[8] MBA(2017/6/25)，智庫百科，機器學習。
http://wiki.mbalib.com/zh-tw/
[9] Microsoft Azure(2017/4/25)，如何選擇 Microsoft Azure Machine Learning 的演算法
https://docs.microsoft.com/zh-tw/azure/machine-learning/machine-learning-algorithm-choice
[10] Hsinlan Chen(2016/7/21)，【硬塞科技字典】什麼是機器學習（Machine Learning）？
https://www.inside.com.tw/2016/07/21/what-is-machine-learning
[11] 陳士杰，決策樹學習 Decision Tree Learning Decision Tree Learning，
國立聯合大學 資訊管理學系
http://sjchen.im.nuu.edu.tw/MachineLearning/final/CLS_DT.pdf
[12] 梁德馨、葉建良，消費者信用貸款違約風險評估模型之研究 - 以 CART 分類與迴歸樹建模，中山管理評論期刊，2007年11月6日。
[13] MBA(2017/6/25)，智庫百科，二次指數平滑法。
http://wiki.mbalib.com/zh-tw/
[14] 蔡宗憲、李治綱，一個混合時間序列法與指數平滑法的預測流程：列車旅運需求預測之應用，運書學刊第二十四卷第一期。中華民國101年3月，99~118頁。
[15] 徐大江，預測模型參數的指數平滑估計法 及其應用的進一步研究，浙江財經學院經濟數學教研室期刊，1999年2月。
[16] 李輝煌，“田口方法-品質設計的原理與實務”四版三刷，高立圖書有限公司，中華民國102年8月。