臺灣博碩士論文加值系統

隨著地球能源資源日益緊張和電費成本逐年上升，節能成為製造業面臨的重要課題。本研究針對企業設備耗電量，提出了一種基於機器學習的設備用電預測與節能監控系統。背景顯示，半導體產業中台積電在110年度的能源總消耗量顯著增加，顯示出對用電監控與預測的迫切需求。為此，本研究的主要目的是通過建立準確的設備用電監控預測系統，實現節能目標。
本研究使用IoT傳感器收集設備運行數據，並利用Tableau進行數據視覺化分析。應用多種機器學習演算法建立預測模型，並進行性能評估。結果表明，所建立的預測模型能夠準確預測設備用電量，並且基於此模型提出的節能措施能有效降低能源消耗。這些結果不僅具有顯著的學術價值，也為實際應用中的節能決策提供了可靠依據。
本研究成果表明，機器學習技術在設備用電預測與管理中具有廣泛應用潛力，未來可以進一步擴展到其他設備的節能監控與預測中，為能源管理領域發展提供新的思路與方法。

This study proposes a machine learning-based system for predicting equipment electricity consumption and monitoring energy savings, focusing on constanthigh energy consumption machines in semiconductor manufacturing. Motivated by TSMC's increased energy consumption in 2021, the research utilizes IoT sensors for data collection and Tableau for visualization. Machine learning algorithms, including regression analysis, are applied to develop and evaluate a prediction model. Results show the model's accuracy in forecasting electricity consumption, with proposed energy-saving measures effectively reducing usage.
The research demonstrates the potential of machine learning in predicting and managing equipment electricity consumption, offering new perspectives for energy management. This approach can be extended to other equipment types, providing valuable insights for both academic research and industry applications in energy conservation. The study's findings have practical implications for energy-saving decisions and contribute to the broader field of energy management in manufacturing.

目 錄
摘 要 I
ABSTRACT II
誌 謝 III
目 錄 I
圖目錄 III
表目錄 IV
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的與貢獻 4
1.4 研究架構及流程 5
第二章 文獻探討 6
2.1 異常偵測 6
2.1.1 管制圖 6
2.1.2 數據異常型態 6
2.2 電力分析 7
2.2.1 常見的電力分析方法 8
2.2.2 電力分析的應用領域 8
2.3 機器學習 9
2.3.1 機器學習算法及應用 10
2.3.2 機器學習在電力分析中的應用 11
2.4 數據視覺化 12
2.5 IoT應用 14
2.6 本研究的應用及創新 15
第三章 研究方法 17
3.1 數據採集 17
3.2 視覺化數據分析 18
3.3 數據預處理與特徵值工程 19
3.4 機器學習演算法 20
3.5模型預測表現評估指標 24
3.6 模型訓練策略 24
第四章 研究結果 26
4.1 機器學習模型訓練 26
4.2 影響耗電重要因子分析 27
4.3 差異分析與視覺化 29
4.4 差異分析進行洩漏改善 30
4.5 模型監控機制 32
4.6 建立用電預測與節能監控系統 35
第五章 結論與展望 37
5.1 研究結論 37
5.2 未來展望 37
參考文獻 39

參考文獻
中文文獻
1.王筱雯. （2021）. 台灣高壓用電趨勢視覺化分析. 淡江大學淡江大學暨澳洲昆士蘭理工大學財金全英語雙碩士學位學程學位論文, 2021, 1-104.
2.林洋慶. （2022）. 使用 XGboost 預測加密貨幣價格及設計交易策略. 國立臺灣大學資訊工程學系學位論文, 2022, 1-58.
3.張哲瑜. （2017）. 使用電力資訊進行主動式學習以應用於家電異常偵測. 國立臺灣大學工程科學及海洋工程學系學位論文, 2017, 1-46.
4.廖思閔（2023）。應用機器學習於預測桃園市房價。﹝碩士論文。元智大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/4ggwu2。
5.駱景堯, & 楊其龍. （1998）. 製程間具相關數據之趨勢模型偵測探討. 大葉學報, 7（1）, 103-115.

外文文獻
1.Aljubran, J., Nwosu, C., Okoroafor, E., Smith, C., & Gudmundsdottir, H. （2022）. Recent Trends in Artificial Intelligence for Subsurface Geothermal Applications. In 47th Workshop on Geothermal Reservoir Engineering Stanford University, California.
2.Ayvaz, S., & Alpay, K. （2021）. Predictive maintenance system for production lines in manufacturing: A machine learning approach using IoT data in real-time. Expert Systems with Applications, 173, 114598.
3.Chen, C., Duan, S., Cai, T., Liu, B., & Hu, G. （2011）. Smart energy management system for optimal microgrid economic operation. IET renewable power generation, 5（3）, 258-267.
4.Chen, T., & Guestrin, C. （2016, August）. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining （pp. 785-794）.
5.Chou, J. S., & Telaga, A. S. （2014）. Real-time detection of anomalous power consumption. Renewable and Sustainable Energy Reviews, 33, 400-411.
6.Chu, Z., Yu, J., & Hamdulla, A. （2021）. Throughput prediction based on Extra Tree for stream processing tasks. Computer Science and Information Systems, 18（1）, 1-22.
7.Jiang, H., Yin, Z., & Kaynak, O. （2021）. Predictive maintenance in smart factories: An AI-based approach. IEEE transactions on industrial informatics, 17（1）, 664-673.
8.Li, Z., Shahidehpour, M., Alabdulwahab, A., & Abusorrah, A. （2016）. Anomaly detection in energy consumption: A machine learning perspective. Electric Power Systems Research, 140, 524-538.
9.Ma, Y., Borrelli, F., Hencey, B., Coffey, B., Bengea, S., & Haves, P. （2011）. Model predictive control for the operation of building cooling systems. IEEE Transactions on control systems technology, 20（3）, 796-803.
10.Md. Akbar Hossain , Nawrin Zaman & Mahmuda Begum （2022,November） Explainable Artificial Intelligence to Improve Human Decision Support in Heart Disease - Scientific Figure on ResearchGate., 3658-414.
11.Mitchell, T. M., & Mitchell, T. M. （1997）. Machine learning （Vol. 1, No. 9）. New York: McGraw-hill.
12.Montgomery, D. C. （2019）. Introduction to statistical quality control. John wiley & sons.
13.Nasteski, V. （2017）. An overview of the supervised machine learning methods. Horizons. b, 4（51-62）, 56.
14.Oprea, S. V., Bâra, A., Puican, F. C., & Radu, I. C. （2021）. Anomaly detection with machine learning algorithms and big data in electricity consumption. Sustainability, 13（19）, 10963.
15.Singh, S., Yassine, A., & Benlamri, R. （2018, August）. Towards hybrid energy consumption prediction in smart grids with machine learning. In 2018 4th International Conference on Big Data Innovations and Applications （Innovate-Data） （pp. 44-50）. IEEE.
16.Tranmer, M., & Elliot, M. （2008）. Multiple linear regression. The Cathie Marsh Centre for Census and Survey Research （CCSR）, 5（5）, 1-5.
17.Tan, W., Zhao, X., & Ji, Y. （2012）. Industrial energy management system for energy-intensive enterprises. IEEE Transactions on Industrial Informatics, 8（3）, 310-320.
18.Vidyullatha, P., & Rao, D. R. （2016）. Machine learning techniques on multidimensional curve fitting data based on R-square and chi-square methods. International Journal of Electrical and Computer Engineering, 6（3）, 974.
19.Ware, C. (2019). Information visualization: perception for design. Morgan Kaufmann.

其他文獻
1.工業技術研究院EPCIO（2015） ,IEC 68-2可靠度測試。檢自 https://www.epcio.com.tw/quality/reliability.aspx//www.epcio.com.tw/quality/reliability.aspx
2.台積電。（2021）。110年台積電永續發展報告書。檢自 https://esg.tsmc.com/download/file/2021_sustainabilityReport/chinese/c-all.pdf
3.台電公司。（2022）。歷年電價統計。檢自 https://www.taipower.com.tw/upload/43/43_04/%E6%AD%B7%E5%B9%B4%E7%B5%B1%E8%A8%88/%E6%AD%B7%E5%B9%B4%E5%B9%B3%E5%9D%87%E9%9B%BB%E5%83%B9（34-111）.pdf
4.聯合國（2015）。永續發展目標（Sustainable development goals）。檢自 https://sdgs.un.org/goals
5.Ivan ,L.（2020）。R數值預估評估方法。檢自https://rpubs.com/ivan0628/numerical_model_evaluation
6.Singh, N.（2023）。Unlocking Bagging’s Power: Achieving‘Low Bias and Low Variance’with Bagging Classifiers and Regressors. AI Mind. 檢自https://www.linkedin.com/pulse/bagging-raji-shanmugam-yp6sc
7.Huang, T.（2018）。交叉驗證。檢自https://chih-sheng-huang821.medium.com/%E4%BA%A4%E5%8F%89%E9%A9%97%E8%AD%89-cross-validation-cv-3b2c714b18db
8.Tableau軟體公司網頁（2024）。檢自 https://www.tableau.com/zh-tw/