臺灣博碩士論文加值系統

　　高壓負載啟斷開關（LBS, Load Break Switch）為一種經濟型保護開關，適用於做一般性設備保護，具有消弧室（Arcing Chamber）及電力熔絲（Power Fuse），所以在系統正常時能啟斷正常負載及過載電流，可作為變壓器組過電流保護（Overcurrent Protection）。而當故障異常電流的產生時，會造成高壓負載啟斷開關接點熔損、導致下一階設備損壞，故經試驗合格之產品，始得保證產品品質及用電安全。然目前國內無合格的瞬時短時試驗環境，故須送請國外試驗，送驗時間冗長、費用昂貴、申請手續繁雜。
　　故本研究將運用倒傳遞神經網路（BPN, Back propagation network）原理為基礎，建立電阻值變化之預測模型，以有效預測電阻值變化、掌握產品使用壽命，預測合格之產品送國外試驗，以降低送驗不合格發生機率。影響因子的確認，是依長期以來以個案公司內部專業認定的影響因子及品質表現，透過設備工程師蒐集接觸電阻實驗相關數據，利用獲得之數據資料建立倒傳遞神經網路學習模型，並獲得2000次接觸電阻預測學習模型，由於每千次實驗所需耗費二週左右的時間，故學習模型的建立可省卻該實驗時間，且可提供品質更穩定之設備以送國外試驗機構認證。
　　依據國際電工技術委員會（IEC, International Electrotechnical Commission）國際規範，機械操作僅需施作1000次啟斷、閉合操作，且電阻值變化不超過20%即符合規定，但當操作機構（Operating Mechanisms）在無法正常啟斷、閉合情況下，故障電流（Fault Current）將會在電力饋線的其它保護設備下動作跳脫，但負載啟斷開關不具有此項保護能力，因此2000次更嚴格的機械操作試驗電阻值預測有其必要性。
　　倒傳遞神經網路適用於處理非線性的時間序列預測，具有之高速計算能力、回想速度快、學習精度高、容錯能力等優點進行資料學習及分析，且於多方資料顯示非線性關連因子資料之預測仍以倒傳遞網路之準確度較高，故採用此研究方法預測負載啟斷開關電阻值變化。本研究利用產業之實際實驗資料進行預測，將所蒐集的75筆資料導入倒傳遞神經網路進行學習以建立學習模型，並以另外蒐集的20筆資料驗證已完成學習之學習模型，得知學習模型之預測績效度高達98.87%，將以此學習模型提供該個案公司運用於管理決策上。

　　The Load Break Switch (LBS) is an economical type of protection switch, which is applicable to general facilities protection. With arcing chamber and power fuse, LBS, an over current protection for the main transformer, can open up normal load and shut down overload current when system is in the normal state. In the other way, the abnormal/ over rated current will cause the contacts of LBS burn-out and lead to next stage equipment damage. To ensure product quality and safety use of electricity, the product has to go through the test of Voltage Dips and Short interruptions. Since there is no qualified agency for the test of Voltage Dips and Short interruptions in Taiwan, the examination therefore has to be undertaken abroad with lengthy time, higher cost, and complicated application process.
　　This study will use the BPN approach to establish the model of numerical values of electrical impedance to predict product life cycle and the qualified products will then reduce the failure rate for oversea examination. The selection of influence factors and quality performance of this BPN network model is based on the long term basis of data collection by the equipment engineers in the case company and using the collected data to establish BPN learning model to predict two thousand times contact resistance experiment result. Normally, contact resistance experiment required two weeks per thousand times, therefore, the establishment of learning model will save the experimental time and provide a more stable quality of the device for certification.
　　According to the International Electro Technical Commission (IEC) specification, mechanical operations qualification test only required one thousand switching with less than 20% changes of resistance value. However, if there is fault current go through the device, the mechanical operation switching will be abnormal, and normally, the feeder switching will trip the protection relay and interrupt the power. Since there is no protective mechanism in load break switches, it is necessary to forecast two thousand times mechanical operation resistance value.
　　BPN applies to predict the non-linear time series processing and it possesses high speed calculating, fast reviewing, great learning precision, fault tolerance capability, and etc. to carry out studies and analysis of data so as to predict the load break switch resistance value changes process. Hence, the BPN approach is selected in this study to predict LBS resistance value changes. This study adopts actual data from industry and establishes BPN network learning model with 75 data. The other 20 data will be used to verify the completion learning model and the result shows the learning model’s accuracy reaches 98.87%, which indicates this learning model can be definitely used as one of the crucial factors in the management decision making process in this case company.

誌　謝　　　　　i
摘　要　　　　　ii
ABSTRACT　　　iii
目　次　　　　　iv
表　次　　　　　vi
圖　次　　　　　vii
第壹章　緒論　　　　　　　　1
　第一節　研究背景　　　　　1
　第二節　研究動機　　　　　2
　第三節　研究目的　　　　　3
　第四節　研究範圍　　　　　4
　第五節　研究流程　　　　　5
　第六節　論文架構　　　　　6
第貳章　文獻探討　　　　　　7
　第一節　負載啟斷開關（LBS, Load Break Switch）　　　　7
　第二節　類神經網路（ANN, Artificial Neural Network）15
　第三節　預測（Prediction）　　　　　　　　　　　　　　　20
　第四節　預測方法　　　　　22
第參章　研究方法　　　　　　34
　第一節　決定神經元數　　　34
　第二節　決定網路層數架構及網路參數設定　　　　　　　　　　35
第肆章　結果討論　　　　　　41
　第一節　已建立之學習模型　41
　第二節　本論文的優劣點　　47
　第三節　文獻差異性比較　　48
第伍章　結論展望　　　　　　50
參考文獻　　　　　　　　　　52
附　錄　　　　　　　　　　　56

[1]于宗先(民61年)，經濟預測，大中國圖書公司。
[2]王廷興(民95年)，配電工程（五），台北科技大學冷凍空調系。民102年6月取自www.teac.org.tw/t00007.ppt‎
[3]日亞TQB0017-05主回路電阻測試基準(民100年)，第11項。
[4]台灣電力公司材料標準(民100年)，地下四路自動開關LBS接點硬度檢查標準，3W1694(0)。
[5]台灣電力公司材料標準Y234(100-12)(民100年)，第4.4項，第8頁。
[6]台灣電力公司材料標準Y234(100-12) (民100年)，第12項，第29頁。
[7]呂文斌博士(民102年)，民102年6月取自http://www.me.cycu.edu.tw/uploads/107.pdf。
[8]李宗霖等(民101年)，類神經網路預測2020年台灣海域海平面變遷之研究，第34屆海洋工程研討會論文集，國立成功大學，第529-534頁。
[9]周開利、康耀紅編著(民95年)，神經網路模型及其MATLAB仿真程序設計，清華大學出版社，北京，第135頁。
[10]林惠玲、陳正倉編著(民96年)，應用統計學，雙葉書廊有限公司，第329頁。
[11]邱天嵩等(民99年)，倒傳遞類神經軟體判別模式，亞東學報第30期，第167~184頁。
[12]品元企業股份有限公司(民102年)，目錄，民102年6月取自http://www.tecc.com.tw/image/%E7%92%B0%E4%BF%9D%E6%9D%90%E8%B3%AA.pdf。
[13]施柏屹(民89年)，倒傳遞類神經網路學習收斂之初步探討，國立中央大學機械工程研究所。
[14]祥正電機股份有限公司(民102年)，民102年6月取自http://www.hc.com.tw/tw-prod/ftu2000.htm。
[15]陳宏義(民102年)，我國高壓用電設備試驗與審查制度建立之探討，財團法人台灣大電力研究試驗中心，民102年6月取自http://www.tertec.org.tw/_report/R980107.pdf。
[16]陳鈞華等(民100年)，類神經網路於FWS人工溼地空心菜產量和面積預測之研究，水利會訊，第125-128頁。
[17]陳慶瀚(民98年)，多層前饋式神經網路（Multi-layer Feed-forward Neural Network），民102年6月取自http://ccy.dd.ncu.edu.tw/~chen/course/Neural/ch2/mfnn.htm。
[18]智庫.百科(民102年)，MBALIB，民102年6月取自http://wiki.mbalib.com/zh-tw/%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0。
[19]黃文璋(民102年)，機率統計網路學習館資料收集，統計集注，變異係數與相關係數，名詞解析，國立高雄大學統計學研究所，國科會研究計畫支持，民102年6月取自http://stat.nuk.edu.tw/prost/content2/statics_6.htm。
[20]黃豐裕、黃怡詔(民101年)，倒傳遞類神經網路於電量需求預測之應用，國立屏東科技大學工業管理學系第十五屆決策分析研討會。
[21]屋內線路裝置規則（民100年），經濟部能源局，經濟部經能字第一０００四六０七二三０號令修正發布第二百四十一條條文，第四百零一條。
[22]經濟部能源局(民101年)，經濟部認可檢驗機構與原製造廠家及高壓用電設備施行試驗作業要點，經授能字第10103011201號令修正。
[23]經濟部能源局(民102年)，高壓用電設備試驗審查資訊系統，高壓用電設備試驗審查試驗標準及試驗項目，表2-5高壓氣體絕緣開關設備(GIS)試驗項目，民102年6月取自http://210.242.136.170/power/str.html。
[24]葉怡成(民98年)，類神經網路模式應用與實作，儒林圖書有限公司。
[25]劉俊杰等(民94年)，類神經網路應用於反彈值推估混凝土抗壓強度可行性研究，臺灣公路工程，第32卷第5期，第2-14頁。
[26]劉應興(民87年)，非線性迴歸與相關分析：應用線性迴歸模型（補編），華泰文化。
[27]鄧世剛、劉達明、謝三良(民100年)，應用倒傳遞類神經網路於步槍射擊精準度預測，中正嶺學報第四十卷第一期，第189-200頁。
[28]賴碧瑩(民96年)，應用類神經網路於電腦輔助大量估價之研究，住宅學報，第十六卷第二期學術論著，第43-65頁。
[29]謝朋昇(民97年)，應用類神經網路於國產汽車銷售預測之研究，大葉大學工業工程與科技管理學系碩士在職專班碩士論文。
[30]蘇木春、張孝德(民86年)，機械學習類神經網路、模糊系統以及基因演算法則，全華出版社，民86年。
[31]蘇朝墩(民98年)，六個標準差，前程文化。
[32]A. Korn Granino(1995), Neural networks and fuzzy-logic control on personal computers and workstations, Cambridge, Mass MIT Press.
[33]Battiti, R.,(1985), First and Second Order Methods for Learning: Between Steepest Descent and Newton’s Method, Neural Computation, Vol.9, pp.147-169.
[34]Cavalieri, S., Maccarrone, P., and Pinto,R.,(2004), Parametric vs. neural network model for the estimation of production costs: A case study in the automotive industry, International Journal of Production Economics, Vol. 91, pp. 165-177.
[35]Dennis, J., and Schnabel, R.,(1983), Numerical Methods for Unconstrained Optimization and Nonlinear Equations, Prentice Hall, NJ,.
[36]Greese, R., and Li, L.,(1993), Cost Estimation of Timber Bridges Using Neural Network, Cost Engineering, Vol. 37, No. 5, pp.17-22.
[37]Hagan, T., Demuth, H., and Beale, M., (1996), Neural Network Design, MA: PWS Publishing.
[38]Haykin, S.,(1999), Neural Networks – A Comprehensive Foundation 2nd Edition, Prentice Hall.
[39]Hinton, G., Sejnowski, T., and Ackley, D.,(1985), Learning Algorithm for Boltzman Machines, Cognitive Science, Vol.9, pp.147-169.
[40]Lippmann, R.,(1987) An Introduction to Computing with Neural Nets, IEEE ASSP MAGAZINE, pp. 4-22.
[41]Minitab(2013)，Minitab Statistical Software，Retrieved JUN 29, 2013, from http://minitab.com.tw/TechSupport/mss/faq983.html。
[42]Montgomery, D.,(2001), Design and Analysis of Experiments 5th Edition, JOHN WILEY &; SONS.
[43]Murat, H., and Zeynep, S.,(2004), A neural network approach for early cost estimation of structural systems of buildings, International Journal of Project Management, Vol. 22, pp. 295-602.
[44]Verlinden, B., Duflou, J., Collin, P., and Cattrysse, D., (2008), Cost estimation for sheet metal parts using multiple regression and artificial neural networks: A case study, International Journal of Production Economics, Vol. 111, pp. 484-492.
[45]Zhang, Y., and Fuh, J., (1998), A Neural Network Approach for Early Cost Estimation of Packaging Products, Computer and Industrial Engineering, Vol. 34, No. 3, pp. 433-450.