第一節 用電資料延伸發展研究
藉由本研究之低壓AMI 用戶用電資料庫建構過程，電業相關機構未來能夠以此作 為依據，建置巨量用電資料處理系統、加入至現有AMI 系統架構並改善系統效率，視 不同的研究需要，以所屬區處、用電地址等其他變數進行目標用戶篩選，實現動態用 電資料的巨量資料探勘。
隨著物聯網以及家庭能源管理系統 (Home Energy Management System, HEMS)逐漸 發展普及，未來也能以本研究之資料庫建構過程為基礎，針對各電器設備的動態用電 資料，建立能夠彙整、管理資料的資料庫與處理程序。
藉由分析HEMS 當中各電器的的用電行為，將能夠更精確地對用戶進行集群分析 或分類，其分析結果可再回饋至本研究或其他相關AMI 用電資料探勘程序，進行原有 程序的驗證與改良。
doi:10.6342/NTU201702936
而結合用電日期資料標籤的集群分析，已能夠找出目標用戶群在特定時間區間內 的用電行為特徵，未來也能結合其他監督式方法，以不同的變數進一步找出具代表性 的用戶用電行為模式，協助提升時間電價等需求面管理措施的效率。
對於電業機構的的工程單位，藉由本研究的集群分析結果，可再進一步探討、利 用分析結果以降低用電饋線、輸配電設備之例行或臨時性維修對於目標用戶群的影 響，提升用戶用電品質與客戶關係管理。
在資料探勘技術方面，未來可繼續嘗試Spark、MapReduce 等相關資料處理技術，
搭配HDFS、HBase 等不同的資料儲存方式，針對巨量資料建立平行處理架構，讓多台 主機可共同進行運算處理，加快巨量資料的分析速度，在資料預處理階段時也能更有 效地過濾無用的缺漏資料，節省資料倉儲成本。
本研究針對目標用戶群的用電資料探勘，預期能提供需量管理相關措施的決策參 考，改善用電尖峰問題，協助推動需求面管理與智慧電網發展，幫助達成節能減碳、
永續能源等目標。
69 SQL Server，其所支援的中央處理器核心數目、儲存空間等限制情況也各有不 同。實際的開發情況，將會隨著企業或組織的系統開發流程、準則、使用的程 式語言、軟硬體配備等級等各種因素產生差異。
5. 階層式集群法作為一種非監督式機器學習方法，其原理與需預先指定群集數目 的分割式集群法(例：k-means、fuzzy k-means)不同。使用階層式集群法針對高 維度的動態用電資料進行分析，雖能比靜態的總度數資料更能真實反映用戶的 用電行為，但在目標用戶群資料量龐大的情況下，處理效率將會受到影響。
doi:10.6342/NTU201702936
參考文獻
71
英文文獻
【17】 Warren, P. (2015). Demand-Side Management Policy: Mechanisms for Success and Failure. Doctoral thesis, UCL (University College London)
【18】 Cole, A. I. & Albicki A. (1998). Data extraction for effective non-intrusive identification of residential power loads. IEEE Instrumentation and Measurement Technology Conference.
【19】 Verdú, S. V., Garcia, M. O., Senabre C., Marin, A. G. & Franco, F. J. G. (2006).
Classification, Filtering, and Identification of Electrical Customer Load Patterns Through the Use of Self-Organizing Maps. IEEE Transactions on Power Systems, Vol. 21, No. 4
【20】 Zhang, S., Zhang, C. & Yang, Q. (2003). Data Preparation for Data Mining.
Applied Artificial Intelligence, 17:375–381.
【21】 DAMA UK (2013). The Six Primary Dimensions for Data Quality Assessment.
【22】 Dent, I., Aickelin, U. & Rodden, T., (2011). The Application of a Data Mining Framework to Energy Usage Profiling in Domestic Residences Using UK Data.
【23】 Figueiredo, V., Rodrigues, F., Vale, Z.& Gouveia, J. B. (2005). An Electric Energy Consumer Characterization Framework Based on Data Mining Techniques.
【24】 Nizar, A. H., Dong, Z. Y. & Zhao, J. H. (2006). Load Profiling and Data Mining Techniques in Electricity Deregulated Market.
【25】 Gellings, C. W. (1981). Demand-side load management.
【26】 Chou, S. Y. (2003). The application of data mining for liberalization environment of electricity market.
【27】 FERC (2008) FERC report marks significant progress in demand response, advanced metering. Retrieved from https://www.ferc.gov/media/news-releases/2008/2008-4/12-29-08.asp
【28】 Tram, H. (2013). Enterprise Information Management for AMI and Demand Response.
【29】 Zhou, K., Yang, C. & Shen, J. (2017). Discovering residential electricity
consumption patterns through smart-meter data mining - A case study from China.
doi:10.6342/NTU201702936