Index>DB Index>Dunn’s Index，PBM Index 配合 K-Means 分群演算法結果較 好，而 DB Index 配合 K-Medoids 分群演算法的預測結果較優。預測方法準確度 為支持向量回歸 >ARIMA 模型 >ε-LookBack-N 。支持向量回歸加入環境變因 後，其環境變因對支持向量回歸的重要性為樓層 > 假日 > 溫度，由於我們將不
在未來，我們希望可以加入更大量的用電資料，改善預測準確度。在本研 究資料中，只使用台北地區的用電資料，未來希望可以有更多地區的用電資訊，
並研究用電量與地域性相關程度。我們也希望可以建立氣象預測模式，利用氣象 預測用電量。其預測模型可以幫助電力業者作用電預測，適時調整發電量，有效 率的配送電能，以達到節能省碳之目的。
除了預測更準確的用電量之外，希望可以提出異常用電量警告通知，在異 常用電量警告的幫助下，用電戶可以即時了解目前家中用電狀況，且立即檢查並 關閉未使用之電器用品，如此不僅可幫助用戶節省電費，還可幫助消費者本身調 整用電習慣，更可以使電力公司提高供電效率，減少電力消耗，進而達到達到節 約能源、有效利用資源、永續經營之目的。相信本研究之研究成果，對於智慧電 表系統以及智慧電網，將可做出具體且正面的貢獻，同時更能進一步促進智慧電 網的未來發展，以及各項智慧電網的加值創新應用。
參考文獻
[1] R. http://www.r-project.org/.
[2] Taiwan Power Company. http://www.taipower.com.tw/.
[3] E. Castillo, B. Guijarro, and A. Alonso. Electricity load forecast using func-tional networks. In Electricity Load Forcast Using Intelligent Technologies, page 75–84. EUNITE: The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002.
[4] C.-C. Chang and C.-J. Lin. Libsvm: A library for support vector machines.
ACM Trans. Intell. Syst. Technol., 2(3):27:1–27:27, May 2011.
[5] R.-S. Chang, C.-Y. Kuo, and Y.-H. Ho. A survival analysis based approach for mdms missing data treatment. In Wireless and Sensor Networks Conference, number 61, August 2012.
[6] B.-J. Chen, M.-W. Chang, and C.-J. Lin. Load forecasting using support vector machines: a study on eunite competition 2001. Power Systems, IEEE Transactions on, 19(4):1821–1830, 2004.
[7] D. L. Davies and D. W. Bouldin. A cluster separation measure. Pattern Analysis and Machine Intelligence, IEEE Transactions on, PAMI-1(2):224–
[9] D. Esp. Adaptive logic networks for east slovakian electrical load forecasting.
In Electricity Load Forcast Using Intelligent Technologies, page 55–74. EU-NITE: The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002.
[10] A. Jain and B. Satish. Clustering based short term load forecasting using support vector machines. In PowerTech IEEE Bucharest, page 1–8, 2009.
[11] W. Karush. Minima of functions of several variables with inequalities as side constraints. Master’s thesis, Dept. of Mathematics, Univ. of Chicago, 1939.
[12] L. Kaufman and P. J. Rousseeuw. Finding Groups in Data: An Introduc-tion to Cluster Analysis (Wiley Series in Probability and Statistics). Wiley-Interscience, 1st. edition, March 2005.
[13] W. Kowalczyk. Averaging and data enrichment: Two approaches to electricity load forecasting. In Electricity Load Forcast Using Intelligent Technologies, page 209–218. EUNITE: The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002.
[14] H. W. Kuhn and A. W. Tucker. Nonlinear programming. In Second Berkeley Symposium on Mathematical Statistics and Probability, page 481–492, 1951.
[15] A. Lewandowski, F. Sandner, and P. Protzel. Prediction of electricity load by modeling the temperature dependencies. In Electricity Load Forcast Using Intelligent Technologies, page 107–114. EUNITE: The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002.
[16] T. W. Liao. Clustering of time series data—a survey. Pattern Recognition, 38(11):1857 – 1874, 2005.
[17] A. Lotfi. Application of learning fuzzy inference systems in electricity load forecast. In Electricity Load Forcast Using Intelligent Technologies, page 123–
130. EUNITE: The European Network on Intelligent Technologies for Smart Adaptive Systems, 2002.
[18] J. B. MacQueen. Some methods for classification and analysis of multivari-ate observations. In Proc. of the fifth Berkeley Symposium on Mathematical Statistics and Probability, volume 1, page 281–297. University of California Press, 1967.
[19] R. De Maesschalck, D. Jouan-Rimbaud, and D.L. Massart. The mahalanobis distance. Chemometrics and Intelligent Laboratory Systems, 50(1):1 – 18, 2000.
[20] J. Mercer. Functions of positive and negative type and their connection with the theory of integral equations. Philos. Trans. Royal Soc. (A), 83(559):69–
70, November 1909.
[21] M. K. Pakhira, S. Bandyopadhyay, and U. Maulik. Validity index for crisp and fuzzy clusters. Pattern Recognition, 37(3):487 – 501, 2004.
[23] A. P. Reynolds, G. Richards, and V. J. Rayward-Smith. The application of k-medoids and pam to the clustering of rules. In Intelligent Data Engineering and Automated Learning – IDEAL 2004, volume 3177 of Lecture Notes in Computer Science, page 173–178. Springer Berlin Heidelberg, 2004.
[24] W. Shen, V. Babushkin, Z. Aung, and W. L. Woon. An ensemble model for day-ahead electricity demand time series forecasting. In Proceedings of the fourth international conference on Future energy systems, page 51–62, 2013.
[25] A. J. Smola and B. Schölkopf. A tutorial on support vector regression. Statis-tics and Computing, 14(3):199–222, 2004.
[26] V. N. Vapnik. Statistical learning theory. Wiley, 1st. edition, September 1998.
[27] R. Xu and D. Wunsch. Survey of clustering algorithms. Neural Networks, IEEE Transactions on, 16(3):645–678, 2005.
附錄 A 多樣性分析
圖 16: 電錶使用度數頻率圖
經過統計後發現，用戶在 15 分鐘內使用的電量大約為 0 度到 4.3 度。由 圖16可以發現，每 15 分鐘的用電量大部分皆不超過 1 度，使用 0.1 度以內 的頻率高達六十四萬五千多次，用電量 0.1 度到 0.2 度的頻率降到了三十 一萬多次，呈銳減的狀態。超過 1 度的用電量頻率較小，最高用電量達 4.3 度，但 1 度以上到 4.3 度的頻率皆不到一萬次。
圖 17: 用電戶每日平均用電度數之累計分配函數圖
圖17為用戶 2010 年 12 月到 2011 年 12 月的每日用電度數平均累積分配函 數圖。由此圖可發現，用戶平均用電量，在 0 度到 30 度左右快速攀升，
在此區間內，CDF(cumulative distribution function) 由 0% 上升至 90% 左 右，代表有 90% 的用戶在一年裡每日的平均用電量大約在 0 度到 30 度左 右。用戶用電量在 30 度左右時，CDF 高達 90%，代表有 90% 的用戶每日 平均用電量小於 30 度。在 30 度以後，CDF 上升的速度漸緩，大約只有 10% 的用戶每日平均用電量大於 30 度，最高用電量為 150 度。
• 依樓層分析用電量：
圖 18: 各樓層用電戶平均用電圖
我們從樓層的不同做用電量的分析，圖18為依據用戶樓層的平均用電資料 圖，三月份的電錶用電紀錄皆有許多缺失，所以不列入分析。由圖18可看 出，在夏天時高樓層用戶用電量明顯比中低樓層用戶的用電量高。以有三 種樓層的月份來看，四月、六月、七月、八月這幾個月份每日平均用電量 高樓層用電量高於其他樓層；在十月、十一月、十二月的用電量，低樓層 用電量比中高樓層用電量高。
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
圖19為一天 24 小時的平均用電，以日為單位，檢視每日不同時段的用電 量。從圖可以觀察出，四月的平均用電量較其他月份少，因為四月的溫度 較舒適，尚未開啟耗電量較大的降溫電器產品。樓層間的用電量雖然比較 平均，但還是看的出來，高樓層在晚上用電量稍比其他樓層高一些。六月、
七月與八月高樓層用電量比其他樓層高出許多，從每日平均圖來看，高樓 層在夜間的用電量差距更是明顯。
到了冬天時，低樓層在下午到晚上這段時間的用電量較大，由圖8.19(i)、
8.19(j)、8.19(k)可以明顯的看出低樓層與中高樓層的差異，在圖8.19(i)可以 看出，中低樓層用電量比中高樓層高三倍左右，是十月、十一月、十二月 中最差異最大的。在這三個月內，中樓層與高樓層間差異較小，凌晨的用 電量在 0.5 度左右，白天用電量在 0.5 度到 1 度中間。
• 依溫度分析用電量：
我們將溫度與用電量作分析，以下為 2010 年 12 月到 2011 年 12 月的每日 平均用電量與每日溫度關係圖：
圖 20: 每日溫度與用電量關係圖
以整體來說，每日平均用電量與每日溫度呈中度正相關，相關係數為 0.66。
從圖20中可以觀察出，約以 20 度為分界點，20 度以上的為高度正相關，
20 度以下的呈負相關。當溫度愈高，用電量攀升迅速，我們推測應該是當 氣溫升高後，民眾開始開啟冷氣機等耗電量較大的降溫電器用品，到了較 舒適的溫度後，人們不必開啟耗電量較大的降溫電器用品，用電量才下降。
當溫度太低時，用電量開始上升，我們推測天氣太冷時，民眾開啟暖氣機、
圖 21: 2011 年四月至十一月每日平均溫度與用電量關係圖
2011 年四月到十一月的每日平均溫度大部分皆在 20 度以上，所以將這八 個月的每日平均用電量與溫度作分析，由圖21可得知，四月至十一月每日 平均溫度與用電量相關係數為 0.8，屬於高度正相關。當天氣熱的時候，溫 度高，人們開冷氣機、空調等，導致用電量上升。當氣溫降到舒適的溫度 時，便把冷氣機、空調等機器關閉，使用電量下降。由圖20可以推得，人 們最喜歡、最舒適的溫度大約為 20 度。
(a) (b) (c)
圖 23: 每日平均溫度與用電量關係圖 (a) 十二月 (b) 一月 (c) 二月
圖 22: 2010/12 至 2011/2、2011/12 每日平均溫度與用電量關係圖
圖22為 2010 年 12 月至 2011 年 2 月、2011 年 12 月共四個月的用電量分析 圖，四個月相關係數為 -0.0519535，呈現低相關度，與圖20結論不符，但 我們將每個月的溫度與用電量分開觀察時，可以發現每個月的相關度提高，
電器用品，所以耗電量並沒有明顯的增加。到了 1 月份時，溫度降到了 10 度左右，每日的平均溫度皆低於 18 度，與用電量的相關係數為 -0.536902，
呈中度負相關。在台灣這種又濕又冷的環境下，人們開始啟用暖氣機、電 毯、除濕機等等保暖類的電器用品，以提升室內溫度，導致用電量上升。2 月溫度與用電量的相關係數為 -0.466834，呈中度負相關。此時的平均氣溫 沒有像 1 月氣溫一樣低，但人們已經習慣了開暖氣機、使用電毯的溫度了，
以至於溫度沒有很低時也開了保暖的電器用品，直到溫度回到了舒適的 20 度後，用電量才下降。2011 年 12 月因為溫度開始低於 20 度，所以用電量 漸漸上升。
• 依溫度與樓層分析用電量：
(a) (b) (c)
圖 24: 每日平均用電量與每日溫度 20 度以上的關係圖 (a) 1 樓至 5 樓 (b) 6 樓至 10 樓 (c) 11 樓至 16 樓
圖24(a) 為低樓層平均每日用電量與溫度 20 度以上的關係圖，相關係數為 0.487686，屬於中度正相關。圖24(b) 為中樓層平均每日用電量與溫度 20 度以上的關係圖，相關係數為 0.834484，屬於高度正相關。圖24(c) 為高樓 層平均每日用電量與溫度 20 度以上的關係圖，相關係數為 0.832053，屬於 高度正相關。
由圖24可以發現，中高樓層為高度正相關，低樓層為中度正相關，可能是 因為中高樓層受陽光直射，導致室內溫度升高，使用降溫電器用品的頻率 增加，耗電量因此上升。低樓層因為樓層較低，陽光不會直接直射到室內，
室內溫度較中高樓層低，使用降溫電器用品的頻率不會像中高樓層一樣頻 繁，所以較不會因為溫度高低而影響耗電量多寡。
(a) (b) (c)
圖 25: 每日平均用電量與每日溫度 20 度以下的關係圖 (a) 1 樓至 5 樓 (b) 6 樓至 10 樓 (c) 11 樓至 16 樓
圖8.25(a)為低樓層平均每日用電量與溫度 20 度以下的關係圖，相關係數為 0.13803，屬於低度正相關。圖 8.25(b)為中樓層平均每日用電量與溫度 20 度以下的關係圖，相關係數為 -0.66621，屬於中度負相關。圖8.25(c)為高樓 層平均每日用電量與溫度 20 度以下的關係圖，相關係數為 -0.00371，屬於 低度負相關。
由圖25可以發現，高樓層是低度負相關，因為缺少在 20 度以下，高樓層的 用電量資料，所以分析結果會有誤差。中樓層呈現中度負相關，可能是因 為當氣溫太低時，人們開啟暖氣機、電毯等等保暖類的電器用品，以提升 室內溫度，導致用電量上升。低樓層呈低度正相關，可能是因為有部分低 樓層為舊建築，用戶居住時間長，家裡的電器用品較老舊、耗電，所以不 管溫度高或低，耗電量可能有時高、有時低。
附錄 B SVR
在大多數情況下，公式19可在對偶問題 (dual problem) 中得到解決，因此 本研究使用一個標準二元化方法，並代入拉格朗日乘數 (Lagrange multipliers)：