本研究旨在針對變壓器數據找尋最合適之缺失值處理方法，使用五種不同的插值方法進行比較，包含統計法、內插法、演算法、線性回歸插值及神經網路預測插值法，綜合比較何種方法插值的數據最貼近真實情況，亦使變壓器運轉狀態之預測準確度受缺失值影響程度最低。
第一階段先評估插值結果與原始數據之誤差，第二階段則將插值結果訓練長短期記憶模型(Long Short-Term Memory, LSTM)深度學習變壓器運轉狀態後，透過預測誤差驗證插值與否、以及所使用之插值方法對預測模型的影響程度。實驗結果顯示針對台電變壓器運轉狀態預測模型之資料預處理，以LSTM模型預測缺失值的方法最能模擬變壓器真實運轉數據。

The purpose of this study is to find the most suitable data preprocessing method of missing values for Electrical Power Transformer Operating Data. The data imputed via five imputation model, including statistical methods, interpolation method, algorithms, linear regression imputation and neural network prediction imputation method, are compared to find out which of the imputation is the nearest to the real situation while also affect least to the Power Transformer operating condition model by the missing values.
In the first stage, the error between the imputation result and the original data is evaluated. In the second stage, the imputation result is trained on the Long Short Term Memory model (LSTM) deep learning transformer operating condition, and the prediction error is used to verify the degree of influence of the imputation method on the condition model. The experimental results show that for the data preprocessing of Taipower’s Power Transformer operating condition model, the method of predicting missing values with the LSTM model can best simulate real data.

[1] 謝冠生，「變壓器維護要領與介紹」，台灣電力公司供電處報告，2013年。
[2] 台電變電設備維護手冊，「第四篇變比設備之維護要點」，2018年。
[3] 童耀宗，「赴加拿大研習變壓器與斷 路器故障化學分析技術」，台灣電力公司出國研習報告，2007年。
[4] 王鴻龍、楊孟麗、陳俊如、林定香，「缺失資料在因素分析上的處理方法之研究」，教育科學研究期刊，第五十七卷，第一期，第3-4頁，2012年。
[5] 蔡志豐，「資料分析之遺漏值處理技術探討」，國家文官學院，T&D飛訊第264期，2020年。
[6] 邱紹豐、馮晉昜、徐尉庭「運用多模型對缺失值預測之研究」，Journal of Science and Engineering Technology, Vol. 17, No. 1, pp. 31-40 , 2021
[7] Bennett, Derrick A. ,” How can I deal with missing data in my study? “, Australian and New Zealand Journal of Public Health, 25(5), 464-469 , 2001
[8] 「核能電廠電源引出線路、外電備用電源線路及變電所風險管控準則」，台電供電處，2011年。
[9] Marina Soley-Bori, “Dealing with missing data: Key assumptions and methods for applied analysis” , Technical Report No. 4, 2013.
[10] 廖培珊、江振東、林定香、李隆安、翁宏明、左宗光，「葛特曼量表之拒答處理：簡易、多重與最鄰近插補法的比較」，臺灣社會學刊，第47期，頁143-178，2011年。
[11] Shahla Faisal1 and Gerhard Tutz, “Nearest Neighbor Imputation for Categorical Data by Weighting of Attributes”, 2017
[12] 高橋信，「世界第一簡單統計學迴歸分析篇」，世茂出版社，2010年。
[13] Francis Galton, “Regression towards mediocrity in hereditary stature”, Journal of the Anthropological Institute, 1886
[14] B. Feng, D. Zhang, Y. Si, X. Tian, and P. Qian, “A condition monitoring method of wind turbines based on Long Short-Term Memory neural network,” 2019 25th International Conference on Automation and Computing, Lancaster, United Kingdom, United Kingdom, September 2019
[15] [資料分析&機器學習] 第5.1講: 卷積神經網絡介紹(Convolutional Neural Network)。Available: https://https://medium.com/jameslearningnote/資料分析-機器學習-第5-1講-卷積神經網絡介紹-convolutional-neural-network-4f8249d65d4f
[16] 淺談遞歸神經網路 (RNN) 與長短期記憶模型 (LSTM)。Available: https://tengyuanchang.medium.com/淺談遞歸神經網路-rnn-與長短期記憶模型-lstm-300cbe5efcc3
[17] [實戰系列] 使用Keras搭建一個CNN魔法陣（模型）Available: https://ithelp.ithome.com.tw/articles/10205389
[18] Day 12 Loss function到底損失了甚麼? Available: https://ithelp.ithome.com.tw/articles/10235884
[19] [Day 15] Metrics / 評估指標 - Regression metrics：Available: https://ithelp.ithome.com.tw/articles/10216054
[20] 謝佳穎，「利用長短期記憶遞迴類神經網路建構地方政府稅收預測模型之研究──以土地增值稅為例」，財稅研究，201905 (48:3期)，2019年。