JP6301791B2 - 配電網の故障予兆診断システムおよびその方法 - Google Patents

Description

本発明の実施形態は、ＡＭＩから測定データを取得し、これを用いて統計的外れ値を検出することで配電網の故障予兆を診断するシステムおよびその方法に関する。

近年、スマートメータと呼ばれる電力計量機能と双方向通信機能を持つ電力計の普及が進んでいる。そのため、各需要家地点の電圧や電力量などを一元的に監視できる環境が整いつつある。そこで、スマートメータを含むＡＭＩが、その規模の大きさなどから配電網を監視するセンサとして注目が高まっている。

ＡＭＩは、スマートメータを主要構成とした基幹設備であり、スマートメータに加えて、スマートメータからのデータ収集やスマートメータの設定などを行うヘッドエンド、スマートメータのデータ管理装置、さらに、これらの構成要素を接続する通信網などからなる。このようなＡＭＩは当初、電力使用量による課金業務の効率化のために検討されてきたが、現在では、電源および負荷を制御するスマートグリッドの基盤として考えられており、配電網の監視センサとして期待されている。

ところで、配電網は電力システムと一般需要家との接点となるインフラであり、その性質上、信頼性の高さはもちろんのこと、稼働率の高さも求められている。一方で、多くの先進国の配電網は、１９７０年代以前に構築されており、老朽化による故障増加が懸念されている。この状況下では、配電網の保守に関して高い関心が寄せられている。

配電網の保守においては、配電網に含まれる機器の交換タイミングから大別して、事後保全あるいは予防保全といった方針が存在する。事後保全とは、故障が発生した機器を交換する。しかし、事後保全は実際に故障が発生してから機器の交換を行うので、稼働率の低下を招いた。

これに対して、予防保全は、故障が発生する前であっても時間や負荷などが特定の条件に達した時点で機器を強制的に交換する。そのため、予防保全では、配電網の稼働率を向上させうる。しかし、故障のおそれが全くない機器まで交換してしまうので、コスト高となる。

そこで、故障発生前に機器を交換するという予防保全のスタンスは維持しつつ、コスト面での改善を図る方針が考えられており、統計的外れ値を検出することで配電網の故障の維持予兆を統計的に診断するシステムが提案されている。この診断システムでは、配電網の稼働状況を監視して統計的外れ値を確認した場合、これを故障の予兆と見なし、故障の発生が予想される機器を見つけて、これを交換する。つまり、故障しそうな機器だけを交換するので、故障のおそれが全くない機器を交換することがなく、コストを抑制することができる。

特開２０１３−４８５４５号公報 特開２００５−２３３８０４号公報

配電網の故障予兆を高い精度で診断するためには、配電網の監視体制を強化することが重要である。そこで、配電網の監視センサとして期待されるＡＭＩを利用して、配電網の故障予兆診断を行うことが待たれている。しかし、ＡＭＩを用いた配電網の故障予兆診断技術には、次のような課題が指摘されていた。

一般に、配電網において、１つの配電用変電所下には、数千に及ぶ需要家が存在する。そのため、一軒の需要家に一個のスマートメータが設置されると仮定すると、１つの配電網を監視するＡＭＩには数千個のスマートメータが含まれることになる。つまり、ＡＭＩから得られる測定データの次元数は、スマートメータの設置数に対応して、数千次元に達する。

現行では、電圧値監視センサが１つの配電用変電所下で数十点しかないので、数千次元という数字は大きな飛躍である。この結果、計算量の面でも診断精度の面でも、単一のセンサ値ごとに故障予兆の診断を行うことは困難であった。そこで、ＡＭＩから取得した高次元データに対応することができる配電網の故障予兆診断技術の開発が要請されていた。

本発明の実施形態は、上記の課題を解決するために提案されたものであり、ＡＭＩから得られる高次元の測定データを利用して配電網の故障予兆を統計的に診断することが可能な配電網の故障予兆診断システムおよびその方法を提供することを目的とする。

上記目的を達成するために、本発明の実施形態は、ＡＭＩから得られる測定データを用いて統計的外れ値を検出することにより配電網の故障予兆を診断するシステムであって、次の構成要素（ａ）〜（ｇ）を有している。

（ａ）前記測定データの集合から正常稼働と見なせる期間を計算する正常稼働期間計算部。
（ｂ）所定の時間帯における前記配電網の負荷が、予め設定された閾値と比べて高い高負荷時間帯あるいは前記閾値と比べて低い低負荷時間帯を計算する負荷時間帯計算部。
（ｃ）前記正常稼働期間計算部および前記負荷時間帯計算部の計算結果に基づいて、前記配電網の負荷が高い時間帯に該当する前記正常稼働期間、および前記配電網の負荷が低い時間帯に該当する前記正常稼働期間の中から、所定の時間幅を持つ診断区間を特定する診断区間特定部。
（ｄ）前記診断区間に対応した前記測定データについて当該診断区間ごとの代表値を学習用データとして計算する学習用データ計算部。
（ｅ）前記学習用データの集合から正常と見なせる正常部分空間を計算する正常部分空間計算部。
（ｆ）前記測定データについて予め設定された診断対象期間の代表値を診断用データとして計算する診断用データ計算部。
（ｇ）前記診断用データと前記正常部分空間との差分を計算し、予め設定された閾値と前記差分とを比較して前記配電網の故障予兆の有無を検出する故障予兆検出部。
また、配電網の故障予兆診断方法も、本発明の一態様である。

第１の実施形態を含む電力系統の全体的な概念図。 第１の実施形態のブロック図。 保守情報格納部に格納される保守情報の例を示す図。 供給量情報格納部に格納される供給量情報の例を示す図。 ＦＭＥＡ状態格納部に格納されるＦＭＥＡデータの例を示す図。 正常稼働期間の例を示す図。 図４に示した高負荷時間帯と、図６に示した４つの正常稼働期間に基づいたｃの例を示す図。 部分空間の概念図。 高負荷時正常部分空間と低負荷時正常部分空間の概念図。 診断区間の学習用データについて説明するための図。 故障予兆診断の概念図。 学習プロセスのフローチャート。 故障予兆診断プロセスのフローチャート。 故障予兆発生箇所推定プロセスのフローチャート。

以下、本発明の実施形態について図面を参照して詳述する。
（電力系統の全体構成）
本発明の第１の実施形態は、需要家に設置されたスマートメータから取得する測定データを用いて統計的外れ値を検出することにより配電網の故障予兆を診断するシステムであって、測定データの取得にＡＭＩを使用するものである。

図１は、第１の実施形態を含む電力系統の全体的な概念図を示している。図１に示すように、発電所で発電された電力は、基幹的な送電網Ａにより高電圧で送電され、変電所Ｂで降圧されて、配電網Ｃによって各需要家Ｄの受電設備に供給される。各需要家Ｄには、スマートメータＳが設置されている。スマートメータＳは、電力計量機能を有しており、電力量や電圧、電流および周波数の瞬時値などを測定する。また、スマートメータＳは、双方向通信機能を有しており、測定データを、定周期、例えば数分から数時間で、上位装置（図示せず）へ送ると共に、上位装置からの指令を受けて検針や電力供給の制御などを行う。

同一の配電網Ｃに接続される各需要家ＤのスマートメータＳを接続することで、ＡＭＩ１が構成される。ＡＭＩ１は、広域通信網を介して、複数のスマートメータＳからなる通信ネットワークと上位の装置とを接続する。スマートメータＳの通信ネットワークの方式としては、例えば無線メッシュ方式、広域無線方式、ＰＣＬ方式などがある。

（構成の概要）
図２は第１の実施形態のブロック図である。図２に示すように、配電網の故障予兆診断システム２は、６つのデータ格納部と、４つの計算部を有している。データ格納部とは、測定データ格納部５、保守情報格納部９、供給量情報格納部１０、低負荷時正常部分空間格納部１１、高負荷時正常部分空間格納部１２、ＦＭＥＡ状態格納部１４である。

４つ計算部とは、診断用データ計算部６、正常部分空間生計算部７、正常稼働期間計算部８および高負荷時間帯計算部１８である。さらに、配電網Ｃの故障予兆診断システム２は、各計算部にて計算されたデータに基づいて、故障予兆が発生したか否かを検出する検出部１３と、検出部１３の検出結果に基づいて、故障の発生個所とそれに伴う被害を推定する推定部１５を有している。

（データ格納部）
６つのデータ格納部について説明する。
測定データ格納部５は、ＡＭＩ１から送信されてくる測定データを蓄積する時系列データベースである。

保守情報格納部９は、配電網Ｃの故障発生履歴である保守情報を格納しており、具体的には、図３に示すように、故障した機器のＩＤおよび種別（柱上変圧器や開閉器、配電線や引込線など）と、故障が発生した時刻および修理が完了した時刻などの情報を保持する。

供給量情報格納部１０は、配電網Ｃの供給量情報を格納しており、具体的には、図４に示すように、１日分の１時間ごとの消費電力（Ｍｗ）の実績値の時系列データを保持する。
低負荷時正常部分空間格納部１１および高負荷時正常部分空間格納部１２は、正常部分空間計算部７にて計算された正常部分空間に関して、配電網Ｃの低負荷時と高負荷時に分けて、それぞれ格納する部分である。

ＦＭＥＡ状態格納部１４は、配電網ＣのＦＭＥＡによる故障モードと、配電網Ｃに含まれる機器のＩＤおよび故障により想定される被害状況とを、対応づけたＦＭＥＡデータを格納している。ＦＭＥＡとは、Failure Mode and Effect Analysisの略であり、潜在的故障モード影響解析のことである。ＦＭＥＡデータは、特別な関連付けを保持しており、故障モードと関連機器ＩＤと想定される被害内容が関連付けられている。

例えば図５に示すように、故障モードが「地絡が発生する」であれば、被害内容は「電圧が降下する．火災が発生する」、故障モードが「変圧器が指定値に追随できない」であれば、被害内容は「電圧が制限を超えて上昇あるいは降下する」、故障モードが「開閉器が動作しない」であれば、被害内容は「停電する」、故障モードが「変圧器への制御値が出力されない」であれば、被害内容は「電圧が制限を超えて上昇あるいは降下する」などである。さらに、ＦＭＥＡデータには、故障モードにおける発生頻度のレベル（１〜３など）と、影響度のレベル（１〜５など）が示されている。

（正常稼働期間計算部）
続いて、計算部について説明する。
正常稼働期間計算部８は、保守情報格納部９に格納された保守情報を元にして、ＡＭＩ１から得られる測定データの集合から、配電網Ｃに含まれる機器が１つも故障していない期間を、正常稼働期間として求める。正常稼働期間の例を図６に示す。

図６に示した例では、２０１４年１月５日のうち、正常稼働開始時刻と正常稼働終了時刻により、次の４つの正常稼働期間が決められる。
（１）０：００〜１１：００
（２）１３：００〜１７：１０
（３）１８：２０〜２１：００
（４）２２：２０〜２４：００

（高負荷時間帯計算部）
高負荷時間帯計算部１８は、供給量情報格納部１０に格納された供給量情報を元にして、１日の中で、配電網Ｃの負荷が、予め設定された閾値以上となる高い時間帯を計算する部分である。第１の実施形態では、高負荷時間帯計算部１８が１日のうちの高負荷時間帯を求めると、同日のうちの残りの時間帯を低負荷時間帯とする。

すなわち、高負荷時間帯計算部１８が高負荷時間帯を求めることで、低負荷時間帯も自動的に決まる。配電網Ｃの負荷を分類する閾値としては様々なものが考えられるが、例えば９ＭＷを閾値として、配電網Ｃの負荷を分類する。

図４に示した供給量情報を例に取って説明すると、１日のうちで、１１：００から２０：００までの９時間が９ＭＷ以上の高負荷時間帯となり、高負荷時間帯以外の時間帯が９ＭＷ未満の低負荷時間帯となる。つまり、低負荷時間帯は、０：００から１１：００までの１１時間と、２０：００から２４：００までの４時間、合わせて１５時間となる。

（正常部分空間計算部）
正常部分空間計算部７は、診断区間特定部の役割を果たすと共に、正常部分空間を計算する部分である。診断区間ｃ（図２に図示）の特定とは、正常稼働期間計算部８および高負荷時間帯計算部１８の計算結果に基づいて、高負荷時間帯に該当する正常稼働期間の中から「正常かつ高負荷の区間」を特定し、低負荷間帯に該当する正常稼働期間の中から「正常かつ低負荷の区間」を特定することである。

診断区間ｃは、診断の単位として特定される区間であって、例えば数秒〜１時間程度の時間の幅を持つ。診断区間ｃはシステムに定数として事前設定されている。具体的には、図７に示した例では、
（１）０：００〜１１：００と、
（４）２２：２０〜２４：００の期間に示される●が、「正常かつ低負荷の区間」で取得されたデータである。また、

（２）１３：００〜１７：１０と、
（３）１８：２０〜２１：００の期間に示される○が、「正常かつ高負荷の区間」で取得されたデータである。正常部分空間計算部７は、これら診断区間ｃに取得されたデータ●、○を診断用データ計算部６に送る。

図７に示す例において、「正常かつ低負荷の区間」および「正常かつ高負荷の区間」以外の期間中に取得されたデータ×については、正常部分空間計算部７は、診断用データ計算部６に送らない。つまり、診断区間ｃに取得されたデータ●、○は、診断用データ計算部６にて正常部分空間の計算時に使用されるデータとなり、正常稼働期間以外の期間に取得されたデータ×は、診断用データ計算部６にて使用されるデータとしては対象外となる。

正常部分空間計算部７は、診断用データ計算部６にて特定した診断区間ｃごとのデータに関して、これを学習用データｄ１（図２に図示）とし、データｄ１ごとに個別に次のような計算を行って正常部分空間を得る。一般に高次元データはその線形部分空間上に集中することが知られている。図８は、このことを示す部分空間の概念図である。

先に述べたように、実際には、ＡＭＩ１を通じてスマートメータＳから得られるデータは数千次元であるが、記述の都合上、図８ではスマートメータＳから得られるデータを２次元、部分空間を１次元とする。最初に求める部分空間が、元の変数Ｘの一次結合ｚで表されると仮定すると、下記の（１）式が成立する。（１）式において、ｗは実数値の重みベクトルである。
（数１）

一次結合ｚの分散ｓ_ｚ ^２は、次の（２）式で与えられる。
（数２）

・・・・・（２）

このとき、分散ｓ_ｚ ^２が最大となるｚが、最もデータの特徴を表す部分空間となると考えられる。ゆえに、分散ｓ_ｚ ^２を最大化するｗ={w_1、…、w_n}が、求める部分空間の変換係数となる。具体的にw_iを定めるには、Lagrangeの未定定数法を用いる。w_iは変換係数であるため、制約式としてノルムの規格化方程式である（３）式を導入する。

（数３）

この（３）式と上記の(２)式から、以下の式（４）が得られる。
（数４）

さらに各変数について偏微分し、極値条件の０と合わせてｎ本の連立方程式（５）を得ることができる（以下はi=1の例のみ記載する）。
（数５）

上記の各方程式をW={w_1、。。。、w_n}について整理すると、以下の連立一次方程式（６）を得ることができる。
（数６）

代数的に表記すると、上記行列は（Ｓ−λＩ）Ｗ＝０であり、λはＳの固有値、Ｗは対応する固有ベクトルである。つまりλは、Ｓの固有値問題を解くことで求めることができる。ＳはＸの分散共分散行列であるが、
分散は、
（数７）

として、全て具体的に定めることができ、また、
共分散は、
（数８）

として、全て具体的に定めることができる。

Ｓから固有値を求める方法は、公知の方法が多数提案されており、いずれか任意のものを用いることができる。また、固有値は理論上、最大ｎ個つまり元の次元数と同数求まるが、次のような構成が考えられる。例えば、あらかじめ設定された個数を固有値の大きいものの先頭から選択する、あるいは、寄与度と呼ばれる計算式が、所定の閾値を超える組合せとなる固有値を選択するなどである。このようにして選択されたλに対応するｗの集合が、正常部分空間に相当するデータとなる。

正常部分空間計算部７は、以上のようにして、診断用データ計算部６が計算した学習用データｄ１の集合から、高負荷時正常部分空間Z_HIGH（図２に図示）と、低負荷時正常部分空間Z_LOW（図２に図示）を計算する。図９では、高負荷時正常部分空間と低負荷時正常部分空間の概念図を示している。正常部分空間計算部７は、高負荷時正常部分空間Z_HIGHを高負荷時正常部分空間格納部１２に送り、低負荷時正常部分空間Z_LOWを低負荷時正常部分空間格納部１１に送る。

（診断用データ計算部）
診断用データ計算部６は、正常部分空間Z_HIGH、Z_LOWを計算するための学習用データｄ１および診断対象となる診断用データｄ２（図２に図示）を計算する部分である。診断用データ計算部６は、学習用データｄ１を正常部分空間計算部７に送り、診断用データｄ２を故障予兆検出部１３に送る。

学習用データｄ１は、故障予兆の診断実行の単位となるデータであり、診断区間ｃごとに各スマートメータＳあたり１個の実数値で代表される値である。診断用データ計算部６は、正常部分空間計算部７から診断区間ｃに該当するデータを受け取り、これらのデータを診断区間ｃごとに分割して、各診断区間ｃに対応した測定データを、測定データ格納部５から呼び出す。

診断用データ計算部６は、測定データ格納部５から呼び出した測定データの中から、診断区間ｃごとの代表値を計算して学習用データｄ１を求める。すなわち、学習用データｄ１は、故障予兆の診断実行の単位となるデータであり、診断区間ｃごとに各スマートメータＳあたり１個の実数値で代表される値である。

代表値の求め方は本実施形態では特に規定しないが、診断区間ｃの平均値、最大値、最小値また最前観測値や最終観測値のいずれかを用いることができる。あるスマートメータＳの電圧データについて、ある診断区間ｃの例を図１０に示す。例えば、診断区間ｃの平均値を代表値とするのであれば、(V1+V2+V3+V4+V5+V6)/6を学習用データｄ１として選択する。また、診断区間ｃの最大値を代表値とするのであれば、v3を学習用データｄ１として選択する。反対に、診断区間ｃの最小値を代表値とするのであれば、v1を学習用データｄ１として選択する。

このような学習用データｄ１の集合は以下の形式となる。
（数９）

tは診断区間ｃごとの通し番号であり、Ｎは診断区間ｃの数に対応する。またｎは機器ＩＤ、具体的にはスマートメータのＩＤであり、対応するスマートメータから得られた電圧値がｘである。

診断用データｄ２は、予め設定された診断対象期間に観測された電圧データについて測定データ格納部５から測定データを呼び出して、これらのデータから演算される代表値である。診断用データｄ２は、次のように表すことができる。
（数１０）

ｄｉはｉ番目の機器の、当該診断対象期間の代表値である。

（故障予兆検出部）
故障予兆検出部１３は、同時刻の配電網Ｃの故障発生情報３を外部から取り込み、故障発生情報３に基づいて配電網Ｃにおける故障発生の有無を判定する。故障予兆検出部１３は、供給量情報４を外部から取り込み、供給量情報４に基づいて、現在の系統が高負荷または低負荷のいずれの状態にあるかを判定する。

故障予兆検出部１３は、負荷別の正常部分空間格納部１１、１２のいずれか一方から、正常部分空間を取り込む。すなわち、高負荷時正常部分空間格納部１２から高負荷時正常部分空間Z_HIGHを取り込み、低負荷時正常部分空間格納部１１から低負荷時正常部分空間Z_LOWを取り込む。

さらに、故障予兆検出部１３は、診断用データ計算部６から診断用データｄ２を取り込み、高負荷時正常部分空間格納部１２から取り込んだ高負荷時正常部分空間Z_HIGHと、前記診断用データｄ２との距離ｆ（ｄ、Z_HIGH）を計算する。また、故障予兆検出部１３は、低負荷時正常部分空間格納部１１から取り込んだ低負荷時正常部分空間Z_LOWと、前記診断用データｄ２との距離ｆ（ｄ、Z_LOW）を計算する。これら距離ｆは、診断用データｄ２と正常部分空間Z_HIGHあるいはZ_LOWとの差分である。

距離ｆの値としては、ユークリッド幾何学における点と平面の距離関数を用いることが考えられる。ただし、高次元データの場合は内積計算によりcosθの逆数を用いた方法の方が、誤差への耐性が良い。図１１は故障予兆診断の概念図であって、図中のｆは、部分空間ｚという平面と診断用データｄ２という点との距離、ｂは内積に相当する。

故障予兆検出部１３は、計算により得た距離ｆと、事前に定められた閾値ＴＨ１あるいはＴＨ２とを比較して、前記配電網の故障予兆の有無を検出する。閾値ＴＨ１は高負荷時正常部分空間Z_HIGHに対応するものであり、閾値ＴＨ２は低負荷時正常部分空間Z_LOWに対応するものである。故障予兆検出部１３は、距離ｆが閾値ＴＨ１あるいはＴＨ２よりも大きければ配電網Ｃに故障予兆が発生していると判断して、診断用データｄ２と故障予兆発生信号ｅ（図２に図示）を推定部１５に送信する。また、故障予兆検出部１３は、距離ｆが閾値ＴＨ１あるいはＴＨ２以下であれば配電網Ｃにおいて故障予兆は発生していないと判断する。

（推定部）
推定部１５は、故障予兆検出部１３から診断用データｄ２および故障予兆発生信号ｅを受信すると、ＦＭＥＡ状態格納部１４に格納されたＦＭＥＡデータｇ（図２に図示）を読み込む。推定部１５は、ＦＭＥＡデータｇを参照して、故障予兆検出部１３の検出結果から配電網Ｃの故障予兆の原因を推定し、推定結果ｈ（図２に図示）を結果報知部１６および保守計画策定部１７に出力する。結果報知部１６は、推定結果ｈを表示などによって報知するものである。保守計画策定部１７は、推定結果を参照して保守計画を策定する部分である。

（作用）
以上の構成を有する第１の実施形態では、スマートメータＳが測定したデータを、ＡＭＩ１を通じて需要家Ｄから取得し、取得した測定データを用いて学習用データｄ１を計算し、学習用データｄ１に基づいて正常データとなる正常部分空間を計算し、格納する。ここまでのプロセスを学習プロセスとする。

そして、測定データについて予め設定された診断対象期間の代表値を診断用データｄ２として計算し、この診断用データｄ２と、学習プロセスで得た正常部分空間との差分を求めて、その大きさから配電網Ｃの故障予兆を統計的に診断する。これを診断プロセスと呼ぶ。これらの２つのプロセスについて、図１２、図１３のフローチャートを用いて説明する。

（学習プロセス）
学習プロセスは、診断プロセスを実施する前に行うプロセスであり、診断プロセスの診断基準となる正常データを生成する。このプロセスでは、観測されるデータから正常と見なされるデータを定義し、その特徴付けを行う。正常なデータの特徴づけについては、非線形関数を用いることもあるが、第１の実施形態では、故障予兆の原因を推定することを重視して、部分空間を用いている。

図１２のフローチャートにて学習プロセスを具体的に説明する。Ｓ１では、正常稼働期間計算部８が所定の観測期間内における正常稼働期間を計算する（正常稼働期間計算ステップ）。このとき、正常稼働期間計算部８は保守情報格納部９から保守情報を呼び出し、保守情報から配電網Ｃ中の各機器が故障していない正常稼働期間を求める。さらに正常稼働期間計算部８は、配電網Ｃ中の全ての機器のデータについて正常稼働期間の計算を行い、その共通部分を求めることで、配電網Ｃ全体の正常稼働期間を得る。正常稼働期間計算部８は、求めた正常稼働期間を正常部分空間計算部７へ送信する。

Ｓ２では、高負荷時間帯計算部１８は供給量情報格納部１０から配電網Ｃの供給量情報を呼び出し、高負荷時間帯を計算して、これを正常部分空間計算部７へ送信する（負荷時間帯計算ステップ）。

Ｓ３では、正常部分空間計算部７が、正常稼働期間計算部８および高負荷時間帯計算部１８にて計算した正常稼働期間および高負荷時間帯を取り込み、これらのデータから「正常かつ高負荷の期間」および「正常かつ低負荷の期間」を、診断区間ｃとして特定する（診断区間特定ステップ）。

Ｓ４では、診断用データ計算部６が、正常部分空間計算部７から送られた受信したデータを診断区間ｃごとに分割し、各診断区間ｃに対応した測定データを、測定データ格納部５から呼び出して、診断区間ｃごとの学習用データｄ１を計算する（学習用データ計算ステップ）。
Ｓ５では、正常部分空間計算部７が、学習用データｄ１の集合から、高負荷時正常部分空間Z_HIGHと、低負荷時正常部分空間Z_LOWを計算する（正常部分空間計算ステップ）。

Ｓ６では、高負荷時正常部分空間Z_HIGHと、低負荷時正常部分空間Z_LOWを、それぞれ、高負荷時正常部分空間格納部１２および低負荷時正常部分空間格納部１１に格納する。結果として配電網の故障予兆診断システム２は、高負荷と低負荷の双方の正常部分空間を保持する。

（診断プロセス）
上記の学習プロセスに続いて、図１３に示した故障予兆の診断プロセスを実施する。診断プロセスでは、観測されるデータが正常なデータの特徴から逸脱する度合いによって、故障予兆を検出する。診断プロセスは、事前に定められた診断区間ｃ毎に起動するが、その起動頻度は上記の学習プロセスに比して頻繁となっている。

診断プロセスでは、まずＳ７において、診断用データ計算部６が計測データ格納部５から測定データを呼び出して、当該期間に該当する診断用データｄ２を計算する（診断用データ計算ステップ）。

Ｓ８では、故障予兆検出部１３は配電網Ｃにおけるリアルタイムの故障発生情報３を確認し、故障発生の有無を判定する（故障予兆検出ステップ）。故障発生情報３を確認した場合は、配電網Ｃにて故障が発生しているので（Ｓ８のＮ）、予防保全としての故障予兆を検出する必要はない。そのため、Ｓ２２に遷移して診断中止となり、本プロセスは終了する。

故障発生情報３を確認した結果、配電網Ｃにて故障が発生していなければ（Ｓ８のＹ）、Ｓ９において、故障予兆検出部１３は、供給量情報４を確認し、現在の系統が高負荷または低負荷のいずれの状態にあるかを判定する。現在の系統が高負荷であれば（Ｓ９のＹ）、Ｓ１０へと進み、現在の系統が低負荷であれば（Ｓ９のＮ）、Ｓ１１へ進む。

Ｓ１０では故障予兆検出部１３は高負荷時正常部分空間格納部１２から高負荷時部分空間Z_HIGHを読み出し、当該高負荷時部分空間Z_HIGHと診断用データｄ２との距離ｆ(ｄ、Z_HIGH)を計算する。つまり、故障予兆検出部１３は高負荷時正常部分空間Z_HIGHと診断用データｄ２との差分から、高負荷状態にある配電網Ｃについて故障予兆を統計的に診断する。

Ｓ１２では距離ｆ(ｄ、Z_HIGH)の値が、事前に定められた閾値ＴＨ１より大きいか否かを判断する。閾値ＴＨ１の値を超えないのであれば、Ｓ１４に遷移して診断完了となり、本実施形態に係るシステムは配電網Ｃには異常なしと判断して、診断プロセスは終了となる。また、閾値ＴＨ１を超えるのであれば、故障予兆検出部１３は診断用データｄ２と故障予兆発生信号ｅを推定部１５に送信する。

Ｓ１１では故障予兆検出部１３は低負荷時正常部分空間格納部１１から低負荷時部分空間Z_LOWを読み出し、当該低負荷時部分空間Z_LOWと診断用データｄとの距離ｆ(ｄ、Z_LOW)を計算する。つまり、故障予兆検出部１３は低負荷時正常部分空間Z_LOWと診断用データｄ２との差分から、低負荷状態にある配電網Ｃについて故障予兆を統計的に診断する。

Ｓ１３では距離ｆ(ｄ、Z_LOW)の値が、事前に定められた閾値ＴＨ２より大きいか否かを判断する。閾値ＴＨ２の値を超えないのであれば、Ｓ１５に遷移して診断完了となり、システムは異常なしと判断して本プロセスは終了となる。また、閾値ＴＨ２を超えるのであれば、故障予兆検出部１３は診断用データｄ２と故障予兆発生信号ｅを推定部１５に送信する。

Ｓ１６では、推定部１５は故障予兆検出部１３から診断用データｄ２と故障予兆発生信号ｅを受信して配電網Ｃにおける故障予兆発生箇所を推定する。故障予兆発生個所の推定プロセスについては、後述の図１４に示すフローチャートを参照して詳しく説明する。Ｓ１７では、推定部１５は予兆発生のアラーム信号と推定された発生個所のデータを、推定結果ｈとして結果報知部１６に送信し、結果報知部１６は保守担当者等のユーザに対して推定結果ｈの表示を行い、診断プロセスは終了する。

（推定プロセス）
上記のＳ１６における故障予兆発生箇所の推定プロセスについて、図１４のフローチャートを用いて説明する。
Ｓ１８では、推定部１５は診断用データｄを正常部分空間に射影した点ｄ'を定める。このときの正常部分空間のデータはＳ１２またはＳ１３で直前に使用した部分空間と同じものとする。

Ｓ１９では、ベクトルｄ−ｄ'の各成分ごとのノルムを計算する。
Ｓ２０では、最大ノルム成分を特定し、その添字iを、故障予兆発生個所の候補として選択する。

Ｓ２１では、推定部１５がＦＭＥＡ格納部１４からＦＭＥＡデータｇを読み出す。仮に、Ｓ２０で求められた最大ノルムを持つ添え字が１９９であれば、ＩＤ３の故障モードが選択され、対応する故障モードである「開閉器が動作しない」ことと、被害内容である「停電する」ことが、推定結果として出力される。

（効果）
以上のような第１の実施形態によれば、スマートメータＳが測定したデータを、ＡＭＩ１を通じて需要家Ｄから取得し、取得した測定データを用いて正常データとなる正常部分空間を計算する。そして、この正常部分空間Z_HIGH、Z_LOWと診断用データｄ２との差分から、配電網Ｃの故障予兆を統計的に診断することができる。

第１の実施形態では、正常データの特徴付けに、次元数の低減に有効な部分空間を用いているので、ＡＭＩ１から取得する測定データが数千次元に及ぶ高次元データであっても、配電網Ｃの故障予兆を高い精度で診断することが可能である。その結果、ＡＭＩ１を配電網Ｃの監視センサとして有効に利用することができる。

第１の実施形態では、スマートメータＳからの測定データの取得に際して、ＡＭＩ１を用いるので、極めて大きなデータ量であっても、その利用や管理が容易であり、信頼性が向上する。これにより、ＡＭＩ１における社会的および経済的な価値を、いっそう高めることができ、ＡＭＩ１の高品質化を実現することが可能である。

しかも、第１の実施形態では、「正常かつ高負荷の区間」に対応した診断用データｄ２は、高負荷時正常部分空間Z_HIGHと比較し、「正常かつ低負荷の区間」に対応した診断用データｄ２は、低負荷時正常部分空間Z_LOWと比較する。そのため、高負荷時と低負荷時では、それぞれに対応した正常部分空間と比較した上で、診断用データｄ２と正常部分空間Z_HIGH、Z_LOWとの差分を導いている。

このような第１の実施形態によれば、高い精度で故障予兆の発生を検出することが可能であり、故障しそうな機器だけを正確に交換することができる。これにより、故障のおそれがない機器を無駄に交換することがなくなり、予防保全によるコスト削減を確実に達成することができる。

さらに、本実施形態では、保守情報格納部９および供給量情報格納部１０を設けたので、格納しておいた配電網Ｃの保守情報や供給量情報を、素早く呼び出すことができ、正常稼働期間計算部８および高負荷時間帯計算部１８が、迅速な計算処理を実施することが可能である。

また、配電網Ｃの負荷によって異なる正常部分空間を別々に格納する格納部１１、１２を備えたので、配電網Ｃの負荷状態に応じて、故障予兆検出部１３が、各格納部１１、１２から正常部分空間Z_HIGH、Z_LOWを、即座に取り出すことができる。しかも、故障発生情報３および供給量情報４をリアルタイムで外部から取り入れているので、配電網Ｃにおける故障の有無並びに負荷状態について、正確に把握することができる。

また、本実施形態では、推定部１５を備えたので、診断用データｄ２と正常部分空間Z_HIGH、Z_LOWとの差分から、配電網Ｃにて故障が発生する個所を推定することができる。さらに、ＦＭＥＡデータｇを用いて、故障モードと想定される被害を推定し、結果報知部１６が、推定部１５の推定結果ｈを出力する。したがって、推定結果ｈを報知された保守員は、故障が予想される機器などに対し確実な対処をスピーディに行うことができる。

（他の実施形態）
上記の実施形態は、本明細書において一例として提示したものであって、発明の範囲を限定することを意図するものではない。すなわち、その他の様々な形態で実施されることが可能であり、発明の範囲を逸脱しない範囲で、種々の省略や置き換え、変更を行うことが可能である。これらの実施形態やその変形例は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

例えば、本実施形態は計算機システムを主体としたものであるが、実施形態としては単一のハードウエアに限らず、複数のハードウエアを用いてもよい。また、本実施形態ではＡＭＩから得られる測定データとしては電圧値のみを記述したが、その他、電流値や有効あるいは無効電力値等を用いてもよい。

配電網の負荷が高いか低いかを決める閾値は適宜変更可能であり、また、負荷の異なる時間帯としては、高負荷時間帯と低負荷時間帯という２つに判別することに限定されない。例えば、システムの運用によっては高負荷と低負荷との間に中程度の負荷の種別を導入する等の段階的基準を設定するようにしてもよい。また、結果報知部において、推定結果を報知する方式としては、例えばディスプレイによる表示や音響警報、パトランプなど、適宜選択可能である。学習プロセスと診断プロセスの起動頻度に関しては適宜選択可能である。また、診断区間ｃに関しても、数秒〜１時間程度の時間幅としたが、これも適宜変更自由である。

１…ＡＭＩ
２…配電網の故障予兆診断システム
３…故障発生情報
４…供給量情報
５…測定データ格納部
６…診断用データ計算部
７…正常部分空間計算部
８…正常稼働期間計算部
９…保守情報格納部
１０…供給量情報格納部
１１…低負荷時正常部分空間格納部
１２…高負荷時正常部分空間格納部
１３…故障予兆検出部
１４…ＦＭＥＡ状態格納部
１５…推定部
１６…結果報知部
１７…保守計画策定部
１８…高負荷時間帯計算部
Ａ…送電網
Ｂ…変電所
Ｃ…配電網
Ｄ…需要家
Ｓ…スマートメータ
ｃ…診断区間
ｄ１…学習用データ
ｄ２…診断用データ
ｅ…故障予兆発生信号
ｆ…距離
ｇ…ＦＭＥＡデータ
ｈ…推定結果

Claims (11)

1. ＡＭＩ(Advanced Meter Infrastructure)から得られる測定データを用いて統計的外れ値を検出することにより配電網の故障予兆を診断するシステムであって、
   前記測定データの集合から正常稼働と見なせる期間を計算する正常稼働期間計算部と、
   所定の時間帯における前記配電網の負荷が、予め設定された閾値と比べて高い高負荷時間帯あるいは前記閾値と比べて低い低負荷時間帯を計算する負荷時間帯計算部と、
   前記正常稼働期間計算部および前記負荷時間帯計算部の計算結果に基づいて、前記配電網の負荷が高い時間帯に該当する前記正常稼働期間、および前記配電網の負荷が低い時間帯に該当する前記正常稼働期間の中から、所定の時間幅を持つ診断区間を特定する診断区間特定部と、
   前記診断区間に対応した前記測定データについて当該診断区間ごとの代表値を学習用データとして計算する学習用データ計算部と、
   前記学習用データの集合から正常と見なせる正常部分空間を計算する正常部分空間計算部と、
   前記測定データについて予め設定された診断対象期間の代表値を診断用データとして計算する診断用データ計算部と、
   前記診断用データと前記正常部分空間との差分を計算し、予め設定された閾値と前記差分とを比較して前記配電網の故障予兆の有無を検出する故障予兆検出部、
   を備えたことを特徴とする配電網の故障予兆診断システム。
2. 前記正常部分空間計算部が前記診断区間を特定することを特徴とする請求項１に記載の配電網の故障予兆診断システム。
3. 前記診断用データ計算部が前記学習用データを計算することを特徴とする請求項１又は２に記載の配電網の故障予兆診断システム。
4. 前記配電網の供給量情報を格納する供給量情報格納部を備え、
   前記負荷時間帯計算部は、前記供給量情報を元にして前記高負荷時間帯あるいは前記低負荷時間帯を求めることを特徴とする請求項１〜３のいずれか１項に記載の配電網の故障予兆診断システム。
5. 前記配電網に含まれる機器ごとの保守情報を格納する保守情報格納部を備え、
   前記正常稼働期間計算部は、前記保守情報を元にして正常稼働と見なせる期間の計算を行うことを特徴とする請求項１〜４のいずれか１項に記載の配電網の故障予兆診断システム。
6. 予め設定された前記配電網の負荷の大きさごとに前記正常部分空間を分けて格納する負荷別の正常部分空間格納部を備えたことを特徴とする請求項１〜５のいずれか１項に記載の配電網の故障予兆診断システム。
7. 前記故障予兆検出部は、同時刻の前記配電網の故障発生情報および供給量情報を外部から取り込み、取り込んだ前記故障発生情報に基づいて当該配電網が正常稼働中であると判定すると、取り込んだ前記供給量情報に基づいて前記負荷別の正常部分空間格納部から前記配電網の負荷の大きさごとに分けた前記正常部分空間を選択して取り込むことを特徴とする請求項６に記載の配電網の故障予兆診断システム。
8. 前記診断用データと前記正常部分空間との差分から前記配電網にて故障が発生する個所を推定すると共に、ＦＭＥＡと関連付けられた所定のデータを用いて故障モードと想定される被害を推定する推定部を備えたことを特徴とする請求項１〜７のいずれか１項に記載の配電網の故障予兆診断システム。
9. 前記推定部の推定結果を出力する推定結果出力部を備えたことを特徴とする請求項８に記載の配電網の故障予兆診断システム。
10. 前記配電網のＦＭＥＡによる故障モードと、前記配電網に含まれる機器のＩＤおよび想定される被害状況を対応づけて格納するＦＭＥＡ状態格納部を備えたことを特徴とする請求項８又は９に記載の配電網の故障予兆診断システム。
11. ＡＭＩ(Advanced Meter Infrastructure)から得られる測定データを用いて統計的外れ値を検出することにより配電網の故障予兆を診断する方法であって、
    前記測定データの集合から正常稼働と見なせる期間を計算する正常稼働期間計算ステップと、
    所定の時間帯における前記配電網の負荷が、予め設定された閾値と比べて高い高負荷時間帯あるいは前記閾値と比べて低い低負荷時間帯を計算する負荷時間帯計算ステップと、
    前記正常稼働期間計算ステップおよび前記負荷時間帯計算ステップによる計算結果に基づいて、前記配電網の負荷が高い時間帯に該当する前記正常稼働期間、および前記配電網の負荷が低い時間帯に該当する前記正常稼働期間の中から、所定の時間の幅を持つ診断区間を特定する診断区間特定ステップと、
    前記診断区間に対応した前記測定データについて当該診断区間ごとの代表値を学習用データとして計算する学習用データ計算ステップと、
    前記学習用データの集合から正常と見なせる正常部分空間を計算する正常部分空間計算ステップと、
    前記測定データについて予め設定された診断対象期間の代表値を診断用データとして計算する診断用データ計算ステップと、
    前記診断用データと前記正常部分空間との差分を計算し、予め設定された閾値と前記差分とを比較して前記配電網の故障予兆の有無を検出する故障予兆検出ステップ、を含むことを特徴とする配電網の故障予兆診断方法。

Images