JP7657137B2

JP7657137B2 - 配電系統事故予兆原因推定システム

Info

Publication number: JP7657137B2
Application number: JP2021173730A
Authority: JP
Inventors: 花帆小泉
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2021-10-25
Filing date: 2021-10-25
Publication date: 2025-04-04
Anticipated expiration: 2041-10-25
Also published as: US12322965B2; JP2023063742A; US20230131038A1

Description

本願は、配電系統事故予兆原因推定システムに関するものである。

近年、国内外で台風、地震、雪害といった自然災害が多発しており、配電系統においては、それらの環境に起因した事故発生が多く、現場で事故発生の原因を除去する作業の効率化が必要となっている。

従来は、地絡、短絡などの事故が発生した場合、事故現場を目視確認し、事故原因を特定して、作業員による事故原因を除去する作業を実施する。しかし、大規模自然災害が発生した場合は、複数拠点で対応が必要となるため、早急な復旧が困難な現状にある。そこで、配電線の供給支障などの事故発生につながる予兆を事前に把握する仕組みを構築し、これによって、事故が発生するまえに、事前に設備改修を可能とし、効率的な対策に要する設備投資、あるいは修繕、点検、復旧作業を行って、人件費の最適化を行っている。

上記のような、配電系統の事故発生につながる予兆を子局で検知する仕組としては、従来、配電系統監視装置を設け、通信により子局間の情報を収集し、あるいは、ニューロコンピューティングによって自己の判断基準を作成するシステムなどの実現が進められている（例えば、下記の特許文献1参照）。

特開２０２０－１７４４９３号公報

従来の事故予兆原因推定システムは、配電系統に設けられた各々の自動開閉器に、配電線に流れる電流、電圧等を検出する検出器および通信機器を搭載する一方、各自動開閉器に対して通信ネットワークを構成する子局を個別に設け、各子局には計測データ処理機能を搭載し、自動開閉器に設けた検出器で検出した電流、電圧等の波形データを通信機器を経由して子局に伝送し、各子局は計測データ処理機能を使用して、取得した波形データに信号処理を実行したものを、代表拠点に配置した上位のサーバに伝送している。

この場合、子局では、一般的には、例えば定周期収集時、事故予兆検出時、あるいは事故検出時の遮断器の遮断動作時などのタイミングで事故発生につながる予兆を推定するのに必要となる波形データを収集する。そして、事故発生の予兆となる波形データの収集時、あるいは定周期収集時、またはＦＣＢ（ＦｅｅｄｅｒＣｉｒｃｕｉｔＢｒｅａｋｅｒ）遮断後の復電時などのタイミングで、各子局が上位のサーバと連携することで、サーバが予め蓄積していた波形データに基づいて事故発生につながる予兆を推定するようにしている。

従来技術の場合、各子局から上位のサーバに送信する波形データは、１秒間に数千点を超えるサンプリング周期で計測していることが多く、データ送信時のネットワークの負荷を考慮し、データサイズ、転送速度などに制限を掛けるなどの考慮がされていることが一般的である。しかし、配電系統の各々の自動開閉器に個別に設けられる子局の数は、数万を超える場合があるので、台風、地震など、大規模な自然災害に伴い、配電線の事故が多発する状況下においては、少なからず、ネットワークの負荷を圧迫する可能性がある。

上位のサーバと各子局間の波形データの伝送については、ネットワークを光化することで、ネットワークに加わる負荷をある程度までは緩和することが可能である。しかしながら、上述のような状況下においては、大量の波形データがネットワークに流れることとなるため、ネットワーク負荷を圧迫することで、遅延、あるいは伝送異常といった問題を発生させる可能性がある。そのため、同一ネットワークを使用している配電系統の運用業務において、子局の状態監視ができない、あるいは子局への制御が失敗する、などといった支障をきたすことにつながる。

以上の理由から、上位のサーバと子局間とで、配電線の事故が多発する状況を想定した十分なネットワーク帯域幅、あるいは速度を実現しようとすると、高額な設備投資、およびシステム構築のための高度なネットワーク技術が必要となる。また、上位のサーバでは、子局から収集した膨大な波形データに基づいて事故発生につながる予兆を推定する必要があるため、これらの膨大な波形データを処理するサーバリソース、ならびに複雑なサーバアプリケーション技術が必要となる。

また、子局では、配電系統が停電しないレベルの微弱な波形データも予兆として取得するため、必ずしもサーバへ送信される波形データは、全てが配電線に実際に生じた事故に起因した波形データというわけではない。

また、事故発生につながる予兆は、当該子局だけで発生するわけではなく、周辺子局も連動して検知するため、上位のサーバで波形データを分析するまで、どこでどのような事故が発生しているのか、原因推定することはできない。

すなわち、子局単体で検出した波形データだけで事故発生につながる予兆を正確に判断することは困難であるため、複数子局の情報を照らし合わせることで、おおよその事故の予兆発生場所に見当をつけ、当該場所における過去の事故事例も考慮しながら、事故の原因を推定し、最終的には、現地で対象となる子局および隣接現場（配電線、隣接子局など）を目視確認しなければ実情が分らない。このように、従来は、複数システムを利用し、また、人手を介する必要があるため、時間および手間がかかるため、改善の余地がある。

本願は、上記のような課題を解決するための技術を開示するものであり、上位のサーバに波形データを送信しなくても、子局で自律的に事故発生につながる予兆を精度良く判断でき、また、各子局の相互間で情報連携を行い、複数子局の波形データを組み合わせることで、事故発生につながる予兆の原因推定が可能な配電系統事故予兆原因推定システムを提供することを目的とする。

本願に開示される配電系統事故予兆原因推定システムは、
複数の開閉器を有して配電系統に配置される保護用配電装置を備え、
前記各開閉器は、配電線に流れる電流、電圧を検出する検出器を備えるとともに、通信ネットワークを構成する子局が個別に設けられ、
前記各子局は、通信回線を介して互いに接続されるとともに、上位のサーバに接続されており、
前記各子局は、前記検出器による検出結果に応じて前記保護用配電装置を動作させる操作部と、前記検出器で検出された電流、電圧の波形データを信号処理する計測部と、人工知能機能を有する学習装置および推論装置からなり、前記計測部で計測された前記波形データに基づいて前記配電系統の事故の予兆原因の推定を行う事故予兆原因推定部と、前記事故予兆原因推定部で得られた前記配電系統の事故の予兆原因の推定結果を前記サーバに送信するデータ送受信部とを備え、
前記各子局は、前記波形データの変動、および事故予兆の累積検知回数の変動を検出し、当該波形データの変動、および事故予兆の累積検知回数の変動を、前記複数の開閉器の内、より上位の開閉器の子局に伝播させ、
前記各子局は、相互間で通信し、前記波形データの変動、および事故予兆の累積検知回数の変動に基づいて前記配電系統の事故箇所を特定すると共に、前記事故予兆原因推定部により、自律的に前記波形データを分析して事故予兆原因の推定を行う。

本願の配電系統事故予兆原因推定システムによれば、事故予兆原因を推定する際に、上位のサーバに波形データをその都度伝送しなくても、関連する子局間のみで相互に通信を行うため、ネットワーク負荷を圧迫することなく、配電線の事故予兆原因を推定することができる。

実施の形態１における配電系統事故予兆原因推定システムが適用される配電系統の一例を示す構成図である。図１の配電系統において、開閉器、および開閉器に対して個別に設けられた子局の構成を示すブロック図である。各子局および上位のサーバにより構成される通信ネットワークの一例を示す構成図である。配電系統が正常な場合の、子局の計測部で計測される電流、電圧等の波形データ、および累積検知回数の変化傾向を示す特性図である。配電系統に事故予兆がある場合の、子局の計測部で計測される電流、電圧等の波形データ、および累積検知回数の変化傾向を示す特性図である。配電系統に異常がある場合の、子局の計測部で計測される電流、電圧等の波形データ、および累積検知回数の変化傾向を示す特性図である。配電系統の一部に事故が発生した場合の一例を示す系統図である。図７の場合に各子局の計測部で計測される電流、電圧等の波形データ、および累積検知回数の変化を示す説明図である。配電系統の一部に事故が発生した場合の他の一例を示す系統図である。図９の場合に各子局の計測部で計測される電流、電圧等の波形データ、および累積検知回数の変化を示す説明図である。学習装置の構成を示すブロック図である。推論装置の構成を示すブロック図である。学習装置により事故発生につながる予兆原因を推論する学習モデルを生成する場合の手順の一例を示すフローチャートである。学習装置により事故発生につながる予兆原因を推論する学習モデルを生成する場合の手順の一例を示すフローチャートである。学習装置により事故発生につながる予兆原因を推論する学習モデルを生成する場合の手順の一例を示すフローチャートである。各子局で得られた事故予兆発生原因の推論結果をネットワークを介して上位のサーバに送信して、サーバで処理する内容を示すフローチャートである。事故予兆原因推定部のハードウエアの一例を示すブロック図である。

実施の形態１．
図１は、実施の形態１における配電系統事故予兆原因推定システムが適用される配電系統の一例を示す構成図である。

実施の形態１の配電系統事故予兆原因推定システムは、配電系統の事故発生につながる予兆の原因を推定するシステムである。
配電系統１は、例えば図１に示すように、配電元の変電所２、分岐点にある変圧器３、および保護用配電装置（図１では、遮断器４、開閉器（常閉）５、開閉器（常開）６が、保護用配電装置に該当する）を備え、これらが配電線７を介して接続されている。

特に、ここでは、保護用配電装置を構成する開閉器（常閉）５、開閉器（常開）６に、配電線７に流れる電流、電圧等を検出する検出器（図示せず）が搭載されている。
また、各々の開閉器５、６に対しては、図２に示すように、通信ネットワークを構成するための子局８が個別に設けられている。そして、各子局８は、図３に示すように、例えば光ケーブル等の通信回線９を介して互いに接続されるとともに、ＩＰネットワーク１０を介して上位のサーバ１１に接続されている。

各々の子局８は、信号線１２を介して開閉器５、６に電気的に接続されている。そして、各々の子局８は、開閉器５、６に設けた図示しない検出器で検出された電流、電圧等の波形データを信号線１２を介して取り込んで開閉器５、６を開閉動作させる操作部８１と、上記検出器で検出された電流、電圧等の波形データを取り込んで信号処理する計測部８２と、上記計測部８２で得られた波形データに基づいて配電系統１の事故の予兆原因の推定を行う人工知能（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ：以下「ＡＩ」と略す）機能を有する事故予兆原因推定部８３と、上記事故予兆原因推定部８３で得られた配電系統１の事故の予兆原因の推定結果を上位のサーバ１１に送信するとともに、サーバ１１からの情報を取得するデータ送受信部８４と、が設けられている。なお、事故予兆原因推定部８３の構成、およびその内容については、後述する。

次に、この実施の形態１の配電系統事故予兆システムにおける事故予兆検出の特徴について説明する。

まず、配電系統１が正常な場合、配電線７の一部に事故発生につながる予兆がある場合、および配電線７の一部に短絡事故が起こるなどの異常が発生した場合のそれぞれについて、各子局８の計測部８２で計測される電流、電圧等の波形データ、ならびに予兆あるいは異常を示す検知回数の累積値（、以下、累積検知回数という）の変化について図４、図５、図６を用いて説明する。

図４は配電系統１が正常な場合であり、子局８で計測される電流波形（図４の上段）は予め設定された一定の閾値の範囲内に収まっている。また、累積検知回数（図４の下段）も時間が経過しても増加しない。図４では、異常を示す検知回数はゼロである。
図５は配電線７の一部に事故発生につながる予兆がある場合であり、子局８で計測される電流波形（図５の上段）は予め設定された一定の閾値の範囲を越える状態が頻繁に発生している。また、累積検知回数（図５の下段）も時間の経過に伴って次第に増加している。
図６は配電線７の一部に短絡事故が起こるなどの異常が発生した場合であり、子局８で計測される電流波形は予め設定された一定の事故判断用の閾値の範囲を越える状態が発生している。図６において、予兆基準と事故基準を示しており、異常時は事故基準を超過している。

図７は、配電系統の一部に事故が発生した場合の一例を示す系統図である。
図８は、図７に示すような配電系統を採用している場合において、符合Ｐ１で示す配電線７の箇所で短絡事故が発生した場合の、各子局８の計測部８２で計測される電流波形、ならびに累積検知回数の変化を示す説明図である。

図８から理解できるように、変電所２から離れた下位の開閉器（ここでは開閉器５ｅ）につながる配電線７で発生した短絡事故に起因して当該開閉器５ｅの子局８ｅで計測される電流波形、および累積検知回数の変動は、変電所２に、より近い上位の開閉器（ここでは開閉器５ｂ、５ａ）の子局８ｂ、８ａで計測される電流波形、および累積検知回数にも伝播する。なお、符合５ｃ、５ｇ、５ｈ、５ｉで示す開閉器に対応する子局８ｃ、８ｇ、８ｈ、８ｉについては、事故による電流波形、および累積検知回数の変動の影響はない。したがって、各々の子局８の相互間で通信して電流波形、および累積検知回数の変動の影響の有無を調べれば、事故が発生した配電線７の箇所を特定することができる。

また、図９は、配電系統の一部に事故が発生した場合の一例を示す系統図である。
図１０は、図９に示すような配電系統を採用している場合において、符合Ｐ２で示す配電線７の箇所で短絡事故が発生した場合の、各子局８の計測部８２で計測される電流波形、ならびに累積検知回数の変化を示す説明図である。

図１０から理解できるように、変電所２から離れた下位の開閉器（ここでは開閉器５ｃ）につながる配電線７で発生した短絡事故に起因して当該開閉器５ｃの子局８ｃで計測される電流波形、および累積検知回数の変動は、変電所２に、より近い上位の開閉器（ここでは開閉器５ｂ、５ａ）の子局８ｂ、８ａで計測される電流波形、および累積検知回数にも伝播する。なお、符合５ｄ、５ｆで示す開閉器に対応する子局８ｄ、８ｆについては、事故による電流波形、および累積検知回数の変動の影響はない。したがって、この場合も、各々の子局８の相互間で通信して電流波形、および累積検知回数の変動の影響の有無を調べれば、事故が発生した配電線７の箇所を特定することができる。

次に、事故発生につながる予兆が発生した場合、あるいは短絡事故が起こるなどの異常が発生した場合に、これに起因して子局８で計測される電流、あるいは電圧の波形データの特徴について、下記の［Ｎ１］～［Ｎ７］により説明する。

［Ｎ１］ケーブル地絡（配電線のケーブル劣化に起因する地絡）：波形の発生と復帰を繰り返す
［Ｎ２］碍子地絡（碍子の破損に起因する地絡）：碍子の破損状態により時間的に変化する
［Ｎ３］鳥獣地絡（配電線ケーブルへの鳥獣接触後の炭化に起因する地絡）：完全地絡に近い状態になる
［Ｎ４］樹木地絡（配電線ケーブルへの樹木の接触に起因する地絡）：時間経過により地絡レベルが増加する
［Ｎ５］異物接触地絡（配電線ケーブルへの異物の接触に起因する地絡）：ギャップ距離により接触直後に針状波が発生する
［Ｎ６］ギャップ地絡（避雷器の不良等に起因する地絡）：針状波が継続するため、波形の経時変化はない
［Ｎ７］配電線障害（配電線が切断するなどの障害）：子局相互間で通信しても応答がない子局が存在する

次に、各子局８が備える人工知能（ＡＩ）機能を有する事故予兆原因推定部８３の構成について、説明する。

図２で示した事故予兆原因推定部８３は、学習装置８３１および推論装置８３２からなる。
学習装置８３１は、図１１に示すように、子局８の計測部８２に取り込まれた波形データを取得する学習用データ取得部８３１ａと、この学習用データ取得部８３１ａで取得された波形データを学習用データとして取り込み、この学習用データから配電系統１の事故の予兆原因を推論するための学習済モデルを生成する学習済モデル生成部８３１ｂと、この学習済モデル生成部で８３１ｂ生成された学習済モデルを記憶する学習済モデル記憶部８３１ｃを備える。

この実施の形態１において、学習済モデル生成部８３１ｂは、基本的に、教師なし学習による学習用プログラムに基づいて学習済モデルを生成する。ここに、教師なし学習とは、結果（ラベル）を含まない学習用データ（ここでは、電流、電圧の波形データ）を学習装置に与えることで、それらの学習用データに存在する特徴を学習する手法をいう。すなわち、学習装置８３１の学習済モデル生成部８３１ｂは、例えばＫ平均法によるグループ分け手法に従って、教師なし学習を行う。ここに、Ｋ平均法とは、非階層型クラスタリングのアルゴリズムであり、クラスタの平均を用い、与えられたクラスタ数をＫ個に分類する手法である。

具体的には、Ｋ平均法は、以下のような流れで処理される。まず、各データｘ１に対してランダムにクラスタを割り振る。次いで、割り振ったデータを基に各クラスタの中心Ｖｊを計算する。次に、各データｘ１と中心Ｖｊとの距離を求め、ｘ１を最も近い中心のクラスタに割り当て直す。そして、上記の処理で全てのｘ１のクラスタの割り当てが変化しなかった場合、あるいは変化量が事前に設定した一定の閾値を下回った場合に、収束したと判断する。そして、学習済モデル生成部８３１ｂは、以上のような学習を実行することで学習済モデルを生成して出力する。

推論装置８３２は、図１２に示すように、計測部８２に取り込まれた波形データを取得する推論用データ取得部８３２ａ、およびこの推論用データ取得部８３２ａで取得された波形データを上記の学習装置８３１の学習済モデル記憶部８３１ｃに記憶された学習済モデルを用いて比較し、配電系統１の事故発生につながる予兆原因を推定してその推定結果を出力する推論部８３２ｂを備える。

次に、上記事故予兆原因推定部８３の学習装置８３１により事故発生につながる予兆原因を推論する学習モデルを生成する場合の手順の一例について、図１３～図１５に示すフローチャートを参照して説明する。なお、符合Ｓは、各処理ステップを意味する。

図１３～図１５において、事故発生につながる予兆が発生した場合（ステップＳ１）、学習装置８３１において、各々の子局８の相互間で通信して相互に応答があるかを判断する（ステップＳ２）。
子局８の相互間で通信しても、応答がない子局８が存在すれば、配電線７が切断されているなどの配電線障害［Ｎ７］であるとみなす（ステップＳ３）。
また、各々の子局８の相互間で通信して相互に応答がある場合には、各々の子局８は、計測部８２で計測される電流、電圧の波形データの変動の有無、および累積検知回数の変化の有無を判断することで事故が発生した配電線７の箇所を特定する（ステップＳ４）。
また、各子局８に設けられている事故予兆原因推定部８３は、子局８で計測される電流、電圧の波形データを学習装置８３１の学習用データ取得部８３１ａに取り込み、この取得される電流、電圧の波形データについて、学習済モデル生成部８３１ｂが学習用プログラムに基づいて、その波形データの特徴（前述の［Ｎ１］～［Ｎ６］）を抽出する（ステップＳ５、Ｓ６、Ｓ７、Ｓ８、Ｓ９、Ｓ１０、Ｓ１１、Ｓ１２、Ｓ１３、Ｓ１４、Ｓ１５）。
次に、学習済モデル生成部８３１ｂで抽出された波形データの特徴（［Ｎ１］～［Ｎ７］）を予兆判定のための学習モデル（情報）として生成する。このようにして学習済モデル生成部８３１ｂで生成された学習済モデルは、学習済モデル記憶部８３１ｃに記憶される。

このように、事故発生につながる予兆発生に応じて、事故予兆原因推定部８３の学習装置８３１が、図１３～図１５に示すフローチャートの手順を繰り返すことで、学習済モデル生成部８３１ｂで生成される学習済モデルの精度が次第に高まる。

上記のようにして、学習済モデル生成部で８３１ｂにおいて学習済モデル生成された状態において、配電系統１に事故発生につながる予兆が新たに発生した場合、各子局８が相互に通信を行い、検知データを分析してその原因を推定する。なお、この場合、子局８の単位だけでなく、遮断器４、変圧器３、変電所２といった、より上位系統を含めて確認する。

すなわち、図１３～図１５に示すフローチャートの手順と同様に、事故予兆原因推定部８３において、各々の子局８の相互間で通信して相互に応答があるかを判断する（ステップＳ２）。
子局８の相互間で通信しても、応答がない子局８が存在すれば、配電線７が切断されているなどの配電線障害［Ｎ７］であるとみなす（ステップＳ３）。
また、各々の子局８の相互間で通信して相互に応答がある場合には、各々の子局８が備える推論装置８３２は、子局８で計測される電流、電圧の波形データを推論用データ取得部８３２ａで取得する。
そして、推論部８３２ｂは、この推論用データ取得部８３２ａで取得された波形データを、上記の学習装置８３１の学習済モデル記憶部８３１ｃに記憶された学習済モデルを用いて比較し、波形データが［Ｎ１］～［Ｎ６］のいずれのクラスタに属するか、すなわち事故発生につながる予兆の原因を推論し、その推論結果を出力する。なお、波形データが［Ｎ１］～［Ｎ７］のいずれのクラスタにも属していなければ、配電系統１の事故予兆は存在しないと推定する。そして、推論部８３２ｂは、推論結果［Ｎ１］～［Ｎ７］である出力を、データ送受信部８４から上位のサーバ１１に向けて送信する。

図３に示す上位のサーバ１１は、図１６のフローチャートに示すように、子局８からＩＰネットワーク１０を経由して送信されてくる推論結果［Ｎ１］～［Ｎ７］を受信し（ステップＳ２０）、配電系統１を管理するための管理者が保有する図示しないディスプレイに表示するとともに、事故予兆がある場合には、警報装置に対して警報を出力する（ステップＳ２１）。また、この事故予兆原因の推定結果に基づき、現地調査を実地して、事故予兆が発生していると想定される子局８近傍の配電線７の現地調査を実地して、実際の状況を確認する（ステップＳ２２）。

なお、この実施の形態１では、配電系統１について、学習済モデル生成部８３１ｂで学習した学習済モデルを用いて推論結果を出力するものとして説明したが、他の配電系統の学習済モデルを外部から取得し、この学習済モデルを用いて推論結果を得るようにしてもよい。

また、図２に示す事故予兆原因推定部８３の学習装置８３１および推論装置８３２は、ハードウエアの一例を図１７に示すように、プロセッサ１０００と記憶装置１０１０から構成される。記憶装置１０１０は、図示していない、ランダムアクセスメモリ等の揮発性記憶装置と、フラッシュメモリ等の不揮発性の補助記憶装置とを備える。
また、フラッシュメモリの代わりにハードディスクの補助記憶装置を備えてもよい。プロセッサ１０００は、記憶装置１０１０から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ１０００にプログラムが入力される。また、プロセッサ１０００は、演算結果等のデータを記憶装置１０１０の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。

以上のように、この実施の形態１の配電系統事故予兆原因推定システムによれば、子局８に人工知能（ＡＩ）機能を有する事故予兆原因推定部８３を設けることにより、各子局８が自律的に波形データを分析するので、配電線７の路上における事故および事故予兆の波形データを上位のサーバ１１へ逐一伝送する必要がなくなる。このため、ネットワーク負荷を圧迫することなく、事故予兆原因推定が可能となる。また、子局８は、これに搭載した事故予兆原因推定部８３により自律的に動作するため、従来手法と比べ、よりリアルタイムに波形データを分析することができる。

さらに、複数の子局８が相互通信することで、複数の子局８の波形データを組み合わせることで学習が可能となるため、変圧器単位、配電線単位、変電所単位など、分析する範囲を変えながら事故予兆の原因推定を行うことができる。このため、おおよその事故予兆の発生場所および原因を絞り込めるので、精度の高い予兆原因の推定が可能となる。これにより、供給信頼度の維持（停電時間の短縮）、対策に要する設備投資（修繕）、人件費（点検、復旧作業）といった運用、ならびに保守コストの削減にもつながる。

なお、本願は、例示的な実施の形態が記載されているが、実施の形態１に記載された様々な特徴、態様、および機能は特定の実施の形態の適用に限られるものではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。

したがって、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも一つの構成要素を変形する場合、追加する場合、または省略する場合が含まれものとする。

１配電系統、２変電所、３変圧器、４遮断器、５開閉器（常閉）、
６開閉器（常開）、７配電線、８子局、８１操作部、８２計測部、
８３事故予兆原因推定部、８３１学習装置、８３１ａ学習用データ取得部、
８３１ｂ学習済モデル生成部、８３１ｃ学習済モデル記憶部、８３２推論装置、
８３２ａ推論用データ取得部、８３２ｂ推論部、８４データ送受信部、
９通信回線、１０ＩＰネットワーク、１１サーバ、１２信号線。

Claims

複数の開閉器を有して配電系統に配置される保護用配電装置を備え、
前記各開閉器は、配電線に流れる電流、電圧を検出する検出器を備えるとともに、通信ネットワークを構成する子局が個別に設けられ、
前記各子局は、通信回線を介して互いに接続されるとともに、上位のサーバに接続されており、
前記各子局は、前記検出器による検出結果に応じて前記保護用配電装置を動作させる操作部と、前記検出器で検出された電流、電圧の波形データを信号処理する計測部と、人工知能機能を有する学習装置および推論装置からなり、前記計測部で計測された前記波形データに基づいて前記配電系統の事故の予兆原因の推定を行う事故予兆原因推定部と、前記事故予兆原因推定部で得られた前記配電系統の事故の予兆原因の推定結果を前記サーバに送信するデータ送受信部とを備え、
前記各子局は、前記波形データの変動、および事故予兆の累積検知回数の変動を検出し、当該波形データの変動、および事故予兆の累積検知回数の変動を、前記複数の開閉器の内、より上位の開閉器の子局に伝播させ、
前記各子局は、相互間で通信し、前記波形データの変動、および事故予兆の累積検知回数の変動に基づいて前記配電系統の事故箇所を特定すると共に、前記事故予兆原因推定部により、自律的に前記波形データを分析して事故予兆原因の推定を行う、
配電系統事故予兆原因推定システム。
前記学習装置は、前記計測部に取り込まれた波形データを取得する学習用データ取得部と、前記学習用データ取得部で取得された波形データを学習用データとして取り込み、この学習用データから前記配電系統の事故の予兆原因を推論するための学習済モデルを生成する学習済モデル生成部とを備える、請求項１に記載の配電系統事故予兆原因推定システム。
前記推論装置は、前記計測部に取り込まれた波形データを取得する推論用データ取得部と、前記推論用データ取得部で取得された波形データを前記学習済モデル生成部で生成された前記学習済モデルと比較して前記配電系統の事故の予兆原因を推定してその推定結果を出力する推論部とを備える、請求項２に記載の配電系統事故予兆原因推定システム。