特開 2022-169162 機械学習装置及び接続相判定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022169162

(43)【公開日】2022-11-09

(54)【発明の名称】機械学習装置及び接続相判定装置

(51)【国際特許分類】

   H02J 3/00 20060101AFI20221101BHJP

【ＦＩ】

H02J3/00 170

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2021075020

(22)【出願日】2021-04-27

(71)【出願人】

【識別番号】000211307

【氏名又は名称】中国電力株式会社

(74)【代理人】

【識別番号】100106002

【弁理士】

【氏名又は名称】正林 真之

(74)【代理人】

【識別番号】100120891

【弁理士】

【氏名又は名称】林 一好

(72)【発明者】

【氏名】元吉 庸泰

(72)【発明者】

【氏名】星島 巧

【テーマコード（参考）】

5G066

【Ｆターム（参考）】

5G066AA03

(57)【要約】      （修正有）

【課題】三相交流の配電線路に新たな負荷を接続した後の三相間の電圧バランスをより効率的に予測するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた接続相判定装置を提供する。
【解決手段】機械学習装置１は、三相交流の配電線路の線路特性情報と、新たな負荷を接続する前の配電線路の三相間の電圧バランスと、新たな負荷の種別情報と、新たな負荷の電力情報と、新たな負荷の位置情報と、新たな負荷の接続相情報と、を入力データとして取得する入力データ取得部１１と、新たな負荷を接続した後の配電線路の三相間の電圧バランスをラベルとして取得するラベル取得部１２と、入力データとラベルとの組を教師データとして教師あり学習を行うことにより、新たな負荷を接続した後の配電線路の三相間の電圧バランスを予測するための学習モデルを構築する学習モデル構築部１４と、を備える。
【選択図】図５

【特許請求の範囲】

【請求項1】

三相交流の配電線路のインピーダンスを少なくとも含む線路特性情報と、新たな負荷を接続する前の前記配電線路の三相間の電圧バランスと、前記新たな負荷の種別情報と、前記新たな負荷の電力情報と、前記新たな負荷の位置情報と、前記新たな負荷の接続相情報と、を含むデータ群を入力データとして取得する入力データ取得部と、
前記新たな負荷を接続した後の前記配電線路の三相間の電圧バランスをラベルとして取得するラベル取得部と、
前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記新たな負荷を接続した後の前記配電線路の三相間の電圧バランスを予測するための学習モデルを構築する学習モデル構築部と、を備える機械学習装置。

【請求項2】

前記種別情報は、前記新たな負荷が分散型電源を有するか否かを示す情報を含む請求項１に記載の機械学習装置。

【請求項3】

前記電力情報は、時間帯毎の電力情報を含む請求項１又は２に記載の機械学習装置。

【請求項4】

請求項１又は２に記載の機械学習装置で構築した前記学習モデルを用いた接続相判定装置であって、
前記線路特性情報と、前記新たな負荷を接続する前の前記配電線路の三相間の電圧バランスと、前記新たな負荷の種別情報と、前記新たな負荷の電力情報と、前記新たな負荷の位置情報と、を含むデータ群を判定用データとして取得する判定用データ取得部と、
前記新たな負荷が接続される候補となる複数の異なる候補接続相を前記接続相情報として生成する候補接続相生成部と、
前記判定用データと、前記学習モデルと、前記候補接続相生成部によって生成された前記候補接続相のそれぞれと、に基づいて、前記新たな負荷を前記候補接続相のそれぞれに接続した後の前記配電線路の三相間の電圧バランスを予測する電圧バランス予測部と、
前記電圧バランス予測部による予測結果に基づいて、電圧不平衡率を算出する電圧不平衡率算出部と、
前記電圧不平衡率算出部によって算出される前記電圧不平衡率に基づいて、前記候補接続相生成部によって生成された複数の前記候補接続相から前記電圧不平衡率が低くなる前記候補接続相を選択する接続相選択部と、を備える接続相判定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置及び接続相判定装置に関する。

【背景技術】

【0002】

従来、三相交流の配電線路への新たな負荷の接続を支援する技術が知られている。この種の技術が記載されているものとして例えば特許文献１及び２がある。特許文献１には、電圧不平衡率が最大になっている計測時刻と線間毎の電圧の高低特定の組み合わせとに基づいて柱上変圧器の接続相を決定する技術が記載されている。特許文献２には、配電系統の複数時間断面の計測情報、系統構成と線路インピーダンス、負荷定格容量と複数時間断面の負荷需要率、及び不平衡率許容値から線間電圧変化量上下限値と負荷移動量上下限値を算出し、算出結果に基づいて、電圧不平衡の最小化を目的関数とする最適化計算により、電圧不平衡を解消する負荷移動量を求める技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１７－５８９３号公報

【特許文献2】特開２００９－１２４９１３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、三相交流の配電線路に接続する新たな負荷が単相負荷である場合、三相の配電線のうち何れか二相の配電線に負荷を接続することになるので、新たな負荷の接続後の三相間の電圧バランスを考慮して接続相を選択する必要がある。しかし、三相間の電圧バランスは、各相の線路特性の差や負荷が接続される接続相の偏り、負荷の種類等の様々な要素の影響を受ける。また、配電線路には多数の変圧器を介して様々な負荷が接続されており、既設の負荷が接続される接続相や負荷の種類について把握することは困難な状況である。このため、新たな負荷を接続した後の三相間の電圧バランスを事前に予測することは容易ではない。特許文献１及び２には三相間の電圧バランスを改善するような負荷の接続相等を決定する判定が記載されているが、新たな負荷を接続した場合の三相間の電圧バランスをより効率的に予測するという点で改善の余地があった。

【0005】

本発明は、三相交流の配電線路に新たな負荷を接続した後の三相間の電圧バランスをより効率的に予測するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた接続相判定装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明は、三相交流の配電線路のインピーダンスを少なくとも含む線路特性情報と、新たな負荷を接続する前の前記配電線路の三相間の電圧バランスと、前記新たな負荷の種別情報と、前記新たな負荷の電力情報と、前記新たな負荷の位置情報と、前記新たな負荷の接続相情報と、を含むデータ群を入力データとして取得する入力データ取得部と、前記新たな負荷を接続した後の前記配電線路の三相間の電圧バランスをラベルとして取得するラベル取得部と、前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記新たな負荷を接続した後の前記配電線路の三相間の電圧バランスを予測するための学習モデルを構築する学習モデル構築部と、を備える機械学習装置に関する。

【0007】

前記種別情報は、前記新たな負荷が分散型電源を有するか否かを示す情報を含む。

【0008】

前記電力情報は、時間帯毎の電力情報を含む。

【0009】

また本発明は、前記機械学習装置で構築した前記学習モデルを用いた接続相判定装置であって、前記線路特性情報と、前記新たな負荷を接続する前の前記配電線路の三相間の電圧バランスと、前記新たな負荷の種別情報と、前記新たな負荷の電力情報と、前記新たな負荷の位置情報と、を含むデータ群を判定用データとして取得する判定用データ取得部と、前記新たな負荷が接続される候補となる複数の異なる候補接続相を前記接続相情報として生成する候補接続相生成部と、前記判定用データと、前記学習モデルと、前記候補接続相生成部によって生成された前記候補接続相のそれぞれと、に基づいて、前記新たな負荷を前記候補接続相のそれぞれに接続した後の前記配電線路の三相間の電圧バランスを予測する電圧バランス予測部と、前記電圧バランス予測部による予測結果に基づいて、電圧不平衡率を算出する電圧不平衡率算出部と、前記電圧不平衡率算出部によって算出される前記電圧不平衡率に基づいて、前記候補接続相生成部によって生成された複数の前記候補接続相から前記電圧不平衡率が低くなる前記候補接続相を選択する接続相選択部と、を備える接続相判定装置に関する。

【発明の効果】

【0010】

本発明によれば、三相交流の配電線路に新たな負荷を接続した後の三相間の電圧バランスをより効率的に予測するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた接続相判定装置を提供できる。

【図面の簡単な説明】

【0011】

【図1】本発明の一実施形態に係る接続相判定システムの全体構成を示す図である。

【図2】本発明の一実施形態に係る接続相判定システムが用いられる配電系統を示す概略図である。

【図3】本発明の一実施形態に係る接続相判定システムが用いられる配電線路の夜間の電圧バランスを示すグラフである。

【図4】本発明の一実施形態に係る接続相判定システムが用いられる配電線路の日中の電圧バランスを示すグラフである。

【図5】本発明の一実施形態に係る機械学習装置の機能ブロック図である。

【図6】本発明の一実施形態に係る接続相判定装置の機能ブロック図である。

【図7】本発明の一実施形態に係る機械学習装置の動作のフローチャートを示す図である。

【図8】本発明の一実施形態に係る接続相判定装置の動作のフローチャートを示す図である。

【発明を実施するための形態】

【0012】

以下、本発明の好ましい実施形態について、図面を参照しながら説明する。図１は、接続相判定システム１００の全体構成を示す図である。図２は、本実施形態に係る接続相判定システム１００が用いられる三相交流の配電系統３を示す概略図である。

【0013】

接続相判定システム１００は、三相交流の配電線路３０に新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスを予測し、新たな負荷６を接続する接続相を判定するためのシステムである。まず、接続相判定システム１００について説明する前に、接続相判定システム１００が用いられる配電系統３について説明する。

【0014】

配電系統３は、変電所４と、三相交流の配電線路３０と、配電線路３０を区分する３つの開閉器４０である開閉器４１，４２，４３と、を備える。図２に示す配電系統３では、三相交流は、変電所４から配電線路３０の末端Ｘに向かって流れる。

【0015】

図２に示すように、開閉器４１，４２，４３は、変電所４から末端Ｘに向かってこの順に所定の間隔を空けて配電線路３０に設けられる。即ち、配電線路３０は、開閉器４１と開閉器４２の間の区間Ａと、開閉器４２と開閉器４３の間の区間Ｂと、開閉器４３と配電線路３０の末端Ｘの間の区間Ｃに分けられる。なお、開閉器４０には、配電線路３０を流れる電流や電圧等を計測可能な機能が設けられる。

【0016】

配電線路３０は、三相の配電線である赤相配電線３１、白相配電線３２、青相配電線３３によって構成される。区間Ａ～Ｃのそれぞれの配電線路３０には、多数の変圧器５が接続される。

【0017】

変圧器５は、配電線路３０から負荷６に電力を供給するために三相交流を降圧する。変圧器５は、赤相配電線３１、白相配電線３２、及び青相配電線３３のうちいずれか二相の配電線に接続される。図２に示す配電線路３０の区間Ｂには、変圧器５１及び変圧器５２がそれぞれ赤相配電線３１と白相配電線３２に接続され、変圧器５３が白相配電線３２と青相配電線３３に接続され、変圧器５４が青相配電線３３と赤相配電線３１に接続される。以下、本明細書において、負荷６が変圧器５を介して接続される二相の配電線を「接続相」という。また、赤相配電線３１と白相配電線３２からなる接続相を「赤白相」といい、白相配電線３２と青相配電線３３からなる接続相を「白青相」といい、青相配電線３３と赤相配電線３１からなる接続相を「青赤相」という。なお、図２では、４つの変圧器５のみを示しているが、区間Ｂの配電線路３０に接続される変圧器５は変圧器５１～５４以外に多数存在する。

【0018】

図２に示すように、それぞれの変圧器５には、配電線路３０からの電力を消費する負荷６が接続される。負荷６は、例えば、一般住宅や多量の電力を消費する工場、太陽光発電等の分散型電源を有する設備等の様々な種類が存在する。負荷６はその種類によって電力の使用状況が異なる。

【0019】

ところで、配電線路３０の三相間の電圧バランスは、配電線路３０に接続される変圧器５の容量や利用率、負荷６の種別によって変化する。なお、「三相間の電圧バランス」とは、例えば、配電線路３０の三相間の電圧のバラツキの度合いを示す情報である。

【0020】

例えば、図２に示す配電系統３において、変圧器５１の容量が５０ｋＶＡ、利用率が７０％、変圧器５２の容量が２０ｋＶＡ、利用率が６０％、変圧器５３の容量が２０ｋＶＡ、利用率が１００％、変圧器５４の容量が３０ｋＶＡ、利用率が１２０％とする。そして、仮に区間Ｂの配電線路３０に変圧器５１～５４のみが接続されているとすると、赤白相に接続される変圧器５の電力使用量の合計が４７ｋＶＡ、白青相に接続される変圧器５の電力使用量の合計が２０ｋＶＡとなり電力使用量の差が大きくなる。この場合、変圧器５２の接続相を白青相に変更することで、赤白相に接続される変圧器５の電力使用量が３５ｋＶＡ、白青相に接続される変圧器５の電力使用量を３２ｋＶＡ、青赤相に接続される変圧器５の電力使用量を３６ｋＶＡとなり、三相間の電圧バランスをより平衡化できる。しかしながら、各区間Ａ～Ｃに配置される全ての変圧器５の接続相等の情報を把握することは困難であり、三相間の電圧バランスの改善に費用や労力がかかる。

【0021】

次に、配電線路３０の三相間の電圧バランスの一例について図３及び図４を参照しながら説明する。図３は図２に示す配電線路３０の夜間の電圧バランスを示すグラフである。図４は図２に示す配電線路３０の日中の電圧バランスを示すグラフである。図３及び図４において、紙面左側の縦軸は電圧（Ｖ）を示し、紙面右側の縦軸は電圧不平衡率（％）を示し、横軸は変電所４からの距離（ｋｍ）を示している。変電所４からの距離０ｋｍから６ｋｍの間は区間Ａ、変電所４からの距離６ｋｍから１４ｋｍの間は区間Ｂ、変電所４からの距離１４ｋｍから末端Ｘの間は区間Ｃである。また、図３及び図４において、赤相配電線３１と白相配電線３２の間の線間電圧（以下、赤白相の線間電圧）を実線で示し、白相配電線３２と青相配電線３３の間の線間電圧（以下、白青相の線間電圧）を一点鎖線で示し、青相配電線３３と赤相配電線３１の間の線間電圧（以下、青赤相の線間電圧）を二点鎖線で示し、電圧不平衡率（％）を破線で示している。

【0022】

図３及び図４に示すように、配電線路３０の夜間の電圧は、電圧不平衡率が低く抑えられている。一方で、配電線路３０の日中の電圧は、区間Ｂにおいて目標電圧の範囲を超え、電圧不平衡率も上昇している。このように、配電線路３０に接続される負荷６の種類によって電力の使用状況が異なるので、時間帯毎に三相間の電圧バランスが変化すると考えられる。

【0023】

次に、接続相判定システム１００の構成について説明する。図１に示すように、接続相判定システム１００は、機械学習装置１及び接続相判定装置２を備える。

【0024】

ここで、機械学習装置１と接続相判定装置２とは１対１の組とされて、通信可能に接続されている。なお、図１では図示しないが、機械学習装置１と接続相判定装置２とはネットワークを介して、互いに接続されていてもよい。ネットワークは、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワークにおける具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。あるいは、機械学習装置１と接続相判定装置２とは、ネットワークを用いた通信ではなく、コネクタを介して直接接続してもよい。

【0025】

機械学習装置１について図５を参照しながら説明する。図５は機械学習装置１０の機能ブロックを示す図である。

【0026】

機械学習装置１は、教師あり学習により、接続相判定装置２で用いる学習モデルを構築する。機械学習装置１によって構築される学習モデルは、新たな負荷６を接続した場合の電圧バランスを予測するために用いられる。図５に示すように、機械学習装置１は、入力データ取得部１１と、ラベル取得部１２と、記憶部１３と、学習モデル構築部１４を備える。

【0027】

入力データ取得部１１は、配電線路３０及び新たに接続する負荷６の各種情報を入力データとして取得する。図５に示すように、入力データ取得部１１が取得する入力データとしては、配電線路３０の線路特性情報と、新設前の三相間の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報と、新たな負荷６の接続相情報を含むデータ群が挙げられる。

【0028】

線路特性情報は、少なくとも配電線路３０のインピーダンスを含む。配電線路３０のインピーダンスは、例えば、赤相配電線３１、白相配電線３２、青相配電線３３のそれぞれのインピーダンスである。

【0029】

新設前の三相間の電圧バランスは、新たな負荷６を接続する前の配電線路３０の三相間の電圧のバラツキの度合いを示す情報である。三相間の電圧バランスは、例えば、区間Ａ～Ｃそれぞれの配電線路３０を流れる電流や電圧を計測する開閉器４０から取得される。三相間の電圧バランスとしては、例えば、赤白相の線間電圧、白青相の線間電圧、青赤相の線間電圧等が挙げられる。この他の三相間の電圧バランスとして、電圧不平衡率等を含んでいてもよい。

【0030】

新たな負荷６の種別情報は、配電線路３０に新たなに接続する負荷６の種類を示す情報である。負荷の種別情報としては、例えば、住宅、商店、事務所、工場等の電力需要設備の種類に関する情報が挙げられる。負荷６は、その種別によって電力の使用状況が異なる。例えば、負荷６が工場の場合、他の負荷６と比較して電力使用量が多く、平日の日中に電力使用量がピークとなる傾向である。商店や事務所の場合、日中に電力使用量がピークとなり、住宅の場合、朝夕に電力使用量のピークとなる傾向である。また、電気給湯器付き設備の場合、深夜に電力使用量のピークとなる傾向である。

【0031】

また、新たな負荷６の種別情報には、新たな負荷６が太陽光発電等の分散型電源を有するか否かを示す情報が含まれることが好ましい。分散型電源を有する負荷６の場合は配電線路３０から送られる電力を消費するだけでなく、日中に分散型電源が電力、配電線路３０へ逆潮流を行うので、夜間と日中における電力使用量が大きく異なる。このため、負荷６の分散型電源の有無を入力データとして取得することで、新たな負荷６の接続後の三相関の電圧バランスをより正確に予測することができる。

【0032】

新たな負荷６の電力情報は、配電線路３０に新たに接続された負荷６の電力情報である。電力情報としては、例えば、負荷６による電力使用量、配電線路への逆潮流される分散型電源等の負荷６からの送電量等が挙げられる。また、電力情報は、例えば日負荷曲線等の時間帯毎の電力情報を含むことが好ましい。新たな負荷６の電力情報は、機械学習装置１のユーザ等が負荷６の種別情報等に基づいて予測した値であってもよく、新たな負荷６を配電線路３０に接続した後にスマートメータ等から取得した新たな負荷６による電力使用量や送電量等の実測値であってもよい。

【0033】

新たな負荷６の位置情報は、配電線路３０に新たに接続された負荷６の位置情報である。位置情報としては、例えば、新たな負荷６が接続された変圧器５が配置される電柱番号、該変圧器５の容量等の情報が挙げられる。

【0034】

新たな負荷６が接続される接続相情報は、新たな負荷６が接続された配電線路３０の接続相を示す情報である。具体的には、接続相情報は、赤白相と、白青相と、青赤相の３種類存在する。

【0035】

ラベル取得部１２は、新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスをラベルとして取得する。新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスは、新たな負荷６の接続から所定の期間経過後の配電線路３０の三相間の電圧のバラツキの度合いを示す情報である。三相間の電圧バランスは、例えば、区間Ａ～Ｃそれぞれの配電線路３０を流れる電流や電圧を計測する開閉器４０から取得される。電圧バランスとしては、例えば、赤白相の線間電圧、白青相の線間電圧、青赤相の線間電圧、電圧不平衡率等が挙げられる。

【0036】

記憶部１３は、入力データ取得部１１によって取得された配電線路３０の線路特性情報と、新設前の三相間の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報と、新たな負荷６の接続相情報を互いに紐づけられた１組のデータ群として記憶する。そして、記憶部１３は、１組のデータ群である入力データと、該入力データに対する新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスであるラベルを互いに紐づけて１組の教師データとして記憶する。また、記憶部１３は、学習モデル構築部１４が構築した学習モデルも記憶する。

【0037】

学習モデル構築部１４は、記憶部１３に記憶された入力データと、ラベルとの組を教師データとして教師あり学習を行うことにより、新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスを予測するための学習モデルを構築する。そして、学習モデル構築部１４は、構築した学習モデルを接続相判定装置２に送信する。

【0038】

学習モデル構築部１４は、例えば、サポート・ベクター・マシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、以下ＳＶＭともいう）を用いて実現することが可能である。

【0039】

接続相判定装置２について図６を参照しながら説明する。図６は、接続相判定装置２の機能ブロック図である。接続相判定装置２は、制御部２０と、記憶部２７と、通信部２８と、表示部２９と、を備える。

【0040】

制御部２０は、接続相判定装置２の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部２０は、ＣＰＵであってよい。制御部２０は、判定用データ取得部２１と、候補接続相生成部２２と、電圧バランス予測部２３と、電圧不平衡率算出部２４と、接続相選択部２５と、出力部２６とを備える。

【0041】

判定用データ取得部２１は、新たな負荷６を接続する配電線路３０の接続相を判定するための判定用データを取得する。判定用データ取得部２１は、線路特性情報取得部２１１と、新設前電圧バランス取得部２１２と、負荷種別情報取得部２１３と、負荷電力情報取得部２１４と、負荷位置情報取得部２１５を有する。

【0042】

線路特性情報取得部２１１は、機械学習した際に用いた教師データに含まれる線路特性情報とは別個に、配電線路３０の線路特性情報を取得する。

【0043】

新設前電圧バランス取得部２１２は、機械学習した際に用いた教師データに含まれる新設前の三相間の電圧バランスとは別個に、新たな負荷６を接続する前の配電線路３０の電圧バランスを取得する。新設前電圧バランス取得部２１２は、例えば、新設前の三相間の電圧バランスの情報を区間Ａ～Ｃそれぞれの配電線路３０を流れる電流や電圧を計測する開閉器４０から取得してもよい。

【0044】

負荷種別情報取得部２１３は、機械学習した際に用いた教師データに含まれる新たな負荷の種別情報とは別個に、新たな負荷の種別情報を取得する。新たな負荷６の種別情報としては、例えば、住宅、商店、事務所、工場等の電力需要設備の種類に関する情報や負荷６が分散型電源を有するか否かを示す情報等が挙げられる。負荷種別情報取得部２１３によって取得される新たな負荷６の種別情報は、例えば、ユーザが接続相判定装置２に備わる入力デバイスを介して入力した情報であってもよい。

【0045】

負荷電力情報取得部２１４は、機械学習した際に用いた教師データに含まれる新たな負荷６の電力情報とは別個に、新たな負荷６の電力情報を取得する。負荷電力情報取得部２１４によって取得される新たな負荷６の電力情報は、例えば、ユーザが負荷６の種別情報や過去の類似の負荷の実績に基づいて予測し、接続相判定装置２に備わる入力デバイスを介して入力した電力量であってもよい。

【0046】

負荷位置情報取得部２１５は、機械学習した際に用いた教師データに含まれる新たな負荷６の位置情報とは別個に、新たな負荷６の位置情報を取得する。負荷位置情報取得部２１５によって取得される負荷６の位置情報は、例えば、ユーザが接続相判定装置２に備わる入力デバイスを介して入力した電柱番号、変圧器５の容量等の情報であってもよい。

【0047】

候補接続相生成部２２は、新たな負荷６が接続される候補となる複数の候補接続相を接続相情報として生成する。具体的には、候補接続相生成部２２は、赤白相と、白青相と、青赤相の３つの候補接続相を生成する。

【0048】

電圧バランス予測部２３は、判定用データと、学習モデルと、候補接続相生成部２２によって生成された３つの候補接続相のそれぞれに基づいて、新たな負荷６を３つの候補接続相のそれぞれに接続した場合の三相間の電圧バランスを予測する。即ち、電圧バランス予測部２３は、新たな負荷６の接続相が異なる３通りの三相間の電圧バランスを予測する。

【0049】

電圧不平衡率算出部２４は、電圧バランス予測部２３による予測結果に基づいて、電圧不平衡率を算出する。電圧不平衡率算出部２４が電圧不平衡率を算出する方法は特に限定されない。例えば、電圧不平衡率算出部２４は、電圧バランス予測部２３によって予測された赤白相の線間電圧と、白青相の線間電圧と、青赤相の線間電圧から正相電圧及び逆相電圧を求め、正相電圧に対する逆相電圧の比から電圧不平衡率を算出できる。電圧不平衡率算出部２４は、新たな負荷６の候補接続相が赤白相、白青相、又は青赤相の場合の電圧不平衡率を算出する。

【0050】

接続相選択部２５は、電圧不平衡率算出部２４によって算出される電圧不平衡率に基づいて、候補接続相生成部２２によって生成された複数の候補接続相から配電線路３０の電圧不平衡率が低くなる候補接続相を選択する。例えば、接続相選択部２５は、電圧不平衡率算出部２４によって算出される候補接続相が赤白相、白青相、又は青赤相の場合の電圧不平衡率のうち最も電圧不平衡率が低くなる候補接続相を選択する。

【0051】

出力部２６は、接続相選択部２５によって選択された新たな負荷６の接続相を表示部２９に出力する。また、出力部２６は、新たな負荷６の接続相の他に、該接続相に新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスを表示部２９に出力してもよい。

【0052】

記憶部２７は、機械学習装置１から取得した学習モデルを記憶する。また、記憶部２７は、判定用データ取得部２１によって取得されたデータ群を１組の入力データとし、該入力データに対して判定された新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスをラベルとして記憶してもよい。

【0053】

通信部２８は、機械学習装置１との間でデータを送受信する。例えば、接続相判定システム１００は、機械学習装置１から接続相判定装置２に通信部２８を介して学習モデル構築部１４によって構築された学習モデルを送信できる。反対に接続相判定システム１００は、接続相判定装置２から機械学習装置１に通信部２８を介して判定用データ取得部２１によって取得されたデータ群や接続相選択部２５によって選択された新たな負荷６の接続相及び該接続相に新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスの予想結果等を送信できる。

【0054】

表示部２９は、制御部２０の出力部２６から出力された新たな負荷６の接続相と該接続相に新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスの予測結果を表示するモニタである。

【0055】

次に、本実施形態に係る接続相判定システム１００における機械学習時の動作について説明する。図７は、この機械学習時の機械学習装置１の動作を示すフローチャートである。

【0056】

ステップＳ１１において、機械学習装置１の入力データ取得部１１は、配電線路３０の線路特性情報と、新設前の三相間の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報と、新たな負荷６の接続相情報を含む１組のデータ群を入力データとして取得する。

【0057】

ステップＳ１２において、機械学習装置１のラベル取得部１２は、新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスをラベルとして取得する。

【0058】

ステップＳ１３において、機械学習装置１の学習モデル構築部１４は、入力データとラベルとの組を教師データとして受け付ける。

【0059】

ステップＳ１４において、機械学習装置１の学習モデル構築部１４は、この教師データを用いて機械学習を実行する。

【0060】

ステップＳ１５において、学習モデル構築部１４は、機械学習を終了するか機械学習を繰り返すかを判定する。学習モデル構築部１４は、機械学習を繰り返すと判定した場合（ステップＳ１５でＮｏ）、処理をステップＳ１１に戻す。そして、機械学習装置１は同じ動作を繰り返す。一方、学習モデル構築部１４は、機械学習を終了すると判定した場合（ステップＳ１５でＹｅｓ）、処理をステップＳ１６に進める。なお、機械学習を終了させる条件は任意に定めることができる。例えば、予め定められた回数だけ機械学習を繰り返した場合に、機械学習を終了させるようにしてもよい。

【0061】

ステップＳ１６において、機械学習装置１は、その時点までの機械学習により構築した学習モデルを、ネットワーク等を介して接続相判定装置２に送信する。

【0062】

また、機械学習装置１の記憶部１３は、この学習モデルを記憶する。これにより、接続相判定装置２から学習モデルを要求された場合に、その接続相判定装置２に学習モデルを送信することができる。また、新たな教師データを取得した場合に、学習モデルに対して更なる機械学習を行うこともできる。これにより、例えば、同一の配電線路３０や同一の区間Ａ～Ｃにおいて、定期的に機械学習装置１による機械学習を繰り返すことで、学習モデルによる三相間の電圧バランスの予測精度を向上させることができる。

【0063】

次に、接続相判定装置２による新たな負荷の接続相を判定する処理の一例について図７を参照しながら説明する。図７は、接続相判定装置２による新たな負荷の接続相を判定する処理の流れを示すフローチャートである。

【0064】

ステップＳ２１において、判定用データ取得部２１が配電線路３０の各相のインピーダンスを含む線路特性情報と、新設前の配電線路３０の線間電圧等の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報等の判定用データを取得する。

【0065】

ステップＳ２２において、候補接続相生成部２２が新たな負荷６が接続される候補となる３つの候補接続相を生成する。

【0066】

ステップＳ２３において、電圧バランス予測部２３がステップＳ２１で取得された判定用データと、ステップＳ２２で生成された３つの候補接続相のそれぞれと、機械学習装置１から送信された学習モデルとに基づいて、新たな負荷６を３つの候補接続相のそれぞれに接続した場合の三相間の電圧バランスを予測する。

【0067】

ステップＳ２４において、電圧不平衡率算出部２４がステップＳ２３で予測された赤白相の線間電圧、白青相の線間電圧、青赤相の線間電圧等に基づいて、新たな負荷６の候補接続相が赤白相、白青相、又は青赤相の場合の電圧不平衡率を算出する。

【0068】

ステップＳ２５において、接続相選択部２５がステップＳ２４で算出された候補接続相が赤白相、白青相、青赤相の場合の電圧不平衡率のうち最も電圧不平衡率が低くなる候補接続相を選択する。

【0069】

ステップＳ２６において、出力部２６がステップＳ２５で選択された候補接続相を表示部２９に出力する。また、出力部２６はステップＳ２５で選択された候補接続相に新たな負荷６が接続された場合の電圧不平衡率を表示部２９に出力する。この結果、電圧不平衡率が低くなる候補接続相と該候補接続相に新たな負荷６を接続した場合の電圧不平衡率が表示部２９に表示される。

【0070】

以上説明した本実施形態に係る接続相判定システム１００の機械学習装置１又は接続相判定装置２によれば、以下のような効果を奏する。

【0071】

本実施形態に係る機械学習装置１は、三相交流の配電線路３０のインピーダンスを少なくとも含む線路特性情報と、新たな負荷６を接続する前の配電線路３０の三相間の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報と、新たな負荷６の接続相情報と、を含むデータ群を入力データとして取得する入力データ取得部１１と、新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスをラベルとして取得するラベル取得部１２と、入力データとラベルとの組を教師データとして教師あり学習を行うことにより、新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスを予測するための学習モデルを構築する学習モデル構築部１４と、を備える。

【0072】

これにより、配電線路３０の線路特性や接続する負荷６の種別、電力使用量等の様々な要素が反映され、より効率的に新たな負荷６を接続した後の三相間の電圧バランスを予測するための学習モデルを構築できる。よって、該学習モデルを用いることで、新たな負荷６を実際に配電線路３０に接続する前に該負荷６を接続した後の三相間の電圧バランスの予測結果を効率的に得ることができ、配電線路３０への負荷６の新設のシミュレーションを容易に行うことができる。

【0073】

本実施形態に係る機械学習装置１において、種別情報は、新たな負荷６が分散型電源を有するか否かを示す情報を含む。

【0074】

これにより、新たな負荷６から配電線路３０への送電の可否も考慮して新たな負荷６を接続した後の三相間の電圧バランスを予測できるより予測精度の高い学習モデルを構築できる。

【0075】

本実施形態に係る機械学習装置１において、電力情報は、時間帯毎の電力情報を含む。

【0076】

これにより、時間帯毎の新たな負荷６と配電線路３０の間の電力の変動を考慮して新たな負荷６を接続した後の三相間の電圧バランスを予測できるより予測精度の高い学習モデルを構築できる。

【0077】

また本実施形態に係る接続相判定装置２は、機械学習装置１で構築した学習モデルを用いた接続相判定装置２であって、線路特性情報と、新たな負荷６を接続する前の配電線路３０の三相間の電圧バランスと、新たな負荷６の種別情報と、新たな負荷６の電力情報と、新たな負荷６の位置情報と、を含むデータ群を判定用データとして取得する判定用データ取得部２１と、新たな負荷６が接続される候補となる複数の異なる候補接続相を接続相情報として生成する候補接続相生成部２２と、判定用データと、学習モデルと、候補接続相生成部２２によって生成された候補接続相のそれぞれと、に基づいて、新たな負荷６を候補接続相のそれぞれに接続した後の配電線路３０の三相間の電圧バランスを予測する電圧バランス予測部２３と、電圧バランス予測部２３による予測結果に基づいて、電圧不平衡率を算出する電圧不平衡率算出部２４と、電圧不平衡率算出部２４によって算出される電圧不平衡率に基づいて、候補接続相生成部２２によって生成された複数の候補接続相から電圧不平衡率が低くなる候補接続相を選択する接続相選択部２５と、を備える。

【0078】

これにより、本実施形態の学習モデルに新たな負荷６を接続する配電線路３０の線路特性情報や三相間の電圧バランスや新たな負荷６の情報を入力し、新たな負荷６の候補接続相毎の接続後の三相間の電圧バランスを予測しながら、電圧不平衡率が低くなる接続相を選択できる。よって、より効率的に新たな負荷６を接続した後の配電線路３０の三相間の電圧バランスが良好になる接続相を判定できる。

【0079】

以上、本発明の実施形態について説明したが、本発明は、上記実施形態に制限されるものではなく適宜変更が可能である。

【符号の説明】

【0080】

１ 機械学習装置
６ 負荷
１１ 入力データ取得部
１２ ラベル取得部
１４ 学習モデル構築部
３０ 配電線路

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】