特開 2024-64229 機械学習装置及び微地絡監視装置

(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】P2024064229

(43)【公開日】2024-05-14

(54)【発明の名称】機械学習装置及び微地絡監視装置

(51)【国際特許分類】

   G01R 31/08 20200101AFI20240507BHJP

   H02H 3/00 20060101ALI20240507BHJP

【ＦＩ】

G01R31/08

H02H3/00 D

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022172669

(22)【出願日】2022-10-27

(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】高見 和文

(72)【発明者】

【氏名】松下 典広

【テーマコード（参考）】

2G033

5G142

【Ｆターム（参考）】

2G033AA01

2G033AB02

2G033AC02

2G033AF05

2G033AG12

2G033AG15

5G142AB02

5G142AC06

(57)【要約】

【課題】微地絡への効率的な対処を可能とする学習モデルを構築できる機械学習装置及び当該学習モデルを用いた微地絡監視装置を提供すること。
【解決手段】機械学習装置１は、配電線１０１に接続された所定の開閉器１０３における期間Ｐ１における零相電流を示す零相電流情報と、所定の開閉器１０３における期間Ｐ１における零相電圧を示す零相電圧情報と、を入力データとして取得する入力データ取得部１１と、基準時ＴＳ１における配電線１０１での微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、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、配電線１０１での微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な学習モデルを構築する学習モデル構築部１３と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

配電線に接続された所定の開閉器における所定の基準時以前の所定の期間における零相電流を示す零相電流情報と、前記所定の開閉器における前記所定の基準時以前の前記所定の期間における零相電圧を示す零相電圧情報と、を入力データとして取得する入力データ取得部と、
前記所定の基準時における、前記配電線での微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、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、前記配電線での前記微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な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】

前記入力データ取得部は、気象情報を前記入力データとして取得可能である、請求項１に記載の機械学習装置。

【請求項3】

前記入力データ取得部は、地形情報を前記入力データとして取得可能である、請求項１に記載の機械学習装置。

【請求項4】

前記ラベル取得部は、前記微地絡への対処方法を前記ラベルとして更に取得可能であり、
前記学習モデル構築部は、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、前記微地絡への対処方法を提示可能な前記学習モデルを構築可能である、請求項１に記載の機械学習装置。

【請求項5】

前記ラベル取得部は、前記微地絡の継続期間を前記ラベルとして更に取得可能であり、
学習モデル構築部は、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、前記微地絡の継続期間を推定可能な学習モデルを構築可能である、請求項１に記載の機械学習装置。

【請求項6】

請求項１から請求項５のいずれか一項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微地絡監視装置であって、
前記所定の開閉器における零相電流を示す零相電流情報と、前記所定の開閉器における零相電圧を示す零相電圧情報と、を推定用データとして取得可能な推定用データ取得部と、
前記推定用データと前記学習モデルとに基づいて、前記配電線での前記微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な推定部と、
を備える微地絡監視装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置及び微地絡監視装置に関する。

【背景技術】

【0002】

配電線に地絡が発生した場合には、速やかに事故発生箇所（以下、「事故点」という）を修復して、当該配電線における電力供給の復旧を図ることが要求される。また、地絡が発生する前段階である微地絡が発生した時点で原因を除去し、地絡事故の未然防止を図ることが望ましい。

【0003】

そこで、微地絡の発生を検出するとともに、事故点を特定可能なシステムが知られている。例えば、特許文献１の微地絡区間標定システムは、各送電線に設けられた複数の地絡保護リレーを備えている。各地絡保護リレーは、零相電流監視部及び零相電圧監視部を有しており、各零相電流監視部及び零相電圧監視部の監視結果に基づいて微地絡事故を検出可能となっている。また、微地絡区間標定システムは、各地絡保護リレーが微地絡事故の検出時に出力する微地絡検出信号等に基づいて、微地絡事故の発生区間を特定可能となっている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１０－１６１８５０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１のシステムでは、微地絡の発生要因（例えば、樹木の接触、設備の破損）を特定することができない。この場合、発生した微地絡への対処方法を即座に判断することができず、微地絡への効率的な対処が困難となるおそれがある。

【0006】

本発明は、上記事情に鑑みてなされたものであり、微地絡への効率的な対処を可能とする学習モデルを構築できる機械学習装置及び当該学習モデルを用いた微地絡監視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】

【0007】

上記課題を解決すべく、第１の発明の機械学習装置は、配電線に接続された所定の開閉器における所定の基準時以前の所定の期間における零相電流を示す零相電流情報と、前記所定の開閉器における前記所定の基準時以前の前記所定の期間における零相電圧を示す零相電圧情報と、を入力データとして取得する入力データ取得部と、前記所定の基準時における、前記配電線での微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、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、前記配電線での前記微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な学習モデルを構築する学習モデル構築部と、を備える。

【0008】

第２の発明の機械学習装置は、第１の発明において、前記入力データ取得部は、気象情報を前記入力データとして取得可能である。

【0009】

第３の発明の機械学習装置は、第１の発明において、前記入力データ取得部は、地形情報を前記入力データとして取得可能である。

【0010】

第４の発明の機械学習装置は、第１の発明において、前記ラベル取得部は、前記微地絡への対処方法を前記ラベルとして取得可能であり、前記学習モデル構築部は、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、前記微地絡への対処方法を提示可能な前記学習モデルを構築可能である。

【0011】

第５の発明の機械学習装置は、第１の発明において、前記ラベル取得部は、前記微地絡の継続期間を前記ラベルとして更に取得可能であり、学習モデル構築部は、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、前記微地絡の継続期間を推定可能な学習モデルを構築可能である。

【0012】

第６の発明の微地絡監視装置は、第１～第５の発明のいずれか１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微地絡監視装置であって、前記所定の開閉器における零相電流を示す零相電流情報と、前記所定の開閉器における零相電圧を示す零相電圧情報と、を推定用データとして取得可能な推定用データ取得部と、前記推定用データと前記学習モデルとに基づいて、前記配電線での前記微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な推定部と、を備える。

【発明の効果】

【0013】

本発明によれば、微地絡への効率的な対処を可能とする学習モデルを構築できる機械学習装置及び当該学習モデルを用いた微地絡監視装置を提供することができる。

【図面の簡単な説明】

【0014】

【図1】本発明の一実施形態に係る微地絡監視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機械学習装置の機能ブロック図である。

【図3】本発明の一実施形態に係る微地絡監視装置の機能ブロック図である。

【図4】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5】本発明の一実施形態に係る微地絡監視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】

【0015】

以下、本発明の一実施形態について、図面を参照しながら説明する。図１は、微地絡監視システム１００の全体構成を示す図である。本実施形態の微地絡監視システム１００は、所定の地域Ａを監視対象としている。

【0016】

まず、図１に示すように、地域Ａには、複数の電柱１０２と、各電柱１０２同士を繋ぐ複数の配電線１０１とが設けられている。各電柱１０２には、各配電線１０１間の電気の流れを遮断可能な開閉器１０３がそれぞれ設けられている。なお、微地絡監視システム１００の監視対象となる地域Ａは、特に限定されるものではなく、任意の地域を設定可能である。

【0017】

各開閉器１０３は、各開閉器１０３における零相電流及び零相電圧を検出可能である。各開閉器１０３は、検出された零相電流等が、所定の閾値を超過した場合には、当該開閉器１０３によって地絡の発生区間が電力系統から切り離されて停電する。これにより、漏電事故の発生を抑制することができる。

【0018】

また、零相電流及び零相電圧が、各開閉器１０３が動作する零相電流及び零相電圧の閾値を超えない範囲で変動する微地絡が発生する場合がある。微地絡の発生時には、各開閉器１０３の動作は起こらない。しかし、微地絡の発生は、地絡事故の兆候であると考えられることから、微地絡の発生段階で、何らかの処置を施すことが望ましい。

【0019】

そこで、微地絡監視システム１００は、微地絡の発生等を監視することが可能となっている。

【0020】

微地絡監視システム１００は、機械学習装置１と、微地絡監視装置２とを備える。

【0021】

機械学習装置１と微地絡監視装置２とは１対１の組とされて、通信可能に接続されている。機械学習装置１と微地絡監視装置２とはネットワークＮを介して、互いに接続可能である。ネットワークＮ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Ｎ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と微地絡監視装置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。

【0022】

微地絡監視システム１００は、所定の推定対象時ＴＥにおける、各配電線１０１における微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能である。

【0023】

続いて、機械学習装置１について図２を参照しながら説明する。図２は機械学習装置１の機能ブロックを示す図である。

【0024】

機械学習装置１は、教師あり学習により学習モデルを構築可能である。機械学習装置１によって構築される学習モデルは、微地絡監視装置２により、地域Ａにおける微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定するために利用可能である。図２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１４と、学習モデル構築部１３とを備える。

【0025】

入力データ取得部１１は、地域Ａにおける各種情報を入力データとして取得する。入力データとしては、地域Ａ内の開閉器１０３ごとの零相電流情報及び零相電圧情報と、地域Ａの気象情報と、地域Ａの地形情報と、を含むデータ群が挙げられる。

【0026】

零相電流情報及び零相電圧情報は、所定の基準時ＴＳ１以前の所定の期間（以下、「期間Ｐ１ａ」という）における、各開閉器１０３における零相電流及び零相電圧に関する情報を使用可能である。期間Ｐ１ａの長さは、特に限定されるものではなく、例えば、数分間であってもよいし、数時間であってもよいし、数日間であってもよい。零相電流情報及び零相電圧情報としては、例えば、零相電流及び零相電圧の大きさ、方向、周波数等が挙げられる。零相電流情報及び零相電圧情報は、各開閉器１０３に設けられたセンサ（図示略）により検知される。機械学習装置１は、ネットワークＮを介して、各開閉器１０３と接続されている。機械学習装置１は、各開閉器１０３のセンサにより検知された零相電流情報及び零相電圧情報を取得可能となっている。例えば、機械学習装置１は、各開閉器１０３のセンサにより検知された零相電流情報及び零相電圧情報を、ネットワークＮを介して取得可能となっている。なお、機械学習装置１は、各開閉器１０３と有線又は無線で直接接続されていてもよい。

【0027】

なお、基準時ＴＳ１とは、過去に微地絡が発生した時点のうち、ユーザが任意に選定した時点をいう。例えば、２０２２年８月１日１５時００分から同日の１６時３０分にかけて微地絡が発生していたことが判明している場合には、ユーザは、同日の１５時００分から１６時３０分までの期間に含まれる任意の時点を、基準時ＴＳ１として選定可能である。

【0028】

また、零相電流及び零相電圧は、地絡が生じていない通常状態では小さい値に調整されている。しかし、三相交流の各相のうち何れかの相と地面の電位差が減少すると、三相の対地電圧の大きさや位相が不揃いとなり、零相電流及び零相電圧が増加する。零相電流及び零相電圧が所定の閾値を超えて地絡が起こると、上述のように、各開閉器１０３によって地絡の発生区間が電力系統から切り離されて停電する。

【0029】

気象情報は、所定の基準時ＴＳ１以前の所定の期間（以下、「期間Ｐ１ｂ」という）における、地域Ａの気象に関する情報を使用可能である。なお、期間Ｐ１ｂの長さは、特に限定されるものではなく、数時間であってもよいし、数日間であってもよい。また、零相電流情報及び零相電圧情報に関する期間Ｐ１ａの長さと、気象情報に関する期間Ｐ１ｂの長さとは、同一である必要はない。

【0030】

気象情報としては、天気や天候に関する情報等が挙げられる。天気や天候に関する情報としては、例えば、気圧、風速、風向、気温、降雨量、発雷の有無、日照量、台風の有無、台風の進路、台風通過後の天気等が挙げられる。気象情報としては、例えば、気象観測所の発表値を用いることが可能である。気象観測所の発表値は、気象情報データベース１２０に記憶されている。機械学習装置１は、ネットワークＮ等を通じて気象情報データベース１２０にアクセス可能である。機械学習装置１は、気象観測所の発表値を気象情報データベース１２０から取得可能であるとともに、気象情報として取得可能である。なお、気象情報は、これに限定されるものではなく、例えば、気圧、風速、風向、気温、降雨量、日照量等を測定する測定機器から得られる値であってもよい。その場合、機械学習装置１は、気象情報を取得する測定機器と通信可能に接続され、当該測定機器から気象情報を取得可能となるようにする。

【0031】

地形情報は、地域Ａの地形に関する情報である。地形情報としては、例えば、山地等の地形の種類や、樹木や田畑の位置、建造物の高さや形状、位置等の情報が挙げられる。これらの地形情報は、地形図１３１から取得可能である。地形図１３１は、地域Ａの地形図であり、各電柱１０２及び各配電線１０１の配置に関する情報と、森林１３２、田畑１３３等の配置に関する情報と、を含んでいる。地形図１３１は、地形情報を管理する地形情報管理システム１３０に記憶されている。機械学習装置１は、ネットワークＮを介して地形情報管理システム１３０と通信可能である。機械学習装置１は、地形図１３１を、地形情報管理システム１３０から取得可能である。なお、地形情報は、地形図１３１に基づき取得されるものに限定されるものではなく、例えば、衛星画像等の解析により取得される市街地や森林等を区分けした情報であってもよい。また、図１では、便宜上、地形図１３１において、電柱１０２、配電線１０１、森林１３２、田畑１３３等が示されている箇所に対して、それらに対応する符号を付している。

【0032】

ラベル取得部１２は、基準時ＴＳ１における、地域Ａ内での、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とをラベルとして取得可能である。

【0033】

機械学習装置１は、例えば、ネットワークＮを介してユーザの情報端末１４０と接続可能である。ユーザが情報端末１４０を操作して、基準時ＴＳ１における、地域Ａ内での、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とに関する情報をそれぞれ入力すると、ラベル取得部１２は、情報端末１４０及びネットワークＮを介して、基準時ＴＳ１における、地域Ａ内での、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因に関する情報とをそれぞれ取得可能である。

【0034】

例えば、微地絡の発生の有無及び微地絡の発生区間は、ユーザが、各開閉器１０３における零相電流及び零相電圧の値のデータに基づいて判断することで取得可能である。微地絡の発生要因は、ユーザが、微地絡の発生現場の写真や自ら微地絡の発生現場で観察を行った結果に基づいて判断することで取得可能である。

【0035】

また、当該微地絡の発生時における各開閉器１０３の零相電流情報及び零相電圧情報は、ユーザが各開閉器１０３のセンサによる測定結果を確認することで取得可能である。当該微地絡の発生時における地域Ａの地形情報は、比較的変化が少ないと考えられるため、地域Ａの地形情報を予め機械学習装置１の記憶部１４に記憶させておき、これを読み出して取得することが可能である。当該微地絡の発生時における地域Ａの天候情報は、ユーザが、微地絡の発生現場の写真や自ら微地絡の発生現場で観察を行った結果に基づいて判断することで取得可能である。

【0036】

なお、微地絡の発生要因としては、例えば、絶縁不良（雨水による各配電線１０１の絶縁性能の低下等）、樹木接触（強風による枝葉の接触）、鳥獣接触（鳥類の営巣等）、設備破損（落雷による碍子の割れ等）などが想定される。

【0037】

ここで、入力データ取得部１１によって取得されるデータ群（零相電流情報、零相電圧情報、地形情報及び気象情報）と、ラベル取得部１２によって取得されるラベル（微地絡の発生の有無、当該微地絡の発生区間及び当該微地絡の発生要因）との関係性について説明する。

【0038】

基準時ＴＳ１における各配電線１０１での微地絡の発生の有無、当該微地絡の発生区間及び当該微地絡の発生要因は、期間Ｐ１における各開閉器１０３の零相電流情報及び零相電圧情報により推定可能である。

【0039】

例えば、各開閉器１０３の期間Ｐ１における零相電圧及び零相電流の大きさや位相変化に基づいて、基準時ＴＳ１における、微地絡の発生の有無や、当該開閉器１０３から見た微地絡の発生区間の方向を推定可能である。そして、複数の開閉器１０３における当該開閉器１０３から見た微地絡の発生区間の方向の情報に基づいて、微地絡の発生区間を推定可能である。

【0040】

各開閉器１０３の期間Ｐ１における零相電圧及び零相電流の変動の大きさは、設備の損傷の程度と関連があると考えらえる。また、設備の損傷の程度は、微地絡の発生要因によって異なると考えらえる。よって、各開閉器１０３の期間Ｐ１における零相電流情報及び零相電圧情報は、微地絡の発生要因に影響すると考えられる。

【0041】

基準時ＴＳ１における各配電線１０１での微地絡の発生の有無、当該微地絡の発生区間及び当該微地絡の発生要因は、地域Ａの地形情報により推定可能である。

【0042】

例えば、地域Ａに森林１３２又は田畑１３３が存在するか否かは、樹木接触や鳥獣接触が発生する可能性に影響すると考えられる。このため、地形情報は、微地絡の発生の有無や当該微地絡の発生要因に影響すると考えられる。各配電線１０１の近傍に森林１３２又は田畑１３３が存在するか否かは、当該配電線１０１において樹木接触や鳥獣接触が起こる可能性に影響すると考えられる。よって、地形情報は、当該配電線１０１において微地絡が発生する可能性（換言すると、微地絡の発生区間が、当該配電線１０１を含むものである可能性）に影響すると考えられる。

【0043】

基準時ＴＳ１における各配電線１０１での微地絡の発生の有無、当該微地絡の発生区間及び当該微地絡の発生要因は、期間Ｐ１における地域Ａの気象情報により推定可能である。

【0044】

例えば、降雨量が大きいと、雨水による絶縁性能低下による微地絡が発生しやすくなると考えられるため、気象情報は、微地絡の発生の有無や当該微地絡の発生要因に影響すると考えられる。風速が大きいほど、配電線１０１の近傍に樹木がある区間（例えば、森林１３２がある区間）において、微地絡が発生しやすくなると考えられる。よって、気象情報は、微地絡の発生区間に影響すると考えられる。

【0045】

さらに、各開閉器１０３における零相電流情報及び零相電圧情報と、地域Ａの地形情報と、地域Ａの気象情報とを併せて考慮することで、微地絡の発生の有無と、微地絡の発生区間と、微地絡の発生要因とをより正確に推定することができる。また、このような、微地絡の発生の有無と、微地絡の発生区間と、微地絡の発生要因とを教師データとして学習させるので、精度の高い学習モデルを構築させることができる。

【0046】

記憶部１４は、入力データ取得部１１によって取得された各入力データ（各開閉器１０３の零相電流情報及び零相電圧情報と、地域Ａの地形情報と、地域Ａの気象情報）を互いに紐づけられた１組のデータ群として記憶可能である。そして、記憶部１４は、上記１組のデータ群（各入力データ）と、当該入力データに対するラベル（微地絡の発生の有無、微地絡の発生区間及び微地絡の発生要因）と、を互いに紐づけて１組の教師データとして記憶可能である。また、記憶部１４は、学習モデル構築部１３が構築した学習モデルを記憶可能である。

【0047】

学習モデル構築部１３は、記憶部１４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、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定するための学習モデルを構築可能である。学習モデル構築部１３は、微地絡監視装置２との間で情報の送受信が可能である。例えば、学習モデル構築部１３は、学習モデル構築部１３が構築した学習モデルを微地絡監視装置２に送信可能である。

【0048】

学習モデル構築部１３は、例えば、サポート・ベクター・マシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等を用いて実現可能である。

【0049】

続いて、微地絡監視装置２について図３を参照しながら説明する。図３は、微地絡監視装置２の機能ブロック図である。微地絡監視装置２は、所定の推定対象時ＴＥにおける、地域Ａ内での、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定可能である。

【0050】

推定対象時ＴＥ１は、現時点とすることが可能である。現時点とは、微地絡監視装置２（詳しくは、後述する推定用データ取得部２１）が、推定用データの取得処理を実行している時点のことをいう。なお、推定対象時ＴＥは、現時点に限定されるものではなく、例えば、現時点よりも過去の時点であってもよい。

【0051】

図３に示すように、微地絡監視装置２は、制御部２０と、記憶部３１と、通信部３２と、表示部３３と、を備える。

【0052】

制御部２０は、微地絡監視装置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、推定用データ取得部２１と、推定部２２と、出力部２３と、を有する。

【0053】

推定用データ取得部２１は、推定部２２が、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定するための推定用データを取得可能である。推定用データ取得部２１は、零相電流情報取得部２１１と、零相電圧情報取得部２１２と、気象情報取得部２１３と、地形情報取得部２１４とを有する。

【0054】

零相電流情報取得部２１１は、各開閉器１０３と通信可能となっている。零相電流情報取得部２１１は、各開閉器１０３のセンサによる検知結果を取得可能である。零相電流情報取得部２１１は、機械学習した際に用いた教師データに含まれる零相電流情報とは別個に、現時点以前の期間である所定の測定期間Ｍ１における、地域Ａの電力系統の零相電流情報を取得可能である。なお、測定期間Ｍ１の長さは、特に限定されるものではなく、数秒間であってもよいし、数時間であってもよいし、数日間であってもよい。また、零相電流情報取得部２１１と各開閉器１０３とは、ネットワークＮとを介して接続されていてもよいし、有線や無線で直接接続されていてもよい。

【0055】

零相電圧情報取得部２１２は、各開閉器１０３と通信可能となっている。零相電圧情報取得部２１２は、各開閉器１０３のセンサの検知結果を取得可能である。零相電圧情報取得部２１２は、機械学習した際に用いた教師データに含まれる零相電圧情報とは別個に、測定期間Ｍ１における、地域Ａの電力系統の零相電圧情報を取得可能である。また、零相電圧情報取得部２１２と各開閉器１０３とは、ネットワークＮとを介して接続されていてもよいし、有線や無線で直接接続されていてもよい。

【0056】

気象情報取得部２１３は、ネットワークＮ等を通じて気象情報データベース１２０にアクセス可能となっている。気象情報取得部２１３は、気象情報データベース１２０から、機械学習した際に用いた教師データに含まれる気象情報とは別個に、現時点以前の期間である所定の測定期間Ｍ２における、地域Ａの気象情報（気象観測所の発表値）を取得可能である。なお、気象情報取得部２１３が取得可能な気象情報は、気象観測所の発表値に限定されるものではなく、例えば、気圧、風速、風向、気温、降雨量、日照量等を測定する測定機器から得られる値であってもよい。その場合、機械学習装置１は、気象情報を取得する測定機器と通信可能に接続され、当該測定機器から気象情報を取得可能となるようにする。

【0057】

なお、測定期間Ｍ２の長さは、特に限定されるものではなく、例えば、１週間未満であってもよいし、１週間以上であってもよい。零相電流情報及び零相電圧情報の測定期間Ｍ１と、気象情報の測定期間Ｍ２とは、同じ長さである必要はなく、それぞれ異なる長さであってもよい。

【0058】

地形情報取得部２１４は、地形情報管理システム１３０とネットワークＮを介して接続されている。地形情報取得部２１４は、地形情報管理システム１３０から地域Ａの地形情報を取得可能である。地域Ａの地形情報は、機械学習した際に用いた教師データに含まれる情報であってもよく、該教師データに含まれる情報とは別個に取得される現時点での最新の地形情報であってもよい。

【0059】

推定部２２は、推定用データ取得部２１によって取得された推定用データと、機械学習装置１（学習モデル構築部１３）により構築された学習モデルとに基づいて、推定対象時ＴＥにおける、地域Ａでの、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定可能である。

【0060】

出力部２３は、推定部２２によって推定された、地域Ａの微地絡の発生の有無と、微地絡の発生区間と、微地絡の発生要因とを表示部２６に出力可能である。

【0061】

記憶部３１は、機械学習装置１から取得した学習モデルを記憶可能である。記憶部３１は、推定用データ取得部２１によって取得された零相電流情報と、零相電圧情報と、地形情報と、気象情報とを１組の入力データとするとともに、当該入力データに対して推定された微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とをラベルとして記憶可能である。

【0062】

通信部３２は、機械学習装置１との間でデータを送受信可能である。例えば、微地絡監視システム１００は、学習モデル構築部１３によって構築された学習モデルを、機械学習装置１から微地絡監視装置２に通信部３２を通じて送信可能である。また、微地絡監視システム１００は、推定用データ取得部２１によって取得された推定用データ群を、微地絡監視装置２から機械学習装置１に通信部３２を通じて送信可能である。微地絡監視システム１００は、推定部２２によって推定された微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを、微地絡監視装置２から機械学習装置１に通信部３２を通じて送信可能である。

【0063】

表示部３３は、モニタであって、制御部２０の出力部２３から出力された地域Ａにおける微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とについての推定結果を表示可能である。

【0064】

続いて、本実施形態に係る微地絡監視システム１００における機械学習時の動作について説明する。図４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。なお、図４のフローチャートは、機械学習装置１により所定の周期で繰り返し実行される。

【0065】

図４に示すように、ステップＳ１１では、入力データ取得部１１は、期間Ｔ１ａにおける各開閉器１０３の零相電流情報及び零相電圧情報と、地域Ａの地形情報と、期間Ｔ１ｂにおける地域Ａの気象情報と、を含む１組のデータ群を入力データとして取得する。続いてステップＳ１２に進む。

【0066】

ステップＳ１２では、ラベル取得部１２は、基準時ＴＳ１における、地域Ａでの、微地絡の発生の有無と、微地絡の発生区間と、微地絡の発生要因とをラベルとして取得する。続いてステップＳ１３に進む。

【0067】

ステップＳ１３では、学習モデル構築部１３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。続いてステップＳ１４に進む。

【0068】

ステップＳ１４では、学習モデル構築部１３は、ステップＳ１３で受け付けた教師データを用いて機械学習を実行する。

【0069】

ステップＳ１５では、学習モデル構築部１３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１３は、機械学習を繰り返すと判定した場合には、ＮＯ判定し、ステップＳ１１に戻り各処理を繰り返す。学習モデル構築部１３は、機械学習を終了すると判定した場合には、ＹＥＳ判定し、ステップＳ１６に進む。なお、機械学習を終了させる条件は任意に定めることが可能である。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。

【0070】

ステップＳ１６は、学習モデル構築部１３は、機械学習を終了し、学習モデルの構築を完了する。続いてステップＳ１７に進む。

【0071】

ステップＳ１７では、機械学習装置１の記憶部１４は、その時点までの機械学習により構築された学習モデルを記憶する。これにより、例えば、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ができる。その後、本処理を終了する。

【0072】

ステップＳ１８では、機械学習装置１の通信部１５は、機械学習装置１の記憶部１４に記憶された学習モデルを、ネットワークＮ等を介して微地絡監視装置２に送信する。例えば、機械学習装置１（通信部１５）は、微地絡監視装置２から学習モデルを要求された場合に、機械学習装置１の記憶部１４に記憶された学習モデルを、微地絡監視装置２に対して送信可能である。その後、本処理を終了する。

【0073】

なお、微地絡監視装置２は、微地絡監視装置２の通信部３２を通じて学習モデルを受信すると、微地絡監視装置２の記憶部３１が、当該学習モデルを記憶可能である。

【0074】

続いて、微地絡監視装置２による、推定対象時ＴＥにおける、地域Ａでの、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定する処理の一例について、図５を参照しながら説明する。図５は、微地絡監視装置２による、推定対象時ＴＥにおける地域Ａでの、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因とを推定する処理の流れを示すフローチャートである。なお、図５のフローチャートは、微地絡監視装置２により所定の周期で繰り返し実行される。

【0075】

図５に示すように、ステップＳ２１では、推定用データ取得部２１は、測定期間Ｍ１における各開閉器１０３における零相電流情報及び零相電圧情報と、地域Ａの地形情報と、測定期間Ｍ２における地域Ａの気象情報と、を含むデータ群を、１組の推定用データとして取得する。続いてステップＳ２２に進む。なお、記憶部３１は、推定用データ取得部２１に取得された推定用データを記憶可能である。

【0076】

ステップＳ２２では、推定部２２は、ステップＳ２１で取得された推定用データと、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、推定対象時ＴＥ１における、微地絡の発生の有無を推定する。続いてステップＳ２３に進む。なお、微地絡監視装置２の記憶部３１は、推定部２２による微地絡の発生の有無についての推定結果を記憶可能である。

【0077】

ステップＳ２３では、ステップＳ２２において、推定部２２が、微地絡の発生ありと推定したか否かを判定する。推定部２２が微地絡の発生ありと判定した場合には、ＹＥＳ判定してステップＳ２５に進む。推定部２２が微地絡の発生なしと判定した場合には、ＮＯ判定して本処理を終了する。

【0078】

ステップＳ２５では、推定部２２は、ステップＳ２１で取得された推定用データと、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、推定対象時ＴＥ１における、微地絡の発生区間を推定する。続いて、ステップＳ２６に進む。なお、微地絡監視装置２の記憶部３１は、推定部２２による微地絡の発生区間についての推定結果を記憶可能である。

【0079】

ステップＳ２６では、推定部２２は、ステップＳ２１で取得された推定用データと、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、推定対象時ＴＥ１における、微地絡の発生要因を推定する。その後、ステップＳ２７に進む。なお、微地絡監視装置２の記憶部３１は、推定部２２による微地絡の発生要因についての推定結果を記憶可能である。

【0080】

ステップＳ２７では、出力部２３は、各ステップＳ２２，Ｓ２５，Ｓ２６において推定部２２が推定した結果を、表示部３３に出力する。この結果、推定部２２による各種推定結果等が表示部３３に表示される。これにより、微地絡監視システム１００は、その監視結果をユーザに知らせることができる。その後、本処理を終了する。

【0081】

以上説明した本実施形態に係る微地絡監視システム１００の機械学習装置１又は微地絡監視装置２によれば、以下の効果を奏する。

【0082】

本実施形態にかかる機械学習装置１は、配電線１０１に接続された所定の開閉器１０３における期間Ｐ１における零相電流を示す零相電流情報と、所定の開閉器１０３における期間Ｐ１における零相電圧を示す零相電圧情報と、を入力データとして取得する入力データ取得部１１と、基準時ＴＳ１における配電線１０１における微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、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、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定可能な学習モデルを構築する学習モデル構築部１３と、を備える。

【0083】

これにより、微地絡の発生の有無や当該微地絡の発生区間に加えて、当該微地絡の発生要因を推定可能な学習モデルを構築することができる。したがって、微地絡への対処方法を判断し易くすることができるため、微地絡に効率的に対処可能とすることができる。

【0084】

また、微地絡の場合、通常の地絡の場合と比較して、零相電圧及び零相電圧の変動は微小なものである。したがって、微地絡の発生要因等を零相電圧及び零相電圧の変動に基づいて精度の高い推定を行うことは、困難性が高いと考えられる。しかし、本実施形態に係る機械学習装置１によれば、各開閉器１０３における零相電流及び微地絡の発生要因等を教師データとして微地絡の発生の有無と当該微地絡の発生区間と当該微地絡の発生要因とを推定可能な学習モデルを構築することができる。これにより、微地絡の発生の有無と当該微地絡の発生区間と当該微地絡の発生要因とをより精度よく推定可能な学習モデルを構築することができる。

【0085】

本実施形態にかかる機械学習装置１において、入力データ取得部１１は、気象情報を入力データとして取得可能である。

【0086】

これにより、気象状態を考慮して微地絡の発生の有無と当該微地絡の発生区間と当該微地絡の発生要因とをより精度よく推定可能な学習モデルを構築することができる。

【0087】

本実施形態にかかる機械学習装置１において、入力データ取得部１１は、地形情報を前記入力データとして取得可能である。

【0088】

これにより、地形情報を考慮して微地絡の発生の有無と当該微地絡の発生区間と当該微地絡の発生要因とをより精度よく推定可能な学習モデルを構築することができる。

【0089】

本実施形態に係る微地絡監視装置２は、機械学習装置１で構築した学習モデルを用いた微地絡監視装置２であって、各開閉器１０３における零相電流を示す零相電流情報と、各開閉器１０３における零相電圧を示す零相電圧情報と、を推定用データとして取得可能な推定用データ取得部２１と、推定用データと学習モデルとに基づいて、微地絡の発生の有無と、当該微地絡の発生区間と、当該微地絡の発生要因と、を推定する推定部２２と、を備える。

【0090】

これにより、本実施形態の学習モデル推定用のデータ群を入力することで、微地絡の発生の有無や当該微地絡の発生区間のみならず、当該微地絡の発生要因についても推定することができる。したがって、微地絡に対してより効率的に対応することができる。また、微地絡の発生の有無と当該微地絡の発生区間と当該微地絡の発生要因とをより精度よく推定することができる。

【0091】

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。

【0092】

・上記実施形態では、ラベル取得部１２は、微地絡の発生の有無と、微地絡の発生区間と、微地絡の発生要因とをラベルとして取得可能とされているが、これに限定されるものではない。例えば、ラベル取得部１２は、微地絡への対処方法をラベルとして取得可能であり、学習モデル構築部１３は、入力データ取得部１１が取得する入力データと微地絡への対処方法を含む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、微地絡への対処方法を提示可能な学習モデルを構築可能である構成としてもよい。なお、微地絡への対処方法とは、例えば、緊急性、作業内容、必要な道具、交換部品、人員、作業時間等に関する情報が想定される。

【0093】

入力データ取得部１１によって取得されるデータ群（零相電流情報、零相電圧情報、地形情報及び気象情報）と、ラベルとしての微地絡への対処方法との関係性について説明する。

【0094】

微地絡への対処方法は、期間Ｐ１における各開閉器１０３の零相電流情報及び零相電圧情報と、当該微地絡の発生区間と、当該微地絡の発生要因とのうち少なくともいずれかにより推定可能である。例えば、期間Ｐ１における零相電流情報及び零相電圧情報と地域Ａの地形情報と地域Ａの気象情報とは、上述のとおり、微地絡の発生要因に影響すると考えられる。また、微地絡への対処方法は、微地絡の発生要因によって異なると考えられる。よって、各開閉器１０３の期間Ｐ１における零相電流情報及び零相電圧情報と、当該微地絡の発生区間と、当該微地絡の発生要因とは、微地絡への対処方法に影響すると考えられる。

【0095】

したがって、学習モデル構築部１３は、入力データ取得部１１が取得する入力データと微地絡への対処方法を含む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、微地絡への対処方法を提示可能な学習モデルを構築可能である。これにより、例えば道具や人員を迅速に手配したり、事故現場の巡回計画を作成し易くしたりすることができるため、微地絡へのより効率的な対処が可能となる。

【0096】

・他にも、ラベル取得部１２は、微地絡の継続期間をラベルとして取得可能であり、学習モデル構築部１３は、入力データ取得部１１が取得する入力データと微地絡の継続期間を含む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、微地絡の継続期間を推定可能な学習モデルを構築可能であってもよい。

【0097】

入力データ取得部１１によって取得されるデータ群（零相電流情報、零相電圧情報、地形情報及び気象情報）と、ラベルとしての微地絡の継続期間との関係性について説明する。

【0098】

微地絡の継続期間は、期間Ｐ１における各開閉器１０３の零相電流情報及び零相電圧情報と、期間Ｐ１における地域Ａの地形情報と、期間Ｐ１における地域Ａの気象情報と、のうち少なくともいずれかにより推定可能である。例えば、期間Ｐ１における零相電流情報及び零相電圧情報と、期間Ｐ１における地域Ａの地形情報と、期間Ｐ１における地域Ａの気象情報とは、上述のとおり、微地絡の発生要因に影響すると考えられる。また、微地絡の継続期間は、微地絡の発生要因によって異なると考えられる。例えば、微地絡の継続期間は、微地絡の発生要因が、雨水による絶縁性能低下等の一過性のものである場合と碍子破損等の一過性でないものである場合とでは異なると考えられる。よって、各開閉器１０３の期間Ｐ１における零相電流情報及び零相電圧情報と、期間Ｐ１における地域Ａの地形情報と、期間Ｐ１における地域Ａの気象情報とは、微地絡の継続期間に影響すると考えられる。

【0099】

したがって、学習モデル構築部１３は、入力データ取得部１１が取得する入力データと微地絡の継続期間を含む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、微地絡の継続期間を推定可能な学習モデルを構築可能である。これにより、微地絡監視装置２により微地絡の発生有りと推定された場合に、ユーザが対処を行うべきか否かを判断し易くすることができる。このため、微地絡へのより効率的な対処が可能となる。

【0100】

・上記実施形態では、機械学習装置１は、各開閉器１０３における零相電流情報及び零相電圧情報と、地形情報と、気象情報とを入力データとして取得して教師あり学習を行っていたが、地形情報と気象情報とは、入力データとして必須のものではない。ただし、推定等の精度を向上させる点で、入力データとして地形情報や気象情報についても利用することが好ましい。

【0101】

・上記実施形態では、機械学習装置１と微地絡監視装置２とが１対１の組として通信可能に接続されているが、これに限定されるものではない。例えば、１つの機械学習装置１が複数の微地絡監視装置２とネットワークＮを介して通信可能に接続され、当該一の機械学習装置１が、各微地絡監視装置２の機械学習を実施するようにしてもよい。その際、機械学習装置１の各機能を、適宜複数のサーバに分散する、分散処理システムとしてもよい。また、クラウド上で仮想サーバ機能等を利用して、機械学習装置１の各機能を実現してもよい。

【0102】

・上記実施形態では、微地絡監視システム１００は、１つの機械学習装置１を備えているが、微地絡監視システムは、複数の機械学習装置１を備えるものであってもよい。微地絡監視システムが機械学習装置１を複数備える場合には、いずれかの機械学習装置１が記憶した学習モデルを、他の機械学習装置１との間で共有するようにしてもよい。学習モデルを複数の機械学習装置１で共有するようにすれば、各機械学習装置１において分散して学習を行うことが可能となるので、微地絡監視システムは、より効率的に学習を行うことが可能となる。

【符号の説明】

【0103】

１ 機械学習装置
２ 微地絡監視装置
１１ 入力データ取得部
１２ ラベル取得部
１３ 学習モデル構築部
２１ 推定用データ取得部
２２ 推定部
１００ 微地絡監視システム
１０１ 配電線
１０３ 開閉器

【図1】

【図2】

【図3】

【図4】

【図5】