特許7479418 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

青山学院大学 (神奈川県相模原市中央区淵野辺)

▶ ヒタチ・エナジー・リミテッドの特許一覧

特許7479418アセット保護、監視、または制御装置および方法、ならびに電力システム

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7
8
9
10
11
12

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-04-25

(45)【発行日】2024-05-08

(54)【発明の名称】アセット保護、監視、または制御装置および方法、ならびに電力システム

(51)【国際特許分類】

G06N 20/00 20190101AFI20240426BHJP

G05B 23/02 20060101ALI20240426BHJP

G06N 3/044 20230101ALI20240426BHJP

H02H 3/02 20060101ALI20240426BHJP

【ＦＩ】

G06N20/00

G05B23/02 Z

G06N3/044

H02H3/02 G

【請求項の数】 21

【外国語出願】

(21)【出願番号】P 2022064630

(22)【出願日】2022-04-08

(65)【公開番号】P2022161892

(43)【公開日】2022-10-21

【審査請求日】2022-08-02

(31)【優先権主張番号】21167716

(32)【優先日】2021-04-09

(33)【優先権主張国・地域又は機関】EP

(73)【特許権者】

【識別番号】523380173

【氏名又は名称】ヒタチ・エナジー・リミテッド

【氏名又は名称原語表記】ＨＩＴＡＣＨＩＥＮＥＲＧＹＬＴＤ

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】パベル・ダビドウスキ

(72)【発明者】

【氏名】ジャン・ポーランド

(72)【発明者】

【氏名】ジェイムス・オットウィル

【審査官】田中幸雄

(56)【参考文献】

【文献】米国特許出願公開第２００４／０１９９３６２（ＵＳ，Ａ１）

【文献】米国特許第５８０５４００（ＵＳ，Ａ）

【文献】特開２００１－１８６６５１（ＪＰ，Ａ）

【文献】吉村宏紀ほか，リカレントニューラルネットワークを用いた複雑な特性を持つディジタルフィルタの設計法，鳥取大学工学部研究報告，日本，1997年11月，２８巻１号，４７～５３ページ，https://repository.lib.tottori-u.ac.jp/records/3233

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ２０／００

Ｈ０２Ｈ３／０２

Ｇ０５Ｂ２３／０２

Ｇ０６Ｎ３／０４４

(57)【特許請求の範囲】

【請求項1】

電力システムのアセットの保護、監視、または制御装置（３０）であって、
前記電力システムの前記アセットに関連する入力を受信するためのインターフェース（３１）と、
少なくとも１つの集積回路（３２）であって、
前記入力を処理し、１つまたはいくつかの時系列（５０）を備える意思決定ロジック出力を生成するために意思決定ロジック（３４）を実行し、
機械学習（ＭＬ）モデル（３５）を使用して前記意思決定ロジック出力を処理し、
ＭＬモデル出力に応答して動作を実行させるように動作する、少なくとも１つの集積回路（３２）と、を備える、
装置（３０）。

【請求項2】

前記ＭＬモデルは、
前記意思決定ロジック出力をＭＬモデル入力として受信し、
前記動作が実行されるべきかどうかを示す前記ＭＬモデル出力（６０）を出力する、
ように動作する、請求項１に記載の装置（３０）。

【請求項3】

前記装置は、アセット保護装置（３０）であり、前記動作は、保護動作であり、
前記アセット保護装置（３０）は、さらに、前記保護動作を作用させるための制御信号を出力するための出力インターフェース（３３）を備える、請求項１または請求項２に記載の装置（３０）。

【請求項4】

前記１つまたはいくつかの時系列（５０）は、前記意思決定ロジック（３４）が障害を存在するまたは存在しないと見なすかを示す指標値を含む、請求項１または請求項２に記載の装置（３０）。

【請求項5】

前記１つまたはいくつかの時系列（５０）は、２つ、３つ、または、４つ以上の離散値の間で切り替わる、請求項１または請求項２に記載の装置（３０）。

【請求項6】

前記ＭＬモデル（３５）は、回帰型ニューラルネットワーク（ＲＮＮ）層を有する、請求項１または２に記載の装置（３０）。

【請求項7】

前記ＭＬモデル（３５）はいくつかのＲＮＮ層を有する、請求項１または２に記載の装置（３０）。

【請求項8】

前記ＭＬモデル（３５）は、少なくとも１つの追加の意思決定ロジック（３４）によって提供される少なくとも１つの追加の意思決定ロジック出力を処理するように動作する、請求項７に記載の装置（３０）。

【請求項9】

前記ＭＬモデル（３５）は、長・短期記憶（ＬＳＴＭ）セル、ゲート付き回帰型ユニット（ＧＲＵ）セル（４０）、または少なくとも１つの他のゲーテッドセルを備え、任意選択で、前記ＬＳＴＭセルまたはＧＲＵセル（４０）のバイアスはゼロであり、および／または前記ＧＲＵセルは完全ゲーテッドＧＲＵセルである、請求項１または請求項２に記載の装置（３０）。

【請求項10】

前記ＭＬモデル（３５）は出力全結合層を有する、請求項１または請求項２に記載の装置（３０）。

【請求項11】

前記ＭＬモデル（３５）は、前記意思決定ロジック出力の非線形ローパスフィルタリングを実行するように動作する、請求項１または請求項２に記載の装置（３０）。

【請求項12】

前記入力は、電圧および／または電流測定値を備え、任意選択で、前記入力は、送電システムの送電線（１１）または配電システムの配電線の端部における電圧および電流測定値を備える、請求項１または請求項２に記載の装置（３０）。

【請求項13】

前記動作は、
是正動作、
緩和動作、
保護動作、特に回路遮断器トリップ、
ヒューマンマシンインターフェースＨＭＩ（２３）を介して情報を出力させるもの、を備えるか、これらから選択される、請求項１または請求項２に記載の装置（３０）。

【請求項14】

前記アセットの保護、監視または制御装置（３０）は、前記電力システムのアセット、特に保護リレー、特に距離保護リレーである、請求項１または請求項２に記載の装置（３０）。

【請求項15】

電力システム（１０）であって、
アセット（１１）と、
請求項１または請求項２に記載の装置（３０）と、を備える、電力システム。

【請求項16】

前記アセットは送電または配電線（１１）であり、前記装置（３０）は、前記ＭＬモデル出力に応答して回路遮断器トリップを引き起こすように動作する保護リレーである、請求項１５に記載の電力システム。

【請求項17】

コンピュータによって実行される、電力システムのアセットを保護、監視、または制御する方法であって、
入力を処理し、１つまたはいくつかの時系列（５０）を備える意思決定ロジック出力を生成するために意思決定ロジック（３４）を実行するステップと、
機械学習（ＭＬ）モデルを使用して前記意思決定ロジック出力を処理するステップと、
ＭＬモデル出力に応答して動作を実行させるステップと、を含む、方法。

【請求項18】

前記ＭＬモデルは、
前記意思決定ロジック出力をＭＬモデル入力として受信し、
前記動作が実行されるべきかどうかを示す前記ＭＬモデル出力（６０）を出力する、
ように動作する、請求項１７に記載の方法。

【請求項19】

前記方法は、前記アセットを保護する方法であり、前記動作は、保護動作であり、
前記方法は、さらに、アセット保護装置（３０）の出力インターフェース（３３）を介して、前記保護動作を作用させるための制御信号を出力するステップを含む、請求項１７または請求項１８に記載の方法。

【請求項20】

前記１つまたはいくつかの時系列（５０）は、２つ、３つ、または、４つ以上の離散値の間で切り替わる、請求項１７または請求項１８に記載の方法。

【請求項21】

前記１つまたはいくつかの時系列（５０）は、前記意思決定ロジック（３４）が障害が存在するまたは存在しないと見なすかを示す指標値を含み、前記ＭＬモデル（３５）は、１つまたはいくつかの回帰型ニューラルネットワーク（ＲＮＮ）層を備え、前記ＭＬモデル（３５）は、前記意思決定ロジック出力の非線形ローパスフィルタリングを実行する、請求項１７または請求項１８に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

発明の分野

【0002】

本発明は、アセット保護、監視、または制御のための装置、システム、および方法に関する。本発明は、特に、障害が検出され、障害検出に応答して動作が行われる装置、システム、および方法に関する。

【背景技術】

【0003】

発明の背景

【0004】

大きな障害を防止するために、保護、監視、および／または制御システムを含むことが必要ないくつかの用途がある。そのような用途の例には、とりわけ、保護装置を使用して電気ネットワークの障害部分を切断する電力システム保護、または発生中の障害を示す可能性がある産業プラント内の異常な挙動を識別するために使用されるプロセス監視システムが含まれる。これらの保護、監視、および／または制御システムは、人間のオペレータによって可能であるよりも迅速に決定を行う必要があり得る、および／または任意の所与の時間に監視しなければならない装置（および装置によって記録された信号）が多すぎるという事実に起因して、高レベルの自動化を含むことができる。

【0005】

自動化は、軽減動作（例えば、回路遮断器をトリップすること、またはオペレータに警報をシグナリングすること）を採用するかどうかを決定するために使用される意思決定ロジックを含むことができる。正しい決定が可能な限り迅速に行われることが不可欠である。具体的には、保護、監視、および／または制御システムの装置によって行われる決定が以下のようであることが重要である。

【0006】

・速い：保護システムが障害を識別するのに必要な時間が短いほど、結果として生じる軽減動作が、障害が大きな故障の始まりとなるのを防ぐことができる可能性が高くなる。

【0007】

・信頼できる：

【0008】

○ 警報の見逃し（障害が存在するが意思決定ロジックが反応しない）は最小限でなければならない。警報の見逃しの結果として、関連する金銭的および安全上の影響を伴って、障害が大きな故障にエスカレートする可能性がある。

【0009】

○ 誤警報（障害は存在しないが、意思決定ロジックが軽減動作を誤って開始する）は、例えば、電気ネットワークの一部が切断された場合、または産業プラントが停止した場合に、安全性および動作上の影響を有する可能性がある。

【0010】

○ さらに、誤警報と警報の見逃しの両方は、保護システムの信頼性を低下させる影響を有する。

【0011】

保護、監視、および／または制御システムの信頼できる動作と高速動作との間にはしばしばトレードオフがある。より迅速に反応するように調整された保護、監視、および／または制御システムは、迅速な反応を保証するためにアルゴリズムの感度が上昇するにつれて、誤警報を発生しやすくなることが多く、これはシステムがノイズまたは過渡現象の影響をより受けやすいことを意味する。逆に、過度に保守的に調整された保護、監視、および／または制御システムは、感度が低下するので誤警報をもたらさない可能性があるが、同時に反応速度が遅くなり、警報を見逃す可能性がある。

【0012】

意思決定ロジックは、システムに障害があると考えられる程度を表すと考えられるインジケータ値と、障害がシステムに存在するときのインジケータのレベルを示す閾値との間の比較に基づくことができる。閾値比較は、感度と信頼性との間のトレードオフに対処する。

【0013】

欧州特許第０３６９５７７号明細書は、比較器を含む配電システムの障害を検出する保護リレーを開示している。

【0014】

意思決定ロジックが、スイッチング動作、または次の保護領域における障害などの典型的なイベントの誤警報を示すことができる場合。これを克服するために、多くの保護システムは追加のカウンタを使用する。このカウンタは、インジケータレベルがその閾値を超えた連続サンプルの数をカウントすることができる。閾値を超えるサンプル数が所定の数に達した場合にのみ、障害が示され、軽減動作が開始される。

【0015】

この手法は、速度とセキュリティのバランスをとる。障害が真に存在する場合、インジケータ値は無期限に閾値を超え続ける。ノイズおよび／または過渡現象のためにインジケータ値が断続的に閾値を超える場合、インジケータは通常、再び閾値を下回り、カウンタをリセットする。したがって、反応時間が遅くなるほど正しい保護決定の可能性が高くなる。

【0016】

図１２は、インジケータレベルがその閾値を超えた連続サンプルの数をカウントするためにカウンタを使用する技術の概略ブロック図１２０である。入力信号は保護アルゴリズム１２１に提供される。保護アルゴリズム１２１の出力は、システムに障害があると保護アルゴリズムによって見なされるかどうかを表す指標値である。閾値比較は、保護アルゴリズム１２１の出力を閾値と比較するために１２２において実行される。出力が閾値以上である場合、カウンタ１２３がインクリメントされる。出力が閾値未満である場合、カウンタ１２３はリセットされる。カウンタ１２３がさらなる閾値に達すると動作がトリガされる。

【0017】

図１２に示すようにロジックのパラメータを設定することは、かなりの課題である。例示すると、カウンタ１２３が動作を実行するために到達しなければならない閾値および所定の値を設定することは、かなりの課題である。問題は、１つだけでなくいくつかの保護アルゴリズムが並列に動作し、障害を識別するために（例えば、図１２に示すように、閾値比較と、ブール論理によって組み合わされるカウンタとを使用して）評価する必要がある出力を提供するときに悪化する。

【発明の概要】

【発明が解決しようとする課題】

【0018】

概要

【0019】

アセット保護、監視、または制御のための改善された技術を提供する必要がある。特に、速度と信頼性とのバランスをとるために、意思決定ロジックによって提供されるインジケータ値を処理するために使用されるパラメータを設定する困難を軽減または排除する装置、システム、および方法が必要とされている。ストレージまたはメモリ空間の要件を適度に追加しながら、速度と信頼性とのバランスをとる装置、システム、および方法も必要とされている。また、意思決定ロジックによって提供される指標値が、是正措置または他の措置を取るべきかどうかを決定するために処理される方法の解釈性を与える装置、システム、および方法を提供することも望ましいであろう。

【課題を解決するための手段】

【0020】

実施形態によれば、機械学習（ＭＬ）モデルが、意思決定ロジックの出力を処理するために使用される。ＭＬモデルは、非線形ローパスフィルタ特性を提供するように訓練され得る。

【0021】

ＭＬモデルは、１つまたはいくつかの人工ニューラルネットワーク（ＡＮＮ）層を有することができる。

【0022】

ＭＬモデルは、１つまたはいくつかの回帰型ニューラルネットワーク（ＲＮＮ）層を有することができる。これは、意思決定ロジック出力の時系列の処理を容易にする。

【0023】

ＭＬモデルは、長・短期記憶（ＬＳＴＭ）セルもしくはゲート付き回帰型ユニット（ＧＲＵ）セル、または異なるゲートを備える別の回帰型アーキテクチャを有し得る。ＬＳＴＭセルまたはＧＲＵセルは、ＭＬモデルが使用される装置の速度および信頼性のバランスをとりながら、意思決定ロジックの出力の非線形ローパスフィルタとして機能するようにＭＬモデルを訓練することを容易にするゲートを有する。

【0024】

訓練されたＡＮＮまたはＲＮＮのパラメータ（例えば、ＬＳＴＭセルまたはＧＲＵセルのパラメータ）は、人間のオペレータによる解釈に役立つ。

【0025】

意思決定ロジックは、第１のＭＬモデルによって実装されてもよく、第２のＭＬモデルは、第１のＭＬモデルの出力を処理するために使用されてもよい。第１および第２のＭＬモデルは同時に訓練され、全体的な性能を改善することができる。第１および第２のＭＬモデルはまた、別々に訓練されてもよい。

【0026】

一実施形態によるアセット監視、保護、または制御装置は、アセットに関連する入力を受信するためのインターフェースと、少なくとも１つの集積回路（ＩＣ）とを備える。少なくとも１つのＩＣは、意思決定ロジックを実行して入力を処理し、意思決定ロジック出力を生成し、ＭＬモデルを使用して意思決定ロジック出力を処理し、ＭＬモデル出力に応答して動作を実行させるように動作する。

【0027】

（ＭＬモデル入力としてＭＬモデルに供給される）意思決定ロジック出力は、１つまたはいくつかの時系列を含むことができる。

【0028】

ＭＬモデルは、ＭＬを使用して訓練することができる。

【0029】

ＭＬモデルは、１つまたはいくつかのＡＮＮ層を有することができる。

【0030】

ＭＬモデルは、ＲＮＮ層を有することができる。

【0031】

ＭＬモデルは、いくつかのＲＮＮ層を有することができる。
ＭＬモデルは、意思決定ロジック出力をＭＬモデル入力として受信し、動作が実行されるべきかどうかを示しうるＭＬモデル出力を出力するように動作することができる。
装置は、アセット保護装置であってもよく、動作は、保護動作であってもよく、アセット保護装置は、さらに、保護動作を作用させるための制御信号を出力するための出力インターフェースを備えることができる。

【0032】

ＭＬモデルは、少なくとも１つの追加の意思決定ロジックによって提供される少なくとも１つの追加の意思決定ロジック出力を処理するように動作することができる。

【0033】

少なくとも１つの追加の意思決定ロジック出力は、１つまたはいくつかの追加の時系列を含むことができる。

【0034】

決定ロジックおよび少なくとも１つの追加の意思決定ロジックのうちの１つは、時間領域保護関数であってもよい。

【0035】

決定ロジックおよび少なくとも１つの追加の決定ロジックのうちの別の１つは、距離保護機能であってもよい。

【0036】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、意思決定ロジックが、障害が存在するまたは存在しないと見なすかを示すインジケータを含むことができる。

【0037】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、意思決定ロジックが、どのタイプの障害が存在すると見なすかを示すインジケータを含むことができる。

【0038】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、バイナリ（すなわち、２つの別個の離散値間で切り替わる）であり得る。バイナリ値の一方は障害の存在を示すことができ、バイナリ値の他方は障害の不在を示すことができる。

【0039】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、３つ以上の離散値の間で切り替わることができる。離散値のうちの１つは、障害が存在しないことを示すことができ、他の離散値は、いくつかの可能性のある障害のうちのどれが存在すると意思決定ロジックによって見なされるかを示すことができる。
１つまたはいくつかの時系列は、２つ、３つ、または、４つ以上の離散値の間で切り替わることができる。

【0040】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、実数値または複素数値スカラであり得る。

【0041】

スカラは、数値範囲に含まれてもよい。数値範囲の異なる部分範囲は、障害の有無、および／または異なるタイプの障害に関連付けられ得る。

【0042】

意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの時系列、および／または存在する場合、少なくとも１つの追加の意思決定ロジックによってＭＬモデルに供給される１つまたはいくつかの追加の時系列は、ベクトルであり得る。

【0043】

ＭＬモデルは、出力全結合層を有してもよい。

【0044】

意思決定ロジック出力は時系列であってもよい。

【0045】

時系列は、第１の値と第２の値との間で切り替わることができる。

【0046】

時系列は、第１の値または第２の値のいずれかである値のみを有してもよい。

【0047】

第１および第２の値は固定されてもよい。

【0048】

第１の値は、障害が存在すると意思決定ロジックが見なすことを示す第１のインジケータ値であってもよく、第２の値は、障害は存在しないと意思決定ロジックが見なすことを示す第２のインジケータ値であってもよい。

【0049】

ＭＬモデルは、忘却ゲートおよび／または入力ゲートを有するセルを有し得る。

【0050】

ＭＬモデルは、ＬＳＴＭセルもしくはＧＲＵセル、または異なるゲートを備える別の回帰型アーキテクチャを備え得る。

【0051】

ＡＮＮ層もしくはＲＮＮ層、またはＬＳＴＭセルもしくはＧＲＵセルのバイアスは０であり得る。

【0052】

ＧＲＵセルは、完全ゲーテッド（fully gated）ＧＲＵセルであってもよい。

【0053】

ＭＬモデルは、意思決定ロジック出力の非線形ローパスフィルタリングを実行するように動作することができる。

【0054】

意思決定ロジックは、さらなるＭＬモデルであってもよい。

【0055】

意思決定ロジックおよび意思決定ロジック出力を処理するＭＬモデルは、一緒にまたは別々に訓練されてもよい。

【0056】

意思決定ロジックへの入力は、電圧および／または電流測定値を備えることができる。

【0057】

意思決定ロジックへの入力は、送電線内の変流器から受信された測定値を含むことができる。

【0058】

意思決定ロジックへの入力は、バスバー電圧測定値を含むことができる。

【0059】

意思決定ロジックへの入力は、産業自動化制御システム（ＩＡＣＳ）のメッセージに含まれてもよい。

【0060】

意思決定ロジックへの入力は、ＩＥＣ６１８５０に従って（例えば、６１８５０－７－１：２０１１またはＩＥＣ６１８５０－８－１：２０１１に従って、またはそれと互換性がある）メッセージに含めることができる。

【0061】

意思決定ロジックへの入力は、送電システムの送電線または配電システムの配電線の端部における電圧および電流の測定値を含むことができる。

【0062】

動作は、ヒューマンマシンインターフェース（ＨＭＩ）を介して情報を出力させる是正動作、保護動作を含んでもよく、またはそれらから選択されてもよい。

【0063】

動作は、回路遮断器（ＣＢ）トリップであってもよい。

【0064】

装置は、電力システムアセットであってもよい。

【0065】

装置は、保護リレーであってもよい。

【0066】

装置は、距離保護リレーであってもよい。

【0067】

電力システムのための保護システムは、実施形態による１つまたはいくつかの装置を備える。

【0068】

保護システムは、送電線の両端に機能的に関連付けられた実施形態による少なくとも２つの装置を備えてもよい。

【0069】

電力システムは、アセットと、一実施形態による装置とを備える。

【0070】

電力システムは、発電、送電または配電システムであってもよい。

【0071】

アセットは、送電線または配電線であってもよい。

【0072】

装置は、ＭＬモデル出力に応答してＣＢトリップを引き起こすように動作する保護リレーであり得る。

【0073】

電力システムは、一実施形態による装置であり、線の距離保護のために設けられる少なくとも１つの追加の距離保護リレーを備えてもよい。すなわち実施形態による装置は、電力システム内の様々な場所、例えば、送電線の両端に、および／または異なる領域の保護を提供するために配置することができる。

【0074】

一実施形態によるアセットを監視、保護、または制御する方法は、アセットに関連する入力を受信するステップと、意思決定ロジックを実行して入力を処理し、意思決定ロジック出力を生成するステップと、ＭＬモデルを使用して意思決定ロジック出力を処理するステップと、ＭＬモデル出力に応答して動作を実行させるステップとを備える。

【0075】

（ＭＬ入力に供給される）意思決定ロジック出力は、１つまたはいくつかの時系列を含むことができる。

【0076】

ＭＬモデルは、ＭＬを使用して訓練することができる。

【0077】

本方法は、保護、監視、または制御装置に展開する前にＭＬモデルを訓練するステップをさらに備えることができる。

【0078】

本方法は、フィールド使用のための保護、監視、または制御装置への展開後にＭＬモデルを再訓練または更新するステップをさらに備えることができる。

【0079】

本方法は、保護、監視、または制御装置の少なくとも１つのＩＣによって実行されてもよい。

【0080】

本方法は、一実施形態による装置によって自動的に実行されてもよい。

【0081】

ＭＬモデルは、１つまたはいくつかのＡＮＮ層を有することができる。

【0082】

ＭＬモデルは、ＲＮＮ層を有することができる。

【0083】

ＭＬモデルは、いくつかのＲＮＮ層を有することができる。
ＭＬモデルは、意思決定ロジック出力をＭＬモデル入力として受信し、動作が実行されるべきかどうかを示しうるＭＬモデル出力を出力するように動作することができる。
方法は、アセットを保護する方法であってもよく、動作は、保護動作であってもよく、方法は、さらに、アセット保護装置の出力インターフェースを介して、保護動作を作用させるための制御信号を出力するステップを含むことができる。

【0084】

【0085】

少なくとも１つの追加の意思決定ロジック出力は、１つまたはいくつかの追加の時系列を含むことができる。

【0086】

決定ロジックおよび少なくとも１つの追加の意思決定ロジックのうちの１つは、時間領域保護関数であってもよい。

【0087】

決定ロジックおよび少なくとも１つの追加の決定ロジックのうちの別の１つは、距離保護機能であってもよい。

【0088】

【0089】

【0090】

【0091】

【0092】

【0093】

スカラは、数値範囲に含まれてもよい。数値範囲の異なる部分範囲は、障害の有無、および／または異なるタイプの障害に関連付けられ得る。

【0094】

【0095】

ＭＬモデルは、出力全結合層を有してもよい。

【0096】

意思決定ロジック出力は時系列であってもよい。

【0097】

時系列は、第１の値と第２の値との間で切り替わることができる。

【0098】

時系列は、第１の値または第２の値のいずれかである値のみを有してもよい。

【0099】

第１および第２の値は固定されてもよい。

【0100】

【0101】

ＭＬモデルは、忘却ゲートおよび／または入力ゲートを有するセルを有し得る。

【0102】

ＭＬモデルは、ＬＳＴＭセルもしくはＧＲＵセル、または異なるゲートを備える別の回帰型アーキテクチャを備え得る。

【0103】

ＡＮＮ層もしくはＲＮＮ層、またはＬＳＴＭセルもしくはＧＲＵセルのバイアスは０であり得る。

【0104】

ＧＲＵセルは、完全ゲーテッドＧＲＵセルであってもよい。

【0105】

ＭＬモデルは、意思決定ロジック出力の非線形ローパスフィルタリングを実行するように動作することができる。

【0106】

意思決定ロジックは、さらなるＭＬモデルであってもよい。

【0107】

意思決定ロジックおよび意思決定ロジック出力を処理するＭＬモデルは、一緒にまたは別々に訓練されてもよい。

【0108】

意思決定ロジックへの入力は、電圧および／または電流測定値を備えることができる。

【0109】

意思決定ロジックへの入力は、送電線内の変流器から受信された測定値を含むことができる。

【0110】

意思決定ロジックへの入力は、バスバー電圧測定値を含むことができる。

【0111】

意思決定ロジックへの入力は、産業自動化制御システム（ＩＡＣＳ）のメッセージに含まれてもよい。

【0112】

【0113】

意思決定ロジックへの入力は、送電システムの送電線または配電システムの配電線の端部における電圧および電流の測定値を含むことができる。

【0114】

【0115】

動作は、回路遮断器（ＣＢ）トリップであってもよい。

【0116】

本方法は、電力システムアセット保護方法であってもよい。

【0117】

本方法は、保護リレーによって実行されてもよい。

【0118】

本方法は、距離保護リレーによって実行されてもよい。

【0119】

本方法は、電力システムのための保護システムの１つまたはいくつかの装置によって実行されてもよい。

【0120】

本方法は、それぞれ、送電線の両端に機能的に関連付けられた装置によって実行されてもよい。

【0121】

本方法は、電力システムアセットのアセット保護のための方法であってもよい。

【0122】

電力システムは、発電、送電または配電システムであってもよい。

【0123】

アセットは、送電線または配電線であってもよい。

【0124】

動作を実行することは、ＭＬモデル出力に応答してＣＢトリップを引き起こすことを含んでもよい。

【0125】

別の実施形態によれば、保護装置、特に保護リレーのための保護ロジックを生成する方法が提供され、これは、１つまたはいくつかのＲＮＮ層を備えるＭＬモデルを訓練するステップと、訓練されたＭＬモデルを、意思決定ロジックの出力を処理するために保護装置に展開するステップとを備えてもよい。

【0126】

本方法は、合成データセットを使用してＭＬモデルを訓練するステップを含んでもよい。

【0127】

合成データセットは、第１の値と第２の値との間で切り替えることができるＭＬモデル入力値のいくつかの時系列を備えることができる。

【0128】

第１および第２の値は固定されてもよい。

【0129】

第１の値は、存在する障害の存在を示す第１の指標値であってもよく、第２の値は、障害の不在を示す第２の指標値であってもよい。

【0130】

合成データセットは、ＭＬモデル入力値の時系列の各々についての所望のＭＬモデル出力を備えることができる。

【0131】

ＭＬモデルを訓練することは、ＭＬモデルをさらなるＭＬモデルと一緒に訓練することを含むことができ、さらなるＭＬモデルは、その出力をＭＬモデルへの入力として提供する。

【0132】

本方法は、保護装置によって、訓練されたＭＬモデルを使用して意思決定ロジックの出力を処理するステップをさらに備えることができる。

【0133】

ＭＬモデルは、アセットを監視、保護、または制御する方法に関連して説明したように、保護装置によって使用され得る。

【0134】

別の実施形態によれば、保護装置の意思決定ロジックの出力を処理するための、特に、（例えば、積分を実行することによって）意思決定ロジックの出力の非線形ローパスフィルタリングを実行して、是正、保護、または緩和措置を取るべきかどうかを決定するためのＭＬモデルの使用が提供される。

【0135】

ＭＬモデルは、ＡＮＮ層を有することができる。

【0136】

ＭＬモデルは、ＲＮＮ層を有することができる。

【0137】

ＭＬモデルは、いくつかのＲＮＮ層を有することができる。

【0138】

ＭＬモデルは、出力全結合層を有してもよい。

【0139】

意思決定ロジック出力は時系列であってもよい。

【0140】

時系列は、第１の値と第２の値との間で切り替わることができる。

【0141】

第１および第２の値は固定されてもよい。

【0142】

【0143】

ＭＬモデルは、忘却ゲートおよび／または入力ゲートを有するセルを有し得る。

【0144】

ＭＬモデルは、ＬＳＴＭセルもしくはＧＲＵセル、または異なるゲートを備える別の回帰型アーキテクチャを備え得る。

【0145】

ＡＮＮもしくはＲＮＮまたはＬＳＴＭセルもしくはＧＲＵセルのバイアスは０であり得る。

【0146】

ＧＲＵセルは、完全ゲーテッドＧＲＵセルであってもよい。

【0147】

保護装置は、保護リレーであってもよい。

【0148】

動作はＣＢトリップであってもよい。

【0149】

別の実施形態によれば、閾値比較および意思決定ロジックの下流のカウンタを置き換えるためのＭＬモデルの使用が提供される。ＭＬモデルおよび／または意思決定ロジックの任意選択の特徴（その意思決定ロジック出力の様々な可能な形態など）は、上記および本明細書の他の箇所に記載された任意選択の特徴に対応することができる。

【0150】

実施形態による装置、システム、および方法によって、様々な効果および利点が達成される。ＭＬモデルは、合成データまたは観測データを使用して訓練することができ、人間の専門家がカウンタおよび閾値のパラメータを設定する必要がなくなる。

【0151】

ＭＬモデルは、ＭＬモデルが使用される装置の速度および信頼性のバランスをとりながら、意思決定ロジックの出力の非線形ローパスフィルタとして機能するように訓練することができる。

【0152】

訓練されたＭＬモデルのパラメータ（例えば、ＬＳＴＭセルもしくはＧＲＵセル、または異なるゲートを備える別の回帰型アーキテクチャのパラメータ）は、ＭＬモデルによって実装されるロジックの解釈性を提供する。

【0153】

ＭＬモデルは、１つだけでなくいくつかの意思決定ロジックと共に使用されるのに役立つ。例示すると、時間領域保護機能を実施する第１の意思決定ロジックおよび距離保護機能を実施する第２の意思決定ロジックの出力の処理に対応するために、ＡＮＮまたはＲＮＮ層の数を増やすことができる。

【0154】

図面の簡単な説明

【0155】

本発明の主題は、添付の図面に示される好ましい例示的な実施形態を参照してより詳細に説明される。

【図面の簡単な説明】

【0156】

【図1】アセット保護、監視、または制御装置を備えるシステムの概略図である。

【図2】アセット保護、監視、または制御装置の機能ブロック図である。

【図3】アセット保護、監視、または制御装置の機能ブロック図である。

【図4】アセット保護、監視、または制御装置の機械学習モデルで使用できるゲート付き回帰型ユニット（ＧＲＵ）セルを示す図である。

【図5】アセット保護、監視、または制御装置の機械学習モデルの入力の概略図である。

【図6】アセット保護、監視、または制御装置の機械学習モデルの出力の概略図である。

【図7】方法のフローチャートである。

【図8】方法のフローチャートである。

【図9】アセット保護、監視、または制御装置の機械学習モデルを訓練するための訓練データの訓練信号を示す。

【図10】一実施形態による保護装置と従来の保護装置との比較を示す。

【図11】一実施形態による保護装置と従来の保護装置との比較を示す。

【図12】カウンタを使用する概略ブロック図である。

【発明を実施するための形態】

【0157】

実施形態の詳細な説明

【0158】

本発明の例示的な実施形態を、同一または類似の参照符号が同一または類似の要素を示す図面を参照して説明する。いくつかの実施形態は、配電または伝送システムの距離保護の文脈で説明されるが、以下に詳細に説明する方法および装置は、多種多様なシステムで使用することができる。

【0159】

実施形態の特徴は、特に明記しない限り、互いに組み合わせることができる。

【0160】

本発明の実施形態によれば、意思決定ロジックの出力が機械学習（ＭＬ）モデルに供給される。ＭＬモデルは、１つまたはいくつかの回帰型ニューラルネットワーク（ＲＮＮ）層を有することができる。ＭＬモデルは、非線形ローパスフィルタリング、特に積分を実行するように構成され得る。これは、（図１２のロジックの場合のように）閾値比較およびカウンタのパラメータを設定するために人間の専門家を必要とせずに、ＭＬモデルを訓練することによって達成され得る。

【0161】

図１は、アセット保護、監視、または制御装置を備える電力システムを示す。アセット保護、監視、または制御装置は、保護装置３０である。保護装置３０は、保護リレー、特に距離保護リレーであってもよい。

【0162】

保護装置３０は、送電線１１または配電線の端部に配置されてもよい。保護装置３０は、障害の検出に応答して、かつ任意選択で、障害が保護装置３０が担当する領域内にあることの検出に応答して、回路遮断器（ＣＢ）１５をトリップさせるように動作する。

【0163】

保護装置３０は、測定値を受信するための入力インターフェース３１を有する。測定値は、変圧器（ＶＴ）１３によって提供されるローカルバス１２における電圧測定値および変流器（ＣＴ）１４によって提供される電流測定値を含むことができる。入力インターフェース３１で受信された入力は、意思決定ロジックに提供されてもよく、インターフェース３１から意思決定ロジックに渡されるときに入力に対して何らかの前処理（フィルタリング、フーリエ変換、主成分分析、他の統計技術など）が実行されてもよいことが理解される。

【0164】

保護装置３０は、電流および電圧測定値を処理して、ＣＢ１５のトリップなどの緩和または保護動作を必要とする障害があるかどうかを決定するように動作することができる。保護装置３０は、処理を行うための１つまたはいくつかの集積回路（ＩＣ）を有してもよい。

【0165】

保護装置３０は、保護または緩和作用などの作用をもたらすための制御信号を出力するための出力インターフェース３３を有する。保護装置３０は、システム１０内の他の装置に通信可能に結合することができる。例示すると、保護装置３０は、制御センタ２０に通信可能に結合することができる。保護装置３０は、ヒューマンマシンインターフェース（ＨＭＩ）２３を介して出力するために、障害の検出に関する情報を制御センタ２０に出力することができる。制御センタ２０は、インターフェース２２で保護装置３０から受信したメッセージを処理し、それに応答してＨＭＩ２３を制御するためのＩＣ２１を有することができる。

【0166】

図１～図３に示すように、保護装置は、意思決定ロジック３４と、意思決定ロジック３４の出力を処理するＭＬモデル３５とを実行した。

【0167】

意思決定ロジック３４は、電圧および／または電流測定値または他の入力を受信することができ、意思決定ロジック出力を生成するために入力を処理することができる。意思決定ロジック出力は時系列であってもよい。時系列は、離散的で一定の時間間隔に対応し得るサンプルを有してもよい。例示すると、新しい意思決定ロジック時系列サンプルは、一定の間隔で入力をサンプリングすることによって生成されてもよい。時系列は、スカラの時系列であってもよいし、ベクトルの時系列であってもよい。

【0168】

意思決定ロジック出力がスカラの時系列である場合、時系列はバイナリであってもよい。時系列は、第１の値と第２の値との間で切り替わることができる。第１の値は、障害が存在すると意思決定ロジック３４が見なすことを示す第１のインジケータ値であってもよく、第２の値は、障害は存在しないと意思決定ロジック３４が見なすことを示す第２のインジケータ値であってもよい。時系列は、必ずしも第１および第２の値だけに限定されることなく、実数値または複素数値であってもよい。

【0169】

意思決定ロジック出力がベクトルの時系列であるとき、ベクトルの時系列は、バイナリであり、かつ第１の値と第２の値との間で切り替えることができる１つまたはいくつかのベクトル要素を有することができる。第１の値は、障害が存在すると意思決定ロジック３４が見なすことを示す第１のインジケータ値であってもよく、第２の値は、障害は存在しないと意思決定ロジック３４が見なすことを示す第２のインジケータ値であってもよい。ベクトルの時系列は、実数値または複素数値のベクトル要素を備えることができる。

【0170】

意思決定ロジック３４は、従来の保護ロジックであってもよい。例示すると、意思決定ロジック３４は、従来の距離保護機能または時間領域保護機能であってもよく、これは、特定の障害がそれぞれの時間に存在するまたは存在しないと見なされるかを示す時系列の値を出力する。障害は、保護装置３０が担当する領域内の地絡であってもよい。

【0171】

ＭＬモデル３５は、以下に説明するように、ＲＮＮ層などの１つまたはいくつかの人工ニューラルネットワーク（ＡＮＮ）層を有することができる。ＭＬモデル３５は、長・短期記憶（ＬＳＴＭ）セルまたはゲート付き回帰型ユニット（ＧＲＵ）セルなど、忘却（またはリセット）ゲートおよび／または入力ゲートを有するセルを有することができる。ＭＬモデル３５は、意思決定ロジック出力の非線形ローパスフィルタリングを実行するように動作することができる。他の構造、例えば、いくつかのゲートを有する他の回帰型構造が使用されてもよい。

【0172】

（図２に示すように）ＭＬモデル３５にその出力を供給する単一の意思決定ロジック３４の場合、ＲＮＮ層は、単一入力単一出力ＬＳＴＭ層から構成されてもよい。ＬＳＴＭ層の重みは、ＭＬを使用して訓練される。これは通常、現場使用の前に行われるが、現場使用中のＭＬの訓練もしくは再訓練または他の更新が企図される。単一入力単一出力ＬＳＴＭ層は、意思決定ロジック出力がＭＬモデルによってどのように処理されるかの完全な解釈性を提供する。以下の特定の例についてより詳細に説明するように、ＲＮＮ（またはより一般的にはＡＮＮ）層定義における重みは、時系列の閾値スケーリングおよび累積またはリセットに対応する。

【0173】

図３に示すように、ＭＬモデル３５には、２つ以上の意思決定ロジック３６～３８からの出力が供給され得る。意思決定ロジック３６～３８のうちの２つ以上は、異なる保護機能に対応することができる。意思決定ロジック３６～３８のうちの少なくとも１つは距離保護機能ロジックであってもよく、意思決定ロジック３６～３８のうちの別の１つは時間領域保護機能であってもよい。ＡＮＮ構造を有するＭＬモデルの使用は、図３に示すように、いくつかの意思決定ロジック３６～３８の決定の集約を容易にする。

【0174】

２つ以上の意思決定ロジック３６～３８の第１の意思決定ロジックおよび第２の意思決定ロジックの感度および／または応答時間は、互いに異なっていてもよい。異なる感度および応答時間は、ＭＬモデル訓練において自動的に考慮される。

【0175】

このより複雑な場合であっても、訓練されたＭＬモデルパラメータ（ＡＮＮの重みまたはＧＲＵセルもしくはＬＳＴＭセルのパラメータ行列またはベクトルなど）は解釈性を提供する。例示すると、ＭＬモデル重みは、様々な意思決定ロジックが異なる意思決定ロジック３６～３８からどの程度強く出力するかを示す。

【0176】

ＭＬモデル３５は、積分器特性などの非線形のローパス特性を有することができる。ＭＬモデル３５は、ローパスフィルタ、より具体的には積分器を実装することができる。

【0177】

ＭＬモデル３５は、意思決定ロジック出力で受信された新しい時系列サンプルに応答して、ＭＬモデルの状態変数（ニューロンの値またはＧＲＵセルまたはＬＳＴＭセルまたはいくつかのゲートを有する他の回帰型セルの状態値ｈ_ｔなど）を更新するように動作することができ、その結果、経時的に受信された意思決定ロジックによって出力された時系列の蓄積または積分を実行する。

【0178】

ＭＬモデル３５は、意思決定ロジック出力内の時系列の新しいサンプルに応答してＭＬモデルの状態変数（ニューロンの値またはＧＲＵセルまたはＬＳＴＭセルまたはいくつかのゲートを有する他の回帰型セルの状態値ｈ_ｔなど）を更新するように動作することができ、その結果、時系列サンプルが意思決定ロジックが障害が存在すると見なすことを示す第１のインジケータ値である場合に、（例えば、固定もしくは可変であり得る増分によって）状態変数が増加する。

【0179】

ＭＬモデル３５は、意思決定ロジック出力内の時系列の新しいサンプルに応答してＭＬモデルの状態変数（ニューロンの値またはＧＲＵセルまたはＬＳＴＭセルまたはいくつかのゲートを有する他の回帰型セルの状態値ｈ_ｔなど）を更新するように動作することができ、その結果、時系列サンプルが意思決定ロジックが障害が存在しないと見なすことを示す第２のインジケータ値である場合、（例えば、それを再設定することによって、またはそれを固定もしくは可変であり得る減少分だけ減少させることによって）状態変数は減少する。

【0180】

ＭＬモデル３５は、（図１２に示すように）従来のカウンタベースのロジックの様々なリセット戦略を模倣する挙動を実施する柔軟性を提供する。ＭＬモデル３５は、所与の基準に従う連続する意思決定ロジック時系列サンプルの累積値をリセットするために使用される様々な戦略に対応することができる。ＭＬモデル訓練に使用されるデータ（合成的に生成され得るか、または現場使用で収集され得る）に応じて、ＭＬモデルが実装されてもよく、その結果、時系列的に受信される意思決定ロジック時系列サンプルの蓄積は、意思決定ロジックによって出力される新しい時系列サンプルが意思決定ロジックが障害が存在しないと見なすことを示す第２のインジケータ値である場合、リセットされる。ＭＬモデルは、よりソフトなリセット戦略を使用するように実装することができる。

【0181】

ＲＮＮは、意思決定ロジック出力を処理するタスクを学習することができる。単一の意思決定ロジック３４（例えば、単一の保護ロジック）の場合、ＲＮＮは単一のニューロンユニットであり得る。

【0182】

本発明は、様々な効果を奏する。

【0183】

イベントの確率（例えば、保護装置が担当する領域または他の領域における地絡障害または短絡障害の確率）を反映するデータセットに基づいて、ＭＬモデルを最適解を達成するように訓練することができ、または完全な解決策が存在しない場合、速度、セキュリティ、および信頼性に異なる重点を置くことができる。

【0184】

意思決定ロジックの下流にＭＬモデルを使用することによって、微分可能なロジックが提供される。これは、これをより大きなＭＬモデルに組み込むことができることを意味する。例示すると、１つまたはいくつかのＡＮＮ（例えば、ＲＮＮ）層は、ＡＮＮに基づくより大きく、より複雑な保護システムロジックに含まれ得る。この場合、意思決定ロジックおよび意思決定ロジックの出力を独立して処理するＭＬモデルを実装するＡＮＮ（または他のＭＬモデル）を調整するのではなく、本発明は、意思決定ロジックおよび意思決定ロジックの出力を処理するＭＬモデルが一緒に訓練されることを可能にする。これにより、各構成部品を別々に最適化するのではなく、ロジック全体が最適化されるため、訓練時間が短縮され、保護システム全体の性能を向上させることができる。

【0185】

この解決策は解釈可能である。例えば、１２個の重みからなる単一入力および単一出力ＬＳＴＭ回帰型層の場合、これは、以下で説明するように、重みを増分、リセット規則、および動作決定として解釈することが可能である。

【0186】

ＭＬモデルは、メモリ要件の点で小さく、訓練するために非常に高い計算能力を必要としない。

【0187】

ＭＬモデルは、現場の保護、監視、または制御装置に容易に展開することができる。ＭＬモデルは、ＩＥＤ（例えば、ＩＥＣ６１８５０－３：２０１３と互換性のあるＩＥＤ、および／またはＩＥＣ６１８５０－６：２００９と互換性のある方法で通信するように動作するＩＥＤなどの、ＩＥＣ６１８５０によるＩＥＤ）に展開することができる。

【0188】

図４は、完全ゲーテッドＧＲＵセル４０を示す。ＭＬモデルは、ＧＲＵセル４０を備えることができる。ＭＬモデルへの入力が単一の意思決定ロジックの出力である場合、ＭＬモデルは、以下でより詳細に説明するように、出力全結合層が続くＧＲＵセルであり得る。ＧＲＵセルおよびＬＳＴＭセルはそれぞれ、意思決定ロジックによって、すなわち、意思決定ロジックが障害が存在すると見なすことを示す意思決定ロジックの任意の出力値の数値（ＭＬモデルの状態変数など）を増加させ、意思決定ロジックが障害が存在しないと見なすことを示す意思決定ロジックの任意の出力値の数値を減少させることによって時系列出力を処理するための所望の特性を提供するようにそれらを訓練することを容易にするリセットゲート（忘却ゲートとも呼ばれる）を有する。

【0189】

図５は、ＭＬモデル３５への例示的な入力５０を示す。ＭＬモデルへの入力（ここではＭＬモデル入力とも呼ぶ）は、意思決定ロジック出力である。意思決定ロジック出力は時系列であってもよい。時系列サンプルは、離散的で一定の時間間隔（サンプル時間とも呼ばれる）に対応してもよい。例示すると、新しい時系列サンプルは、一定の間隔で入力をサンプリングすることによって意思決定ロジックによって生成されてもよい。時系列サンプルは、スカラであってもよく、スカラを備えてもよく、ベクトルであってもよい。

【0190】

意思決定ロジックによる時系列出力は、バイナリ出力信号であってもよく、バイナリ出力信号を含んでもよいが、これらに限定されない。意思決定ロジックによって出力される時系列は、第１の値と第２の値との間で切り替わることができる。第１の値は、障害が存在すると意思決定ロジック３４が見なすことを示す第１のインジケータ値であってもよく、第２の値は、障害は存在しないと意思決定ロジック３４が見なすことを示す第２のインジケータ値であってもよい。第１および第２の指標値は、固定の数値であってもよい。

【0191】

図５には、２つの離散状態間で切り替わる意思決定ロジック出力が示されているが、意思決定ロジック３４およびＭＬモデル３５の他の実装が使用されてもよい。例示すると、意思決定ロジックは、３つ以上の離散値の間で切り替わることができる指標値の時系列を出力することができる。離散値のうちの１つは、障害が存在しないことを示すことができ、他の離散値は、いくつかの可能性のある障害のうちのどれが存在すると意思決定ロジックによって見なされるかを示すことができる。

【0192】

意思決定ロジック出力は、実数値または複素数値スカラを出力することができる。実数値スカラは、数値範囲に含まれてもよい。数値範囲の異なる部分範囲は、障害の有無、および／または異なるタイプの障害に関連付けられ得る。複素数値スカラの実数部および虚数部または弾性率および位相は、数値範囲に含まれてもよい。数値範囲の異なる部分範囲は、障害の有無、および／または異なるタイプの障害に関連付けられ得る。

【0193】

意思決定ロジック出力は、複数のベクトル要素を有するベクトルであってもよい。ベクトル要素は、離散値、ある範囲内からの連続値、またはそれらの組み合わせから得ることができる（いくつかのベクトル要素は離散値から選択され、他のベクトル要素は連続範囲内から選択される）。

【0194】

図６は、ＭＬモデルの例示的な出力６０を示す。ＭＬモデル出力６０は、バイナリ出力であってもよい。第１のＭＬモデル出力値は、特定の動作がトリガされないことを示すことができる。第２のＭＬモデル出力値は、動作がトリガされることを示すことができる。動作は、是正動作、緩和動作、保護動作、ＨＭＩを介して情報を出力させる動作のうちの任意の１つまたは任意の組み合わせであってもよい。ＣＢトリップは、そのような動作の例である。

【0195】

図６には、２つの離散値間で切り替わるＭＬモデル出力６０が示されているが、ＭＬモデル出力６０は、３つまたは３つを超える離散値間で切り替わることができる。例示すると、ＭＬモデル出力値のうちの第１のＭＬモデル出力値は、動作が不要であることを示すことができ、ＭＬモデル出力値のうちの第２のＭＬモデル出力値は、第１のタイプの制御動作を実行させることができ、ＭＬモデル出力値のうちの第３のＭＬモデル出力値は、第３のタイプの制御動作を実行させることができる。

【0196】

図７は、方法７０のフローチャートである。方法７０は、一実施形態による装置によって自動的に実行されてもよい。

【0197】

ステップ７１において、意思決定ロジック３４は入力を処理する。入力は、電流および／または電圧測定値を含むことができる。入力は、送電線のローカル端部（すなわち、装置が設けられている端部）における電流および／または電圧測定値を含むことができる。入力は、変流器および変圧器から受信される。入力は、ＩＡＣＳのメッセージに含まれ得る。

【0198】

ステップ７２において、意思決定ロジック出力はＭＬモデル３５で処理される。ＭＬモデルは、１つまたはいくつかのＡＮＮ（例えば、ＲＮＮ）層を含み得る。ＭＬモデルは、意思決定ロジックが障害が存在すると見なすことを示す意思決定ロジックによって提供される時系列サンプルに応答して、数値（例えば、ＭＬモデルの状態変数）を増加させるように動作することができる。ＭＬモデルは、意思決定ロジックが障害が存在しないと見なすことを示す意思決定ロジック出力によって提供される時系列サンプルに応答して、数値（例えば、ＭＬモデルの状態変数）を減少させるように動作することができる。いくつかの意思決定ロジックからの出力は、同様に処理することができる。

【0199】

ステップ７３において、ＭＬモデル出力に応答して動作が実行される。動作は、是正動作、緩和動作、保護動作、ＨＭＩを介して情報を出力させる動作のうちの任意の１つまたは任意の組み合わせであってもよい。ＣＢトリップは、そのような動作の例である。

【0200】

図８は、方法８０のフローチャートである。方法８０は、コンピューティングデバイスによって自動的に実行されてもよい。

【0201】

ステップ８１において、ＭＬモデルの訓練が実行される。これは、ＭＬモデルの現場使用の前に行われ得る。訓練は教師付き訓練であってもよい。訓練は、現場使用中に収集されたデータ、および／またはＭＬモデル入力の時系列および関連する所望のＭＬモデル出力を含む合成的に生成されたデータに基づくことができる。訓練は、通時的逆伝播などの従来の技術を使用して実施することができる。１０以上（図９に示すように）、２０以上、３０以上のＭＬモデル入力ノルウェー時系列および関連する所望のＭＬモデル出力を含むデータセットを使用することができる。

【0202】

ステップ８２において、訓練されたＭＬモデルパラメータのいくつかを、例えばＨＭＩを介して出力することができる。訓練されたＭＬモデル出力は、訓練されたＭＬモデルの解釈のために人間のオペレータに提供することができる。

【0203】

ステップ８３において、ＭＬモデルが現場使用に適しているかどうかを任意選択で決定することができる。決定は、オペレータ入力に基づいておよび／または自動的に行われてもよい。説明すると、訓練で取得されたＭＬモデルパラメータが、見逃された障害がないことを保証するかどうかを決定することができる。

【0204】

ステップ８４において、ＭＬモデルを展開することができる。ＭＬモデルは、電力システムまたはＩＡＣＳの構成または試運転中に展開することができる。ＭＬモデルは、例えば更新手順において、保護装置の現場使用中に展開することができる。

【0205】

ステップ８５において、現場使用中のＭＬモデルの動作を監視することができる。ＭＬモデルの再訓練は、現場使用中のＭＬモデル性能に応じて選択的に開始することができる。

【0206】

ＭＬモデル実装

【0207】

ＭＬモデルの実装形態は、さらなる例示のために以下でより詳細に説明される。意思決定ロジックの出力を処理するＭＬモデルの多種多様な他の実装を使用することができる。

【0208】

ＭＬモデルは、単一のＧＲＵ層および単一のニューロン全結合出力層を有することができる。

【0209】

ＧＲＵセルは、そのバイアスのすべてを０に設定することができる。この場合、（図４に示されたセルと同様の）ＧＲＵセルは、以下の方程式のセットによって定義され得る。

【数1】

【0210】

式（１）～（３）は、任意選択でバイアスを含んでもよい。実施された実験は、バイアスが０に設定され得ることを示している。バイアスを含めることにより、ＭＬモデルのさらなる微調整が可能になるが、バイアスは０に設定することができ、速度および信頼性は向上する。

【0211】

様々な変更が使用されてもよい。説明すると、式（３）において、双曲線正接以外の活性化関数を用いてもよい。さらに説明すると、式（４）の係数ｈ_ｔ－１およびｈ_ｈは交換してもよい。

【0212】

出力全結合層は、最終的な出力スケーリングとして機能し、以下のように定義することができる。

【0213】

ｙ_ｔ＝σ_ａ（Ｗ_ｄ・ｈ_ｔ＋ｂ_ｄ）（５）

【0214】

式（５）では、以下の表記が使用される。

【0215】

σ_ａ：全結合活性化関数（例えば、シグモイド）

【0216】

ｙ_ｔ：時刻ｔにおけるＭＬモデルの出力、

【0217】

Ｗ_ｄ：全結合カーネル重み、

【0218】

ｂ_ｄ：全結合バイアス重み。

【0219】

様々な例示的な事例（すなわち、ｘ_ｔおよび／またはｈ_ｔ－１が０に設定される事例）を考慮することによって、訓練されたモデルのパラメータの解釈性を決定することができる。

【0220】

ｘ_ｔ＝０およびｈ_ｔ－１＝０の場合、以下が得られる。

【数2】

【0221】

ｘ_ｔ＞０およびｈ_ｔ－１＝０の場合、以下が得られる。

【数3】

【0222】

ｘ_ｔ＝０およびｈ_ｔ－１＞０の場合、以下が得られる。

【数4】

【0223】

様々なパラメータは、以下のように解釈することができる。
－全結合層バイアスｂ_ｄは、（例えば式（１０）から結論付けることができるように）ＭＬモデルの初期出力を決定する。
－カーネル重みＷ_ｈは、（例えば、式（１１）～（１４）から結論付けることができるように）入力状態の初期蓄積を定量化する。
－回帰重みＵ_ｚは、前の状態の保存を定量化し、これはまた、（例えば、式（１５）～（１８）から結論付けることができるように）入力信号の蓄積を増加させる。
－回帰重みＵ_ｈは、（例えば、式（１５）～（１８）から結論付けることができるように）以前の出力のどれだけが維持されるかを決定するため、リセットをソフトにする。
－カーネル重みＷ_ｚは、ｘ_ｔ＞０の場合、前の状態と次の候補状態との比に影響を与える。Ｗ_ｚが大きいほど、蓄積速度は遅くなる。
－カーネル重みＷ_ｒは、リセットの速度を増加させる。
－回帰重みＵ_ｒは、リセットをソフトにする。

【0224】

したがって、ＭＬモデルのパラメータを定量的に解釈することができる。パラメータは、ＭＬモデルの初期出力、ＭＬモデル入力ｘが累積される速度、ＧＲＵまたはＬＳＴＭセルの内部状態（例えば、ｈ）がリセットされる速度、およびリセットがよりソフトかよりハードかを定量化する。

【0225】

ＭＬモデルの動作は、図１２に示すような従来のロジックと比較して定量的に評価される。

【0226】

ＭＬモデルは、図９に示すように、合成的に生成されたＭＬモデル入力９１および対応する所望のＭＬモデル出力９２のデータセットを使用して訓練された。教師あり学習を行った。１０個のＭＬモデル入力９１および１０個の関連するＭＬモデル出力のみが図９に示されているが、追加または代替の訓練データを使用することができる。ＭＬモデルは、全結合出力層を有する単一のＬＴＳＭまたはＧＲＵセルを使用する。ＭＬモデルは、意思決定ロジックによって行われたバイナリ決定に対する非線形ローパスフィルタとして機能し、その決定を改良する。

【0227】

比較のために、図１２に示すカウンタ閾値ロジックのパラメータは、図９の１０の合成的に生成されたシナリオのすべてにおいて正しい答えを与えるように調整された。訓練されたＭＬモデルの性能を、図１２のものと同様のカウンタ閾値ロジックの性能と比較した（カウンタ値のハードリセットは、意思決定ロジック出力が、意思決定ロジックが障害がないと見なすことを示すときはいつでも実行される）。

【0228】

訓練されたＭＬモデルは、図１２のカウンタ閾値ロジックと少なくとも同じ性能を有していた。訓練されたＭＬモデルは、速度に関する様々なシナリオについて、図１２のカウンタ閾値ロジックよりすぐれた性能を示した。これは、図１０に例示的に示されている。

【0229】

図１０において、図１０の上段のパネルは、図９の上段の４番目のグラフから合成的に生成されたＭＬモデル入力９１およびＭＬ出力９２の一部を示す。中段パネルには、ＭＬモデルの内部状態変数１０３（この場合、ＧＲＵまたはＬＳＴＭセルのｈ_ｔ）と、ＭＬモデルの出力１０２（この場合、出力全結合層のｙ_ｔ）と、出力１０２がＭＬモデルの状態変数１０３のどの値で障害を識別した状態に切り替わるかを示す破線１０４とが示されている。下段パネルは、図１２に示すようなカウンタ閾値ロジックのカウンタ１２３のカウンタ値１１３、ロジックの出力が状態を変化させる閾値１１４、および結果として生じるカウンタ閾値ロジック出力１１２を示す。

【0230】

図１０に見られるように、ＭＬモデル出力１０２は、カウンタ閾値ロジック出力１１２よりも早く障害を示す。

【0231】

ＭＬモデルはまた、誤警報のリスクを軽減する。これは、図１１にさらに示されている。

【0232】

図１１において、図１１の上段のパネルは、図９の下段の２番目のグラフから合成的に生成されたＭＬモデル入力９１およびＭＬ出力９２の一部を示す。この場合、ＭＬモデルの出力およびカウンタ閾値ロジックの出力によって障害が検出されないと予想される。中段パネルには、ＭＬモデルの内部状態変数１０３（この場合、ＧＲＵまたはＬＳＴＭセルのｈ_ｔ）と、ＭＬモデルの出力１０２（この場合、出力全結合層のｙ_ｔ）と、出力１０２がＭＬモデルの状態変数１０３のどの値で障害を識別した状態になるかを示す破線１０４とが示されている。下段パネルは、図１２に示すようなカウンタ閾値ロジックのカウンタ１２３のカウンタ値１１３、ロジックの出力が状態を変化させる閾値１１４、および結果として生じるカウンタ閾値ロジック出力１１２を示す。

【0233】

図１１の下段パネルに見られるように、誤警報を回避するために、カウンタ閾値１１４は４に設定される必要がある。しかしながら、これにより、図９の他のシナリオ（例えば、障害が識別されることが予想される、図９の上段の第４および第５のグラフのシナリオ）ではアラームが見逃されることになる。

【0234】

一実施形態による装置は、誤警報なしですべての警報を適切に発生させ、合成データセットの速度および信頼性を向上させる。

【0235】

本発明の実施形態を図面を参照して説明したが、他の実施形態で様々な修正および変更を実施することができる。例示すると、ＣＢトリップに関連していくつかの実施形態を説明したが、実施形態の方法、装置、およびシステムは、アセットを（より深刻な）損傷から保護する動作を実行するべきかどうかを決定するために使用されるだけでなく、アセット動作が（例えば、自動再閉を実行することによって）その通常動作に安全に戻ることができるかどうかを決定するためにも使用され得る。

【0236】

さらに例示すると、ＧＲＵがそのバイアスを０に設定する実装形態について説明したが、ＭＬモデルは、０である必要はなく、かつＭＬモデル３５を訓練するときに学習され得るバイアスを有する１つまたはいくつかのＧＲＵまたは他のＡＮＮもしくはＲＮＮ構造を含み得る。例示すると、ＭＬモデル３５は、以下の式によって定義されるＧＲＵセルを含み得る。

【数5】

【0237】

ここで、ｂ_ｚ、ｂ_ｒ、およびｂ_ｈはバイアスである。バイアスのうちの１つ、２つ、または３つは、ＭＬモデル３５を訓練するときに学習することができるパラメータであり得る。

【0238】

実施形態による装置、システムおよび方法によって、様々な効果が達成される。装置、システム、および方法の論理で使用されるパラメータは、ＭＬによって決定することができ、人間の専門家が従来のカウンタおよび閾値ロジックのすべてのパラメータを適切に設定する必要がなくなる。装置、システム、および方法は、速度および信頼性のバランスをとりながらパラメータを設定する困難性を軽減または排除する。装置、システム、および方法は、メモリ空間要件がほとんどない。ＭＬモデルは解釈可能であり、より大きなＭＬモデルベースの保護、制御、または監視ロジックに容易に組み込むことができる。

【0239】

本発明を図面および前述の説明において詳細に説明してきたが、説明は説明的または例示的であり、限定的ではないと考えられるべきである。開示された実施形態に対する変形は、図面、開示、および添付の特許請求の範囲の研究から、当業者によって、および特許請求された発明を実施することによって理解および達成され得る。特許請求の範囲において、「含む（ｃｏｍｐｒｉｓｉｎｇ）」という語は他の要素またはステップを排除せず、不定冠詞「ａ」または「ａｎ」は複数を排除しない。特定の要素またはステップが別個の特許請求の範囲に記載されているという単なる事実は、これらの要素またはステップの組み合わせを使用することができないことを示すものではなく、具体的には、実際の特許請求の範囲の従属性に加えて、任意のさらなる意味のある特許請求の範囲の組み合わせが開示されていると見なされるべきである。

【図1】