特表 2023-550995 機械学習を用いた電気機器の負荷予測

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-12-06

(54)【発明の名称】機械学習を用いた電気機器の負荷予測

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231129BHJP

   H02J 3/00 20060101ALI20231129BHJP

【ＦＩ】

G06N20/00

H02J3/00 130

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023532396

(86)(22)【出願日】2020-12-17

(85)【翻訳文提出日】2023-06-21

(86)【国際出願番号】 EP2020086740

(87)【国際公開番号】W WO2022111841

(87)【国際公開日】2022-06-02

(31)【優先権主張番号】63/118,828

(32)【優先日】2020-11-27

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】519431812

【氏名又は名称】ヒタチ・エナジー・スウィツァーランド・アクチェンゲゼルシャフト

【氏名又は名称原語表記】ＨＩＴＡＣＨＩ ＥＮＥＲＧＹ ＳＷＩＴＺＥＲＬＡＮＤ ＡＧ

(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】シェイム，ルイス

【テーマコード（参考）】

5G066

【Ｆターム（参考）】

5G066AA02

5G066AE01

5G066AE03

5G066AE09

(57)【要約】

実施形態は、プロセッサ回路によって、少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の電気機器の負荷パラメータ値を予測することについて開示する。その後、プロセッサ回路によって、予測された負荷パラメータ値に基づいて未来時間の過負荷耐量を計算し、プロセッサ回路によって、未来時間の計算された過負荷耐量に基づいて現在時間の電気機器に関連する少なくとも１つのパラメータを変更する。

【特許請求の範囲】

【請求項1】

プロセッサ回路が、少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の前記電気機器の負荷パラメータ値を予測することと、
前記プロセッサ回路が、前記予測された負荷パラメータ値に基づいて前記未来時間の過負荷耐量を計算することと、
前記プロセッサ回路が、前記未来時間の前記計算された過負荷耐量に基づいて、現在時間の前記電気機器に関連する少なくとも１つのパラメータを変更することと、
を含む、方法。

【請求項2】

前記少なくとも１つの機械学習モデルが、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される、請求項１に記載の方法。

【請求項3】

前記複数の決定された関係が、前記所定数の負荷パラメータ値から導出された少なくとも１つの予想負荷パラメータ値と、前記少なくとも１つの後続の負荷パラメータ値との比較に基づいて検証される、請求項２に記載の方法。

【請求項4】

前記未来時間の前記負荷パラメータ値を予測することが、前記少なくとも１つの機械学習モデルへの入力セットとして前記所定数の負荷パラメータ値を連続的に使用して行われ、
前記入力セットが、負荷パラメータ値の前記時系列データストリームから移動窓技術を用いて連続的に生成される、請求項１～３のいずれか１項に記載の方法。

【請求項5】

前記複数の負荷パラメータ値が、前記電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む、請求項１～４のいずれか１項に記載の方法。

【請求項6】

前記予測された負荷パラメータ値の前記未来時間が、前記予測の少なくとも１時間後である、請求項１～５のいずれか１項に記載の方法。

【請求項7】

前記少なくとも１つの機械学習モデルが、前記複数の負荷パラメータ値のみに基づいて、前記未来時間の前記電気機器の前記負荷パラメータ値を予測する、請求項１～６のいずれか１項に記載の方法。

【請求項8】

前記少なくとも１つの機械学習モデルが、前記複数の負荷パラメータ値と前記電気機器に関連する少なくとも１つの温度パラメータとに基づいて、前記未来時間の前記電気機器の前記負荷パラメータ値を予測する、請求項１～７のいずれか１項に記載の方法。

【請求項9】

前記プロセッサ回路が、前記予測された負荷パラメータ値に基づいて、前記未来時間の前記電気機器の構成要素について少なくとも１つのホットスポット温度値を予測することをさらに含む、請求項１～８のいずれか１項に記載の方法。

【請求項10】

前記プロセッサ回路が、前記予測された負荷パラメータ値に基づいて前記電気機器について少なくとも１つの過負荷容量値を予測することであって、前記少なくとも１つの過負荷容量値が前記未来時間に続く少なくとも１つの期間に関連する、予測することをさらに含む、請求項１～９のいずれか１項に記載の方法。

【請求項11】

前記電気機器が変圧器を含み、前記方法が、
前記少なくとも１つの変更されたパラメータに少なくとも部分的に基づいて前記変圧器を動作させることをさらに含む、請求項１～１０のいずれか１項に記載の方法。

【請求項12】

前記変圧器を動作させることが、前記未来時間の前に前記電気機器の少なくとも１つの構成要素の温度を変化させるために、前記予測された負荷パラメータ値に応答して前記変圧器の少なくとも１つの冷却部品を動作させることを含む、請求項１１に記載の方法。

【請求項13】

プロセッサ回路と、
前記プロセッサ回路が実行すると、前記プロセッサ回路に、
少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の前記電気機器の負荷パラメータ値を予測させ、
前記予測された負荷パラメータ値に基づいて前記未来時間の過負荷耐量を計算させ、
前記未来時間の前記計算された過負荷耐量に基づいて、現在時間の前記電気機器に関連する少なくとも１つのパラメータを変更させる
機械可読命令を含むメモリと、
を備える、監視デバイス。

【請求項14】

前記少なくとも１つの機械学習モデルが、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される、請求項１３に記載の監視デバイス。

【請求項15】

前記複数の負荷パラメータ値が、前記電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む、請求項１３または１４に記載の監視デバイス。

【請求項16】

前記予測された負荷パラメータ値の前記未来時間が、前記予測の少なくとも１時間後である、請求項１３～１５のいずれか１項に記載の監視デバイス。

【請求項17】

プロセッサ回路が実行すると、前記プロセッサ回路に、
少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の前記電気機器の負荷パラメータ値を予測させ、
前記予測された負荷パラメータ値に基づいて前記未来時間の過負荷耐量を計算させ、
前記未来時間の前記計算された過負荷耐量に基づいて、現在時間の前記電気機器に関連する少なくとも１つのパラメータを変更させる
命令を含む、非一時的コンピュータ可読媒体。

【請求項18】

前記少なくとも１つの機械学習モデルが、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される、請求項１７に記載のコンピュータ可読媒体。

【請求項19】

前記複数の負荷パラメータ値が、前記電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む、請求項１７または１８に記載のコンピュータ可読媒体。

【請求項20】

前記予測された負荷パラメータ値の前記未来時間が、前記予測の少なくとも１時間後である、請求項１７～１９のいずれか１項に記載のコンピュータ可読媒体。

【発明の詳細な説明】

【背景技術】

【0001】

背景
本開示は、高電圧変圧器などの電気機器の分析に関する。特に、本開示は、機械学習を用いた電気機器の負荷予測に関する。

【技術分野】

【0002】

例えば変圧器などの電気機器の従来の負荷予測技術は、典型的には複雑な統計ツールを使用して、負荷、ホットスポット温度、過負荷容量、および他のパラメータについて短期および長期予測を推定する。自動回帰統合移動平均（ＡＲＩＭＡ）などのこれらのツールは、時系列の過去の負荷データを傾向成分、季節変動成分、ランダム変動成分などのいくつかの成分に分割して、これらのいくつかの成分を最終的な予測に集約する複雑なモデルに到達することができる。予測誤差を低減するために、これらのツールはまた、毎日の平均気温、季節性、祭事およびスポーツイベントなどの追加の相関パラメータを組み込むことができ、それは追加の複雑さを追加し、特殊なツールを必要とする場合があり、異なる時間および地域、例えば、異なる文化、休日、気候などを有する国または地域の特殊なデータを必要とする場合がある。

【0003】

変圧器の場合、例えば、未来の１時間または２時間などの未来時間について負荷の正確な推定値を取得して、負荷遮断、偶発事故のための過負荷の必要性、ならびに変圧器の寿命および残存寿命または電力システムの変化する必要性に基づく変圧器の動作からの最終的な除外を計画することが望ましい場合がある。しかしながら、既存の解決策の複雑さのために、多くの種類の電気機器は、未来の負荷を正確に推定するのに必要な計算能力を欠いている。

【発明の概要】

【課題を解決するための手段】

【0004】

概要
いくつかの実施形態によれば、方法は、プロセッサ回路によって、少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の電気機器の負荷パラメータ値を予測することを含む。本方法は、プロセッサ回路によって、予測負荷パラメータ値に基づいて未来時間の過負荷耐量を計算することをさらに含む。本方法は、プロセッサ回路によって、未来時間の計算された過負荷耐量に基づいて、現在時間の電気機器に関連する少なくとも１つのパラメータを変更することをさらに含む。

【0005】

いくつかの実施形態によれば、少なくとも１つの機械学習モデルは、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される。

【0006】

いくつかの実施形態によれば、複数の決定された関係は、所定数の負荷パラメータ値から導出された少なくとも１つの予想負荷パラメータ値と、少なくとも１つの後続の負荷パラメータ値との比較に基づいて検証される。

【0007】

いくつかの実施形態によれば、未来時間の負荷パラメータ値の予測は、少なくとも１つの機械学習モデルへの入力セットとして所定数の負荷パラメータ値を使用して連続的に行われる。入力セットは、負荷パラメータ値の時系列データストリームから移動窓技術を用いて連続的に生成される。

【0008】

いくつかの実施形態によれば、複数の負荷パラメータ値は、電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む。

【0009】

いくつかの実施形態によれば、予測負荷パラメータ値の未来時間は、予測の少なくとも１時間後である。

【0010】

いくつかの実施形態によれば、少なくとも１つの機械学習モデルは、複数の負荷パラメータ値のみに基づいて、未来時間の電気機器の負荷パラメータ値を予測する。

【0011】

いくつかの実施形態によれば、少なくとも１つの機械学習モデルは、複数の負荷パラメータ値と電気機器に関連する少なくとも１つの温度パラメータとに基づいて、未来時間の電気機器の負荷パラメータ値を予測する。

【0012】

いくつかの実施形態によれば、本方法は、プロセッサ回路によって、予測負荷パラメータ値に基づいて、未来時間の電気機器の構成要素について少なくとも１つのホットスポット温度値を予測することをさらに含む。

【0013】

いくつかの実施形態によれば、本方法は、プロセッサ回路によって、予測負荷パラメータ値に基づいて電気機器について少なくとも１つの過負荷容量値を予測することであって、未来時間に続く少なくとも１つの期間に関連する少なくとも１つの過負荷容量値を予測することをさらに含む。

【0014】

いくつかの実施形態によれば、電気機器は変圧器を含み、方法は、少なくとも１つの変更されたパラメータに少なくとも部分的に基づいて変圧器を動作させることをさらに含む。

【0015】

いくつかの実施形態によれば、変圧器を動作させることは、未来時間の前に電気機器の少なくとも１つの構成要素の温度を変化させるために、予測負荷パラメータ値に応答して変圧器の少なくとも１つの冷却部品を動作させることを含む。

【0016】

いくつかの実施形態によれば、監視デバイスは、プロセッサ回路と、機械可読命令を含むメモリとを含む。プロセッサ回路によって実行されると、機械可読命令は、プロセッサ回路に、少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の電気機器の負荷パラメータ値を予測させる。機械可読命令はさらに、プロセッサ回路に、予測負荷パラメータ値に基づいて未来時間の過負荷耐量を計算させる。機械可読命令はさらに、プロセッサ回路に、未来時間の計算された過負荷耐量に基づいて、現在時間の電気機器に関連する少なくとも１つのパラメータを変更させる。

【0017】

いくつかの実施形態によれば、少なくとも１つの機械学習モデルは、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される。

【0018】

いくつかの実施形態によれば、複数の負荷パラメータ値は、電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む。

【0019】

いくつかの実施形態によれば、予測負荷パラメータ値の未来時間は、予測の少なくとも１時間後である。

【0020】

いくつかの実施形態によれば、非一時的コンピュータ可読媒体は、プロセッサ回路によって実行されると、プロセッサ回路に、少なくとも１つの機械学習モデルと、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセットを含む複数の負荷パラメータ値とに基づいて、未来時間の電気機器の負荷パラメータ値を予測させる命令を含む。命令はさらに、プロセッサ回路に、予測負荷パラメータ値に基づいて未来時間の過負荷耐量を計算させる。命令はさらに、プロセッサ回路に、未来時間の計算された過負荷耐量に基づいて、現在時間の電気機器に関連する少なくとも１つのパラメータを変更させる。

【0021】

いくつかの実施形態によれば、少なくとも１つの機械学習モデルは、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される。

【0022】

いくつかの実施形態によれば、複数の負荷パラメータ値は、電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含む。

【0023】

いくつかの実施形態によれば、予測負荷パラメータ値の未来時間は、予測の少なくとも１時間後である。

【0024】

図面の簡単な説明
本開示のさらなる理解を提供するために含まれ、本出願の一部を構成するものに組み込まれる添付の図面は、本発明の概念の特定の非限定的な実施形態を示す。

【図面の簡単な説明】

【0025】

【図1】いくつかの実施形態による、多変数アルゴリズムの反復適用のための機械学習アプリケーションによって使用されるフラットファイルを示す図である。

【図2A】いくつかの実施形態による、電気機器の未来の負荷を予測する際に機械学習アルゴリズムと共に使用するための、過去の負荷データを表す単一変数データセットの平坦化データセットへの変換を示す図である。

【図2B】いくつかの実施形態による、電気機器の未来の負荷を予測する際に機械学習アルゴリズムと共に使用するための、過去の負荷データを表す単一変数データセットの平坦化データセットへの変換を示す図である。

【図3】いくつかの実施形態による、過去の負荷データに基づいて電気機器の未来の負荷を予測するための機械学習モデルの訓練および選択のための動作を示す図である。

【図4】いくつかの実施形態による、機械学習モデルの訓練および検証データセットに対する図３の動作の視覚化を示す図である。

【図5A】いくつかの実施形態による、機械学習モデルを使用した電気機器の経時的な実際の負荷と経時的な予測負荷との比較を示すグラフプロットである。

【図5B】いくつかの実施形態による、機械学習モデルを使用した電気機器の経時的な実際の負荷と経時的な予測負荷との比較を示すグラフプロットである。

【図5C】いくつかの実施形態による、機械学習モデルを使用した電気機器の経時的な実際の負荷と経時的な予測負荷との比較を示すグラフプロットである。

【図6】いくつかの実施形態による、過去の負荷データに基づいて未来時間の負荷パラメータ値を予測するための動作のフローチャートである。

【図7】いくつかの実施形態による、図６の動作を使用した経時的な過去の負荷、未来時間の予測負荷、および決定された未来の過負荷容量を示すグラフプロットである。

【図8】いくつかの実施形態による動作を実行するための負荷予測システムを示すブロック図である。

【発明を実施するための形態】

【0026】

詳細な説明
本発明の概念は、本発明の概念の実施形態の例が示されている添付の図面を参照して以下により十分に説明される。しかしながら、本発明の概念は、多くの異なる形態で具体化されてもよく、本明細書に記載の実施形態に限定されると解釈されるべきではない。むしろ、これらの実施形態は、本開示が徹底的かつ完全であり、本発明の概念の範囲を当業者に完全に伝えるように提供される。また、これらの実施形態は相互に排他的ではないことに留意されたい。一実施形態からの構成要素は、別の実施形態に存在する／使用されると暗黙的に仮定されてもよい。

【0027】

以下の説明は、開示された主題の様々な実施形態を提示する。これらの実施形態は、教示例として提示されており、開示された主題の範囲を限定するものとして解釈されるべきではない。例えば、記載された実施形態の特定の詳細は、記載された主題の範囲から逸脱することなく、修正、省略、または拡張することができる。

【0028】

変圧器過負荷容量は、既存の動的熱モデルならびに現在の周囲温度および負荷条件に基づいて現在の時間について推定することができ、ホットスポット温度および結果として生じる寿命消費の継続的な計算を可能にする。所与の未来の時間間隔について過負荷耐量を計算するために、モデルは、変圧器の動作寿命を不必要に短くすることを回避するために、ホットスポット温度が所与の限界（例えば、熱的に改良されたクラフト紙の場合は１１０Ｃ、通常のクラフト紙の場合は９８Ｃ）を超えないと仮定することができる。変圧器の現在の状態に基づいて、寿命を犠牲にすることなく、異なる対応する時間に対して変圧器を異なるレベルで過負荷にすることを可能にする最適な「ｋ」負荷率を計算することができる。

【0029】

未来の負荷値を正確に予測することは、例えば電力システムなどの電力システムにおける電力設備および送電／配電線の効果的な負荷管理に役立つことができ、負荷の再分配による負荷管理は、並列配電線の設備障害に応答して負荷支承設備に過負荷容量がある場合に行うことができ、また、例えば、予想される過負荷状態の前に十分な冷却を提供して電気機器が安全に過負荷になる時間を延長する、または需要の減少を見越して冷却を減らすなど、未来の状態に効果的に対処するために電気機器を準備するために使用することもできる。これは、冷却が時間のかかるプロセスとなり得る大型変圧器において有用である。

【0030】

本開示の実施形態によれば、変圧器の未来の負荷は、機械学習モデルを訓練し、異なる電気機器に対して最高の精度で機械学習モデルを効率的に選択するために、過去の負荷データの比較的小さなセットを使用して正確に推定することができる。いくつかの実施形態では、休日、スポーツイベント、時期などの他の外部情報なしで、未来の負荷を正確に推定することができる。この手法の１つの利点は、モデルの複雑さが大幅に低減され、より多様な電気および／またはコンピューティング機器がモデルを使用することを可能にし、遠隔に配置されてアクセスが困難であり得る高度なコンピューティング機器への依存を低減することである。

【0031】

多くの機械学習アプリケーション（例えば、教師あり学習問題）は、フラットファイルまたはサンプリングされたデータのストリームに基づいて動作する。これに関して、図１は、列ｘ１～ｘｎを入力として使用し、最終列を目標出力として使用して、多変量回帰アルゴリズムを各行１～ｍに繰り返し適用し、経時的にアルゴリズムを決定し改良するために機械学習アプリケーションによって使用されるフラットファイル１００の例を示す。

【0032】

図２Ａおよび図２Ｂに示すように、単一変数データセット２００（この例における負荷対時間の時系列）を、多変数平坦化データセット２０２に変換することができる。この簡略化された例では、単一変数データセット２００は、時間ｔ１～ｔ１４において１４個の連続する負荷値２０４を提供し、平坦化データセット２０２の各行２０６は、シーケンス内の次の負荷値、すなわち目標値２１０をモデル化するための入力２０８として５つの連続する負荷値２０４のシーケンスを使用し、その結果、平坦化データセット２０２の各行２０６は、６つの連続する負荷値２０４のシーケンス（例えば、「移動窓」）を使用する。しかしながら、変数（すなわち、予測子）の数の選択は、各個々の問題に依存することを理解されたい。各行２０６の変数の数は、例えば、感度、モデル精度、ハードウェアおよびソフトウェアの制約、ならびに他のパラメータについての追加の試験に基づいて決定および最適化することができる。

【0033】

単一変数データセット２００を平坦化データセット２０２に変換するために、平坦化データセットの第１の行２０６には、単一変数データセット２００からの時間ｔ１～ｔ６における負荷値２０４が読み込まれ、第２の行２０６には、時間ｔ２～ｔ７における負荷値２０４が読み込まれ、以下同様にして、平坦化データセットの９つの行２０６が読み込まれ、第９の行２０６には、時間ｔ９～ｔ１４における最後の６つの負荷値２０４が読み込まれる。このようにして、垂直単一変数データセット２００は、多くの種類の機械学習モデルでの使用に適した表形式の多変数平坦化データセットに変換される。

【0034】

このデータ変換技術の１つの利点は、単一変数データセット（例えば、時間に対する負荷）を多変量問題に変換することであり、回帰または分類の用途に適した多くの機械学習モデルの使用を容易にする。そのような機械学習モデルの強みは、多数の事例（または例）および多数の特徴（または予測子、または独立変数）を含む大きなデータセットから「学習」できるという事実である。この例では、機械学習モデルは、回帰型予測を実行して目標値２１０として実数を予測するが、他の例では、分類型予測を実行して、「良または悪」、「はいまたはいいえ」、レベル１、２、３などのカテゴリー目標を予測することができる。

【0035】

変圧器負荷データと共にこれらおよび他の機械学習技術を使用することの１つの利点は、これらの技術が、温度、休日、イベントなどの他の外部パラメータを必要とせずに、経時的な過去の負荷の比較的小さな単一変数データセットに基づいて未来の負荷の非常に高精度の予測を提供することである。

【0036】

いくつかの実施形態では、多くの異なる機械学習モデル（例えば、線形および非線形アルゴリズム）が平坦化データを使用して訓練され、結果が比較されて、最も高い精度で機械学習モデルが決定される。二乗平均平方根誤差（ＲＭＳＥ）、平均絶対誤差（ＭＡＥ）などの多くの異なる基準を使用して精度を決定することができる。適切な線形機械学習モデルの例は、一般線形回帰、ロジスティック回帰（例えば、分類のため）、線形判別分析などを含み得る。適切な非線形機械学習モデルの例は、分類および回帰木、ナイーブベイジアン、Ｋ最近傍、サポートベクターマシンなどを含み得る。適切なアンサンブル機械学習モデルの例は、ランダムフォレスト、ツリーバギング、極勾配ブースティングマシン、人工ニューラルネットワークなどを含むことができる。

【0037】

例示的な一例では、約１２万個の負荷データポイントの大きなデータセットを使用して、異なる機械学習モデルを訓練および試験した。データセットは、数年間にわたって収集された時間ごとの負荷データを表した。この例では、負荷データは、訓練データ（データの８０％を含む）および検証データ（データの残りの２０％を含む）のセットに分割された。訓練データは、２５列（入力変数２４および目標変数１）のフラットファイルに変換された。次いで、訓練データを使用して様々な機械学習モデルを訓練した。訓練後、検証データを同様に２５列フラットファイルに変換し、目標列を除去した。検証データの目標値を予測した後、予測値と実際の目標値とを比較した。次いで、機械学習モデルがデータをどのように処理したかの分散を結果に組み込むことができるようにプロセスを繰り返し、次の１～２時間にわたる短期間の負荷を高精度で予測することができた。

【0038】

一例では、図３は、過去の負荷データに基づいて電気機器の未来の負荷を予測するための機械学習モデルの訓練および選択のための動作３００を示す。図４も参照し、これは機械学習モデルの訓練および検証データセット４０２に対する図３の動作３００の視覚化を示す。

【0039】

図３の動作３００は、フルデータセットを訓練データおよび視覚化データに分割すること（ブロック３０２）を含む。例えば、図４では、データセット４０２は、訓練データ４０４（例えば、８０％）および検証データ４０６（例えば、２０％）に分離される。動作は、訓練データをＫ個のランダムピースに分割すること（ブロック３０４）をさらに含む。例えば、図４の訓練データ４０４は、Ｋ個の等しいサイズのピース４０８（例えば、この例の目的のために１０個）に分割される。

【0040】

次に、機械学習モデルがＫ－１個の訓練データで訓練され（ブロック３０６）、訓練データの残りのピースを使用して検証される（ブロック３０８）。モデルの精度が注釈付けされ（ブロック３１０）、プロセスは複数の異なる機械学習モデルについて繰り返される（ブロック３１２）。例えば、図４では、１０個のピース４０８のうちの９つ（例えば、ピース１～９）が各機械学習モデルを訓練するために使用され、最後のピース４０８（例えば、ピース１０）は、訓練された各機械学習モデルの精度を試験するために使用され、訓練データ４０４の各ピース４０８は、機械学習モデルごとに１回試験するために予約されている。

【0041】

次に、動作３０６～３１０が、機械学習モデルごとに合計Ｋ個の訓練および試験動作について、Ｋ－１個の各セットについて繰り返される（ブロック３１２）（例えば、図４の９つのピース４０８の各組み合わせについて機械学習モデルごとに１０回）。次いで、独立した結果を得るために、動作３０４～３１４が、訓練データのＫ個のランダムピースの異なるセットについて繰り返される（ブロック３１６）。例えば、動作３０６～３１０を図４の訓練データ４０４に対して合計３回繰り返すと、この例では合計３０回の訓練動作が得られる。動作３００は、検証データ（例えば、図４の検証データ４０６）を使用して、訓練された機械学習モデルを検証することと、未来の負荷を予測する際に使用するための最も正確な機械学習モデルを選択することとをさらに含む。

【0042】

図３のこれらの動作３００は、所与のモデルが同じデータを多数回処理し、訓練データに過度の重みを付け、訓練データに再び直面したときにその出力がほぼ１００％正しいようにする「過訓練」を最小化するという利点を有する。これは、モデルが訓練セットに関してほとんど「バイアスがない」ことを意味し、「過度に訓練されている」と見なされる。新しい見えないデータに直面したときに、過訓練モデルは、訓練データを完全に表すことができるが、新しい見えないデータを表すことはできないため、悪い結果をもたらす可能性がある。一般に、訓練データに関して完全な精度を犠牲にしても、訓練された機械学習が強い一般化能力を有することがより望ましい場合が多い。

【0043】

ここで図５Ａ～図５Ｃを参照すると、グラフプロット５００Ａ～５００Ｃは、図３の動作３００を使用して訓練および選択された機械学習モデルを使用して、電気機器の経時的な実際の負荷値５０２Ａ～５０２Ｃ（実線）と経時的な予測負荷値５０４Ａ～５０４Ｃ（破線）との比較を示す。この例では、変圧器の数千時間の負荷データをカバーする大規模な検証データセットから、３つの異なる１０００時間の期間からの実際の負荷値５０２Ａ～５０２Ｃのデータセットが選択された。実際の負荷値５０２Ａ～５０２Ｃの各データセットを使用して機械学習モデルを訓練して、実際の負荷値５０２Ａ～５０２Ｃの各セットに対する予測負荷値５０４Ａ～５０４Ｃを高精度で経時的に予測した。特に、この例における予測負荷値５０４Ａ～５０４Ｃの各セットは、再訓練することなく、または他の訓練例からの結果を組み込むことなく、実際の負荷値５０２Ａ～５０２Ｃの各セットから独立して導出された。実際の負荷値５０２Ａ～５０２Ｃの異なるセット間の大きな変動にもかかわらず、予測負荷値５０４Ａ～５０４Ｃの３つのセットはすべて高精度を示した。例えば、図５Ａの実際の負荷値５０２Ａは、約１１２５０ＭＷ～２１２５０ＭＷの間で変化し、図５Ｂの実際の負荷値５０２Ａは、約１００００ＭＷ～１７０００ＭＷの間で変化し、図５Ｃの実際の負荷値５０２Ｃは、約１２５００ＭＷ～２２５００ＭＷの間で変化する。実際の負荷値５０２Ａ～５０２Ｃの異なるセット間の広い分散にもかかわらず、それぞれの予測負荷５０４Ａはすべて１．１３％～１．２６％の平均予測誤差を提供し、すべての予測負荷値５０４Ａ～５０４Ｃの９０％は２．５５％未満の誤差率を提供する。結果として、例えば図３の動作３００を含む、本明細書に開示された実施形態を使用して訓練および選択された機械学習モデルは、予測負荷値５０４Ａ～５０４Ｃ、特に短期間の予測負荷５０６Ａ～５０６Ｃを高精度で提供することができる。

【0044】

ここで図６を参照すると、過去の負荷データに基づいて未来時間の負荷パラメータ値を予測するための動作６００のフローチャートが示されている。図７も参照され、これは経時的な負荷７０２、未来時間の予測負荷パラメータ値７０６、および図６の動作を使用して決定された未来の過負荷容量７１０Ａ～７１０Ｃを示すグラフプロット７００である。

【0045】

動作６００は、少なくとも１つの機械学習モデルおよび複数の負荷パラメータ値に基づいて、未来時間の電気機器の負荷パラメータ値を予測すること（ブロック６０２）を含む。この例では、複数の負荷パラメータ値は、負荷パラメータ値の時系列データストリーム上で連続的な移動窓で値をサンプリングすることによって取得される。したがって、複数の負荷パラメータ値は、電気機器について取得された負荷パラメータ値の時系列データストリームから抽出された所定数の負荷パラメータ値のセット（例えば、図２Ａおよび図２Ｂに関して上述した５つの連続する負荷値２０４の移動窓などの所定の窓サイズ）を含む。例えば、図７に示すように、１つまたは複数の機械学習モデル、例えば上記の図３の動作を使用して訓練および選択されたモデルを使用して、現在の時間ｔ_０において未来時間ｔ_１、例えば現在の時間ｔ_０の１～２時間後の予測負荷を予測する。この例における予測は、過去の負荷値のセット７０４に基づく。いくつかの例では、負荷パラメータ値は、電気機器の電気的および／または熱的負荷値であってもよい。電気負荷は、負荷電流値によって測定することができる。さらに、変圧器では、二次電流を測定することができ、変圧器の電気負荷は、測定された二次電流から導出することができる。

【0046】

熱負荷は、電気機器内の電気的損失によって引き起こされる熱に対応する温度値によって測定することができる。変圧器では、例えば最高油温などの異なる成分から温度値を取得することができ、個々の変圧器の現在の負荷および熱フィンガープリントと共に、変圧器の経年劣化に対する過剰な熱の寄与を示すことができる未来の電気負荷および／または未来の関連するホットスポット温度を推定するために使用することができる。出力電力、一次電流などを含む他のパラメータも使用して動作温度を推定することができる。したがって、いくつかの実施形態では、動作６００は、予測負荷パラメータ値に基づいて、未来時間の電気機器の構成要素について少なくとも１つのホットスポット温度値を予測すること（ブロック６０４）をさらに含んでもよい。

【0047】

動作６００は、予測負荷パラメータ値に基づいて未来時間の過負荷耐量を計算すること（ブロック６０６）をさらに含む。いくつかの例では、過負荷耐量を計算することは、未来時間に続く期間について、予測負荷パラメータ値に基づいて電気機器について少なくとも１つの過負荷容量値を予測すること（ブロック６０８）を含む。例えば、図７に示すように、負荷パラメータ値および／または他の要因、例えば周囲温度、最高油面、熱フィンガープリントなどに基づいて、異なる過負荷容量７１０Ａ～７１０Ｃを計算することができる。例えば、未来時間ｔ_１の予測負荷パラメータ値７０６に基づいて、変圧器は、異なる時間量にわたってフルキャパシティ７１２（すなわち、１００％）を超えて安全に動作することができる。例えば、予測負荷パラメータ値７０６に基づいて、変圧器は、１３５％の過負荷容量７１０Ａを３０分間（例えば、時間ｔ_２まで）、１２０％の過負荷容量７１０Ｂを１時間（例えば、時間ｔ_３まで）、１２０％容量を１時間、または１０５％の過負荷容量７１０Ｃを２時間（例えば、時刻ｔ_３まで）有することができる。このようにして、過負荷耐量は、電気機器を異常におよび／または大幅に経年劣化または損傷させることなく、特定の電気装置が特定の時間にわたって耐えることができる追加の負荷の量を示す割合として決定することができる。

【0048】

過負荷容量が現在の時間に直接測定された負荷（例えば、図７のｔ_０における電流負荷７０８）に基づいて計算されるいくつかの従来の過負荷容量計算とは異なり、これらおよび他の実施形態は、未来時間の実際の負荷が知られる前に、未来の過負荷容量（例えば、過負荷容量７１０Ａ～７１０Ｃ）が高精度の予測負荷（例えば、未来時間ｔ_１の予測負荷パラメータ値７０６）に基づいて計算されることを可能にする。これは延いては、事業者および資産管理者に偶発事故に対する計画および対応の時間をより多く提供する。

【0049】

動作６００は、未来時間の計算された過負荷耐量に基づいて、現在時間の電気機器に関連する少なくとも１つのパラメータを変更すること（ブロック６１０）をさらに含む。動作６００はまた、少なくとも１つの変更されたパラメータに少なくとも部分的に基づいて、電気機器を動作させること（ブロック６１２）を含み得る。例えば、上述したように、変圧器の冷却部品は、予測負荷パラメータ値に応答して動作して、未来時間の前に電気機器の少なくとも１つの構成要素の温度を変化させることができる。パラメータを変更すること、および／または電気機器を動作させることはまた、電気機器と通信すること、および／または電気機器に指示を提供することを含み得る。

【0050】

いくつかの例では、少なくとも１つの機械学習モデルは、所定の期間にわたって取得された時系列データストリームからの所定数の負荷パラメータ値と少なくとも１つの後続の負荷パラメータ値との間の複数の決定された関係に基づいて訓練される。この例では、訓練は機械学習モデルを展開する前に実行され、動作中にも継続的に行われ得る。

【0051】

いくつかの例では、複数の決定された関係は、所定数の負荷パラメータ値から導出された少なくとも１つの予想負荷パラメータ値と、少なくとも１つの後続の負荷パラメータ値との比較に基づいて検証される。例えば、図２Ａ～図２Ｂに関して上述したように、未来時間の負荷パラメータ値の予測は、少なくとも１つの機械学習モデルへの入力セットとして所定数の負荷パラメータ値を使用して連続的に行われてもよい。入力セットは、負荷パラメータ値の時系列データストリームから移動窓技術を用いて連続的に生成されてもよい。例えば、複数の負荷パラメータ値は、電気機器から取得された負荷パラメータ値のストリームから反復的に抽出された少なくとも５つの負荷パラメータ値のセットを含み得る。予測負荷パラメータ値の未来時間は、また、予測の少なくとも１時間後であり得る。

【0052】

いくつかの例では、少なくとも１つの機械学習モデルは、複数の負荷パラメータ値のみに基づいて、未来時間の電気機器の負荷パラメータ値を予測する。例えば、上述したように、機械学習モデルは、比較的小さな過去の負荷データのセットを使用して、追加の入力なしで未来の負荷を正確に予測することができる。いくつかの例では、機械学習モデルはまた、過負荷状態を見越して冷却動作を実行するなど、電気機器に対する既知の変化を考慮に入れることができる。例えば、少なくとも１つの機械学習モデルは、複数の負荷パラメータ値と電気機器に関連する少なくとも１つの温度パラメータとに基づいて、未来時間の電気機器の負荷パラメータ値を予測する。

【0053】

したがって、少なくとも１つの機械学習モデルは、予測のために実際に測定された負荷値、温度値などを含むことができる負荷パラメータ値のデータストリーム値で訓練される。少なくとも１つの機械学習モデルは、例えば、電気機器に接続されたセンサからデータストリーム値を受信しており、かつ電気機器に関連する少なくとも１つの動作を実行するために他のデバイスを制御または調整することができる、電気機器に関連するコントローラまたはリレーなどのデバイス内に含まれることができ、あるいは電力システムを管理するために使用される変電所または配電管理システムに配置された中央監視システムに含まれることができる。例えば、未来の負荷パラメータ値の予測に基づいて、および未来時間の過負荷状態を決定するために実行される処理に基づいて、デバイス（例えば、コントローラ／リレー）は、未来の過負荷状態を予測して冷却動作を実行／調整することができる。

【0054】

図８は、例えば、図３の動作３００および／または図６の動作６００などの本明細書に開示された動作を実行するように構成された変圧器負荷予測システム８００のブロック図である。図８の実施形態では、負荷予測システム８００の変圧器監視システム３０は、１つまたは複数の変圧器１０Ａ、１０Ｂを監視することができる。いくつかの実施形態では、変圧器監視システム３０は、監視および負荷予測のためのデバイスとして設けられる変圧器１０Ａ内に統合され、変圧器１０Ａのみを監視することを可能にすることができ、他の実施形態では、変圧器監視システム３０は、変圧器１０Ａを監視し、かつ任意選択的に、隣接する１つまたは複数の電気機器（例えば、変圧器１０Ｂまたは別の変圧器または変流器または回路遮断器）または接続された伝送／配電線からのデータを監視または受信するために、変圧器１０Ａと統合することができる。さらに別の実施形態では、変圧器監視システム３０は、監視されている変圧器１０Ａ、１０Ｂとは別個である。

【0055】

変圧器監視システム３０は、プロセッサ回路３４と、プロセッサ回路に結合された通信インターフェース３２と、プロセッサ回路３４に結合されたメモリ３６とを含む。メモリ３６は、プロセッサ回路３４によって実行されると、例えば、図６に関して上述したような動作６００などの、本明細書に図示および説明された動作のいくつかをプロセッサ回路３４に実行させる、機械可読コンピュータプログラム命令を含む。

【0056】

図示のように、負荷予測システム８００は、有線または無線通信チャネル１４を介して他のデバイス、例えば変圧器１０Ａ、１０Ｂ内のセンサ２０との通信を提供するように構成された通信インターフェース３２（ネットワークインターフェースとも呼ばれる）を含む。変圧器監視システム３０は、変圧器１０Ａ、１０Ｂの物理的パラメータ、例えば、変圧器１０Ａ、１０Ｂに関連する電圧、電流、油温、周囲温度などを示す信号をセンサ２０から受信することができる。いくつかの実施形態の１つの利点は、機械学習アルゴリズムが正確な負荷予測（ｆｏｒｅｃａｓｔｉｎｇ）および予測（ｐｒｅｄｉｃｔｉｏｎ）を行うために必要なデータおよび／またはパラメータがより少ないため、変圧器監視システム３０がリソース制約のあるデバイスであり得ることである。

【0057】

この例では、変圧器監視システム３０は、例えば、サーバクライアントモデル、クラウドベースのプラットフォーム、変電所で使用される変電所自動化システム、電力システム管理に使用される配電管理システム、または他のネットワーク構成において、通信チャネル１４を介して変圧器１０Ａ、１０Ｂ回路と通信する別個の監視デバイスとして示されている。クライアントサーバ構成の１つの利点は、変圧器１０Ａ、１０Ｂなどの複数の個々の機器の負荷予測および過負荷容量計算に基づいて、電力システムおよび／または変電所の負荷の全体的な最適化を達成することができることである。例えば、電力システムにおける負荷管理は、異なる電気機器の予測負荷耐量に基づいて、異なる電気機器にわたって負荷を再分配することを含むことができる。しかしながら、他の実施形態では、変圧器監視システム３０は、所望に応じて変圧器１０Ａ、１０Ｂまたは他の電気機器の一部であってもよいことも理解されたい。クライアントサーバモデルでも動作し得、クライアントは測定を行う電気機器に関連付けられ、サーバは機械学習アルゴリズムを実行し、過負荷耐量を計算してもよいことも理解されたい。

【0058】

サーバクライアントモデルの別の実施形態では、変圧器監視システムは、監視されている変圧器に関連するデバイス（例えば、クライアント）を有することができ、デバイスは、負荷予測のための機械学習モデルを備え、中央システム（例えば、サーバ）は、複数の電気機器／変圧器を監視するように構成される。サーバはまた、変圧器に関連するデバイスに含まれる機械学習モデルのインスタンスを含むことができる。サーバ内の機械学習モデルは、変圧器または／および複数の電気機器から受信したデータを用いて負荷予測のために連続的に訓練することができ、サーバは、サーバ内の連続学習機械学習モデルから導出されたデバイス内の機械学習モデルを調整／適合させるための情報／データ（例えば、モデル係数）を提供する。サーバはまた、変圧器内の状態を予測／シミュレートし（例えば、変圧器に接続されたデバイスまたはセンサによって利用可能にされた電気／熱負荷情報に基づくホットスポット決定）、そのような決定に関する情報を変圧器に接続されたデバイス（例えば、クライアント）に提供して、デバイスによって変圧器（または他の電気機器）に関連する少なくとも１つのパラメータ（例えば、冷却）を変更するために、シミュレーションまたは高度な処理を実行することができる。様々な実施形態によれば、変圧器監視システム３０は、負荷パラメータ値を予測し、変圧器に関連する少なくとも１つの活動を実行するための電子、コンピューティング、および通信ハードウェアおよびソフトウェアを含むことができる。

【0059】

変圧器監視システム３０はまた、プロセッサ回路３４（プロセッサとも呼ばれる）と、プロセッサ回路３４に結合されたメモリ回路３６（メモリとも呼ばれる）とを含む。他の実施形態によれば、プロセッサ回路３４は、別個のメモリ回路が必要とされないようにメモリを含むように定義されてもよい。

【0060】

本明細書で説明するように、変圧器監視システム３０および負荷予測システム８００の他の態様の動作は、プロセッサ回路３４および／または通信インターフェース３２によって実行することができる。例えば、プロセッサ回路３４は、通信インターフェース３２を介して通信を１つもしくは複数の他のデバイスに送信し、かつ／またはネットワークインターフェースを介して通信を１つもしくは複数の他のデバイスから受信するように、通信インターフェース３２を制御することができる。さらに、モジュールはメモリ３６に記憶されてもよく、これらのモジュールは、モジュールの命令がプロセッサ回路３４によって実行されると、プロセッサ回路３４がそれぞれの動作（例えば、例示的な実施形態に関して本明細書で説明される動作）を実行するように命令を提供してもよい。例えば、モジュールは、必要に応じて、障害検出を管理し、異なるノードの更新された確率を生成し、顧客または他のユーザによって障害ツリー構造を管理、構成および／または変更するためのインターフェース（例えば、アプリケーションプログラミングインターフェース（ＡＰＩ））を提供するなどのためにさらに構成されてもよい。

【0061】

例えば高電圧変圧器であってもよい変圧器１０Ａ、１０Ｂは、動作負荷、周囲温度、水分および／または酸素含有量などの変圧器１０Ａ、１０Ｂに関連する様々な量を測定するセンサ２０を含み、通信チャネル１４を介して変圧器監視システム３０に測定値を送信する。変圧器１０Ａ、１０Ｂはまた、電力線２６（例えば、架空送電線）に結合された能動部２２、冷却システム２４（例えば、変圧器またはリアクトル用）などのサブシステムを含むことができ、これらは、例えば、プロセッサ回路３４からの命令によって、またはそれに応じて動作することができる。いくつかの例では、同様の監視システムを電力線２６または負荷予測システム８００の他の構成要素に関連付けることができる。この例および他の例では、説明を簡単にするために実施形態が変圧器の文脈で説明されているが、負荷状態にさらされるリアクタ、伝送線路、機器変圧器、発電機などの多くの他の種類の電気機器が本明細書に記載の実施形態から利益を得ることができ、そのような電気機器もすべて本開示の範囲内にあると考えられるべきであることを理解されたい。

【0062】

これらの測定量は、変圧器監視システム３０によって使用されて、変圧器１０Ａ、１０Ｂの様々な構成要素またはサブシステムにおける障害の存在、および／または変圧器１０Ａ、１０Ｂの一般的な障害状態を検出および／または判定することができる。通信チャネル１４は、有線または無線リンクを含むことができ、いくつかの実施形態では、無線ローカルエリアネットワーク（ＷＬＡＮ）または４Ｇもしくは５Ｇ通信ネットワークなどのセルラー通信ネットワークを含むことができる。

【0063】

負荷予測システム８００は、変圧器１０Ａ、１０Ｂから動作負荷、温度、水分、酸素含有量などのオンラインまたはオフライン測定値を受信し、測定値を処理して障害の存在を検出および／または判定することができる。負荷予測システム８００は、サーバ、サーバクラスタ、クラウドベースのリモートサーバシステム、および／またはスタンドアロンデバイスに実装することができる。センサデータは、負荷予測システム８００によって、１つの変圧器および／または複数の変圧器から取得することができる。

【0064】

本明細書に記載の負荷予測システム７００は、多くの異なる方法で実装することができる。例えば、いくつかの実施形態による変圧器監視システム３０は、オンライン／オフラインデータを受信することができ、受信されたデータは、様々な実施形態で説明される推定／シミュレーションのために考慮することができる異なるパターンを識別するために学習および分類のためにデバイスに構成された機械学習技術によって使用される。デバイスは、測定データを受信するために、１つまたは複数の変圧器１０に接続可能であってもよい。

【0065】

本発明の概念の様々な実施形態の上記の説明において、本明細書で使用される用語は、特定の実施形態のみを説明するためのものであり、本発明の概念を限定することを意図するものではないことを理解されたい。別段の定義がない限り、本明細書で使用されるすべての用語（技術用語および科学用語を含む）は、本発明の概念が属する技術分野の当業者によって一般に理解されるのと同じ意味を有する。一般的に使用される辞書で定義されているものなどの用語は、本明細書および関連技術の文脈におけるそれらの意味と一致する意味を有すると解釈されるべきであることがさらに理解されよう。

【0066】

ある要素が別の要素に「接続」、「結合」、「応答性」、またはその変形と呼ばれる場合、それは他の要素に直接接続、結合、または応答することができ、または介在要素が存在してもよい。対照的に、ある要素が別の要素に対して「直接接続」、「直接結合」、「直接応答」、またはそれらの変形であると言及される場合、介在する要素は存在しない。同様の番号は、全体を通して同様の要素を指す。さらに、本明細書で使用される「結合」、「接続」、「応答性」、またはそれらの変形は、無線で結合、接続、または応答することを含むことができる。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が明らかにそうでないことを示さない限り、複数形も含むことが意図される。周知の機能または構成は、簡潔さおよび／または明瞭さのために詳細に説明されない場合がある。「および／または」という用語は、関連する列挙された項目のうちの１つまたは複数のありとあらゆる組み合わせを含む。「ＡおよびＢの少なくとも一方」という語句は、「ＡまたはＢ」または「ＡおよびＢ」を意味する。

【0067】

本明細書では、第１、第２、第３などの用語を使用して様々な要素／動作を説明することができるが、これらの要素／動作はこれらの用語によって限定されるべきではないことが理解されよう。これらの用語は、１つの要素／動作を別の要素／動作と区別するためにのみ使用される。したがって、いくつかの実施形態における第１の要素／動作は、本発明の概念の教示から逸脱することなく、他の実施形態における第２の要素／動作と呼ぶことができる。同じ参照番号または同じ参照符号は、本明細書全体を通して同じまたは類似の要素を示す。

【0068】

本明細書で使用される場合、「備える（ｃｏｍｐｒｉｓｅ）」、「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「備える（ｃｏｍｐｒｉｓｅｓ）」、「含む（ｉｎｃｌｕｄｅ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「含む（ｉｎｃｌｕｄｅｓ）」、「有する（ｈａｖｅ）」、「有する（ｈａｓ）」、「有する（ｈａｖｉｎｇ）」という用語、またはそれらの変形はオープンエンドであり、１つまたは複数の述べられた特徴、整数、要素、ステップ、構成要素、または機能を含むが、１つまたは複数の他の特徴、整数、要素、ステップ、構成要素、機能、またはそれらのグループの存在または追加を排除するものではない。

【0069】

例示的な実施形態は、本明細書では、コンピュータ実装方法、装置（システムおよび／またはデバイス）および／またはコンピュータプログラム製品のブロック図および／またはフローチャート図を参照して説明される。ブロック図および／またはフローチャート図のブロック、ならびにブロック図および／またはフローチャート図のブロックの組み合わせは、１つまたは複数のコンピュータ回路によって実行されるコンピュータプログラム命令によって実施することができることを理解されたい。これらのコンピュータプログラム命令は、コンピュータおよび／または他のプログラマブルデータ処理装置のプロセッサを介して実行される命令が、ブロック図および／またはフローチャートブロックまたは複数のブロックで指定された機能／動作を実施するために、トランジスタ、メモリ位置に格納された値、およびそのような回路内の他のハードウェア構成要素を変換および制御し、それによってブロック図および／またはフローチャートブロックで指定された機能／動作を実施するための手段（機能）および／または構造を作成するように、機械を製造するために汎用コンピュータ回路、専用コンピュータ回路、および／または他のプログラマブルデータ処理回路のプロセッサ回路に提供され得る。

【0070】

これらのコンピュータプログラム命令はまた、コンピュータまたは他のプログラム可能なデータ処理装置に特定の方法で機能するように指示することができる有形のコンピュータ可読媒体に記憶されてもよく、コンピュータ可読媒体に記憶された命令は、ブロック図および／またはフローチャートブロックまたは複数のブロックで指定された機能／動作を実施する命令を含む製品を製造する。したがって、本発明の概念の実施形態は、集合的に「回路」、「モジュール」またはその変形形態と呼ばれる場合があるデジタル信号プロセッサなどのプロセッサ上で実行されるハードウェアおよび／またはソフトウェア（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）で実施することができる。

【0071】

いくつかの代替の実装形態では、ブロックに記載された機能／動作は、フローチャートに記載された順序とは異なる順序で行われてもよいことにも留意されたい。例えば、連続して示されている２つのブロックは、実際には、実質的に同時に実行されてもよく、またはブロックは、関連する機能／動作に応じて、時には逆の順序で実行されてもよい。さらに、フローチャートおよび／またはブロック図の所与のブロックの機能は、複数のブロックに分離されてもよく、および／またはフローチャートおよび／またはブロック図の２つ以上のブロックの機能は、少なくとも部分的に統合されてもよい。最後に、本発明の概念の範囲から逸脱することなく、図示されているブロック間に他のブロックを追加／挿入することができ、および／またはブロック／動作を省略することができる。さらに、図のいくつかは、通信の主な方向を示すために通信経路上に矢印を含むが、通信は、描かれた矢印とは反対の方向に発生し得ることを理解されたい。

【0072】

本発明の概念の原理から実質的に逸脱することなく、実施形態に対して多くの変形および修正を行うことができる。そのような変形および修正はすべて、本発明の概念の範囲内に含まれることが意図されている。したがって、上記で開示された主題は、限定ではなく例示と見なされるべきであり、実施形態の例は、本発明の概念の精神および範囲内に入るすべてのそのような修正、強化、および他の実施形態を網羅することを意図している。したがって、法律で認められる最大限の範囲で、本発明の概念の範囲は、実施形態およびそれらの均等物の例を含む本開示の最も広い許容可能な解釈によって決定されるべきであり、前述の詳細な説明によって制限または限定されるべきではない。

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5A】

【図5B】

【図5C】

【図6】

【図7】

【図8】

【国際調査報告】