特表 2024-523933 サービスロケーションの異常

(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】2024-07-02

(54)【発明の名称】サービスロケーションの異常

(51)【国際特許分類】

   H02J 13/00 20060101AFI20240625BHJP

【ＦＩ】

H02J13/00 301D

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023579687

(86)(22)【出願日】2022-06-06

(85)【翻訳文提出日】2024-01-17

(86)【国際出願番号】 US2022032344

(87)【国際公開番号】W WO2023278102

(87)【国際公開日】2023-01-05

(31)【優先権主張番号】63/216,375

(32)【優先日】2021-06-29

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】17/732,788

(32)【優先日】2022-04-29

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＪＡＶＡ

(71)【出願人】

【識別番号】523325484

【氏名又は名称】ランディス・ギア・テクノロジー・インコーポレイテッド

【氏名又は名称原語表記】ＬＡＮＤＩＳ＋ＧＹＲ ＴＥＣＨＮＯＬＯＧＹ， ＩＮＣ．

(74)【代理人】

【識別番号】100145403

【弁理士】

【氏名又は名称】山尾 憲人

(74)【代理人】

【識別番号】100135703

【弁理士】

【氏名又は名称】岡部 英隆

(72)【発明者】

【氏名】ガルザ，カルロス イガ

【テーマコード（参考）】

5G064

【Ｆターム（参考）】

5G064AC09

5G064BA02

5G064BA09

5G064CB16

5G064DA03

(57)【要約】

開示された技術には、配電システムの電気的異常を検出するために機械学習を使用することが含まれる。一例として、方法は、電気メータ装置で測定された電圧測定値にアクセスすることを含む。本方法はさらに、電圧測定値から、時間窓のセットの各時間窓について、対応する平均電圧と対応する最小電圧を計算することを含む。この方法はさらに、平均電圧と最小電圧に機械学習モデルを適用することを含む。機械学習モデルは、電圧から１つ又は複数の所定の電気的異常を識別するように学習される。本方法はさらに、機械学習モデルから、識別された異常を示す分類を受信することを含む。本方法はさらに、分類に基づいて、ユーティリティ事業者に警報を送信することを含む。

【特許請求の範囲】

【請求項1】

配電システムの電気的異常を検出するために機械学習を使用する方法であって、
前記方法は、
電気メータ装置で測定された第１の複数の電圧測定値にアクセスすることと、
前記第１の複数の電圧測定値から、第１の複数の時間窓のそれぞれについて、第１の対応する平均電圧と第１の対応する最小電圧を計算することと、
機械学習モデルを第１の平均電圧と第１の最小電圧に適用することであって、前記機械学習モデルは、電圧測定値から、電気的異常に対応する第１の電圧シグネチャを識別するように学習されることと、
前記機械学習モデルから、第１の接触不良接続を示す第１の分類を受信することと、
前記第１の分類に基づいて、ユーティリティ事業者に第１の警報を送信することと、
第２の複数の電圧測定値から、第２の複数の時間窓のそれぞれについて、第２の対応する平均電圧と第２の対応する最小電圧を計算することであって、前記第２の複数の時間窓は、第１の複数の時間窓の前に発生し、前記第２の複数の時間窓は、第１の複数の時間窓の前に発生することと、
前記機械学習モデルを、第１の平均電圧、第１の最小電圧、第１の電圧シグネチャ、第２の平均電圧、及び第２の最小電圧に適用することと、
前記機械学習モデルから、第２の接触不良接続を示す第２の電圧シグネチャを識別する第２の分類を受信することと、
前記第２の分類に基づいて、ユーティリティ事業者に第２の警報を送信することとを含む、方法。

【請求項2】

前記第２の複数の電圧測定値は、追加の電気メータ装置で測定される、
請求項１に記載の方法。

【請求項3】

前記第１の電圧シグネチャは、一定期間にわたる最小電圧の第１の減少と、前記一定期間にわたる平均電圧の第２の減少とを含み、
前記第２の減少は第１の減少より小さい、
請求項１に記載の方法。

【請求項4】

前記第２の複数の電圧測定値は、電気メータ装置で測定される、
請求項１に記載の方法。

【請求項5】

前記機械学習モデルを、前記電気メータ装置と、配電線を介して前記電気メータ装置に電気的に接続されている１つ又は複数の配電変圧器とを関連付けるトポロジー情報に適用することをさらに含む、
請求項１に記載の方法。

【請求項6】

前記第１の複数の電圧測定値にアクセスすることは、前記電気メータ装置に要求を送信することと、前記電気メータ装置から前記第１の複数の電圧測定値を受信することとを含む、
請求項１に記載の方法。

【請求項7】

前記方法は、
学習データ対のセットにアクセスすることによって機械学習モデルを学習することであって、前記各学習データ対は、
（ｉ）平均電圧の学習セットと最小電圧のセット、
（ｉｉ）配電変圧器に接続されたすべての電気メータ装置の平均電圧の学習セット、又は、
（ｉｉｉ）配電変圧器の後ろにある１つの電気メータ装置の平均電圧の学習セットと、１つ又は複数の電気的異常を示す予想される分類、
のうちの１つ又は複数を含むことと、
前記機械学習モデルに、学習データ対のセットのうちの１つの学習データ対を提供することと、
前記機械学習モデルから、決定された分類を受信することと、
決定された分類と期待される分類を比較して損失関数を計算することと、
前記機械学習モデルの内部パラメータを調整し、損失関数を最小化することと、
をさらに含む、
請求項１に記載の方法。

【請求項8】

前記学習データ対のセットは、１つ又は複数の配電変圧器と１つ又は複数のメータ装置とを関連付けるトポロジー情報をさらに含む、
請求項７に記載の方法。

【請求項9】

コンピュータ実行可能なプログラム命令を記憶した非一時的なコンピュータ可読記憶媒体であって、処理装置によって実行されるとき、コンピュータ実行可能プログラム命令は、前記処理装置に対して所定の動作を実行させ、
前記動作は、
電気メータ装置で測定された第１の複数の電圧測定値にアクセスすることと、
前記第１の複数の電圧測定値から、第１の複数の時間窓のそれぞれについて、第１の対応する平均電圧と第１の対応する最小電圧を計算することと、
機械学習モデルを第１の平均電圧と第１の最小電圧に適用することであって、前記機械学習モデルは、電圧測定値から、電気的異常に対応する第１の電圧シグネチャを識別するように学習されることと、
前記機械学習モデルから、第１の異常を示す第１の分類を受信することと、
前記第１の分類に基づいて、ユーティリティ事業者に第１の警報を送信することと、
第２の複数の電圧測定値から、第２の複数の時間窓のそれぞれについて、第２の対応する平均電圧と第２の対応する最小電圧を計算することであって、前記第２の複数の時間窓は、第１の複数の時間窓の前に発生することと、
前記機械学習モデルを第１の平均電圧、第１の最小電圧、第２の平均電圧、及び第２の最小電圧に適用することと、
前記機械学習モデルから、第２の異常を示す第２の電圧シグネチャを識別する第２の分類を受信することと、
前記第２の分類に基づいて、ユーティリティ事業者に第２の警報を送信することと、
を含む、非一時的なコンピュータ可読記憶媒体。

【請求項10】

前記第１の異常及び前記第２の異常のうちの１つ又は複数は、電気メータ装置に関連する接触不良に関連する、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項11】

前記第１の異常及び前記第２の異常のうちの１つ又は複数は、前記一定期間にわたる最小電圧の第１の減少及びその期間にわたる平均電圧の第２の減少によって表され、
前記第２の減少は前記第１の減少より小さい、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項12】

前記第１の異常及び前記第２の異常のうちの１つ又は複数は、第１の最小電圧の１つ又は複数のピーク又はバレーと第１の平均電圧の１つ又は複数のピーク又はバレーとの間の１つ又は複数の相関によって表される、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項13】

前記処理装置によって実行される場合、コンピュータが実行可能なプログラム命令は、処理装置に、配電線を介して前記電気メータ装置に電気的に接続されている１つ又は複数の配電変圧器と電気メータ装置を関連付けるトポロジー情報に機械学習モデルを適用させる、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項14】

前記第１の複数の電圧測定値にアクセスすることは、前記電気メータ装置に要求を送信することと、前記電気メータ装置から複数の電圧測定値を受信することとを含む、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項15】

前記処理装置によって実行されるとき、コンピュータ実行可能プログラム命令は、前記処理装置に、以下の方法によって機械学習モデルを学習させ、前記方法は、
学習データ対のセットにアクセスすることであって、前記各学習データ対は、
（ｉ）平均電圧のセットと最小電圧のセットと、
（ｉｉ）配電変圧器に接続された複数の電気メータ装置の平均電圧のセットと、
（ｉｉｉ）配電変圧器の背後にある１つの電気メータ装置の平均電圧のセットと、１つ又は複数の電気的異常を示す予想される分類と、
のうちの１つ又は複数を含むことと、
前記機械学習モデルに学習データ対のセットを提供することと、
前記機械学習モデルから、決定された分類を受信することと、
決定された分類と期待される分類を比較して損失関数を計算することと、
前記機械学習モデルの内部パラメータを調整し、損失関数を最小化することと、
を含む、
請求項９に記載の非一時的なコンピュータ可読記憶媒体。

【請求項16】

リソース分配システムにおける電気的異常を検出するためのシステムであって、
前記システムは、
計算装置と機械学習モデルを含むヘッドエンドシステムと、
複数の電気メータ装置とを備え、
前記各電気メータ装置はセンサを備え、
前記各電気メータ装置は、前記各電気メータ装置の上流にある配電変圧器に電気的に接続され、
前記各電気メータ装置は、
前記電気メータ装置のそれぞれのセンサから、それぞれの複数の電圧測定値を取得し、
それぞれの複数の電圧測定値をヘッドエンドシステムに提供するように構成され、
前記ヘッドエンドシステムは、機械学習モデルを含み、
前記複数の電気メータ装置のうちの第１の電気メータ装置で測定された第１の複数の電圧測定値にアクセスし、
前記第１の複数の電圧測定値から、第１の複数の時間窓のそれぞれについて、第１の対応する平均電圧と第１の対応する最小電圧を計算し、
前記機械学習モデルを第１の平均電圧と第１の最小電圧に適用するように構成され、前記機械学習モデルは、電圧測定値から、電気的異常に対応する第１の電圧シグネチャを識別するように学習され、
前記ヘッドエンドシステムは、
前記機械学習モデルから、第１の接触不良接続を示す第１の分類を受信し、
前記第１の分類に基づいて、ユーティリティ事業者に第１の警報を送信するように構成され、前記第１の警報は、第１の電気メータ装置を識別し、
前記ヘッドエンドシステムは、
前記複数の電気メータ装置のうちの第２の電気メータ装置で測定された第２の複数の電圧測定値にアクセスし、
前記第２の複数の電圧測定値から、第２の複数の時間窓のそれぞれについて、第２の対応する平均電圧と第２の対応する最小電圧を計算するように構成され、前記第２の複数の時間窓は、第１の複数の時間窓の前に発生し、
前記ヘッドエンドシステムは、
前記機械学習モデルを第１の平均電圧、第１の最小電圧、第２の平均電圧、第２の最小電圧に適用し、
前記機械学習モデルから、第２の接触不良接続を示す第２の電圧シグネチャを識別する第２の分類を受信し、
前記第２の分類に基づいて、ユーティリティ事業者に第２の警報を送信するように構成され、前記警報は、第２の電気メータ装置を識別する、
システム。

【請求項17】

前記ヘッドエンドシステムは、少なくとも１つの電気メータ装置からの複数の電圧測定値を機械学習モデルに学習させるようにさらに構成される、
請求項１６に記載のシステム。

【請求項18】

前記ヘッドエンドシステムはさらに、機械学習モデルに、複数の電気メータ装置と、配電線を介して複数の電気メータ装置の上流に電気的に接続されている１つ又は複数の配電変圧器とを関連付けるトポロジー情報を適用するように構成され、
第１の異常は、前記複数の電気メータの平均電圧と、前記複数の電気メータのうちの１つの電気メータの日平均電圧との差がしきい値以上である、
請求項１６に記載のシステム。

【請求項19】

前記第１の電圧シグネチャは、一定期間にわたる最低電圧の第１の減少と、一定期間にわたる平均電圧の第２の減少とを含み、
前記第２の減少は前記第１の減少より小さい、
請求項１６に記載のシステム。

【請求項20】

前記複数の電圧測定値を受信することは、それぞれの電気メータ装置に要求を送信することと、それぞれの電気メータ装置から複数の電圧測定値を受信することとを含む、
請求項１６に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

この出願は、配電システムの異常を検出するための機械学習に関する。

【0002】

関連出願の相互参照
本出願は、２０２１年６月２９日出願の米国仮出願第６３／２１６，３７５号及び２０２２年４月２９日出願の米国特許出願第１７／７３２，７８８号の利益を主張するものであり、両出願は参照によりその全体が組み込まれる。

【背景技術】

【0003】

電力は配電システムを通じて消費者に供給される。配電システムは複雑であり、電力が利用可能であることは顧客にとって重要である。そのため、配電システムの異常は、修理せずに放置しておくと、ダウンタイムを増やし、部品を摩耗させ、サービスコストを高騰させる可能性がある。

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、異常を検出するために配電システムに追加の機器を追加することは、高価になりかねません。そのため、電力メータのような既存のコンポーネントを使用して配電システムの異常を検出することが望まれている。

【課題を解決するための手段】

【0005】

開示された技術には、配電システムの電気的異常を検出するために機械学習を使用することが含まれる。一例として、ある方法は、電気メータ装置で測定された電圧測定値にアクセスすることを含む。本方法はさらに、電圧測定値から、時間窓のセットの各時間窓について、対応する平均電圧及び対応する最小電圧を計算することを含む。本方法はさらに、平均電圧と最小電圧に機械学習モデルを適用することを含む。機械学習モデルは、電圧から１つ又は複数の所定の電気的異常を識別するように学習される。本方法はさらに、機械学習モデルから、識別された異常を示す分類を受信することを含む。本方法はさらに、分類に基づいて、ユーティリティ事業者に警報を送信することを含む。

【0006】

別の実施形態では、リソース分配システムの異常を検出するシステムは、ヘッドエンドシステムと電気メータ装置を含む。ヘッドエンドシステムは、計算装置と機械学習モデルを含む。各電気メータ装置はセンサを含む。各電気メータ装置は、それぞれの電気メータ装置の上流にある配電変圧器に電気的に接続されている。各電気メータ装置は、電気メータ装置のそれぞれのセンサからそれぞれの電圧測定値を取得するように構成される。各電気メータ装置は、それぞれの電圧測定値のセットをヘッドエンドシステムに提供するように構成される。ヘッドエンドシステムは、機械学習モデルを含む。ヘッドエンドシステムは、電気メータ装置のそれぞれから、電圧測定値のそれぞれのセットを取得するように構成される。ヘッドエンドシステムはさらに、第１の電気メータ装置で測定された電圧測定値の第１のセットにアクセスするように構成される。ヘッドエンドシステムはさらに、第１の電圧測定値セットから、第１の時間窓の各々について、第１の対応する平均電圧及び第１の対応する最小電圧を計算するように構成される。ヘッドエンドシステムはさらに、機械学習モデルを第１の平均電圧及び第１の最小電圧に適用するように構成される。機械学習モデルは、電圧測定値から、電気的異常に対応する第１の電圧シグネチャを識別するように学習される。ヘッドエンドシステムは、機械学習モデルから、第１の接触不良接続を示す第１の分類を受信するようにさらに構成される。ヘッドエンドシステムは、第１の分類に基づいて、電力会社オペレータに第１の警報を送信するようにさらに構成され得る。第１の警報は、第１の電気メータ装置を特定する。ヘッドエンドシステムは、第２の電気メータ装置で測定された電圧測定値の第２のセットにアクセスするようにさらに構成される。ヘッドエンドシステムはさらに、第２の電圧測定値セットから、第２の時間窓の各々について、第２の対応する平均電圧及び第２の対応する最小電圧を計算するように構成される。第２の時間窓のセットは、第１の複数の時間窓の前に発生し得る。ヘッドエンドシステムは、機械学習モデルを第１の平均電圧、第１の最小電圧、第２の平均電圧、及び第２の最小電圧に適用するようにさらに構成される。ヘッドエンドシステムは、機械学習モデルから、第２の接触不良接続を示す第２の電圧シグネチャを識別する第２の分類を受信するようにさらに構成される。ヘッドエンドシステムはさらに、第２の分類に基づいて、ユーティリティ事業者に第２の警報を送信するように構成される。第２の警報は、第２の電気メータ装置を特定する。

【0007】

別の実施形態では、方法は、電気メータ装置で測定された電圧測定値の第１のセットにアクセスすることを含む。本方法はさらに、第１の電圧測定値セットから、第１の時間窓の各々について、第１の対応する平均電圧及び第１の対応する最小電圧を計算することを含む。本方法はさらに、機械学習モデルを第１の平均電圧及び第１の最小電圧に適用することを含む。機械学習モデルは、電圧測定値から、電気的異常に対応する第１の電圧シグネチャを識別するように学習される。本方法はさらに、機械学習モデルから、第１の接触不良接続を示す第１の分類を受信することを含む。本方法はさらに、第１の分類に基づいて、ユーティリティ事業者に第１の警報を送信することを含む。本方法はさらに、第２の電圧測定値のセットから、第２の時間窓のセットの各々について、第２の対応する平均電圧及び第２の対応する最小電圧を計算することを含む。第２の時間窓のセットは、第１の複数の時間窓の前に発生し得る。本方法は、機械学習モデルを第１の平均電圧、第１の最小電圧、第２の平均電圧、及び第２の最小電圧に適用することをさらに含む。本方法はさらに、機械学習モデルから、第２の接触不良接続を示す第２の電圧シグネチャを識別する第２の分類を受信することを含む。本方法はさらに、第２の分類に基づいて、ユーティリティ事業者に第２の警報を送信することを含む。

【0008】

これらの例示的な実施形態は、本開示を限定又は定義するために記載されたものではなく、本開示の理解を助けるための例を提供するために記載されたものである。追加の実施形態及びさらなる説明は、「詳細な説明」に記載されている。

【0009】

本開示のこれら及び他の特徴、態様、及び利点は、以下の詳細な説明については、添付図面を参照しながら読むとよりよく理解される。

【図面の簡単な説明】

【0010】

【図1】本開示の一態様に係る、配電システムの例示的な通信ネットワークトポロジーを示す。

【図2】本開示の一態様に係る例示的な配電網を示す。

【図3】本開示の一態様に係る、機械学習モデルを使用して異常を検出するための例示的なプロセスのフローチャートを示す。

【図4】本開示の一態様に係る、メータ装置から得られた統計的電圧データを計算する様子を示す。

【図5】本開示の一態様に係る、機械学習モデルを使用して異常を検出するための例示的なプロセスのフローチャートを示す。

【図6】本開示の態様に係る、異常を検出するために教師あり学習を使用して機械学習モデルを学習するための例示的なプロセスのフローチャートを示す。

【図7】本開示の一態様に係る、接触不良接続に関連する電圧測定値を示すグラフである。

【図8】本開示の一態様に係る、季節的過負荷に関連する電圧測定値を示すグラフである。

【図9】本開示に係る、長い二次側線路による過剰電圧降下に関連する電圧測定値を示すグラフである。

【図10】本開示の一態様に係る、例示的な計算装置を示す。

【発明を実施するための形態】

【0011】

詳細な説明
本発明の態様は、エンドユーザ宅に設置されたメータ装置（メータ）によって得られた電圧測定値における電圧パターン（シグネチャ）を学習識別することによって、電気システムにおける電気的異常を検出するために機械学習を使用することに関する。異常には、エンドユーザ宅のメータとメータソケット間の接続の接触不良、季節的な過負荷（例えば、季節的にのみ発生する過負荷）、長い二次線（例えば、配電変圧器からエンドユーザ宅への接続）が含まれるが、これらに限定されない。これらの異常はそれぞれ、エンドユーザ宅内で識別可能な電圧シグネチャをもたらす可能性がある。

【0012】

従って、特定の態様の利点には、電気的異常の早期識別が含まれ、故障回避、システム効率の改善、及びシステム平均中断頻度指数（ＳＡＩＦＩ）又はシステム平均中断時間指数（ＳＡＩＤＩ）スコアの改善という形でのシステム信頼性の改善に役立つ。例えば、一旦異常が特定されれば、異常の原因を解決し、計画外の停電を回避するための行動をプロアクティブに取ることができ、その結果、このような利点がもたらされる。

【0013】

加えて、又は代替的に、電気的異常を特定した後、開示されたシステムは、１つ又は複数のメータからの計測データを遡及的に分析し、異常を示す追加のパターンを決定することができる。異常を特定する電圧シグネチャに気づいていない学習されていない機械学習モデルは、そのようなパターンを特定できないかもしれないが、電圧シグネチャに気づいている機械学習モデルは、そのような電圧シグネチャを特定するように学習することができる。この点で、開示されたソリューションは、電気的問題の発生をより早く警報することができる。例えば、接触不良に一致する電圧シグネチャを特定する能力を備えた学習された機械学習モデルは、接触不良が深刻な問題になる数カ月から数年前に、対応する電気メータのデータからパターンを特定することができる。

【0014】

以下の非限定的な例は、説明のために提供される。電圧測定は、特定の頻度（例えば、１５分ごと）で、メータ装置により収集される。適切なメータ装置の例は、スマートメータ又は高度計測インフラ（ＡＭＩ）メータである。メータ装置は、消費電力などのメータデータとともに、あるいはそれとは別に、通信ネットワークを介して電圧データをヘッドエンドシステムに送信する。

【0015】

この例を続けると、ヘッドエンドシステムはメータ装置から電圧測定値を受け取り、電圧測定値から統計データを導出する。例えば、１日の平均電圧や１日の最低電圧などの統計データは、一定期間（例えば１ヶ月）にわたって計算される。この統計データは機械学習モデルに提供される。電圧データ及び／又は派生統計から、接触不良や季節的な過負荷などの１つ又は複数の異常を検出するように事前に学習された機械学習モデルが、異常の存在を判定する。

【0016】

次に図面に目を向けると、図１は、実施形態による配電システムの例示的な通信ネットワークトポロジーを示す。図１には、ヘッドエンドシステム１００、ネットワーク接続１０８、収集装置１１０、ネットワーク接続１１２、１１４、１１６、１１８、メータ装置１２２、１２４、１２６、１２８、エンドユーザ構内１３２、１３４、１３６、１３８が含まれる。図１に示す通信ネットワークトポロジーは、通信ネットワークにおいて様々な装置がどのように相互接続されているかの一例を示す。通信ネットワークのトポロジーは、図２に図示されているような電力の分配方法とは異なる。

【0017】

図１に図示された例では、メータ装置１２２、１２４、１２６、１２８の１つ又は複数が、電圧測定、電流測定、位相測定、実消費電力（ワット時）、実電力（ワット）などの１つ又は複数のパラメータを測定する。そして、ネットワーク接続１１２、１１４、１１６、１１８を介して収集装置１１０にパラメータを提供する。次に、収集装置１１０は、計測データをヘッドエンドシステム１００に提供する。次に、ヘッドエンドシステム１００は、機械学習を使用して異常を検出するためにデータを処理する。

【0018】

ヘッドエンドシステム１００は、計算装置１０２と機械学習モデル１０４を含む。計算装置の一例が図９に関して図示されている。計算装置１０２は、メータ装置１２２、１２４、１２６、及び１２８によって収集された電圧データから統計値を導出することができ、及び／又は統計値を機械学習モデル１０４に提供することができ、機械学習モデル１０４は、メータ装置１２２、１２４、１２６、及び１２８における１つ又は複数の電気的異常を特定することができる。機械学習モデル１０４によって検出され得る異常の例には、（例えば、メータソケットの）接触不良接続、季節的な過負荷、及び長い二次配電線による過剰な電圧降下が含まれる。これらの状態を示す例示的な電圧シグネチャは、図６、図７、及び図８にそれぞれ図示されている。

【0019】

メータ装置１２２、１２４、１２６、１２８は、それぞれエンドユーザ宅１３２、１３４、１３６、１３８に設置される。メータ装置１２２、１２４、１２６、及び１２８はそれぞれ、計算装置、メモリ、その他のストレージ機能、及び１つ又は複数のネットワーク接続を含むことができる。メータ装置１２２、１２４、１２６、及び１２８は、例えば電圧、負荷、電流、電力消費、又はボルトアンペア無効（ＶＡＲ）電力など、電力の分配に関連する任意のパラメータを検出することができる。場合によっては、個々のメータ装置１２２、１２４、１２６、及び１２８は、電圧測定値をヘッドエンドシステム１００にプッシュ通知することができる。他の態様では、ヘッドエンドシステムは、メータ装置１２２、１２４、１２６、及び１２８から電圧測定値を引き出すことができる。別の態様では、メータ装置１２２、１２４、１２６、及び１２８は、電圧測定値を特定の周波数でヘッドエンドシステム１００にプッシュ通知するように構成することができ、この周波数は、計測データ（例えば、消費電力データ）の送信周波数とは異なることがある。例えば、メータ装置１２２、１２４、１２６、１２８は、１５分ごとや１時間ごとなど特定の間隔で電圧を計測することができるが、毎日又は毎月、電力消費データをプッシュ通知することができる。

【0020】

ヘッドエンドシステム１００に関して説明した機能は、ヘッドエンドシステム１００（例えば、計算装置１０２）、メータ装置１２２、１２４、１２６、及び１２８のうちの１つ又は複数、ならびにクラウドベースのシステム（すなわち、永続的なネットワーク接続を介して接続されたサーバー）の任意の組み合わせで実装することができる。システムの例としては、ＡＭＩシステムやメータデータ管理（ＭＤＭ）システムなどがある。

【0021】

例えば、ネットワーク接続１０８は有線ネットワーク接続として図示されているのに対し、ネットワーク接続１１２、１１４、１１６、１１８は無線ネットワーク接続として図示されている。典型的なネットワークの例としては、無線（Ｗｉ－Ｆｉ、ブルートゥース（登録商標）、メッシュ、セルラーなど）と有線（イーサネット、電力線通信など）のネットワークがある。しかし、さまざまな構成が可能である。例えば、メータ装置１２２、１２４、１２６、及び１２８は、任意の通信ネットワークを使用して、互いに及び／又はヘッドエンドシステム１００と通信することができる。通信はまた、ヘッドエンドシステム１００からメータ装置１２２、１２４、１２６、及び１２８に送信することもできる。いくつかの構成では、収集装置１１０は存在せず、メータ装置１２２、１２４、１２６、及び１２８は、ヘッドエンドシステム１００と直接通信することができる。

【0022】

図２は、本開示の態様による例示的な配電ネットワークを示す。図２に図示された例では、配電システム２００は、電源２０２と、配電変電所の変圧器２０４と、給電線２０８と、配電変圧器２１０及び２１２と、配電一次線２４０及び２４１と、二次線２４２、２４４、２４６、及び２４８と、メータ装置２２２、２２４、２２６、及び２２８と、エンドユーザ構内２３２、２３４、２３６、及び２３８とを含む。

【0023】

電源２０２の一例は、配電変電所の変圧器２０４が接続されているバルク電力系統の縮小表現であり、これは、電力副送電網、送電網、及び発電源（例えば、発電所、太陽電池パネル、又は風力タービン発電機）を含む。配電変電所２０４は、電源２０２から出力された電圧を給電線２０８に適したレベルに変圧する。給電線２０８は、配電線２４０及び２４１に給電する。配電変電所２１０は、配電線２４０の電圧を二次線２４２、２４４、２４６の異なる電圧に変圧する。同様に、配電変圧器２１２は配電線２４１の電圧を二次線２４８の異なる電圧に変圧する。

【0024】

図示されているように、メータ装置２２２、２２４、２２６、及び２２８は、それぞれエンドユーザ構内２３２、２３４、２３６、及び２３８に対応する。メータ装置２２２、２２４、２２６、及び２２８は、それぞれ、メータ装置１２２、１２４、１２６、及び１２８に対応し得る。エンドユーザ構内２３２、２３４、２３６、及び２３８は、それぞれエンドユーザ構内１３２、１３４、１３６、及び１３８に対応し得る。

【0025】

メータ装置２２２は二次線２４２のパラメータを計測し、メータ装置２２４は二次線２４４のパラメータを計測し、メータ装置２２６は二次線２４６のパラメータを計測し、メータ装置２２８は二次線２４８のパラメータを計測する。各配電線の長さは異なることがあるため、場合によっては、二次線が長いために異常が発生することがある。例えば、二次線２４８が一般的なものよりも長く、配電変圧器２１２とエンドユーザ構内２３８との間の電圧降下が異常に高くなる場合がある。この異常は、機械学習モデル１０４によって識別することができる。

【0026】

いくつかの例では、メータ装置は、多相配電システムの１つ又は複数の相を配電する配電二次線に関連付けられることがある。例えば、配電二次線２４２は、三相発電及び配電システムの二相を含むことができる。この構成では、メータ装置２２２で得られた電圧測定値を使用して、ヘッドエンドシステム１００は、測定された電圧及び／又はそれから導出された統計値を機械学習モデル１０４に提供することによって、異なる相が異なる平均電圧及び／又は最小電圧を有することを決定することができる。

【0027】

図３は、本開示の態様に係る、機械学習モデルを使用して異常を検出するための例示的なプロセス３００のフローチャートを示す。例示的な目的のために、プロセス３００は、ヘッドエンドシステム１００によって実行されるものとして議論される。しかし、プロセス３００は、任意の計算装置、例えば、メータ装置において実施され得る。

【0028】

ブロック３０２において、プロセス３００は、メータ装置で、一定期間にわたって測定された電圧測定値のセットにアクセスすることを含む。例えば、ヘッドエンドシステム１００は、メータ装置１２２から得られた電圧測定値にアクセスする。電圧測定値にアクセスすることは、電気メータ装置に要求を送信すること、及び電気メータ装置から戻ってくる電圧測定値を受信することを含み得る。別の例では、電気メータ装置は、電圧測定値をヘッドエンドシステムに定期的に送信することができる。例として、プロセス３００を図４に関して説明する。

【0029】

図４は、本開示の一態様に係る、メータ装置から得られた統計的電圧データを計算する様子を図示する。図４は、データフロー４００を図示しており、１つのメータ装置によって得られたデータから様々な期間について平均電圧データ及び最小電圧データがどのように導出されるかを図示する。データフロー４００は、期間４２０にわたって取得される電圧データ４１０、時間窓４３０ａ－ｎ、統計データ４４０ａ－ｎ、及び機械学習モデル１０４を含む。任意の長さの期間及び任意の長さの時間窓を使用することができる。

【0030】

この例を続けると、計算装置１０２は、時間期間４２０に対応する電圧データ４１０にアクセスし、電圧データ４１０を複数の時間窓４３０ａ－ｎに分離する。時間窓４３０ａ－ｎは、時間期間４２０よりも小さい。時間窓４３０ａ－ｎの各々は複数の電圧を含む。例えば、特定の時間窓が１日であり、電圧を取得する頻度が１５分毎である場合、１つの時間窓は９６個の電圧測定値を含むことになる。一例では、期間４２０は１ヶ月であり、時間窓４３０ａ－ｎはそれぞれ１日である。例えば、時間窓４３０ａは１日目、時間窓４３０ｂは２日目などである。

【0031】

図３に戻ると、ブロック３０４において、プロセス３００は、電圧測定値のセットから、時間窓のセットの各時間窓について、対応する平均電圧及び対応する最小電圧を計算することを含む。例を続けると、計算装置１０２は、時間窓４３０ａ－ｎから統計データ４４０ａ－ｎを計算する。より具体的には、計算装置１０２は、時間窓４３０ａからの平均値及び最小値を含む統計データ４４０ａ、及び時間窓４３０ｂからの平均値及び最小値を含む統計データ４４０ｂなどを計算する。

【0032】

平均値及び最小値は図４に関して議論されているが、電圧又は他のパラメータから導出される中央値、最頻値、最大値などの他の統計的測定基準も、機械学習モデル１０４によって使用することができる。この場合、機械学習モデル１０４は、これらの統計データを用いて学習される。

【0033】

ブロック３０６において、プロセス３００は、機械学習モデルを時間期間の平均電圧及び最小電圧に適用することを含む。この例を続けると、計算装置１０２は、統計データ４４０ａ－ｎを機械学習モデル１０４に提供する。

【0034】

機械学習モデル１０４は、図６に関してさらに説明するように、電圧から１つ又は複数の電気的異常を識別するように学習される。場合によっては、平均電圧及び最小電圧の１つ又は複数が、１つ又は複数の特徴ベクトルに変換される。特徴ベクトルは、対象物体（例えば、電気メータ）に関する複数の要素を含むベクトルである。従って、特徴ベクトルには、平均電圧、最小電圧、又はその他の統計値を含めることができる。特徴ベクトルは、機械学習モデル１０４に一度に１つ又は複数提供される。

【0035】

ブロック３０８において、プロセス３００は、機械学習モデルから、識別された電気的異常を示す分類を受信することを含む。例を続けると、機械学習モデル１０４は、電気的異常を識別する分類を出力する。異常の例には、エンドユーザ構内の電力線への接触不良、季節的な消費の過負荷、及び長い二次線（配電変圧器からエンドユーザ構内への接続）によって引き起こされる電圧降下が含まれる。

【0036】

異常の一例は、図６に関してさらに説明するように、電気メータ装置に関連する接触不良である。接触不良接続は、期間にわたる最低電圧の第１の減少、及び期間にわたる平均電圧の第２の減少によって表すことができ、この場合、第２の減少は第１の減少よりも小さい。

【0037】

異常の別の例は、図７に関してさらに説明するように、電気メータ装置によって測定された電力消費によって引き起こされる季節的な過負荷である。このような異常は、最小電圧の１つ又は複数のピーク又はバレーと平均電圧の１つ又は複数のピーク又はバレーとの間の１つ又は複数の相関によって表すことができる。

【0038】

機械学習モデル１０４は、１つ又は複数の特定の異常の分類を出力することができる。他のケースでは、機械学習モデル１０４は、１つ又は複数の分類の決定された確率を出力することができる。例えば、機械学習モデル１０４は、電圧が接触不良接続を示す第１の確率を８０％、接触不良接続が存在しない確率を２０％と出力することができる。他のケースでは、５０％の確率で接触不良があり、４０％の確率で長い二次線があり、１０％の確率でどちらの異常も存在しないといった確率のセットが生成されてもよい。特定の分類（例えばポジティブかネガティブか）を生成する機械学習モデルは、確率の範囲を生成する機械学習モデルとは異なるタイプのモデルであってもよい。

【0039】

機械学習モデル１０４の出力は、計算装置１０２に提供される。場合によっては、計算装置１０２は、確率があるしきい値を超えるとき、対応する分類が使用されるという決定を下すことができる。場合によっては、計算装置１０２は、確率がしきい値を下回る場合、分類は行われないと決定することができる。

【0040】

ブロック３１０において、プロセス３００は、分類に基づいて、ユーティリティ事業者に警報を送信すること、又は配電システムの１つ又は複数のパラメータを調整することを含む。例えば、計算装置１０２は、ユーティリティオペレータに警報を送信したり、不良メータソケットやメータの交換などの修理を行うために顧客宅を訪問するエンジニアに警報を送信したりすることができる。その結果、ラインの電気負荷のバランスを変えたり、機器を追加したり、機器（例えば変圧器）を交換したりすることができる。

【0041】

別の例では、ブロック３１０において、計算装置１０２は、ヘッドエンドシステム１００に配電システムの１つ又は複数のパラメータを調整させることができる。調整され得るパラメータの例には、線間電圧、位相、負荷、リアクタンス、キャパシタンスなどが含まれる。場合によっては、そのような調整は、例えば、リソース調整装置と通信することによって、通信ネットワークを介して遠隔で実行され得、リソース調整装置が調整を行う。

【0042】

ある態様では、複数のメータ装置からのデータを機械学習モデル１０４によって分析することができる。例えば、プロセス３００は、各メータ装置に対して１回ずつ、複数回実行することができる。あるいは、ブロック３０２－３０４を複数回実行し、各メータ装置について１回ずつ実行し、その後、複数のメータ装置からのデータを、例えばブロック３０８において機械学習モデル１０４によって集計形式で分析することもできる。この分析は、リアルタイムで、又はデータのしきい値量がバッファリングされた後に行われる可能性がある。

【0043】

一例として、ヘッドエンドシステム１００は、２つ以上のメータ装置からの電圧測定値にアクセスする。ヘッドエンドシステム１００は、メータ装置の各々について、電圧測定値の各々について、及び各時間窓について、統計的メトリクスを計算する。次に、ヘッドエンドシステム１００は、統計的メトリクスに機械学習モデル１０４を適用する。場合によっては、適用することにより、機械学習モデルの学習が調整される。例を続けると、ヘッドエンドシステム１００は、１つ又は複数の電気メータ装置の１つ又は複数の異常を特定する。

【0044】

場合によっては、機械学習モデルは、電気メータ装置のトポロジー情報を使用することができる。例えば、（例えば、図２に図示されているような）トポロジー情報が与えられると、機械学習モデル１０４は、異常があるメータ装置に存在し、別のメータ装置には存在しないかどうかを判定することができる。この判定から、機械学習モデル１０４は、配電変圧器などの別のコンポーネントの問題を特定することができる。例えば、特定の異常がメータ装置２２２、２２４、２２６に表示され、メータ装置２２８に表示されない場合、配電変圧器２１０又は配電線２４０に異常が存在する可能性がある。

【0045】

図９に関してさらに説明するように、異常の別の例は、電気メータ装置に関連する長い配電線による過剰な電圧降下である。場合によっては、この過剰電圧降下を決定するには、追加の電気メータから測定値を収集する必要がある。例えば、このような電気ネットワークのトポロジーは、１つ又は複数の配電変圧器が配電線を介して電気メータ装置のサブセットに電気的に接続され、その上流にある場合がある。１つの識別可能な異常は、電気メータのサブ平均電圧のセットと、１つの電気メータの１日平均電圧との差がしきい値を超えることによって識別することができる。

【0046】

図５は、本開示の態様に係る、機械学習モデルを使用して異常を検出するための例示的なプロセス５００のフローチャートを示す。図３に関して議論されたプロセス３００に関連して、プロセス５００は、異常の第２の識別を識別するために、機械学習と組み合わせて異常の第１の識別（任意選択的に、関連する電圧データを含む）を使用することを含む。異常の第２の識別は、第１の識別よりもデータ内の時間的に早く発生した異常に対応することができる。

【0047】

例えば、プロセス５００は、電圧データの第１のセットで接触不良接続を検出し、検出された電圧シグネチャを同じ機械学習モデル又は異なる機械学習モデルで使用して、同じ電気メータ又は異なる電気メータに由来する統計データ（例えば、電圧データ）で第２の電圧シグネチャを識別することができる。例えば、接触不良接続は、しばらくの間存在していたかもしれないが、最初の分類まで検出されなかったかもしれない。最初の分類があれば、過去にさかのぼって、及び／又は別のデータセットで、より早い特定が可能かもしれません。

【0048】

ブロック５０２において、プロセス５００は、機械学習モデルから、第１の電圧測定値セットに基づいて、第１の接触不良接続を示す第１の分類を受信することを含む。ブロック５０２において、プロセス５００は、プロセス３００のブロック３０２－３０８に関して説明したのと同様の動作を含む。分類は、電圧シグネチャを含み得る。プロセス５００は、オプションとして、プロセス３００のブロック３１０に関して論じられたように、第１の分類に基づいてユーティリティ事業者に警報を送信することを含むことができる。

【0049】

ブロック５０４において、プロセス５００は、第２の組の電圧測定値から、第２の組の時間窓の各々について、第２の対応する平均電圧及び第２の対応する最小電圧を計算することを含む。ブロック５０４において、プロセス５００は、プロセス３００のブロック３０４に関して議論されたのと同様の動作を含む。電圧の第２のセットは、ブロック５０２で使用された電圧データが由来するのと同じ電気メータからであり得、及び／又は異なる電気メータ（複数可）から由来し得る。電圧の第２のセットは、（例えば、プロセス３００のブロック３０４に関して議論されたように）時間窓の第１のセットの前に発生し得る。

【0050】

ブロック５０６において、プロセス５００は、機械学習モデルを第１の電圧シグネチャ、第２の平均電圧、及び第２の最小電圧に適用することを含む。例を続けると、計算装置１０２は、第１の電圧シグネチャ（例えば、ブロック５０２で特定される）、第１の平均電圧及び最小電圧（例えば、ブロック５０２で特定される）、第２の平均電圧、及び第２の最小電圧のうちの１つ又は複数を機械学習モデル１０４に提供する。場合によっては、ブロック５０２で使用したのとは異なる機械学習モデルを使用することができる。機械学習モデルは、図６に関してさらに説明するように、電圧から１つ又は複数の電気的異常を識別するように学習することができる。

【0051】

ブロック５０８において、プロセス５００は、機械学習モデルから、第２の接触不良接続を示す第２の電圧シグネチャを識別する第２の分類を受信することを含む。例を続けると、計算装置１０２は、第２の電圧シグネチャを識別する第２の分類を受信する。第２の電圧シグネチャは、第１の電圧シグネチャと同一、類似、又は異なることがある。

【0052】

ブロック５１０において、プロセス５００は、第２の分類に基づいてユーティリティオペレータに警報を送ることを含む。ブロック５１０において、プロセス５００は、プロセス３００のブロック３１０に関して議論されたのと同様の動作を含む。

【0053】

機械学習モデル１０４は、それぞれが１つ又は複数の異常に対応する１つ又は複数の所定の電圧シグネチャを検出するように学習される。教師あり学習（例えば、ラベル付きの学習データ）、教師なし学習（例えば、ラベルなし）、強化学習など、さまざまな学習技術を使用することができる。学習は、ヘッドエンドシステム１００、例えば計算装置１０２、又は別の計算システムによって実行することができる。学習が別の計算システムによって実行される場合、機械学習モデル１０４は、ヘッドエンドシステム１００に提供され（例えば、ダウンロードされ）、及び／又は必要に応じて更新され得る。

【0054】

場合によっては、学習は実行時に行うことができる。例えば、オペレータは、異常の分類又は予測が正しいか正しくないかを示し、計算装置１０２にフィードバックを提供することができ、それに応じて計算装置１０２は機械学習モデル１０４を更新する。

【0055】

学習中、機械学習モデルは電気的異常を識別するアルゴリズムを学習する。図６は教師あり学習に関して説明されているが、他の学習技術を使用することもできる。さらに、学習された機械学習アルゴリズムは、例えば実行時の追加学習によって、時間の経過とともに改善することができる。

【0056】

図６は、本開示の態様に係る、異常を検出するために教師あり学習を使用して機械学習モデルを学習するための例示的なプロセス６００のフローチャートを示す。教師あり学習のアプローチでは、決定された確率又は分類が計算され、期待される、又は既知の確率又は分類と比較される。比較から損失関数が計算される。計算された損失関数に基づいて、機械学習モデル１０４は、損失関数を最小化するように機械学習モデルの内部パラメータを調整する。適切な機械学習モデルの例としては、ニューラルネットワーク、分類器、決定木などがある。

【0057】

ブロック６０２において、プロセス６００は、学習データ対のセットにアクセスすることを含む。各学習データの組は、統計（例えば、一定期間の平均電圧の組と最小電圧の組）と、１つ又は複数の電気的異常を示す予想される分類を含む。各学習データ対には、ポジティブ学習セット（すなわち、以前に特定された電圧シグネチャに対応する電圧データに対応する）及び／又はネガティブ学習セット（すなわち、以前に特定された電圧シグネチャに対応しない電圧データに対応する）の一部として以前に特定されたデータが含まれる。プロセス６００は、計算装置１０２によって実行されるものとして説明されている。しかしながら、学習は、任意の計算システムによって実行され得る。

【0058】

ブロック６０４において、プロセス６００は、学習データ対のセットのうちの１つを機械学習モデルに提供することを含む。例を続けると、計算装置１０２は、機械学習モデル１０４に学習データ対のうちの学習データ対を提供する。

【0059】

ブロック６０６において、プロセス６００は、機械学習モデルから、決定された分類を受信することを含む。引き続き、例示的な計算装置１０２は、機械学習モデル１０４から、決定された分類を受信する。

【0060】

ブロック６０８において、プロセス６００は、決定された分類と予想される分類とを比較することによって損失関数を計算することを含む。例を続けると、計算装置１０２は、決定された分類（すなわち、ブロック６０６において受信された）と予想される分類（すなわち、ブロック６０４においてアクセスされた学習データ組に含まれる）とを比較することによって、損失関数を計算する。

【0061】

ブロック６１０において、プロセス６００は、損失関数を最小化するために機械学習モデルの内部パラメータを調整することを含む。例を続けると、計算装置１０２は、機械学習モデル１０４を適切に調整する。

【0062】

ブロック６１２において、プロセス６００は、学習が完了したかどうかをチェックする。学習が完了した場合、プロセス６００はブロック６１４に進み、そこで学習が終了する。学習が完了していない場合、プロセス６００は６０４に戻り、別の学習データ組を使用して機械学習モデルの学習を継続する。学習の完了は、学習データの終了、損失関数がしきい値レベル以下に最小化されたこと、又は他の条件によって示すことができる。

【0063】

ある態様では、機械学習モデル１０４は複数の電圧シグネチャを検出するように学習される。この場合、機械学習モデル１０４は、複数の電気的異常を示す電気的シグネチャを識別することができる。例えば、機械学習モデル１０４は、ソケット接触不良と季節的な過負荷を識別することができる。この場合、プロセス６００は、各電気的異常に対して１回以上完了することができる。

【0064】

さらなる態様において、機械学習モデル１０４は、電気的異常の分類において十分な精度を確保するためにテストされる。通常、機械学習モデル１０４をテストするために使用されるデータは、機械学習モデルを学習するために使用されるデータセット（すなわち、学習データ対）には含まれない。

【0065】

別の態様では、機械学習モデル１０４は、メータ機器からの履歴データを使用して教師なし方式で学習することができる。履歴データは、欠陥の最初の識別が行われた期間より前の期間のデータを含み得る。例えば、（例えば、プロセス３００に記載されるようにメータ装置からの電圧を分析することによって）特定のメータ装置が異常を呈すると特定された後、計算装置１０２及び／又は機械学習モデル１０４は、メータ装置からの追加データを分析して、追加の電圧シグネチャが存在するかどうかを決定することができる。例えば、シグネチャが履歴データにおいて特定され、その後、欠陥が発生した以前の時間が特定され得る。このアプローチを使用して、機械学習モデル１０４は、収集された電圧データにおいて、教師あり技術（例えば、プロセス６００）を使用して以前に検出可能であったよりも潜在的に早期に、１つ又は複数の前兆パターンを特定することができる。

【0066】

より詳細な例では、プロセス３００は、接続が緩い５つのメータ装置を特定するために使用される。例えば、１ヶ月の履歴電圧データがプロセス３００によって処理される。サービスマンがメータ装置のベースのねじを締めることによって、５つのメータ装置が固定される。接続が緩んでいる接触不良接続の計器装置を特定するこのプロセスは、続けることができる。

【0067】

この例を続けると、数カ月後、２０個のメータが特定され、改善される。しかし、それぞれのメータについて、１年間の履歴データがある。この履歴データで機械学習モデル１０４を学習することにより、機械学習モデル１０４は、２０台のメータすべてに共通する１つ又は複数の追加の前兆シグネチャを特定する。このように特定されたシグネチャは、プロセス５００で特定されたシグネチャを補う及び／又は置き換えることができる。このようにして、学習は、教師なし又は教師ありの方法で、時間をかけて継続することができる。この継続的な学習アプローチの利点には、予測不能又は予期せぬタイミングで発生し得る電圧シグネチャの識別が含まれ、それにより機械学習モデル１０４が改善される。

【0068】

図７は、本開示の態様に係る、接触不良接続に関連する電圧測定値を示すグラフを示す。グラフ７００は、エンドユーザ構内のメータ装置によって測定された１日の平均電圧７１０及び１日の最低電圧７２０を示す。グラフ７００に対応するデータを以下の表１に示す。

【0069】

グラフ７００に見られるように、１日の平均電圧７１０と１日の最低電圧７２０の間には、ある時点で大きな差が存在することがある。これらの差は、接続のアーク放電又は接続の頻繁な切断を示す。グラフ７００の測定値を合わせて、ソケット接触不良を示す電圧シグネチャを形成することができる。例えば、平均電圧７１０に対する最低電圧７２０のディップの大きさは、接触不良を示す。機械学習モデル１０４は、これらのシグネチャを異常として識別するように学習される。

【0070】

【表1】

【0071】

図８は、本開示の態様による、季節的過負荷に関連する電圧測定値を示すグラフを示す。グラフ８００は、エンドユーザ構内のメータ装置によって測定された１日の平均電圧８１０及び１日の最低電圧８２０を図示する。グラフ８００のデータを以下の表２に示す。ここで、使用される期間は年であり、期間は月である。

【0072】

データは１月から１２月までの電圧測定値を示す。見てわかるように、４月から９月にかけては、電圧の減少によって示されるように、負荷が高くなっている。このような電圧の落ち込みは、変圧器が過負荷であることを示すサインを形成する可能性がある。例えば、平均電圧８１０のピークとバレー（谷）に対する最低電圧８２０のピークとバレー（谷）の相対的な位置関係は、季節的な過負荷を示すことができる。機械学習モデル１０４は、これらのシグネチャを異常として識別するように学習される。

【0073】

【表2】

【0074】

図９は、本開示の態様に係る、長い二次線による過剰電圧降下に関連する電圧測定値を示すグラフを示す。グラフ９００は、エンドユーザ構内のメータ装置（メータ装置２２６）によって測定された１日平均電圧９２０と比較して、サービス変圧器の背後のすべてのメータ（例えば、メータ装置２２２、２２４、及び２２６）の１日平均電圧９１０を図示する。グラフ９００は、以下の表３に示すように、１ヶ月間の測定値について示されている。

【0075】

グラフ９００に見られるように、サービス変圧器の後ろにあるすべてのメータの日平均電圧の間には、長い二次線を持つメータの日平均電圧と比較して、大きな隔たりが存在します。このシグネチャを認識するには、いくつかのトポロジー情報が必要である。このトポロジー情報は、この特定のパターンを認識するために電圧を使用する目的で、メータ装置と変圧器を関連付ける。機械学習モデル１０４は、変圧器の背後にあるすべてのメータ装置の平均電圧を、各メータ装置の日平均と比較することによって、このシグネチャを認識することができる。

【0076】

【表3】

【0077】

図１０は、本開示に係る、例示的な計算装置を示す。任意の適切な計算システムが、本明細書で説明される動作を実行するために使用され得る。図示されている計算装置１０００の例は、１つ又は複数のメモリ装置１００４に通信可能に結合されたプロセッサ１００２を含む。プロセッサ１００２は、メモリ装置１００４に記憶されたコンピュータ実行可能プログラムコード１０３０を実行するか、メモリ装置１００４に記憶されたデータ１０２０にアクセスするか、又はその両方を実行する。プロセッサ１００２の例には、マイクロプロセッサ、特定用途向け集積回路（「ＡＳＩＣ」）、フィールドプログラマブルゲートアレイ（「ＦＰＧＡ」）、又は任意の他の適切な処理装置が含まれる。プロセッサ１００２は、単一の処理装置を含め、任意の数の処理装置又はコアを含むことができる。計算装置の機能は、ハードウェア、ソフトウェア、ファームウェア、又はそれらの組み合わせで実装することができる。

【0078】

いくつかの態様において、計算装置１０００は、リソース分配ネットワークのリソースに関連するパラメータを測定するように構成された少なくとも１つのセンサを含み得る。例えば、配電システムにおいて、センサは消費電力、電圧、電流などを測定することができる。いくつかの態様において、計算装置１０００は、複数のセンサを含み得る。例えば、計算装置１０００は、電力センサと温度センサの両方を含み得る。

【0079】

メモリ装置１００４は、データ、プログラムコード、又はその両方を記憶するための任意の適切な非一時的なコンピュータ可読媒体を含む。コンピュータ可読媒体は、コンピュータ可読命令又は他のプログラムコードをプロセッサに提供することができる任意の電子、光学、磁気、又は他の記憶装置を含むことができる。コンピュータ読み取り可能媒体の非限定的な例としては、フラッシュメモリ、ＲＯＭ、ＲＡＭ、ＡＳＩＣ、又は処理装置が命令を読み取ることができる他の媒体が挙げられる。命令は、例えば、Ｃ、Ｃ＋＋、Ｃ＃、ＶｉｓｕａｌＢａｓｉｃ、Ｊａｖａ、又はスクリプト言語など、任意の適切なコンピュータプログラミング言語で記述されたコードからコンパイラ又はインタプリタによって生成されたプロセッサ固有の命令を含むことができる。

【0080】

計算装置１０００は、入力装置や出力装置など、多数の外部装置や内部装置を含むこともできる。例えば、計算装置１０００は、１つ又は複数の入出力（「Ｉ／Ｏ」）インターフェース１００８を備えて示されている。Ｉ／Ｏインターフェース１００８は、入力装置から入力を受け取ったり、出力装置に出力を提供したりすることができる。１つ又は複数のバス１００６も、計算装置１０００に含まれる。バス１００６は、計算装置１０００のそれぞれの１つの１つ又は複数のコンポーネントを通信可能に結合する。

【0081】

計算装置１０００は、本明細書で説明する１つ又は複数の動作を実行するようにプロセッサ１００２を構成するプログラムコード１０３０を実行する。

【0082】

計算装置１０００は、ネットワークインターフェース装置１０１０も含む。ネットワークインターフェース装置１０１０は、１つ又は複数のデータネットワークへの有線又は無線データ接続を確立するのに適した任意の装置又は装置群を含む。ネットワークインターフェース装置１０１０は、無線装置であってもよく、アンテナ１０１４を有する。計算装置１０００は、ネットワークインターフェース装置１０１０を使用して、データネットワークを介して、計算装置又は他の機能を実装する１つ又は複数の他の計算装置と通信することができる。

【0083】

計算装置１０００はまた、表示装置１０１２を含むことができる。表示装置１０１２は、ＬＣＤ、ＬＥＤ、タッチスクリーン、又は計算装置１０００に関する情報を表示するように動作可能な他の装置であり得る。例えば、情報には、計算装置の動作状態、ネットワーク状態などが含まれる。

【0084】

本主題は、その特定の態様に関して詳細に説明されてきたが、当業者であれば、前述の理解を得た上で、そのような態様に対する変更、変形、及び等価物を容易に作り出すことができることが理解されよう。従って、本開示は、限定ではなく例示の目的で提示されており、当業者にとって容易に明らかであろう本主題の修正、変形、及び／又は追加を含めることを排除するものではないことを理解されたい。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【国際調査報告】