JP2017192278A - 電力変換装置の制御方法 - Google Patents
電力変換装置の制御方法 Download PDFInfo
- Publication number
- JP2017192278A JP2017192278A JP2016082548A JP2016082548A JP2017192278A JP 2017192278 A JP2017192278 A JP 2017192278A JP 2016082548 A JP2016082548 A JP 2016082548A JP 2016082548 A JP2016082548 A JP 2016082548A JP 2017192278 A JP2017192278 A JP 2017192278A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- configuration data
- network configuration
- learning
- power conversion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
- Inverter Devices (AREA)
Abstract
Description
電力変換装置は、電力を供給する源側と(例えば一の電源系統、バッテリー等)、電力を消費する負荷側と(例えば他の電源系統、電気設備、電気製品等)にそれぞれ接続されて用いられることが多いが、これらの接続先にはどのような電力供給源及び負荷が接続されるのかについては必ずしも一定ではない。また、電力変換装置がどのような環境に設置され、どのように保管され、どのように運転されるのかについても必ずしも一定ではない(以下、設置、保管、運転等をまとめて「使用」という。)。
このように電力変換装置は、一旦、製造工場から出荷された後に使用されるフィールド(使用現場)に置かれると、その使用のされ方は千差万別であることから、電力変換装置が使用されている間に、電力変換装置が電気的にどのように振る舞って動作をしてきたのかという「動作状況」も当然に千差万別となっている。
この診断技術によれば、図25に示すように、電力変換装置(二次電池搭載装置930)に搭載された二次電池の放電可能時間を予測するために、事前に模擬運転装置(二次電池特性評価装置910)において二次電池の特性を測定し当該特性と放電可能時間との関係について学習を深めて精度を高めたニューラル・ネットワーク構成データを作成しておき(S900参照。)、実機側の電力変換装置(二次電池搭載装置930)においては、該事前に学習を深めて作成しておいた該ニューラル・ネットワーク構成データを取り込み、ニューラル・ネットワークとして再展開したうえで(S910及びS920参照。)、実機側の電力変換装置(二次電池搭載装置930)において都度測定した二次電池の特性の測定値を該ニューラル・ネットワークの入力層に代入して当該二次電池の放電可能時間の予測値を得ている(S930参照。)。
なお本明細書において、模擬運転装置で使用される電力変換装置又はそれを含む装置に対する語として、実際のフィールドで使用される電力変換装置又はそれを含む装置を「実機」という。
そして、このような診断技術を用いた従来の電力変換装置の制御方法によれば、上記に従って診断されたバッテリーの放電可能時間の予測値に基づき、バッテリーの残量が少ないことを示すアラームを表示する等の制御を行うことができる(特許文献1[0066]段落及び[0067]段落参照。)。
また、従来の電力変換装置の制御方法は、二次電池の放電可能時間の予測という「将来」の状況を診断してアラーム表示等を行うものであり、過去から現在に至るまでの「過去」の動作状況を診断し、それを考慮した上で制御を行うものではない。さらに、過去の動作状況についての診断結果に基づいて摩耗、経年変化等を予測して保全活動に行うといった「予防保全」を的確に行うことも難しい。
一般に、電力変換装置に接続されている負荷は、顧客にとって重要な電気設備、電気製品等であることが多いため、電力変換装置に対しては可能な限り止まらないこと(平均故障間隔が長いこと)が要求されている。また、電力変換装置は屋外等のフィールドに設置されている場合もあることから、電力変換装置の筐体は厳重に封止され、筐体内の回路、電子部品等も樹脂等で密封されモジュール化されていることもあって、電力変換装置の核心部を容易に開封することはできない。このような背景から、例えば上記した長寿命運転モードで運転をする場合などは、一旦電力変換装置を設置したならば、その後は多少効率が落ちたとしても安全に安定的に動作し続けることが特に重要視される。
前記評価診断ステップによって得られる診断データに基づき、前記第1電力変換装置に対するフィードバック制御に関するフィードバックデータを生成するフィードバックデータ生成工程と、該フィードバックデータに基づいて前記第1電力変換装置の動作を変更する動作変更工程を有するフィードバック制御ステップと、を有することを特徴とする。
これに加え、第2の電力変換装置の制御方法は、「第1電力変換装置・・に関係する物理量を測定して・・第1ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第i試験モードによる模擬運転を行いつつ・・第2学習を行う第2学習工程・・をiの数を増やしながらm回実行して・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているm個の第2ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか1つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第1学習が反映された第1ニューラル・ネットワーク構成データに基づき前記第1電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ、及び、診断データに基づき生成したフィードバックデータに基づいて第1電力変換装置の動作を変更する動作変更工程」を有する。このような構成によれば、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第2ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢(m個の第2ニューラル・ネットワーク構成データ)の中から、診断対象となる実機の電力変換装置の動作状況により類似した(合致した)第1ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確なより精度の高い診断を行うことができ、ひいては、第1電力変換装置の動作状況に応じて的確に電力変換装置を制御をすることができる。
1.実施形態1に係る電力変換装置の制御方法
実施形態1に係る電力変換装置の制御方法は、大まかに捉えると、実機100に含まれる第1電力変換装置110の動作状況についてニューラル・ネットワークを用いて診断を行い、第1電力変換装置110に対してフィードバック制御を行う電力変換装置の制御方法であって、実機学習ステップS100、模擬運転学習ステップS200、評価診断ステップS300及びフィードバック制御ステップS500を有する(図1及び図2参照。)。
実機学習ステップS100は実機100において実施され、同様に模擬運転学習ステップS200は模擬運転装置200において実施される。その後、評価診断ステップS300において、模擬運転学習ステップS200における学習(第2学習)が反映された第2ニューラル・ネットワーク構成データND2(後述する)を診断テンプレートに係るニューラル・ネットワーク構成データNDT(後述する)として、該診断テンプレートに係るニューラル・ネットワーク構成データNDT及び実機学習ステップS100における学習(第1学習)が反映された第1ニューラル・ネットワーク構成データND1(後述する)に基づき診断を行う。しかる後、フィードバック制御ステップS500において、評価診断ステップS300によって得られる診断データに基づき、第1電力変換装置110に対するフィードバック制御に関するフィードバックデータを生成し、該フィードバックデータに基づいて第1電力変換装置110の動作を変更する(図2参照。)。
ニューラル・ネットワークを構成する各ユニットUTk jは、あたかも神経細胞の軸索の如き仮想的な線によって、前後の層の各ユニットと互いに接続されている(図3参照。)。
ニューラル・ネットワークに対し信号が入力されると、かかる信号は入力層に属するユニット群から中間層に属するユニット群を介して出力層に属するユニット群へと片方向に伝達される。
実機学習ステップS100は、実機100側において実施され、第1ニューラル・ネットワーク構成データ生成工程S110と、第1学習工程S120とを含む(図1及び図2参照。)。
まず、第1ニューラル・ネットワーク構成データ生成工程S110において、第1ニューラル・ネットワークNN1を用いて第1ニューラル・ネットワーク構成データND1の実体を生成する。
ニューラル・ネットワークの基本アーキテクチャに関する定義は、図5(a)に示すように、テーブルTB1として保持しておくこともできる。例えば、上記例の第1ニューラル・ネットワークNN1は、NN番号列=001となっている行に記入されているような構造であると定義することができる。
第1ニューラル・ネットワーク構成データND1のデータ構造を表すテンプレートは、第1ニューラル・ネットワークの基本アーキテクチャを念頭に置きつつ、ソフトウェア上で定義される。図5(b)に示した例の場合、層番号k及び当該層内のユニット番号jで特定されるユニットUTk j毎に(図(b)では1行の単位)、重み付け係数Wk−1,k i,jを格納する変数、線形和Sk,jを格納する変数、及び、伝達関数のタイプを格納する変数が定義される。
そして、これらの変数群(1行の単位)が、第1層から第4層までそれぞれの層が属する各ユニットについてそれぞれ定義される。このテンプレートの中には、層の数、ユニットの数といった基本アーキテクチャに関する情報も間接的に含まれている。なお、これらの変数は、構造体として定義(宣言)されてもよいし、配列として定義(宣言)されてもよい。
上記のように定義されたテンプレートに基づきデータとしての実体が生成され、当該実体に具体的な値が与えられると、「ニューラル・ネットワーク構成データ」と言われるデータが発生することとなる。
第1学習工程S120では、第1電力変換装置110に関係する物理量を測定して第1測定値M1を取得し、該第1測定値M1に基づいて第1ニューラル・ネットワーク構成データND1を更新することを複数回繰り返して第1学習を行う。
第1電力変換装置110に関係する物理量」とは、例えば第1電力変換装置110に接続された電力供給源がバッテリーである場合には、第1電力変換装置へ入出力されるバッテリーの電圧及び電流、負荷の電圧及び電流、バッテリーBATの温度又は第1電力変換装置110の温度、バッテリーの放電時間及び充電時間といった物理量を挙げることができる。実施形態1における「第1電力変換装置110に関係する物理量」は、上記に限定されることなく、診断対象又は/及びフィードバック制御すべき対象(第1電力変換装置)が何であるのか/何が含まれるのか、どのような観点で診断及びフィードバック制御(後述)を行うのか等に応じて適宜選択することができる。
「第1測定値M1」は、基本的には上記したような物理量を測定して取得した値であるが、所定の時点における瞬間的な値(例:所定の時点におけるバッテリー電圧)であってもよいし、放電時間のように時間軸との関係で得られる値(例:運転中に充放電が繰り返される中、放電モードに入った時点から当該放電モードを終了した時点までの時間)であってもよいし、バッテリーの設計諸元(例:容量他)のように仕様の上で当初から固定されている値を第1測定値として扱ってもよい。
「学習」は、発明の趣旨から逸脱しない限りにおいて、どのような手法によるものでもよいが、実施形態1では、階層構造型のニューラル・ネットワークに適していること、計算方法(又はアルゴリズム)が比較的簡素で体系化されていること、ネットワークの関数近似能力が理論的に確認されていること等の理由により誤差逆伝搬法(バックプロパゲーション法)によって第1学習を行う。
「誤差逆伝搬法」による学習は、例えば実施形態1に当てはめて説明すると、第1ニューラル・ネットワークNN1の出力層に属する各ユニットの出力側に所定の値(教師信号)を与えつつ、取得した第1測定値に基づく値(学習データ)を第1ニューラル・ネットワークの入力層に属するユニットに入力したうえで、出力層に属するユニットの出力と教師信号との差が所定の閾値以下となるように、出力層側から入力層側に向かって順次、ユニット間に設けられた各重み付け係数Wk−1,k i,jをそれぞれ変更しながら調整していくというものである。
かかる学習が実行されると、結果的に、第1ニューラル・ネットワーク構成データND1の重み付け係数Wk−1,k i,j、線形和Sk,jなどの値が都度更新されることとなる。
ここで、図6における円形の図形はユニットを表しており、円形の大きさは当該ユニットに入力された線形和Sk,jの大きさに応じて大きくなるよう表記している。同様に図6における線はユニット間を結ぶネットワークを表しており、線の太さは重み付け係数Wk−1,k i,jに応じて太くなるよう表記している。実施形態1においては、このようにニューラル・ネットワークの状態を、ニューラル・ネットワーク構成データ(線形和、重み付け係数等)に基づいてイメージとして表現して可視化したものを「マップ」と言う。
第1学習工程S120を実施した後の第1ニューラル・ネットワーク構成データに基づくマップの例を、図6(b)及び図6(c)に示す。例えば、平均的な環境下で通常の運転が行われた電力変換装置に対応した第1ニューラル・ネットワーク構成データによれば図6(b)で示すような形のマップとなる。また、比較的厳しい環境下で比較的ストレスが掛かった運転が行われた電力変換装置に対応した第1ニューラル・ネットワーク構成データによれば、図6(c)で示すような形のマップとなる。
図6(b)及び図6(c)からも分るように、同じようなタイミングで同じような物理量の測定をしながら学習を重ねてきたとしても、当該実機の電力変換装置装置の事情(使用のされ方、動作状況等)が異なれば、学習によって確立されるニューラル・ネットワークのマップも異なるイメージとなる(換言すれば、第1ニューラル・ネットワーク構成データの値も異なってくる)ということが理解できる。
模擬運転学習ステップS200は、フィールドに置かれている実機100と同等の模擬運転環境を別途準備し、かかる模擬運転環境において各種試験モードによる模擬運転を行ってニューラル・ネットワークに学習させ、実機100の電力変換装置110の動作状況を把握し診断する上で重要な参照情報となる第2ニューラル・ネットワーク構成データND2’(以下、単にND2’と言うこともある。)を得るステップである。
模擬運転学習ステップS200は、第1電力変換装置110と同じ構成を有する第2電力変換装置210の模擬運転を行うことができる環境において実施されるステップであり、例えば、模擬運転装置200において実施される(図2参照。)。
模擬運転装置200としては、第1電力変換装置110を含む実機100と同等の装置をそのまま模擬運転装置200として導入してもよいし、実機そのものでなくても、第2電力変換装置210に対して実機100と同様な運転環境(温度、湿度、振動、電磁波等)、同様な入出力(信号や電力の入出力)等が提供され、その結果、該第2電力変換装置210が第1電力変換装置110と同様な環境において同様な振る舞いや動作を模すことができるものであれば、そのような治具に類するものを導入してもよい。
まず、第2ニューラル・ネットワーク構成データ生成工程S210において、第1ニューラル・ネットワークNN1を用いて第2ニューラル・ネットワーク構成データND2の実体を生成する。
「第1ニューラル・ネットワークNN1を用いて第2ニューラル・ネットワーク構成データND2の実体を生成する」とは、上記と同様に、第2電力変換装置210に対応して設けられたコンピューターのソフトウェア上で、第2ニューラル・ネットワーク構成データND2のテンプレートに基づき実体を生成することをいう。
この工程は、基本的に、実機100側で実施される第1ニューラル・ネットワーク構成データ生成工程S110と同様であるが、注目すべき点は、第2ニューラル・ネットワーク構成データの実体を生成する上で念頭に置くニューラル・ネットワークが、実機100側で用いた第1ニューラル・ネットワークNN1と同じもの(同じ基本アーキテクチャを有するもの)を用いることである。後述する評価診断ステップS300において、第1ニューラル・ネットワーク構成データND1と、第2ニューラル・ネットワーク構成データND2(診断テンプレートに係るニューラル・ネットワーク構成データ)とをいわば同じ土俵で比較・照合することができるようにするためである。
次の第2学習工程S220では、第1電力変換装置110と同じ構成を有する第2電力変換装置210の模擬運転を行いつつ、第2電力変換装置210に関係する物理量を測定して第2測定値M2を取得し、該第2測定値M2に基づいて第2ニューラル・ネットワーク構成データND2を更新することを複数回繰り返して第2学習を行う。
(a)第2電力変換装置210に対してストレスを掛ける試験モード
第2電力変換装置210において、例えばバッテリーへの充電と放電の切り替えを通常よりも頻繁に行う、負荷における電源投入/電源断を頻繁に行う、負荷から大きな電源ノイズを混入させる等、第2電力変換装置210の内部の回路群に対し比較的ストレスが掛かるような試験モードによる模擬運転である。
(b)経年劣化を助長させる試験モード
第2電力変換装置210の内部の回路群及びそれに用いられる素子の劣化を助長させる劣化加速の試験モードによる模擬運転である。例えば、第2電力変換装置210の動作環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させるといった試験モードとすることもできる。
(c)通常の運転条件の試験モード
勿論、電力変換装置に対し比較的ストレスが掛からない環境下で、平均的な環境下で通常の運転を行うこともできる。
学習回数も適宜設定することができる。一般に、診断に耐えうる程度に重み付け係数等が十分収斂させるにはできるだけ多い回数で学習することが好ましい。
図7で示すように、第2学習工程S220を実施することにより、当初、初期状態であったニューラル・ネットワーク(図7(a)参照。)が、第2学習が反映され形が変化したニューラル・ネットワークとなる(図7(b)参照。)。
図1及び図2に示すように、上記実機学習ステップS100による学習結果と、上記模擬運転学習ステップS200による学習結果と、を受けて評価診断ステップS300が実施される。評価診断ステップS300には少なくとも診断工程S320が含まれる。
診断工程S320では、第2学習が反映された第2ニューラル・ネットワーク構成データND2’を診断テンプレートに係るニューラル・ネットワーク構成データNDTとして、該診断テンプレートに係るニューラル・ネットワーク構成データNDT及び第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1電力変換装置110の動作状況を診断する。
続いて、NDTとND1’とを比較・照合してニューラル・ネットワーク同士の類似度を評価し、第1電力変換装置110の動作状況を診断する。
診断テンプレートに係るニューラル・ネットワーク構成データNDTに格納されているデータの値と、第1学習が反映された第1ニューラル・ネットワーク構成データND1’に格納されているデータの値とを取り出して互いに比較・照合して類似度を評価することができる。具体的には、例えば以下のイ)、ロ)のような方法がある。
線形和Sk,j(マップでは円形に相当。)の値に着目してND1’のデータとNDTのデータを比較・照合する場合を以下に説明する。仮に、第1閾値をSth1とし、第1閾値よりも小さい値をもつ第2閾値をSth2とする(図8参照。)。
ND1’に含まれる総てのユニットに係る線形和Sk,jと、第1閾値Sth1と、を比較し、Sk,j>Sth1を満たすユニットのみをスクリーニングする。スクリーニングをパスしたユニットの位置情報(層番号k,ユニット番号j)をそれぞれ控える。一方、NDTについても同様の条件でスクリーニングを行う。そして、ND1’及びNDTにおいてそれぞれスクリーニングをパスしたユニットの位置が一致している(スクリーニングをパスしたユニットの位置がND1’とNDTとで一致している)場合には、実機で学習して得たND1’と模擬運転により学習したNDTとは第1の類似度にあると評価する。
さらに高い精度で類似度を把握したいときは、Sk,j>Sth2となる条件でスクリーニングを行い、同様にND1’及びNDTのそれぞれにおいてスクリーニングをパスしたユニットの位置が一致している場合には、実機で学習して得たND1’と模擬運転により学習したNDTとは第2の類似度(第1の類似度よりも高い類似度)にあると評価することもできる。
同様に、線形和Sk,jに着目して比較・照合する場合を以下に説明する。まず、ND1’において、同一層内で最大のSk,j値をもつユニットを抽出する。一方で、最小のSk,j値をもつユニットを抽出する。抽出されたユニットの位置情報(層番号k,ユニット番号j)をそれぞれ控える。NDTにおいても同様の処理を行う。
そして、抽出された最大のユニットの位置と、最小のユニットの位置が、ND1’及びNDTにおいて一致している場合には、実機で学習して得たND1’と模擬運転により学習したNDTとは第1の類似度にあると評価する。
上記は簡易的な方法であるが、更に精度を上げるべく、ND1’及びNDTのそれぞれについて、最大となるSk,jと最小となるSk,jとの比率を算出して、比率の乖離度によって類似度の水準を評価することもできる。
また、比較・照合の方法、類似度の算出方法は上記に限られるものではない。
第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1マップMAP1を作成し、診断テンプレートに係るニューラル・ネットワーク構成データNDTに基づき第2マップMAP2を作成して、マップのパターン同士を比較・照合して類似度を評価することもできる。この方法による比較・照合については、[実施形態2]の項で詳細に述べる。
上記のように、ND1’及びNDTに基づいた両ニューラル・ネットワークの比較・照合及び類似度の評価を終えた後、診断工程S320ではかかる類似度に応じて第1電力変換装置110の動作状況を診断する。
まず、第1ニューラル・ネットワーク構成データND1’と、診断テンプレートに係るニューラル・ネットワーク構成データNDT(ND2’から取り出されてNDTとして扱われる)との間の類似度を把握する。
そして、類似度がやや高い場合、当該第1電力変換装置110は、模擬運転を行った当該試験モードに似た環境・運転条件で動作してきた可能性があるものと推定する。
また、類似度が上記よりも更に高い場合、又は、類似度が極めて高く両ニューラル・ネットワークの形がほぼ同一であると判断できる場合には、当該第1電力変換装置110は模擬運転を行った当該試験モードとほぼ同様の環境・運転条件で動作してきたものであると高い確率で推定する。
上記のように、様々な試験モードによる第2ニューラル・ネットワーク構成データND2’について取り出して、実機100側の第1ニューラル・ネットワーク構成データND1’との類似度を上記のように評価していきながら、最も類似度が高い第2ニューラル・ネットワーク構成データND2’に対応した(模擬運転による)試験モードを特定する。このように特定されたところで、実際の第1電力変換装置110においては、該特定した試験モードと同等の環境・運転条件で動作してきたことが、相当程度の精度で推定することができる。
こうして、当該第1電力変換装置110の「動作状況」を可視化して把握し、実機毎の実情に即した診断を行うことができる。
図1及び図2に示すように、上記評価診断ステップS300による評価診断結果を受けて、フィードバック制御ステップS500が実施される。フィードバック制御ステップS500には少なくともフィードバックデータ生成工程S510及び動作変更工程S520が含まれる。
フィードバックデータ生成工程S510では、評価診断ステップS300によって得られる診断データに基づき、第1電力変換装置110に対するフィードバック制御に関するフィードバックデータを生成する(図1、図2等参照。)。
例えば、第1ニューラル・ネットワーク構成データND1’と診断テンプレートに係るニューラル・ネットワーク構成データNDTとの間の類似度の高低を「診断データ」として扱うこととしてもよい((3)(iii)類似度に応じた第1電力変換装置の動作状況の診断の段落も参照。)。
「フィードバックデータ」が信号である場合には、例えば、いわゆるenable/disableの2段階の信号でもよいし、単純にタイミングを示す信号であってもよい。また、「フィードバックデータ」が大小の量が把握できるデータである場合には、動作変更工程S520においてフィードバック制御を行う際に、目標量に対する偏差として扱うことができるデータであってもよい。このデータは、後に実施例1(図23等。)でも例示するようにデジタルのデータが扱いやすいが、デジタルのデータに限るものではなく、アナログのデータ(例えば、電圧の大小をもって制御に付す場合など。)であってもよい。
動作変更工程S520では、フィードバックデータに基づいて第1電力変換装置110の動作を変更する(図1、図2等参照。)。
動作変更工程S520では、かかる制御対象に対し、上記した「フィードバックデータ」に基づいて、動作の変更を掛ける制御を行う。ここでの「動作変更」には、いわゆる制御信号(制御量)を変える(例えば、パルスのDuty比を変える、印加電圧を変える、電流量を変える等。)だけでなく、オン/オフの動作タイミングを変える等による動作変更もこれに含まれる。
(1)実施形態1に係る電力変換装置の制御方法は、第1電力変換装置110に関係する物理量を測定して第1測定値M1を取得し、該第1測定値M1に基づいて第1ニューラル・ネットワーク構成データND1を更新することを複数回繰り返して第1学習を行う第1学習工程S120、模擬運転による第2学習が反映された第2ニューラル・ネットワーク構成データND2’を診断テンプレートに係るニューラル・ネットワーク構成データNDTとして、該診断テンプレートに係るニューラル・ネットワーク構成データNDT及び第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1電力変換装置の動作状況を診断する診断工程S320、並びに、診断データに基づき生成したフィードバックデータに基づいて第1電力変換装置110の動作を変更する動作変更工程S520を有する。このような構成によれば、実機100の電力変換装置における過去の「動作状況」を、第1ニューラル・ネットワーク構成データND1’を手掛かりとして可視化して把握することができ、第1ニューラル・ネットワーク構成データND1’と診断テンプレートに係るニューラル・ネットワーク構成データNDTに基づいて診断することができ、かかる診断結果に基づいてフィードバックデータを生成して第1電力変換装置110の動作変更を行なうことができるため、実機毎の実情に応じて的確に電力変換装置を制御することが可能となる。
さらに、実機100の電力変換装置における過去の「動作状況」についての診断を踏まえ、動作変更工程S520を行うことにより、電力変換装置を安全に安定的に動作し続けさせることが可能となる。
このように階層構造型のニューラル・ネットワークを用い、かつ誤差逆伝搬法による学習を行うことから、相互結合型などの他の型のニューラル・ネットワークを前提とした電力変換装置の制御方法よりも、ニューラル・ネットワーク構成データのサイズを比較的小さくすることができ、かつ、演算も比較的軽くすることができ、結果、多大なCPU資源を必要とせず、学習も短時間で行うことができるため、商業上/実用上有利な電力変換装置の制御方法を提供することができる。
1.実施形態2に係る電力変換装置の制御方法
実施形態2に係る電力変換装置の制御方法は、基本的に実施形態1に係る電力変換装置の制御方法と同様の構成を有するが、診断工程S320において、ニューラル・ネットワーク構成データをマップ化して診断を行う点において実施形態1に係る電力変換装置の制御方法とは異なる。
すなわち、実施形態1に係る電力変換装置の制御方法は、図9に示すように、診断工程S320にあっては、第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1マップMAP1を作成し、診断テンプレートに係るニューラル・ネットワーク構成データNDTに基づき第2マップMAP2を作成し、第1マップMAP1のパターンと第2マップMAP2のパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて第1電力変換装置110の動作状況を診断し、それに基づいてフィードバック制御ステップS500を実施する構成となっている。
「マップ」は、ニューラル・ネットワークの状態を何等かの形で写像的にイメージとして可視化したものであり、平面的な表現であっても立体的な表現であっても構わない。以下、平面的に展開して表現されたマップを前提に説明を続ける。
例えば、上記で触れた図6及び図7はマップである。円形はユニットUTk jを、円形を結ぶ線はユニット間を結ぶネットワークを、円形の大きさは当該ユニットに入力された線形和Sk,jを、線の太さは重み付け係数Wk−1,k i,jを、それぞれ表現している。なお、大きさ/太さを異ならせるのみならず、色を異ならせる、線の種類を異ならせる(点線、破線、実線、二重線等)といった表現方法を、単独で用いる又はこれらを併用することによってもマップを表現することができる。
(i)第1マップMAP1の作成
まず、第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1マップMAP1を作成する。ユニットUTk jを配置する場合を例にとると、ND1’のデータ(Sk,j)の値の大きさに応じて円形の大きさを決め、当該円形を予め定められた当該ユニットの位置(ここでは第k層、第jの位置)に配置する。
同様に、ネットワークに対応する線を配置する場合には、ND1’のデータ(重み付け係数Wk−1,k i,j)の値の大きさに応じて図形としての線の太さを決め、当該線を予め定められた当該ネットワークの位置に配置する。
総てのユニット及びネットワークに対応して円形及び線を配置すると第1マップMAP1が完成する。
上記した第1マップの作成要領と同様に、診断テンプレートに係るニューラル・ネットワーク構成データNDTに基づき第2マップMAP2を作成する。
ND1’及びNDTが可視化されて第1マップMAP1及び第2マップMAP2が作成されたところで、双方のマップを比較・照合し、双方のマップの形において類似した傾向がみられるかどうか検討し類似度を評価する。
(a)画像処理技術(一般に製造ライン等で用いられているパターンマッチングや、顔認証等で用いられている認識技術)を用いて、第1マップMAP1と第2マップMAP2との比較・照合を行うことができる。
例えば図10で示すように、まず、カメラで第2マップMAP2(診断テンプレートに係るニューラル・ネットワーク構成データ)の画像を取り込み、取り込んだ画像データに対して二値化処理を施す(例えば図10(a)のような二値化処理を施す。)。一方、第1マップMAP1についても同様の二値化処理を施す(図10(b)参照。)。これら二値化処理を施した双方の画像を照合することによってパターンマッチング処理を行う。
双方の画像が一致している場合には、双方のマップは「極めて高い類似度」である(ほぼ同一)と評価する。双方の画像が完全に一致していなくても、照合の厳粛度を下げることでほぼ一致と判断できる場合がある。この場合は「比較的高い類似度」であると評価する。上記では二値化した画像のパターンマッチング処理による類似度の評価を行う例を説明したが、これに限らない。例えば、図10に×で示したような特徴点を抽出しておき、特徴点の情報を基に双方のマップの類似度を評価することもできる。
カメラから円形の面積を把握し、当該面積の値に基づき[実施形態1の1.(3)(ii)(a)データの値による比較・照合]の項で説明した方法と同様に、閾値を用いた方法(上記方法と同様に当該円形の面積が所定の閾値を上回っているかどうかを判定。図8参照。)、大小のプロポーション等に着目した方法(面積が最大の円形と最小の円形を抽出することによる判定。)によって、類似度を評価することができる(詳細は上記項を参照。)。
上記では、双方のマップ(MAP1及びMAP2)による評価の例を説明したが、ND1’に基づくマップMAP1単体のみを用いて実機100の動作状況を評価することもできる。
例えば、図6(c)では、第1層(入力層)の第2ユニットUT1 2の円形が大きくなっており、この第2ユニットUT1 2には比較的大きな値による入力が頻繁にあったことが把握でき、この入力に対応した物理量は比較的大きな値である場合が多かったものと推定することができる。また、UT1 2〜UT2 3の間、UT1 1〜UT2 2の間では線が太くなっており、この間においては、比較的多く頻繁に信号が伝達したことが把握することができ、UT1 2〜UT2 3の間、UT1 1〜UT2 2の間には、関連性が高いものと推定することができる。
(1)実施形態2に係る電力変換装置の制御方法においては、第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1マップMAP1を作成し、診断テンプレートに係るニューラル・ネットワーク構成データNDTに基づき第2マップMAP2を作成する。このように、実際の実機100の上で学習を積み重ねた上で得られるニューラル・ネットワークの状態を、当該第1電力変換装置110の過去の「動作状況(どのように振る舞い、動作してきたのか)」の情報として写像し、「マップ」として可視化している。よって、この第1マップMAP1を見ることにより、かかる「動作状況」をイメージとして把握することができる。
このように可視化された双方のマップのパターンを互いに比較・照合することから、マップの一致/不一致といった2値的な評価による診断だけではなく、パターンの「類似度」という2値の中間的な領域(双方のマップのパターンが同一である、及び、全く類似していない、の中間に位置する類似関係にあるもの)の評価を行うことができる。よって、2値的な断定的な故障診断ではなく、実機100においては当該試験モードと同様の環境・運転条件で動作してきた「可能性がある」、といった「傾向又は可能性の高さ」を含む情報に基づいて診断を行い、程度を加減したフィードバック制御に資することができる。
1.実施形態3に係る電力変換装置の制御方法
実施形態3に係る電力変換装置の制御方法は、基本的に実施形態1に係る電力変換装置の制御方法と同様の構成を有するが、基準データベース構築ステップS400を有し、基準データベースに格納されているm個の第2ニューラル・ネットワーク構成データの中から、診断を行おうとする第2ニューラル・ネットワーク構成データを選出して診断に付すという点において実施形態1に係る電力変換装置の制御方法とは異なる。
すなわち、実施形態3に係る電力変換装置の制御方法は、図11及び図12に示すように、基準データベース構築ステップS400においては、(a)第1ニューラル・ネットワークNN1を用いて第i試験モード(iは自然数)に係る第2ニューラル・ネットワーク構成データND2の実体を生成する第2ニューラル・ネットワーク構成データ生成工程S210と、(b)第1電力変換装置110と同じ構成を有する第2電力変換装置210を用いて第i試験モードによる模擬運転を行いつつ、第2電力変換装置210に関係する物理量を測定して第2測定値M2を取得し、該第2測定値M2に基づいて第i試験モードに係る第2ニューラル・ネットワーク構成データを更新することを複数回繰り返して第2学習を行う第2学習工程S420と、及び、(c)第2学習が反映された当該第i試験モードに係る第2ニューラル・ネットワーク構成データND2’を基準データベースに格納する基準データベース格納工程とを1つの工程ブロックとしている。そしてこれら1つの工程ブロックについて、iが1からm(mは2以上の整数)まで、iの数を増やしながらm回実行して、m個の第2ニューラル・ネットワーク構成データからなる基準データベース(図12において基準DBと表記。)を構築する構成となっている。
また同じく図11及び図12に示すように、評価診断ステップS300においては、基準データベース(図12においては基準DBと表記。)に格納されているm個の第2ニューラル・ネットワーク構成データND2’の中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データNDTとして少なくともいずれか1つを選出する診断テンプレート選出工程S310を実施し、その後は、実施形態1に係る電力変換装置の制御方法と同様に、該診断テンプレートに係るニューラル・ネットワーク構成データNDT及び第1学習が反映された第1ニューラル・ネットワーク構成データND1’に基づき第1電力変換装置110の動作状況を診断する診断工程S320を実施するものとなっている。
試験モードのバリエーションとしては、診断したい内容や意図に応じて、[実施形態1の1.(2)(iii)第2学習工程S220]の項で触れたように、(a)第2電力変換装置210に対してストレスを掛ける試験モード、(b)経年劣化を助長させる試験モード、(c)通常の運転条件の試験モード等を適宜設定することができる。
実施形態3に係る電力変換装置の制御方法方法は、基本的に実施形態1に係る電力変換装置の制御方法と同様の構成を有するため、実施形態1に係る電力変換装置の制御方法が有する効果と同様の効果を有する。
これに加え、実施形態3に係る電力変換装置の制御方法は「第1電力変換装置・・に関係する物理量を測定して・・第1ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第i試験モードによる模擬運転を行いつつ・・第2学習を行う第2学習工程・・をiの数を増やしながらm回実行して・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているm個の第2ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか1つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第1学習が反映された第1ニューラル・ネットワーク構成データに基づき前記第1電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ、及び、診断データに基づき生成したフィードバックデータに基づいて第1電力変換装置の動作を変更する動作変更工程」を有する。
このような構成によれば、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第2ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢(m個の第2ニューラル・ネットワーク構成データ)の中から、診断対象となる実機の電力変換装置の動作状況により類似した(合致した)第1ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確な、より精度の高い診断を行うことができ、ひいては、第1電力変換装置の動作状況に応じたより的確な制御を行うことができる。
実施形態4に係る電力変換装置の制御方法は、基本的に実施形態3に係る電力変換装置の制御方法と同様の構成を有するが、基準データベースに格納されているm個の第2ニューラル・ネットワーク構成データの中から、当該診断により適切な第2ニューラル・ネットワーク構成データを更にn個に絞り込む点において実施形態3に係る電力変換装置の制御方法とは異なる。
すなわち、実施形態4に係る電力変換装置の制御方法は、図15に示すように、評価診断ステップS300にあっては、実施形態3に記載の診断テンプレート選出工程S310に替えて、基準データベースに格納されているm個の第2ニューラル・ネットワーク構成データND2’のうち当該診断にふさわしい第2ニューラル・ネットワーク構成データをn個選出し(nは2以上の整数、かつ、n≦m)、該n個の第2ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データNDTとして少なくともいずれか1つを選出する第2の診断テンプレート選出工程S315(図示せず。)を含む構成となっている。
事前に、基準データベース構築ステップS400において、夏用、冬用及び春秋用の第2ニューラル・ネットワーク構成データ群をそれぞれ準備しておき、第2の診断テンプレート選出工程S315においては、診断する「季節」に合致した第2ニューラル・ネットワーク構成データ群のみをn個選出する。こうすることで、総ての季節のデータを含むm個の総てのパターンについて比較・照合して診断を行うよりも、より効率的な診断を行うことができる。また、診断に係る季節にふさわしい第2ニューラル・ネットワーク構成データを選出して絞り込むため、より的確な診断を行うことができ、より精度の高い診断を行うことができ、ひいては、第1電力変換装置の動作状況に応じたより的確な制御を行うことができる。
こうすることで、上記例では総ての種類の負荷についてm個の総てのパターンについて当たって診断を行うよりも、より効率的な診断を行うことができる。上記例で述べると、接続される負荷の種類によって第1電力変換装置110の事情(動作状況)は異なってくることから、実施形態4に係る電力変換装置の診断方法によれば、診断に係る装置にふさわしい第2ニューラル・ネットワーク構成データを選出して絞り込むことにより、より的確な診断を行うことができ、第1電力変換装置の動作状況に応じたより的確な制御を行うことができる。
また、上記例の負荷の種類に応じた診断では、一の基準データベース内に、異なる負荷の種類に対応する第2ニューラル・ネットワーク構成データ群がそれぞれ含まれている場合を想定して説明したが、異なる負荷の種類毎に別々に基準データベースを構築してもよい。
実施形態5に係る電力変換装置の制御方法は、基本的に実施形態1に係る電力変換装置の制御方法と同様の構成を有するが、同一の実機100における異なる時点での第1ニューラル・ネットワーク構成データ(ND11’及びND12’)をそれぞれ取得して診断を行う点において実施形態1に係る電力変換装置の制御方法とは異なる。
すなわち、実施形態5に係る電力変換装置の制御方法は、図16に示すように、実機学習ステップS100にあっては、実機100における第1学習が進んだ第1時刻t1における第1ニューラル・ネットワーク構成データND11’を取得して時間情報に関連付けながら保持し、実機100における第1学習が更に進んだ、第1時刻t1よりも後の第2時刻t2における第1ニューラル・ネットワーク構成データND12’を取得して時間情報に関連付けながら保持し、評価診断ステップS300にあっては、診断テンプレートに係るニューラル・ネットワーク構成データNDT、第1時刻における第1ニューラル・ネットワーク構成データND11’、及び、第2時刻における第1ニューラル・ネットワーク構成データND12’に基づき第1電力変換装置110の動作状況を診断し、それに基づいてフィードバック制御ステップS500を実施する構成となっている。
例えば、第1時刻t1における第1ニューラル・ネットワーク構成データND11’と、第2時刻t2における第1ニューラル・ネットワーク構成データND12’とのそれぞれの状態(形)を比較し、ND11’に対してND12’が大きく変化したことが検出された場合には、何かしらの変動があったものとの推測の下、ニューラル・ネットワークの変化した形、変化した箇所(ユニット、ネットワーク)、変化の度合いに応じてフィードバックデータを生成することにより、第1電力変換装置の動作状況に応じたより的確な制御を行うことができる。
すなわち、ND11’とND12’との間の類似度をS1、ND12’とND2’との類似度をS2としたとき、S2>S1のときには、ND2’を取得する際に模擬運転した試験モードに対応した経年変化が進んでおり、次回の定期メンテナンスまでに予防保全が必要であると診断することもできる。また、S1及びS2の相対的な大小関係を評価することにより、当該経年変化の進行度合い(あまり進行していない、急激に進行した等。)を診断し、それに基づいた適切なフィードバック制御を行うこともできる。
本発明に係る電力変換装置の制御方法を実施するシステムの一例を、以下、実施形態6として説明する。
(実機側の構成)
図18(a)に示すように、第1電力変換装置110としてバッテリーバックアップ電源装置を用い、当該第1電力変換装置110に対し所定の商用電源、バッテリー及BATび負荷Lを接続し、これら全体を実機100として本発明を実施した。
実施例1に用いる第1電力変換装置110は、コンセントCNT1、コンセントCNT2、端子T1、端子T2及び端子T3を備える。また、当該第1電力変換装置110は、交流電源と直流電源との間で相互に電力の変換を行う双方向変換部116、当該双方変換部116の制御を始めとして第1電力変換装置110全体の制御を行いつつ、第1ニューラル・ネットワーク構成データND1、実機学習ステップを実行するためのプログラム等を保持し、当該プログラムを実行するマイコン部112、測定される物理量として外部から入力されたアナログ信号をデジタル信号に変換するA/D部114、外部との間で通信等を行う外部インターフェース部(外部I/F部115)、並びに、商用電源と負荷Lと双方向変換部116との間の接続/非接続を制御するスイッチS1及びスイッチS2を備える。
双方向変換部116は、交流電源を直流電源に変換しバッテリーBATを充電する電力を供給するコンバーター回路113a、直流電源を交流電源に変換しバッテリーLから放電された電力を負荷Lに供給するインバーター回路113b、並びに、スイッチS1及びスイッチS2の間のノードとコンバーター回路113a又はインバーター回路113bとの間を選択的に接続するスイッチS3を有する。
コンバーター回路113aは、図18(b)に示すように、トランスTR1の一次側に接続された複数の能動素子(パワーMOSFET、IGBT等)117a〜117dからなる駆動部117と、マイコン部112からの信号に基づいて駆動部117の複数の能動素子(117a〜117d)のゲートにパルス状の制御信号を与える電力制御部111と、トランスTR1の二次側に接続された複数のダイオード(D1〜D4)からなるブリッジ回路と、該ダイオードブリッジ回路に接続されたコイルL1及びキャパシタC1からなる平滑回路とを有する。トランスTR1、ブリッジ回路及び平滑回路は、駆動部117の後段を構成する。
別の観点で説明すると、第1電力変換装置110は、図19及び図20の機能ブロック図に示すように、マイコン部112に実装されたフィードバックデータ生成部350及び動作変更部150、並びにコンバーター回路113aに実装された電力制御部111及び駆動部117を備える。電力制御部111はPWM(Pulse Width Modulation)に用いるパルスを発生するための回路(例えば、三角波発生回路、Vref発生回路、比較器等によって構成される。)を有し、駆動部117は、PWMパルス発生部から出力されたパルスによって駆動され、後段に出力されるエネルギーがパルスのDuty比に応じて変化するよう構成されている。
実施例1では、CNT1に商用電源(AC100V、単相)を、CNT2に所定の負荷(電気製品)を、T1には所定のバッテリーBATを、T2には該バッテリーBATの近傍にセンサー部を配置した温度検出器THを、それぞれ接続した。
第1ニューラル・ネットワークNN1は、図21に示すような、入力層(5個のユニット)、2個の中間層(それぞれ4個のユニット)、及び出力層(2個のユニット)からなる階層構造を基本アーキテクチャとし、バッテリーBATの電圧及び電流、負荷Lの電圧及び電流、並びに、バッテリーBATの温度を入力因子とするユニットによって入力層を構成し、かつ、バッテリーBATの放電時間及び充電時間を出力因子とするユニットによって出力層を構成した。伝達関数はシグモイド関数を用いた。
第1ニューラル・ネットワーク構成データND1は、上記基本アーキテクチャに対応したデータ構造として定義して、マイコン部112の上のソフトウェアとして実装した(図示せず。)。同様に、実機学習ステップS100を実施するためのアルゴリズムを含むプログラムをマイコン部112の上のソフトウェアとして実装した(図示せず。)。学習は、バッテリーBATの充電時間及び放電時間を教師信号とした誤差逆伝搬法を用いて行った。
一方、模擬運転装置側には、第1電力変換装置110と同じ構成を有する第2電力変換装置210を用いた(図示しない。)。実機100側と同様に、第1ニューラル・ネットワークNN1の基本アーキテクチャに基づいた第2ニューラル・ネットワーク構成データND2と、基準データベース構築ステップS400を実施するためのアルゴリズムを含むプログラムを第2電力変換装置210に搭載されたマイコン部の上のソフトウェアとして実装した。学習は第1学習と同様の手法で行った。
また、第2電力変換装置210に対して実際の実機100と同様な運転環境、入出力等を提供することができる模擬環境提供治具(図示しない。)を用いた。模擬環境提供治具は、バッテリーBAT及び負荷Lに対し、充電及び放電を繰り返しできるような回路で構成し、また、バッテリーBATの条件は直流電源(図示しない。)などを使用して変動できるようにした。
(第1試験モード)経年劣化を助長させる試験モード
環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させた。
(第2試験モード)通常の運転条件による運転を行ったと仮定した試験モード
実機100における実機学習ステップS100によって形成された第1ニューラル・ネットワークのマップの形は、図22(a)に示すようなMAP1となった。
一方、模擬運転装置200における模擬運転学習ステップS200によって形成された第1試験モード及び第2試験モードに対応した第2ニューラル・ネットワークのマップの形は、それぞれ、図21(b)及び図21(c)に示すようなMAP21及びMAP22となった。
図23に、実施例1のフィードバックデータ生成工程S510で用いる診断データ〜フィードバックデータの変換テーブルを示す。テーブルでは、評価診断ステップS300の結果である類似度が水準として区分され、それに対応するように、第1電力変換装置110の動作に関するフィードバックデータ(具体的にはPWMパルスのDuty比の偏差。)が設定されている。
ここで、実施例1の例では、上記したように診断データは「第1の類似度」であることから、テーブル上の診断データに対応するフィードバックデータは「5%」である。こうして、評価診断ステップS300によって得られる診断データ「第1の類似度」に基づき、第1電力変換装置110に対するフィードバック制御に関するフィードバックデータ「5%」が生成された。
図19に示すように、動作変更部150は、PWMパルスの標準のDuty比のデータと、フィードバックデータ(いわゆる偏差)とが入力され、それらが加味されたいわゆる制御信号が出力される構成となっている。ここで、標準のDuty比のデータは50%であり、上記したとおりフィードバックデータは5%であるから、これらのデータが動作変更部150に入力されて加味された結果、動作変更部150よりDuty比45%が出力された。すると、それまでDuty比50%のPWMパルスにより駆動されていた電力制御部、駆動部及び後段は、当該動作変更工程S520を実行することにより、Duty比45%のPWMパルスによる駆動に動作変更がされた。こうして、フィードバックデータに基づいてDuty比を下げるような駆動を行うように第1電力変換装置110の動作変更が行われた。
このようにして、動作変更工程S520を実施する前に比べて、後段に与えられるエネルギーが軽減された。
以上の実施例1からも分るように、本発明の電力変換装置の制御方法においては、第1電力変換装置110に、能動素子が実装された駆動部117が含まれている場合であって、評価診断ステップS300で、駆動部117に関する診断結果が、第1の傾向があるものと診断された場合には(例えば駆動部117に関係する回路(後段)、又は、駆動部117に含まれる能動素子117a〜117dにおいて経年劣化が進んでいる傾向があると診断された場合には)、フィードバック制御ステップS500の動作変更工程S520で、能動素子を駆動するパルス(PWMパルス)のデューティー比を下げることにより第1電力変換装置110の動作を変更した。
これにより、駆動部117駆動部117それ以降、PWMパルスのDuty比を50%で引き続き駆動するのではなく、Duty比を45%に抑えた駆動に動作変更することにより、駆動部117に関係する回路(後段)、又は、駆動部117に含まれる能動素子117a〜117dに与えられるエネルギーが軽減され(いわば控えめの駆動がおこなわれることになる。)、電力変換の効率は多少落ちるものの安全な運転が維持され、上記した回路又は能動素子の長寿命が促進される。こうして、実機100の電力変換装置における過去の「動作状況」についての診断を踏まえ、動作変更工程S520を行うことにより、電力変換装置を安全に安定的に動作し続けさせることが可能となることを確認した。
(模擬運転装置側の構成)
実施例2は、基本的には実施例1と同様の構成により実施したが、模擬運転学習ステップS200における模擬運転を実施例1とは異なる第3試験モードで行い、フィードバック制御ステップS500においてPWMパルスのデューティー比を上げる制御を行った点が異なる。
実機100におけるニューラル・ネットワークのマップMAP1が図24(a)となったところ、MAP1はMAP23と比較的類似していると把握された。よって、駆動部117が外部に与えるエネルギーの伝達効率が低下している傾向がある(第2の傾向)ものと評価された。その類似度は所定の水準となっており、当該類似度に応じて所定の「診断データ」を得た(図示しない。)。
実施例2における診断データ〜フィードバックデータの変換テーブルは、類似度が上がるにつれてPWMパルスのDuty比を上げる方向の数字となるようなDuty比の偏差を設定したテーブルを準備した(図示しない。)。
ここで、実機100のニューラル・ネットワークのマップMAP1の形が、第3試験モードによるMAP24と所定の類似度である場合に、上記変換テーブルで定められた偏差をもってPWM用パルスのDuty比を上げて、電力制御部113、駆動部117及び後段を駆動した。
例えば、ユーザーの任意の設定により、通常よりも高い効率で電力変換を行う高効率運転モードが許容されている場合であって、駆動部117の接続先のパワーを維持することの方がより安全に安定的な動作につながるようなシステム仕様の場合、実施例2に従って実機100の電力変換装置における過去の「動作状況」についての診断を踏まえ、動作変更工程S520を行うことにより、電力変換装置を含む実機を安全に安定的に動作し続けさせることが可能となることを確認した。
Claims (11)
- 第1電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行い、前記第1電力変換装置に対してフィードバック制御を行う電力変換装置の制御方法であって、
第1ニューラル・ネットワークを用いて第1ニューラル・ネットワーク構成データの実体を生成する第1ニューラル・ネットワーク構成データ生成工程と、前記第1電力変換装置に関係する物理量を測定して第1測定値を取得し、該第1測定値に基づいて前記第1ニューラル・ネットワーク構成データを更新することを複数回繰り返して第1学習を行う第1学習工程と、を含む実機学習ステップと、
前記第1ニューラル・ネットワークを用いて第2ニューラル・ネットワーク構成データの実体を生成する第2ニューラル・ネットワーク構成データ生成工程と、前記第1電力変換装置と同じ構成を有する第2電力変換装置の模擬運転を行いつつ、前記第2電力変換装置に関係する物理量を測定して第2測定値を取得し、該第2測定値に基づいて前記第2ニューラル・ネットワーク構成データを更新することを複数回繰り返して第2学習を行う第2学習工程と、を含む模擬運転学習ステップと、
前記第2学習が反映された前記第2ニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第1学習が反映された前記第1ニューラル・ネットワーク構成データに基づき前記第1電力変換装置の動作状況を診断する診断工程を含む評価診断ステップと、
前記評価診断ステップによって得られる診断データに基づき、前記第1電力変換装置に対するフィードバック制御に関するフィードバックデータを生成するフィードバックデータ生成工程と、該フィードバックデータに基づいて前記第1電力変換装置の動作を変更する動作変更工程を有するフィードバック制御ステップと、を有することを特徴とする電力変換装置の制御方法。 - 第1電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行い、前記第1電力変換装置に対してフィードバック制御を行う電力変換装置の制御方法であって、
第1ニューラル・ネットワークを用いて第1ニューラル・ネットワーク構成データの実体を生成する第1ニューラル・ネットワーク構成データ生成工程と、前記第1電力変換装置に関係する物理量を測定して第1測定値を取得し、該第1測定値に基づいて前記第1ニューラル・ネットワーク構成データを更新することを複数回繰り返して第1学習を行う第1学習工程と、を含む実機学習ステップと、
(a)前記第1ニューラル・ネットワークを用いて第i試験モード(iは自然数)に係る第2ニューラル・ネットワーク構成データの実体を生成する第2ニューラル・ネットワーク構成データ生成工程と、(b)前記第1電力変換装置と同じ構成を有する第2電力変換装置を用いて前記第i試験モードによる模擬運転を行いつつ、前記第2電力変換装置に関係する物理量を測定して第2測定値を取得し、該第2測定値に基づいて前記第i試験モードに係る第2ニューラル・ネットワーク構成データを更新することを複数回繰り返して第2学習を行う第2学習工程と、及び、(c)前記第2学習が反映された当該第i試験モードに係る第2ニューラル・ネットワーク構成データを基準データベースに格納する基準データベース格納工程とを、iが1からm(mは2以上の整数)まで、iの数を増やしながらm回実行して、m個の前記第2ニューラル・ネットワーク構成データからなる前記基準データベースを構築する基準データベース構築ステップと、
前記基準データベースに格納されているm個の前記第2ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか1つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第1学習が反映された前記第1ニューラル・ネットワーク構成データに基づき前記第1電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップと、
前記評価診断ステップによって得られる診断データに基づき、前記第1電力変換装置に対するフィードバック制御に関するフィードバックデータを生成するフィードバックデータ生成工程と、該フィードバックデータに基づいて前記第1電力変換装置の動作を変更する動作変更工程を有するフィードバック制御ステップと、を有することを特徴とする電力変換装置の制御方法。 - 請求項2に記載の電力変換装置の制御方法において、
前記評価診断ステップにあっては、請求項2に記載の前記診断テンプレート選出工程に替えて、前記基準データベースに格納されているm個の前記第2ニューラル・ネットワーク構成データのうち当該診断にふさわしい前記第2ニューラル・ネットワーク構成データをn個選出し(nは2以上の整数、かつ、n≦m)、該n個の前記第2ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか1つを選出する第2の診断テンプレート選出工程を含むことを特徴とする電力変換装置の制御方法。 - 請求項1〜3いずれかに記載の電力変換装置の制御方法において、
前記ニューラル・ネットワークとして、入力層、1つ以上の中間層及び出力層を有する階層構造型のニューラル・ネットワークを用い、
前記第1学習工程及び前記第2学習工程においては、誤差逆伝搬法によって前記第1学習及び前記第2学習を行うことを特徴とする電力変換装置の制御方法。 - 請求項1〜4のいずれかに記載の電力変換装置の制御方法において、
前記診断工程にあっては、
前記第1学習が反映された前記第1ニューラル・ネットワーク構成データに基づき第1マップを作成し、前記診断テンプレートに係るニューラル・ネットワーク構成データに基づき第2マップを作成し、前記第1マップのパターンと前記第2マップのパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて前記第1電力変換装置の動作状況を診断することを特徴とする電力変換装置の制御方法。 - 請求項1〜5のいずれかに記載の電力変換装置の制御方法において、
前記第1電力変換装置には、少なくともインバーター回路が含まれ、少なくともバッテリー及び負荷が接続されることを特徴とする電力変換装置の制御方法。 - 請求項6に記載の電力変換装置の制御方法において、
前記第1ニューラル・ネットワークにおいては、前記バッテリーの電圧及び電流、前記負荷の電圧及び電流、並びに、前記バッテリーの温度又は前記第1電力変換装置の温度を入力因子とするユニットによって入力層を構成し、かつ、前記バッテリーの放電時間及び充電時間を出力因子とするユニットによって出力層を構成することを特徴とする電力変換装置の制御方法。 - 請求項1〜7のいずれかに記載の電力変換装置の制御方法において、
前記第1電力変換装置には、能動素子が実装された駆動部が含まれ、
前記評価診断ステップで、前記駆動部に関する診断結果が第1の傾向があるものと診断された場合には、
前記フィードバック制御ステップの動作変更工程で、前記能動素子を駆動するパルスのデューティー比を下げることにより前記第1電力変換装置の動作を変更することを特徴とする電力変換装置の制御方法。 - 請求項1〜7のいずれかに記載の電力変換装置の制御方法において、
前記第1電力変換装置には、能動素子が実装された駆動部が含まれ、
前記評価診断ステップで、前記駆動部に関する診断結果が第2の傾向があるものと診断された場合には、
前記フィードバック制御ステップの動作変更工程で、前記能動素子を駆動するパルスのデューティー比を上げることにより前記第1電力変換装置の動作を変更することを特徴とする電力変換装置の制御方法。 - 請求項1〜9のいずれかに記載の電力変換装置の制御方法において、
前記第2電力変換装置の前記模擬運転には、前記第2電力変換装置に対してストレスを掛ける試験モードの下での運転が含まれることを特徴とする電力変換装置の制御方法。 - 請求項1〜10のいずれかに記載の電力変換装置の制御方法において、
前記実機学習ステップにあっては、
前記実機における前記第1学習が進んだ第1時刻における前記第1ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、前記実機における前記第1学習が更に進んだ、前記第1時刻よりも後の第2時刻における前記第1ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、
前記評価診断ステップにあっては、
前記診断テンプレートに係るニューラル・ネットワーク構成データ、前記第1時刻における前記第1ニューラル・ネットワーク構成データ、及び、前記第2時刻における前記第1ニューラル・ネットワーク構成データに基づき前記第1電力変換装置の動作状況を診断することを特徴とする電力変換装置の制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016082548A JP6569986B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016082548A JP6569986B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017192278A true JP2017192278A (ja) | 2017-10-19 |
JP6569986B2 JP6569986B2 (ja) | 2019-09-04 |
Family
ID=60085000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016082548A Active JP6569986B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6569986B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020102965A (ja) * | 2018-12-21 | 2020-07-02 | 株式会社Ihi | 電源供給装置、パワーコンディショナ及び電源装置 |
CN116526617A (zh) * | 2023-04-26 | 2023-08-01 | 广芯微电子(广州)股份有限公司 | 一种基于强化学习的锂电池充电控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05272994A (ja) * | 1992-03-26 | 1993-10-22 | Mitsubishi Heavy Ind Ltd | 状態検出装置 |
JPH06199403A (ja) * | 1992-12-28 | 1994-07-19 | Murata Mach Ltd | スタッカクレーン |
-
2016
- 2016-04-17 JP JP2016082548A patent/JP6569986B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05272994A (ja) * | 1992-03-26 | 1993-10-22 | Mitsubishi Heavy Ind Ltd | 状態検出装置 |
JPH06199403A (ja) * | 1992-12-28 | 1994-07-19 | Murata Mach Ltd | スタッカクレーン |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020102965A (ja) * | 2018-12-21 | 2020-07-02 | 株式会社Ihi | 電源供給装置、パワーコンディショナ及び電源装置 |
JP7172572B2 (ja) | 2018-12-21 | 2022-11-16 | 株式会社Ihi | 電源供給装置、パワーコンディショナ及び電源装置 |
CN116526617A (zh) * | 2023-04-26 | 2023-08-01 | 广芯微电子(广州)股份有限公司 | 一种基于强化学习的锂电池充电控制方法及装置 |
CN116526617B (zh) * | 2023-04-26 | 2024-02-02 | 广芯微电子(广州)股份有限公司 | 一种基于强化学习的锂电池充电控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6569986B2 (ja) | 2019-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
JP6569985B2 (ja) | 電力変換装置の診断方法 | |
Tang et al. | Condition monitoring and assessment of power transformers using computational intelligence | |
Golmohammadi | Neural network application for fuzzy multi-criteria decision making problems | |
Flores et al. | Evolutive design of ARMA and ANN models for time series forecasting | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
Pinto et al. | Strategic bidding in electricity markets: An agent-based simulator with game theory for scenario analysis | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测***及其方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
CN108710905A (zh) | 一种基于多模型联合的备件数量预测方法和*** | |
JP2020135390A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115015760B (zh) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 | |
CN105447646A (zh) | 一种配电***健康指数评估方法 | |
Chassin et al. | Load modeling and calibration techniques for power system studies | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Jani et al. | A framework of software requirements quality analysis system using case-based reasoning and Neural Network | |
Ibrahim et al. | Selection criteria for oil transformer measurements to calculate the health index | |
JP6569986B2 (ja) | 電力変換装置の制御方法 | |
CN109376926A (zh) | 电能计量器具的误差预测方法、装置、设备及存储介质 | |
Mohanty et al. | Home electric vehicle charge scheduling using machine learning technique | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
Mohsin et al. | Lead-acid battery modelling in perspective of ageing: a review | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180903 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190626 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190709 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190726 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6569986 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |