JP4162067B2 - 送電線事故原因判別方法 - Google Patents
送電線事故原因判別方法 Download PDFInfo
- Publication number
- JP4162067B2 JP4162067B2 JP35949098A JP35949098A JP4162067B2 JP 4162067 B2 JP4162067 B2 JP 4162067B2 JP 35949098 A JP35949098 A JP 35949098A JP 35949098 A JP35949098 A JP 35949098A JP 4162067 B2 JP4162067 B2 JP 4162067B2
- Authority
- JP
- Japan
- Prior art keywords
- accident
- transmission line
- determination method
- cause
- cause determination
- 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.)
- Expired - Fee Related
Links
Images
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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Description
【０００１】
【発明の属する技術分野】
この発明は送電線事故原因判別方法に関し、特に人間の判断によらずとも、送電線の事故原因を、正確かつ容易に判定することのできる送電線事故原因判別方法に関する。
【０００２】
【従来の技術】
送電線事故は広範囲に影響を及ぼすので、非常巡視に多くの労力が費やされている。送電線事故を迅速に復旧し、非常巡視の労力を軽減するためには、巡視を効率的に行う必要があり、その事前情報として事故原因の推定は非常に重要である。
【０００３】
従来、事故原因の推定は、故障時の波形や天候、時刻、地域性をもとに、運用者が事故原因の判別を行っているが、的確な事故原因判別を行うためには、十分な経験を要する。しかし、近年、送電線の信頼性が向上してきたのに伴い、送電線事故が減少し、運用者が事故推定の経験をする機会が少なくなってきている。このため、人間系により事故原因を判別することは、困難な状況となっている。また、送電線事故原因判別方式を機械化・自動化する試みがなされているが、その試みの原理は、事故時の電圧・電流波形に基づく方式が主であり、未だに研究段階と考えられる。
【０００４】
【発明が解決しようとする課題】
従来の事故原因の判別の正確さは、運用者の経験に大きく依存している。このため、運用者の業務経歴や年齢などで、事故原因の判別の正確さが異なるものとなるばかりでなく、未経験者が原因を判別することは極めて困難であるという問題がある。しかも、人間の経験による事故原因の判別は、必ずしも正確ではないため、事故原因の判別に関しては人間の経験のみに頼る事はできない。
【０００５】
また、機械化による送電線事故原因判別方式の開発は、事故時の電圧・電流波形を用いた方式が主であり、その方式は、波形データの不足や方式の有効性の確認などで行う模擬事故実験の困難性が課題となっている。
【０００６】
本発明の目的は、前記した従来技術の課題を除去し、人間の経験あるいは判断によらずに、早期にかつ正確に送電線の事故原因を判別することができる送電線事故原因判別方法を提供することにある。また、他の目的は、有効性の確認を容易に行える送電線事故原因判別方法を提供することにある。
【０００７】
【課題を解決するための手段】
前記した目的を達成するために、本発明は、送電線で発生する事故原因を判定する送電線事故原因判別方法において、送電線事故原因が既知の過去の事故状況データを定量化し、
該既知の過去の事故状況データから事故原因ｉ（ｉ＝１，２，・・・，ｍ）の特徴を表す射影行列Ｐｘｉを予め導出し、事故原因が未知の事故状況データを定量化することにより、該事故状況データの数値の列である未知パターンｘｕを作り、事故原因ｉ（ｉ＝１，・・・，ｍ）の特徴空間への射影値ｒ ui を、前記射影行列Ｐｘｉを用いて、下式により計算し、該射影値ｒ ui の最も大きな事故原因ｉを事故原因と判定するようにした点に第１の特徴がある。
ｒ ui ＝ｘ u Ｔ Ｐ xi ｘ u
【０００８】
また、前記事故状況データをメンバーシップ関数で表現するようにした点に第２の特徴がある。
【０００９】
前記第１、第２の特徴によれば、前記パターン認識を用いて、事故発生時の状況データから、事故原因を究明できるので、人間の経験あるいは判断によらずに、早期にかつ正確に事故原因を突き止めることが可能となる。また、前記第２の特徴によれば、前記事故状況データの定性表現の定量化において、季節（四季）などの境が明確でないデータ項目に対しては、その境を曖昧に表現できるファジー理論のメンバーシップ関数を適用することで、事故原因探索の正確性を向上することができる。
【００１０】
【発明の実施の形態】
以下に、図面を参照して、本発明を詳細に説明する。図１は、本発明が適用されるコンピュータの概略のハード構成を示すブロック図である。
【００１１】
図において、１はコンピュータ全体の動作を制御する中央演算処理装置（ＣＰＵ）、２は該コンピュータの制御プログラム、該制御に必要なデータ、パラメータ等を格納するリードオンリーメモリ（ＲＯＭ）、３は処理に必要な作業領域となったり、必要なデータ、パラメータ等を格納するランダムアクセスメモリ（ＲＡＭ）、４はテンキー、各種の機能キー、ポインティングデバイス等を含む入力装置、５はＣＲＴ等からなる表示装置、６は他のコンピュータまた計測装置などの媒体と情報のやり取りを行う通信装置、７はハードディスクである。
【００１２】
予め事故原因が既知である過去の事故実績データから、パターン認識の方法により抽出された各事故原因の特徴は、プログラムやその演算に使用されるデータに反映されている。そこで、何らかの事故が発生すると、前記通信装置６、及び必要であるなら入力装置４から事故原因の判別に用いる状況データが、前記ＲＡＭ３またはハードディスク７に取り込まれる。取り込まれた事故状況データは、予め格納されている前記各事故原因の特徴を利用して事故原因が判別される。
【００１３】
本発明はパターン認識手法を用いた送電線事故原因判別方法に関するものであり、事故原因が既知である事故状況データからの特徴の抽出手順と、実運用時の事故原因が未知である事故状況データからの事故原因判別手順とからなる。ここではパターン認識手法として、最小平均２乗誤差基準のもとで最適な直交展開となる部分空間類別法の一手法であるＣＬＡＦＩＣ(CLAss-Featuring Information Compression)法を適用する。なお、該ＣＬＡＦＩＣ法に限定されず、他の種々のパターン認識手法も送電線事故原因判別に適用可能である。
【００１４】
まず、事故原因判別に用いる既知の送電線事故報告書から、判別に使用可能な事故状況データ項目と判別すべき事故原因とを選定する。この選定した事故状況データ項目にはパターン認識に適用できない「天候」などの定性的な表現のものが含まれているため、これを定量化する。以下に、該定量化の方法を示し、定量化された事故状況データからの事故原因の特徴の抽出の方法を説明する。
【００１５】
前記送電線事故報告書は事故判別システムの使用時には得られない巡視での情報も含んでいるので、その情報は除去する。図２に、事故直後の事故判別に用いることが可能な事故状況データ項目を示す。以下では、図２に選定された１０項目のみを情報源とした事故原因判別方法の構築を検討して行くこととする。
【００１６】
次に、判別する事故原因は、警報などで容易に推定可能な事故原因「雷」「風雨」などを除いた、運用者に対して判別の必要な事故原因を送電線事故報告書で分類されている原因より選定する。事故原因として選定される条件は、下記の(1) 〜(5) である。
(1) 警報や天候、環境条件より、容易に判別できる原因は省く。
(2) 「その他」「不明」は省く。
(3) 非常にまれな原因は省く。
(4) 運用者の判別が困難な原因である。
(5) 特に、早急な対応を要する原因である。
前記の事故原因選定条件により選定された事故原因を図３に示す。
【００１７】
図３の事故原因をパターン認識を適用して判別する。パターン認識は、統計的解析に基礎を置くため、定量的表現での取扱が必要になる。図４に選定した事故状況のデータの表現が定量的か定性的かを示す。このように事故状況データ項目には、そのままの表現ではパターン認識に適用できない多くの定性的表現のデータが含まれている。
【００１８】
図４の定性的表現の「発生年月日の平日・休日」「天候」「地域」「動作リレー」「支障回線」「試送電の結果」「送電線路種別」「中性点接地方式」の各データ項目は、パターン認識を適用するために、各々のデータのもつ意味合いを考慮して定量的表現に変換する必要がある。
【００１９】
発生年月日の平日・休日の情報の定量化は、事故原因に依存する作業などの活動状況を表現する必要がある。通常と生活形態や活動状況が異なるのは休日である。休日は、日曜・祝祭日・振り替え休日を主とする。更に、一般的な生活形態から、正月３ケ日とお盆３ケ日をも含む事とする。土曜日は過去の事故データの場合などには、休日に属するといいがたいため、平日との中間に土曜という区分を設ける。活動状況の連続性を考慮して、休日・土曜・平日の順番に定量化を行い、これらを、整理して、図５に示す。
【００２０】
次に、「天候」の定量表現について検討する。図６の番号２の「強風」以外は、状況の連続性が存在する。そこで、「強風」は別情報として取り扱うこととする。「強風」以外は、状況の連続性を考慮した定量化を行い、「強風」は状況の有無により定量化を行う。天候の定量的表現の一例を図７に示す。
【００２１】
送電線事故報告書の地域は、図８に示すように九州電力の事故発生支店での表現である。図８の北九州と福岡とを一つとして、九州７県の位置・配置情報を生かした定量化を図９に示す。
【００２２】
図９は、九州を、縦・横に３分割して、各県の最も多くを含む枠の縦・横の数値で、その県を表現するようにしている。このようにして、定量化を行った結果を図１０に示す。
【００２３】
動作リレーは、前記送電線事故報告書において図１１のように表現されている。ここで、図１１の情報において、断線などの番号３から６は、事故原因判別を行う必要のある事故直後には得る事はできず巡視などにより得られるため、判別システム運用時は使用できない。情報として得られるのは、リレーの動作状況のみである。これを、考慮して定量化を行い、あわせて図１１に示す。
【００２４】
前記送電線事故報告書での支障回線の内容において、被害の有り無しは、事故直後の判別システムの運用時に情報として得ることはできない。得られるのは停電の情報のみであるため、送電線事故報告書の記載内容と停電の定量化表現を図１２に示す。
【００２５】
前記送電線事故報告書の試送電の結果は、試送電を実施したのかと、その結果はどうなのかという二つの情報を含んでいる。支障回線の内容を考慮して、「実施」と「結果」の２項目に分類し、各々を図１３のように定量化表現する。
【００２６】
前記送電線事故報告書の送電線路種別（線路状況種別）は、「架空」、「地中」、「水底（海底）」の異なる組み合わせによる分類となっている。つまり、前記の３種別は独立の情報であり、「架空」であれば「地中」は存在しないなどの相関はない。また、「水底（海底）」の出現頻度は非常に少ないため、地中に含めることとする。その２種別の独立情報を有り無しで定量化して図１４に示す。もちろん、「水底」を別情報とした定量化も可能である。
【００２７】
前記送電線事故報告書の中性点接地方式（線路状況接地種別）は、「非接地」「直接接地」、および「抵抗接地」、「ＰＣ接地」、「ＰＣ＋抵抗接地」などがあり図１５のように定量表現を行う。全て「０」の場合が、非接地である。なお、図１５の補償リアクトルは単独での接地形態ではなく、抵抗接地とのみ組合わせて用いられる。
【００２８】
これにより、定性表現の事故状況データの定量化を行った。それらを整理した定量的表現の事故状況データを図１６に示す。定量化により、一つの送電線事故は、２１項目の事故状況データから表現されることとなる。
【００２９】
これまでに示した定量化の手法を用いて、一例として実際に発生した事故原因「作業者の過失」の事故状況データを定量化する過程を図１７に示す。この定量化により、パターン認識の適用が可能となった。
【００３０】
送電線事故報告書に記録されている１９７６年から１９９５年までの事故原因が既知である事故状況データを、該当事故毎で定量化を行う。一例として事故原因「作業者の過失」の数値化された事故状況データを図１８に示す。このデータの一つの行が実際に発生した一つの送電線事故に対応しており、これらの数値の並びを列ベクトルとしたものを、パターン認識による事故原因判別ではパターンと呼ぶ。
【００３１】
パターン認識を用いた事故原因判別方法を説明するに際し、用語の定義を次のように行う。
パターン空間：事故の状況データ項目を各軸として張られる多次元空間、
パターン：一つの事故データを示す。パターン空間では、その事故の状況データ項目の数値データの組で構成される列ベクトル、
特徴空間：パターン空間の全軸または一部の軸の線形結合により張られる部分空間であり、射影によって得られる判別に適した特徴軸により張られる空間、
次元数：空間を張る軸の数、
特徴抽出：パターン空間から判別に有効な情報をもつ特徴空間を構成すること、 クラス：判別すべき各事故原因をクラスと呼ぶ。ここでは、作業者過失・公衆過失・無断伐採・鳥獣接触・樹木接触・他物接触を順にクラス１・クラス２・クラス３・クラス４・クラス５・クラス６とする。各クラスには同一事故の事故データのパターンが属する、
標本パターン：事故原因が既知である事故データのパターン、
未知パターン：事故原因が未知である判別（識別）すべきパターン、
基底ベクトル：ある空間を張る互いに直交した大きさ１のベクトル、
ノルム：ある空間上の２点間のユークリッド距離、
次に、パターン認識理論検討の前準備として使用する記号の意味と数学的な諸定義とを行う。
ｎ：パターン空間の次元数、ここでは２１、ただしメンバーシップ関数でのデータ表現では２８である。
ｌ：特徴空間の次元数、
ｍ：クラス数（事故原因の数であり、ここでは６）、
Ｎi ：クラスｉの標本パターンの数、
Ｎ＝ΣＮi ：全標本パターンの数、
本発明の送電線事故原因判別方法では、ｎ次元ユークリッド空間Ｒｎ をパターン空間とし、空間上の原点を起点とするベクトルをパターンとみなす。したがって、パターンａは、ｎ個の事故状況データ項目の数値データである実数値α1 ，α2 ，…，αn の組みによって、α＝［α1,α2,α3,...., αn ］Ｔ の列べクトルとして表される。ここで、αＴ はαの転置である。
【００３２】
事故原因が既知、つまり属するクラスが既知である場合、クラスｉに属するｊ (≦Ｎi)番目の標本パターンｘij は、下式のように表す。
ｘij＝［ｘij1,ｘij2,ｘij3,...,ｘijn ］Ｔ
特徴空間における標本パターンの表現はｚijとして、下式のように表す。
【００３３】
ｚij＝［ｚij1,ｚij2,ｚij3,...,ｚijn ］Ｔ
次に、パターン認識の部分空間類別法の一手法であるＣＬＡＦＩＣ法による、事故原因が既知のパターンからの各事故原因の特徴の抽出を述べる。ＣＬＡＦＩＣ法で抽出する各事故原因の特徴は、事故原因の部分空間への射影行列である。部分空間類別法は線形特徴抽出とデータ圧縮の考え方を発展させた方法である。各情報項目の組みからなる列ベクトルのパターンの多くは、パターン空間において比較的少数の主成分方向にそのエネルギーの大半を集中しているので、各クラスに対してそれぞれ異なる線形のデータ圧縮を行うことができる。このように圧縮することにより、未知パターンの識別は、各クラスの圧縮表現された特徴との比較だけでよく、複雑な識別方法は必要でなくなる。また、部分空間類別法はパターンを表す列ベクトルのノルムの大きさには依存しない。したがって、パターン空間を張る各軸の情報項目間の相対的比率が識別にとって重要な特徴となる場合に有効である。
【００３４】
部分空間類別法は各クラスにおいて、そのクラスの主なエネルギーを含む（エントロピーが最大）パターン空間の部分空間を張る基底ベクトルとその次元数の導出が、クラスの特徴抽出である。したがって、各クラスの部分空間が特徴空間と考えられ、その次元はクラスにより異なる。具体的に部分空間類別法の基本的手法であるＣＬＡＦＩＣ法にて、標本パターン（クラスが既知）からの各クラスの基底ベクトルとその次元数、および射影行列の導出をこれ以降に示す。
【００３５】
クラスｉの部分空間の次元数を、その次元数ｌにクラスｉのサフィックスを付加することでｌi と表す。クラスｉの部分空間は、部分空間の次元数であるｌi 個の基底ベクトルの集合｛ｕi1, ｕi2,..., ｕili ｝により定義される。部分空間類別法はノルムに依存しないため、正規化を行っていない標本パターンに対して適用することとする。
【００３６】
ＣＬＡＦＩＣ法の評価関数Ｊ(u) は、図１９の最小平均自乗規準の(1) 式で表される。ここで、Ｅ（）は期待値であり、ｘi はクラスｉの標本パターンの任意の列ベクトルである。この評価関数Ｊ(u) を最大にする基底ベクトルｕを決定する。この評価関数を最大とするｕを決定する事は、ラグランジェの未定乗数法を用いて、各クラスにて図１９の(2) 式のΓ(u) の最大値問題を解くことである。ここでｕiはクラスｉの基底ベクトルである。この最大値問題を解くために、図１９の(3) 式のように、Ｑxi＝Ｅ（ｘi ｘi Ｔ ）とおく。行列Ｑxiはクラスｉの相関行列である。Ｑxiは平均ベクトルを差し引いていない事に注意を要する。
【００３７】
各基底ベクトルは直交しているため、クラスｉのｋ番目の基底ベクトルｕikに対して、前記(2) 式の変分をとることで、図１９の(4) 式となる。これにより、ｕikはクラスｉの相関行列Ｑxiの固有ベクトルでなければならない。Ｑxiの第ｋ固有値をλikとすれば、図１９の(5) 式が成立する。
【００３８】
前記(2) 式を最大にするためには、ｌi 個の主要固有値に対する固有ベクトルを選択すればよい。(4)式のｕikがＣＬＡＦＩＣ法のクラスｉの部分空間のｋ番目の基底ベクトルである。
【００３９】
各クラスの部分空間の次元数ｌi の選択は、部分空間の持つエネルギーを均一化するために、忠実度と呼ばれる閾値κにより、図１９の(6) 式のように行う。これにより、クラスｉ（ｉ＝１,・・・,6）の部分空間の次元数ｌi と基底ベクトルとが導出された。
【００４０】
未知の事故原因（未知パターン）の判別時には導出した基底ベクトルを用いて、入力された未知バターンｘu の属するクラスを決定する。この場合には、各クラスの部分空間への未知パターンの射影を行い、その射影値の大きさにて判別を行うのであるが、クラスｉヘの射影に用いる次の射影行列Ｐxiを予め、図１９の(7) 式により導出しておく。この射影行列Ｐxiが、ＣＬＡＦＩＣ法における各クラスつまり各事故原因の特徴である。
【００４１】
各クラスの相関行列の固有ベクトルを用いて部分空間を設定する場合、前記(3) 式の期待値Ｅ（ｘi ｘi Ｔ ）をとる必要があるが、近似的に、クラスｉの相関行列Ｑxiは、図１９の(8) 式と置く。
【００４２】
例えば、図１８に示したクラス１の「作業者過失」の１番目の標本パターンｘ11は、図１６に示す２１次元の列ベクトル(9) 式（図１９参照）であり、図１８のクラス１「作業者過失」の各標本パターンを用いて、(8) 式のＱx1を計算する。その結果を図２１に示す。各クラスに対しても同様にＱx2,..., Ｑx6を計算する。
【００４３】
クラスの部分空間を張る基底べクトルは(4),(5) 式から相関行列のもつ大きな固有値順に、それに対応した固有ベクトルを用いればよいため、既知の計算方法（例えば、「パターン認識と部分空間法」、昭和６１年４月２２日、産業図書株式会社発行、著者エルッキ・オヤ、第３１〜３３頁参照）により、固有値および固有ベクトルは導出できる。相関行列Ｑxiは、(9) 式に一例として示される、ｘijが図１６のような２１次元の列ベクトルのため、２１×２１次元の行列となり、クラスｉの標本パターン数Ｎi が２１よりも大きいという制約のもとに、２１個の固有ベクトルをもつ。用いる固有ベクトルの数つまり部分空間の次元数ｌi は前記(6) 式により決定する。ここでの忠実度と呼ばれる閾値κは０．９９９９である。
【００４４】
クラス１「作業者過失」の固有値と、それに対応した固有ベクトルを図２２に示す。この次元数ｌi は、κが０．９９９９にて７である。図２２の最大（第一）固有値から第七固有値に対応する七つの固有ベクトルがクラス１「作業過失」の基底ベクトルとなり、これらの基底ベクトルで張られる空間がクラス１の部分空間である。
【００４５】
図２２にて示されたクラス１「作業過失」の基底ベクトルで張られる部分空間への射影行列Ｐx1 は前記(7) 式で計算される。その結果を図２３に示す。
このように、蓄積された送電線事故報告書を基礎にして、判別すべき事故原因と判別に用いる事故状況データ項目とを選定した後、事故原因が既知の蓄積された事故状況データから、各事故原因の特徴である射影行列を導出した。
【００４６】
クラス１「作業者過失」に対して、具体的に相関行列から射影行列までを示したが、他のクラスつまり他の事故原因に対しても、同様に射影行列を導出する。導出した各クラスつまり各事故原因の射影行列（例えば図２３）は、図１のＲＯＭ２、ＲＡＭ３またはハードディスク７に格納され、事故原因の判別時に使用される。
【００４７】
以下に、予め計算された前記射影行列を用いた、本発明の送電線事故原因判別方法の一実施形態を詳細に説明する。図２４は、本実施形態の基本構成を示すフローチャートである。
【００４８】
ステップＳ１にて送電線事故が発生すると、該送電線事故に関する情報の取り込みが行われる。例えば、事故発生年月日、時刻、天候、地域、電圧階級、動作リレー、支障回線、試送電の結果、警戒警報発令状況等の情報の取り込みが行われる。ステップＳ２では、警戒警報発令中か否かの判断がなされる。この判断が肯定の場合には、ステップＳ３に進んで、警戒警報発令中の事故原因を判別する動作が行われる。一方、前記ステップＳ２の判断が否定の時には、ステップＳ４に進んで、警戒警報発令なしの事故原因を判別する動作が行われる。
【００４９】
前記ステップＳ２およびＳ３の処理の一具体例を、図２５を参照して詳細に説明する。ステップＳ１１では、雷警戒運転発令中か否かの判断がなされ、該判断が肯定の時にはステップＳ１２に進んで、雷撃事故が原因であると判断する。ステップＳｌｌの判断が否定の時にはステップＳ１３に進んで、台風警戒発令中か否かの判断がなされる。この判断が肯定の時にはステップＳ１４に進んで、台風が事故の原因であると判定する。次に、ステップＳ１３の判断が否定の時には、ステップＳ１５に進んで、暴風雪波浪警報発令中であるか否かの判断がなされる。
【００５０】
この判断が肯定の時にはステップＳ１６に進んで、風雪害が事故の原因であると判定する。該ステップＳ１５の判断が否定の時には、警戒警報発令なしの事故と判断してステップＳ２の処理は終了し、図２４のステップＳ４に進む。以上のように、警戒警報発令中の場合に送電線事故が発生した時は、ほとんどの場合、該警戒警報の種類に起因する事故であるので、前記の手順で事故原因を判定する。
【００５１】
図２６は、前記ステップＳ４の警戒警報発令無しの場合の事故判別処理の概要を示すフローチャートである。ステップＳ２１において、入カデータの形式により定量化されていない事故状況データ項目は、図１６により定量化の処理がなされる。その定量化により事故原因の判別を行う送電線事故は、２１個の数値の列である未知パターン（列ベクトル）ｘu となる。ステップＳ２２において、この未知パターンｘu は、各クラスつまり各事故原因の部分空間への射影値が最も大きなクラスに属することとなる。つまり、クラスｉの部分空間への射影値ｒi （ｉ＝１，…、ｍ）は、予め導出した射影行列Ｐxi（ｉ＝１，…、ｍ）を用いることで、図１９の(10)式として計算される。ステップＳ２３において、計算された各クラスつまり事故原因の部分空間への射影値ｒui（ｉ＝１，…，ｍ）の最も大きなクラスを事故原因として、図１９の(11)式のように判別する。つまり、最大の射影値ｒui＊ のクラスｉ＊ に判別されるのである。
【００５２】
前記したステップＳ２１〜Ｓ２３の処理を、ある事故の具体例を用いて、より詳細に説明する。
【００５３】
いま、ある送電線事故があり、事故状況データの具体例が下記の(1) 〜(11)のようであったとする。
【００５４】
(1) 事故発生年月日は１９８６年９月１１日、(2) 時刻は１時３分、(3) 曜日は平日、(4) 天候は曇り、(5) 地域は福岡、(6) 電圧階級は６６ｋＶ、(7) 動作リレーは地絡リレー、(8) 支障回線は１回線中１回線、(9) 試送電の結果は試送電を実施せず、(10)送電線種別は地中、(11)中性点接地方式は抵抗接地。
【００５５】
ステップＳ２１の定量化処理においては、前述した定量化方法（定量化概要は図１６に示す）を用いることにより、前述の事故状況データは(10)式の未知パターンｘu は、図２０の(12)式となる。
【００５６】
次のステップＳ２２においては、予め計算され図１のＲＯＭ２、ＲＡＭ３または、ハードディスク７に格納されている「作業者の過失」、「公衆の故意過失」、「無断伐採」、「鳥獣接触」、「樹木接触」、「その他の他物接触」の各射影行列Ｐx1, Ｐx2, Ｐx3, Ｐx4, Ｐx5, Ｐx6を用いて、前記(10)式の射影値ｒu1, ｒu2, ｒu3, ｒu4, ｒu5, ｒu6を計算する。「作業者の過失」の射影行列Ｐx1は、図２３に示されている。ここで、「作業者の過失」、「公衆の故意過失」、「無断伐採」、「鳥獣接触」、「樹木接触」、「その他の他物接触」射影行列のｋ行ｌ列要素をｐ１ kl, ｐ２ kl, ｐ３ kl, ｐ４ , ｐ５ klとし、列ベクトルである未知パターンｘu のｋ行の要素をｘk とすると、各事故原因への未知パターンの射影値は具体的に、図２０の(13)式により計算される。
【００５７】
この計算式により導出された各事故原因の部分空間への射影値は、ｒu1＝１１９７２，ｒu2＝１１９６８，ｒu3＝１１９５６，ｒu4＝１１９６６，ｒu5＝１１９６５，ｒu6＝１１９６７となる。
【００５８】
ステップＳ２３において、図１９の(11)式に示すように、前記射影値ｒu1, ｒu2, ｒu3, ｒu4, ｒu5, ｒu6の最大値を事故原因として判別する。また、射影値は大きさ順に順序付けされる。
【００５９】
上記の結果から、射影値の数値が最も大きな「作業者過失」が事故原因として判別される。この判別結果は、既知の事故原因と一致した。また、未知パターンの各事故原因の部分空間への射影値を該当する事故原因とともに表示することで、射影値の大きさがほぼ等しい場合など、各事故原因の判別の確実性を対比させ明らかにする。
【００６０】
各射影値の大きさの程度は、判別の確実性などの指標となるため重要である。しかし、例として示した各射影値は上位３桁が同じ数値となり指標としずらい。このような場合には、各射影値を、図２０の(14)式により正規化した射影値ｒｓui（ｉ＝１，…、ｍ）を指標としてもよい。
【００６１】
正規化された射影値ｒｓui（ｉ＝１，…、ｍ）は、ｒｓu1＝１．１９１２，ｒｓu2＝０．４８３９，ｒｓu3＝−１．８１８２，ｒｓu4＝０．０６２７，ｒｓu5＝−０．１２５４，ｒｓu6＝０．２５０８となり、より明確な指標となる。
【００６２】
図１の表示装置５には、事故原因判別の結果として、射影値または正規化された射影値と、それに対応したクラスつまり事故原因が表示される。また、通信装置６により伝送されることにより、送電線事故時の非常巡視などに有効に活用される。
【００６３】
本発明により、１９８４年から１９９５年の６０７件の送電線事故を判別した結果を図２７にパーセントで示す。ここで、１位は判別が成功した確率であり２、３位は、その順位までに該当事故が含まれる確率を示す。
【００６４】
次に、本発明の第２実施形態について説明する。この実施形態は、送電線事故原因の判別性能をより向上させるようにした点に特徴がある。
この実施形態では、事故状況データ項目の「事故発生月日」と「事故発生時間」のデータ表現方法に、ファジーのメンバーシップ関数を用いる。前記の第１実施形態で使用した事故状況データ項目の「事故発生月日」と「事故発生時間」の数値データ表現において、１２月と１月、２３時と０時は本来連続である表現とすべきであるが、数値的には不連続な表現となっており、統計処理に十分には適さない。本実施形態では、この不具合を解決するためにファジー理論のメンバーシップ関数をデータ表現に導入することを提案する。
【００６５】
事故発生月日と時刻とを従来のクリスプな集合の分類とせずに、帰属があいまいな図２８のメンバーシップ関数を用いて表現する。
事故状況データ項目「事故発生月日」のデータ表現に関して、各軸の内容と次元数とを選定後、各軸のメンバーシップ関数による表現を決定する。
【００６６】
事故原因の種別は、動植物の生態系や人間の活動状態に依存する部分が強い。１年を通じて、これらに影響を及ぼしているのは、四季の移り変わりであるため、月日は春・夏・秋・冬の４次元（軸）に分類することとする。各軸の最大値は１である。
【００６７】
四季のメンバーシップ関数を、図２８のようにする。これらの４次元（軸）の各関数は四季の変化を表現しており、かつ関数が重なる部分においては、その和が１となるように設置した。
【００６８】
事故発生時刻の表現は、やはり動植物の生態系や人聞の活動状況に依存して決定する必要がある。活動状態は、太陽の移動に依存しており、図２９に示すメンバーシップ関数の表現とする。同図のメンバーシップ関数「早朝」「午前」「午後」「中夜」「深夜」を各次元（軸）の５次元とする。中図と下図とは各１次元であり、中図は動植物の活動変化時間の「早朝・夕刻」を考慮しており、下図は人間の活動状態の変化時間を考慮している。したがって、時刻は７次元（軸）で構成される。各軸の最大値は１である。
【００６９】
図１６に示す２１次元の表現が、上記のメンバーシップ関数での表現により、「発生月日」は２次元から４次元へ、「発生時刻」は２次元から７次元となり、送電線事故の表現は２８次元となる。つまり、メンバーシップ関数の導入により、パターンおよび射影行列の次元数が２１から２８次元となるが、図１の形態や、図２４、２５の変更はない。しかし、メンバーシップ関数の計算のため、処理が、図２６に追加となり、それを図３０に示す。もちろん、射影値を予め計算しておく処理にもメンバーシップ関数の計算は追加される。
【００７０】
図３０において、ステップＳ２１以外は、計算する次元数が２１から２８になることの相異はあるが、計算の仕方は図２６と同等である。ここで、ステンプＳ２１のメンバーシップ関数の計算方法を具体的に説明する。事故状況データ項目「発生月日」３月１５日の２数値データ３，１５は、図２８において３月１５日の横軸の目盛りにあわせたときの、「春」・「夏」・「秋」・「冬」のメンバーシップ関数 (メンバーシップ関数の最大値は１に設定されている) の各値により、４数値データ０．６５９６，０，０，０．３４０４となる。また、事故状況データ項目「発生時刻」１１時４２分の２数値データ１１，４２は、図２９の１１時４２分の目盛りにあわせて「早朝」・「午前」・「午後」・「中夜」・「深夜」・「早朝・夕刻」・「変化時刻」のメンバーシップ関数により７数値データ０，１．０，０，０，０，０，０．４となる。
【００７１】
二つの事故状況データ項目をメンバーシップ関数表現とした事故原因判別を図２７と同様の１９８４年から１９９５年の６０７件の送電線事故に対して行い、その結果を図３１に示す。図３１の各数値はパーセントである。
【００７２】
図２７、図３１の比較により、メンバーシップ関数で表現する事で、ほとんどの項の判別率が向上しており、その有効性が確認できる。
【００７３】
以上のように、前記第１、第２実施形態では、本発明を具体例によって説明したが、本発明は該実施形態に限定されるものではなく、種々の変形が可能である。例えば、事故原因項目、事故状況データ項目の種類、および定量化手法は前記した例に限定されず、種々の変形が可能である。
【００７４】
【発明の効果】
以上の説明から明らかなように、本発明によれば、文字認識や画像認識に用いられているパターン認識を送電線事故判別に適用し、該適用のため、「天候」などの定性的事故状況データを定量化して、予め過去の送電線事故報告書から事故原因の特徴を抽出しておき、事故発生時にその特徴を利用して事故原因を判別するようにしたので、人間の経験あるいは判断によらずに、早期にかつ正確に送電線の事故原因を判別することができる。また、送電線事故時の効率的な非常巡視が可能となり多くの労力を軽減できる。また、社会的な影響が大きい送電線事故の早期復旧が可能となる。
【００７５】
また、本発明によれば、今までに運用者の経験で事故原因の判別を行っていたものを、運用者の経験に関わらず、事故発生時の情報をコンピュータに入力することだけで、コンピュータの画面上に自動的に事故原因の判別結果を表すことができるようになる。また、事故原因を突き止め復旧作業を迅速に行うことが可能となる。
【図面の簡単な説明】
【図１】 本発明が適用されるコンピュータのハード構成の概略を示すブロック図である。
【図２】 本発明によって選定された事故データ項目の説明図である。
【図３】 本発明において判別される事故原因の説明図である。
【図４】 事故状況データの表現が定量的か定性的かを示す図である。
【図５】 発生年月日の平日・休日の定量的表現の説明図である。
【図６】 天候の表現の説明図である。
【図７】 天候の定量的表現の説明図である。
【図８】 地域の表現の説明図である。
【図９】 地域の定量的手法の説明図である。
【図１０】 地域の定量的表現の説明図である。
【図１１】 動作リレーの分類と定量的表現の説明図である。
【図１２】 支線回線の定量的表現の説明図である。
【図１３】 試送電の結果の定量的表現の説明図である。
【図１４】 送電線路種別の定量的表現の説明図である。
【図１５】 送電線路種別の定量的表現の説明図である。
【図１６】 事故状況データの定量化の説明図である。
【図１７】 図２で選定された事故データ項目の定量化の説明図である。
【図１８】 事故原因「作業者の過失」の数値化された事故状況データの一例を示す図である。
【図１９】 数式(1) 〜(11)を示す図である。
【図２０】 数式(12)〜(14)を示す図である。
【図２１】 クラス１「作業者過失」の相関行列の一例を示す図である。
【図２２】 クラス１「作業者過失」の相関行列Ｑxiの固有値と固有ベクトルの一例を示す図である。
【図２３】 クラス１「作業者過失」の射影行列Ｐx1の一例を示す図である。
【図２４】 本発明の一実施形態の基本構成を示すフローチャートである。
【図２５】 図２４のステップＳ２およびＳ３の処理の一具体例を示すフローチャートである。
【図２６】 図２４のステップＳ４の事故判別処理の概要を示すフローチャートである。
【図２７】 本発明の一実施形態による事故判別結果の一例を示す図である。
【図２８】 四季のメンバーシップ関数の説明図である。
【図２９】 事故発生時刻のメンバーシップ関数の説明図である。
【図３０】 本発明の第２実施形態の事故判別処理の概要を示すフローチャートである。
【図３１】 本発明の第２実施形態による事故判別結果の一例を示す図である。
【符号の説明】
１…ＣＰＵ、２…ＲＯＭ、３…ＲＡＭ、４…入力装置、５…表示装置、６…通信装置、７…ハードディスク。
【発明の属する技術分野】
この発明は送電線事故原因判別方法に関し、特に人間の判断によらずとも、送電線の事故原因を、正確かつ容易に判定することのできる送電線事故原因判別方法に関する。
【０００２】
【従来の技術】
送電線事故は広範囲に影響を及ぼすので、非常巡視に多くの労力が費やされている。送電線事故を迅速に復旧し、非常巡視の労力を軽減するためには、巡視を効率的に行う必要があり、その事前情報として事故原因の推定は非常に重要である。
【０００３】
従来、事故原因の推定は、故障時の波形や天候、時刻、地域性をもとに、運用者が事故原因の判別を行っているが、的確な事故原因判別を行うためには、十分な経験を要する。しかし、近年、送電線の信頼性が向上してきたのに伴い、送電線事故が減少し、運用者が事故推定の経験をする機会が少なくなってきている。このため、人間系により事故原因を判別することは、困難な状況となっている。また、送電線事故原因判別方式を機械化・自動化する試みがなされているが、その試みの原理は、事故時の電圧・電流波形に基づく方式が主であり、未だに研究段階と考えられる。
【０００４】
【発明が解決しようとする課題】
従来の事故原因の判別の正確さは、運用者の経験に大きく依存している。このため、運用者の業務経歴や年齢などで、事故原因の判別の正確さが異なるものとなるばかりでなく、未経験者が原因を判別することは極めて困難であるという問題がある。しかも、人間の経験による事故原因の判別は、必ずしも正確ではないため、事故原因の判別に関しては人間の経験のみに頼る事はできない。
【０００５】
また、機械化による送電線事故原因判別方式の開発は、事故時の電圧・電流波形を用いた方式が主であり、その方式は、波形データの不足や方式の有効性の確認などで行う模擬事故実験の困難性が課題となっている。
【０００６】
本発明の目的は、前記した従来技術の課題を除去し、人間の経験あるいは判断によらずに、早期にかつ正確に送電線の事故原因を判別することができる送電線事故原因判別方法を提供することにある。また、他の目的は、有効性の確認を容易に行える送電線事故原因判別方法を提供することにある。
【０００７】
【課題を解決するための手段】
前記した目的を達成するために、本発明は、送電線で発生する事故原因を判定する送電線事故原因判別方法において、送電線事故原因が既知の過去の事故状況データを定量化し、
該既知の過去の事故状況データから事故原因ｉ（ｉ＝１，２，・・・，ｍ）の特徴を表す射影行列Ｐｘｉを予め導出し、事故原因が未知の事故状況データを定量化することにより、該事故状況データの数値の列である未知パターンｘｕを作り、事故原因ｉ（ｉ＝１，・・・，ｍ）の特徴空間への射影値ｒ ui を、前記射影行列Ｐｘｉを用いて、下式により計算し、該射影値ｒ ui の最も大きな事故原因ｉを事故原因と判定するようにした点に第１の特徴がある。
ｒ ui ＝ｘ u Ｔ Ｐ xi ｘ u
【０００８】
また、前記事故状況データをメンバーシップ関数で表現するようにした点に第２の特徴がある。
【０００９】
前記第１、第２の特徴によれば、前記パターン認識を用いて、事故発生時の状況データから、事故原因を究明できるので、人間の経験あるいは判断によらずに、早期にかつ正確に事故原因を突き止めることが可能となる。また、前記第２の特徴によれば、前記事故状況データの定性表現の定量化において、季節（四季）などの境が明確でないデータ項目に対しては、その境を曖昧に表現できるファジー理論のメンバーシップ関数を適用することで、事故原因探索の正確性を向上することができる。
【００１０】
【発明の実施の形態】
以下に、図面を参照して、本発明を詳細に説明する。図１は、本発明が適用されるコンピュータの概略のハード構成を示すブロック図である。
【００１１】
図において、１はコンピュータ全体の動作を制御する中央演算処理装置（ＣＰＵ）、２は該コンピュータの制御プログラム、該制御に必要なデータ、パラメータ等を格納するリードオンリーメモリ（ＲＯＭ）、３は処理に必要な作業領域となったり、必要なデータ、パラメータ等を格納するランダムアクセスメモリ（ＲＡＭ）、４はテンキー、各種の機能キー、ポインティングデバイス等を含む入力装置、５はＣＲＴ等からなる表示装置、６は他のコンピュータまた計測装置などの媒体と情報のやり取りを行う通信装置、７はハードディスクである。
【００１２】
予め事故原因が既知である過去の事故実績データから、パターン認識の方法により抽出された各事故原因の特徴は、プログラムやその演算に使用されるデータに反映されている。そこで、何らかの事故が発生すると、前記通信装置６、及び必要であるなら入力装置４から事故原因の判別に用いる状況データが、前記ＲＡＭ３またはハードディスク７に取り込まれる。取り込まれた事故状況データは、予め格納されている前記各事故原因の特徴を利用して事故原因が判別される。
【００１３】
本発明はパターン認識手法を用いた送電線事故原因判別方法に関するものであり、事故原因が既知である事故状況データからの特徴の抽出手順と、実運用時の事故原因が未知である事故状況データからの事故原因判別手順とからなる。ここではパターン認識手法として、最小平均２乗誤差基準のもとで最適な直交展開となる部分空間類別法の一手法であるＣＬＡＦＩＣ(CLAss-Featuring Information Compression)法を適用する。なお、該ＣＬＡＦＩＣ法に限定されず、他の種々のパターン認識手法も送電線事故原因判別に適用可能である。
【００１４】
まず、事故原因判別に用いる既知の送電線事故報告書から、判別に使用可能な事故状況データ項目と判別すべき事故原因とを選定する。この選定した事故状況データ項目にはパターン認識に適用できない「天候」などの定性的な表現のものが含まれているため、これを定量化する。以下に、該定量化の方法を示し、定量化された事故状況データからの事故原因の特徴の抽出の方法を説明する。
【００１５】
前記送電線事故報告書は事故判別システムの使用時には得られない巡視での情報も含んでいるので、その情報は除去する。図２に、事故直後の事故判別に用いることが可能な事故状況データ項目を示す。以下では、図２に選定された１０項目のみを情報源とした事故原因判別方法の構築を検討して行くこととする。
【００１６】
次に、判別する事故原因は、警報などで容易に推定可能な事故原因「雷」「風雨」などを除いた、運用者に対して判別の必要な事故原因を送電線事故報告書で分類されている原因より選定する。事故原因として選定される条件は、下記の(1) 〜(5) である。
(1) 警報や天候、環境条件より、容易に判別できる原因は省く。
(2) 「その他」「不明」は省く。
(3) 非常にまれな原因は省く。
(4) 運用者の判別が困難な原因である。
(5) 特に、早急な対応を要する原因である。
前記の事故原因選定条件により選定された事故原因を図３に示す。
【００１７】
図３の事故原因をパターン認識を適用して判別する。パターン認識は、統計的解析に基礎を置くため、定量的表現での取扱が必要になる。図４に選定した事故状況のデータの表現が定量的か定性的かを示す。このように事故状況データ項目には、そのままの表現ではパターン認識に適用できない多くの定性的表現のデータが含まれている。
【００１８】
図４の定性的表現の「発生年月日の平日・休日」「天候」「地域」「動作リレー」「支障回線」「試送電の結果」「送電線路種別」「中性点接地方式」の各データ項目は、パターン認識を適用するために、各々のデータのもつ意味合いを考慮して定量的表現に変換する必要がある。
【００１９】
発生年月日の平日・休日の情報の定量化は、事故原因に依存する作業などの活動状況を表現する必要がある。通常と生活形態や活動状況が異なるのは休日である。休日は、日曜・祝祭日・振り替え休日を主とする。更に、一般的な生活形態から、正月３ケ日とお盆３ケ日をも含む事とする。土曜日は過去の事故データの場合などには、休日に属するといいがたいため、平日との中間に土曜という区分を設ける。活動状況の連続性を考慮して、休日・土曜・平日の順番に定量化を行い、これらを、整理して、図５に示す。
【００２０】
次に、「天候」の定量表現について検討する。図６の番号２の「強風」以外は、状況の連続性が存在する。そこで、「強風」は別情報として取り扱うこととする。「強風」以外は、状況の連続性を考慮した定量化を行い、「強風」は状況の有無により定量化を行う。天候の定量的表現の一例を図７に示す。
【００２１】
送電線事故報告書の地域は、図８に示すように九州電力の事故発生支店での表現である。図８の北九州と福岡とを一つとして、九州７県の位置・配置情報を生かした定量化を図９に示す。
【００２２】
図９は、九州を、縦・横に３分割して、各県の最も多くを含む枠の縦・横の数値で、その県を表現するようにしている。このようにして、定量化を行った結果を図１０に示す。
【００２３】
動作リレーは、前記送電線事故報告書において図１１のように表現されている。ここで、図１１の情報において、断線などの番号３から６は、事故原因判別を行う必要のある事故直後には得る事はできず巡視などにより得られるため、判別システム運用時は使用できない。情報として得られるのは、リレーの動作状況のみである。これを、考慮して定量化を行い、あわせて図１１に示す。
【００２４】
前記送電線事故報告書での支障回線の内容において、被害の有り無しは、事故直後の判別システムの運用時に情報として得ることはできない。得られるのは停電の情報のみであるため、送電線事故報告書の記載内容と停電の定量化表現を図１２に示す。
【００２５】
前記送電線事故報告書の試送電の結果は、試送電を実施したのかと、その結果はどうなのかという二つの情報を含んでいる。支障回線の内容を考慮して、「実施」と「結果」の２項目に分類し、各々を図１３のように定量化表現する。
【００２６】
前記送電線事故報告書の送電線路種別（線路状況種別）は、「架空」、「地中」、「水底（海底）」の異なる組み合わせによる分類となっている。つまり、前記の３種別は独立の情報であり、「架空」であれば「地中」は存在しないなどの相関はない。また、「水底（海底）」の出現頻度は非常に少ないため、地中に含めることとする。その２種別の独立情報を有り無しで定量化して図１４に示す。もちろん、「水底」を別情報とした定量化も可能である。
【００２７】
前記送電線事故報告書の中性点接地方式（線路状況接地種別）は、「非接地」「直接接地」、および「抵抗接地」、「ＰＣ接地」、「ＰＣ＋抵抗接地」などがあり図１５のように定量表現を行う。全て「０」の場合が、非接地である。なお、図１５の補償リアクトルは単独での接地形態ではなく、抵抗接地とのみ組合わせて用いられる。
【００２８】
これにより、定性表現の事故状況データの定量化を行った。それらを整理した定量的表現の事故状況データを図１６に示す。定量化により、一つの送電線事故は、２１項目の事故状況データから表現されることとなる。
【００２９】
これまでに示した定量化の手法を用いて、一例として実際に発生した事故原因「作業者の過失」の事故状況データを定量化する過程を図１７に示す。この定量化により、パターン認識の適用が可能となった。
【００３０】
送電線事故報告書に記録されている１９７６年から１９９５年までの事故原因が既知である事故状況データを、該当事故毎で定量化を行う。一例として事故原因「作業者の過失」の数値化された事故状況データを図１８に示す。このデータの一つの行が実際に発生した一つの送電線事故に対応しており、これらの数値の並びを列ベクトルとしたものを、パターン認識による事故原因判別ではパターンと呼ぶ。
【００３１】
パターン認識を用いた事故原因判別方法を説明するに際し、用語の定義を次のように行う。
パターン空間：事故の状況データ項目を各軸として張られる多次元空間、
パターン：一つの事故データを示す。パターン空間では、その事故の状況データ項目の数値データの組で構成される列ベクトル、
特徴空間：パターン空間の全軸または一部の軸の線形結合により張られる部分空間であり、射影によって得られる判別に適した特徴軸により張られる空間、
次元数：空間を張る軸の数、
特徴抽出：パターン空間から判別に有効な情報をもつ特徴空間を構成すること、 クラス：判別すべき各事故原因をクラスと呼ぶ。ここでは、作業者過失・公衆過失・無断伐採・鳥獣接触・樹木接触・他物接触を順にクラス１・クラス２・クラス３・クラス４・クラス５・クラス６とする。各クラスには同一事故の事故データのパターンが属する、
標本パターン：事故原因が既知である事故データのパターン、
未知パターン：事故原因が未知である判別（識別）すべきパターン、
基底ベクトル：ある空間を張る互いに直交した大きさ１のベクトル、
ノルム：ある空間上の２点間のユークリッド距離、
次に、パターン認識理論検討の前準備として使用する記号の意味と数学的な諸定義とを行う。
ｎ：パターン空間の次元数、ここでは２１、ただしメンバーシップ関数でのデータ表現では２８である。
ｌ：特徴空間の次元数、
ｍ：クラス数（事故原因の数であり、ここでは６）、
Ｎi ：クラスｉの標本パターンの数、
Ｎ＝ΣＮi ：全標本パターンの数、
本発明の送電線事故原因判別方法では、ｎ次元ユークリッド空間Ｒｎ をパターン空間とし、空間上の原点を起点とするベクトルをパターンとみなす。したがって、パターンａは、ｎ個の事故状況データ項目の数値データである実数値α1 ，α2 ，…，αn の組みによって、α＝［α1,α2,α3,...., αn ］Ｔ の列べクトルとして表される。ここで、αＴ はαの転置である。
【００３２】
事故原因が既知、つまり属するクラスが既知である場合、クラスｉに属するｊ (≦Ｎi)番目の標本パターンｘij は、下式のように表す。
ｘij＝［ｘij1,ｘij2,ｘij3,...,ｘijn ］Ｔ
特徴空間における標本パターンの表現はｚijとして、下式のように表す。
【００３３】
ｚij＝［ｚij1,ｚij2,ｚij3,...,ｚijn ］Ｔ
次に、パターン認識の部分空間類別法の一手法であるＣＬＡＦＩＣ法による、事故原因が既知のパターンからの各事故原因の特徴の抽出を述べる。ＣＬＡＦＩＣ法で抽出する各事故原因の特徴は、事故原因の部分空間への射影行列である。部分空間類別法は線形特徴抽出とデータ圧縮の考え方を発展させた方法である。各情報項目の組みからなる列ベクトルのパターンの多くは、パターン空間において比較的少数の主成分方向にそのエネルギーの大半を集中しているので、各クラスに対してそれぞれ異なる線形のデータ圧縮を行うことができる。このように圧縮することにより、未知パターンの識別は、各クラスの圧縮表現された特徴との比較だけでよく、複雑な識別方法は必要でなくなる。また、部分空間類別法はパターンを表す列ベクトルのノルムの大きさには依存しない。したがって、パターン空間を張る各軸の情報項目間の相対的比率が識別にとって重要な特徴となる場合に有効である。
【００３４】
部分空間類別法は各クラスにおいて、そのクラスの主なエネルギーを含む（エントロピーが最大）パターン空間の部分空間を張る基底ベクトルとその次元数の導出が、クラスの特徴抽出である。したがって、各クラスの部分空間が特徴空間と考えられ、その次元はクラスにより異なる。具体的に部分空間類別法の基本的手法であるＣＬＡＦＩＣ法にて、標本パターン（クラスが既知）からの各クラスの基底ベクトルとその次元数、および射影行列の導出をこれ以降に示す。
【００３５】
クラスｉの部分空間の次元数を、その次元数ｌにクラスｉのサフィックスを付加することでｌi と表す。クラスｉの部分空間は、部分空間の次元数であるｌi 個の基底ベクトルの集合｛ｕi1, ｕi2,..., ｕili ｝により定義される。部分空間類別法はノルムに依存しないため、正規化を行っていない標本パターンに対して適用することとする。
【００３６】
ＣＬＡＦＩＣ法の評価関数Ｊ(u) は、図１９の最小平均自乗規準の(1) 式で表される。ここで、Ｅ（）は期待値であり、ｘi はクラスｉの標本パターンの任意の列ベクトルである。この評価関数Ｊ(u) を最大にする基底ベクトルｕを決定する。この評価関数を最大とするｕを決定する事は、ラグランジェの未定乗数法を用いて、各クラスにて図１９の(2) 式のΓ(u) の最大値問題を解くことである。ここでｕiはクラスｉの基底ベクトルである。この最大値問題を解くために、図１９の(3) 式のように、Ｑxi＝Ｅ（ｘi ｘi Ｔ ）とおく。行列Ｑxiはクラスｉの相関行列である。Ｑxiは平均ベクトルを差し引いていない事に注意を要する。
【００３７】
各基底ベクトルは直交しているため、クラスｉのｋ番目の基底ベクトルｕikに対して、前記(2) 式の変分をとることで、図１９の(4) 式となる。これにより、ｕikはクラスｉの相関行列Ｑxiの固有ベクトルでなければならない。Ｑxiの第ｋ固有値をλikとすれば、図１９の(5) 式が成立する。
【００３８】
前記(2) 式を最大にするためには、ｌi 個の主要固有値に対する固有ベクトルを選択すればよい。(4)式のｕikがＣＬＡＦＩＣ法のクラスｉの部分空間のｋ番目の基底ベクトルである。
【００３９】
各クラスの部分空間の次元数ｌi の選択は、部分空間の持つエネルギーを均一化するために、忠実度と呼ばれる閾値κにより、図１９の(6) 式のように行う。これにより、クラスｉ（ｉ＝１,・・・,6）の部分空間の次元数ｌi と基底ベクトルとが導出された。
【００４０】
未知の事故原因（未知パターン）の判別時には導出した基底ベクトルを用いて、入力された未知バターンｘu の属するクラスを決定する。この場合には、各クラスの部分空間への未知パターンの射影を行い、その射影値の大きさにて判別を行うのであるが、クラスｉヘの射影に用いる次の射影行列Ｐxiを予め、図１９の(7) 式により導出しておく。この射影行列Ｐxiが、ＣＬＡＦＩＣ法における各クラスつまり各事故原因の特徴である。
【００４１】
各クラスの相関行列の固有ベクトルを用いて部分空間を設定する場合、前記(3) 式の期待値Ｅ（ｘi ｘi Ｔ ）をとる必要があるが、近似的に、クラスｉの相関行列Ｑxiは、図１９の(8) 式と置く。
【００４２】
例えば、図１８に示したクラス１の「作業者過失」の１番目の標本パターンｘ11は、図１６に示す２１次元の列ベクトル(9) 式（図１９参照）であり、図１８のクラス１「作業者過失」の各標本パターンを用いて、(8) 式のＱx1を計算する。その結果を図２１に示す。各クラスに対しても同様にＱx2,..., Ｑx6を計算する。
【００４３】
クラスの部分空間を張る基底べクトルは(4),(5) 式から相関行列のもつ大きな固有値順に、それに対応した固有ベクトルを用いればよいため、既知の計算方法（例えば、「パターン認識と部分空間法」、昭和６１年４月２２日、産業図書株式会社発行、著者エルッキ・オヤ、第３１〜３３頁参照）により、固有値および固有ベクトルは導出できる。相関行列Ｑxiは、(9) 式に一例として示される、ｘijが図１６のような２１次元の列ベクトルのため、２１×２１次元の行列となり、クラスｉの標本パターン数Ｎi が２１よりも大きいという制約のもとに、２１個の固有ベクトルをもつ。用いる固有ベクトルの数つまり部分空間の次元数ｌi は前記(6) 式により決定する。ここでの忠実度と呼ばれる閾値κは０．９９９９である。
【００４４】
クラス１「作業者過失」の固有値と、それに対応した固有ベクトルを図２２に示す。この次元数ｌi は、κが０．９９９９にて７である。図２２の最大（第一）固有値から第七固有値に対応する七つの固有ベクトルがクラス１「作業過失」の基底ベクトルとなり、これらの基底ベクトルで張られる空間がクラス１の部分空間である。
【００４５】
図２２にて示されたクラス１「作業過失」の基底ベクトルで張られる部分空間への射影行列Ｐx1 は前記(7) 式で計算される。その結果を図２３に示す。
このように、蓄積された送電線事故報告書を基礎にして、判別すべき事故原因と判別に用いる事故状況データ項目とを選定した後、事故原因が既知の蓄積された事故状況データから、各事故原因の特徴である射影行列を導出した。
【００４６】
クラス１「作業者過失」に対して、具体的に相関行列から射影行列までを示したが、他のクラスつまり他の事故原因に対しても、同様に射影行列を導出する。導出した各クラスつまり各事故原因の射影行列（例えば図２３）は、図１のＲＯＭ２、ＲＡＭ３またはハードディスク７に格納され、事故原因の判別時に使用される。
【００４７】
以下に、予め計算された前記射影行列を用いた、本発明の送電線事故原因判別方法の一実施形態を詳細に説明する。図２４は、本実施形態の基本構成を示すフローチャートである。
【００４８】
ステップＳ１にて送電線事故が発生すると、該送電線事故に関する情報の取り込みが行われる。例えば、事故発生年月日、時刻、天候、地域、電圧階級、動作リレー、支障回線、試送電の結果、警戒警報発令状況等の情報の取り込みが行われる。ステップＳ２では、警戒警報発令中か否かの判断がなされる。この判断が肯定の場合には、ステップＳ３に進んで、警戒警報発令中の事故原因を判別する動作が行われる。一方、前記ステップＳ２の判断が否定の時には、ステップＳ４に進んで、警戒警報発令なしの事故原因を判別する動作が行われる。
【００４９】
前記ステップＳ２およびＳ３の処理の一具体例を、図２５を参照して詳細に説明する。ステップＳ１１では、雷警戒運転発令中か否かの判断がなされ、該判断が肯定の時にはステップＳ１２に進んで、雷撃事故が原因であると判断する。ステップＳｌｌの判断が否定の時にはステップＳ１３に進んで、台風警戒発令中か否かの判断がなされる。この判断が肯定の時にはステップＳ１４に進んで、台風が事故の原因であると判定する。次に、ステップＳ１３の判断が否定の時には、ステップＳ１５に進んで、暴風雪波浪警報発令中であるか否かの判断がなされる。
【００５０】
この判断が肯定の時にはステップＳ１６に進んで、風雪害が事故の原因であると判定する。該ステップＳ１５の判断が否定の時には、警戒警報発令なしの事故と判断してステップＳ２の処理は終了し、図２４のステップＳ４に進む。以上のように、警戒警報発令中の場合に送電線事故が発生した時は、ほとんどの場合、該警戒警報の種類に起因する事故であるので、前記の手順で事故原因を判定する。
【００５１】
図２６は、前記ステップＳ４の警戒警報発令無しの場合の事故判別処理の概要を示すフローチャートである。ステップＳ２１において、入カデータの形式により定量化されていない事故状況データ項目は、図１６により定量化の処理がなされる。その定量化により事故原因の判別を行う送電線事故は、２１個の数値の列である未知パターン（列ベクトル）ｘu となる。ステップＳ２２において、この未知パターンｘu は、各クラスつまり各事故原因の部分空間への射影値が最も大きなクラスに属することとなる。つまり、クラスｉの部分空間への射影値ｒi （ｉ＝１，…、ｍ）は、予め導出した射影行列Ｐxi（ｉ＝１，…、ｍ）を用いることで、図１９の(10)式として計算される。ステップＳ２３において、計算された各クラスつまり事故原因の部分空間への射影値ｒui（ｉ＝１，…，ｍ）の最も大きなクラスを事故原因として、図１９の(11)式のように判別する。つまり、最大の射影値ｒui＊ のクラスｉ＊ に判別されるのである。
【００５２】
前記したステップＳ２１〜Ｓ２３の処理を、ある事故の具体例を用いて、より詳細に説明する。
【００５３】
いま、ある送電線事故があり、事故状況データの具体例が下記の(1) 〜(11)のようであったとする。
【００５４】
(1) 事故発生年月日は１９８６年９月１１日、(2) 時刻は１時３分、(3) 曜日は平日、(4) 天候は曇り、(5) 地域は福岡、(6) 電圧階級は６６ｋＶ、(7) 動作リレーは地絡リレー、(8) 支障回線は１回線中１回線、(9) 試送電の結果は試送電を実施せず、(10)送電線種別は地中、(11)中性点接地方式は抵抗接地。
【００５５】
ステップＳ２１の定量化処理においては、前述した定量化方法（定量化概要は図１６に示す）を用いることにより、前述の事故状況データは(10)式の未知パターンｘu は、図２０の(12)式となる。
【００５６】
次のステップＳ２２においては、予め計算され図１のＲＯＭ２、ＲＡＭ３または、ハードディスク７に格納されている「作業者の過失」、「公衆の故意過失」、「無断伐採」、「鳥獣接触」、「樹木接触」、「その他の他物接触」の各射影行列Ｐx1, Ｐx2, Ｐx3, Ｐx4, Ｐx5, Ｐx6を用いて、前記(10)式の射影値ｒu1, ｒu2, ｒu3, ｒu4, ｒu5, ｒu6を計算する。「作業者の過失」の射影行列Ｐx1は、図２３に示されている。ここで、「作業者の過失」、「公衆の故意過失」、「無断伐採」、「鳥獣接触」、「樹木接触」、「その他の他物接触」射影行列のｋ行ｌ列要素をｐ１ kl, ｐ２ kl, ｐ３ kl, ｐ４ , ｐ５ klとし、列ベクトルである未知パターンｘu のｋ行の要素をｘk とすると、各事故原因への未知パターンの射影値は具体的に、図２０の(13)式により計算される。
【００５７】
この計算式により導出された各事故原因の部分空間への射影値は、ｒu1＝１１９７２，ｒu2＝１１９６８，ｒu3＝１１９５６，ｒu4＝１１９６６，ｒu5＝１１９６５，ｒu6＝１１９６７となる。
【００５８】
ステップＳ２３において、図１９の(11)式に示すように、前記射影値ｒu1, ｒu2, ｒu3, ｒu4, ｒu5, ｒu6の最大値を事故原因として判別する。また、射影値は大きさ順に順序付けされる。
【００５９】
上記の結果から、射影値の数値が最も大きな「作業者過失」が事故原因として判別される。この判別結果は、既知の事故原因と一致した。また、未知パターンの各事故原因の部分空間への射影値を該当する事故原因とともに表示することで、射影値の大きさがほぼ等しい場合など、各事故原因の判別の確実性を対比させ明らかにする。
【００６０】
各射影値の大きさの程度は、判別の確実性などの指標となるため重要である。しかし、例として示した各射影値は上位３桁が同じ数値となり指標としずらい。このような場合には、各射影値を、図２０の(14)式により正規化した射影値ｒｓui（ｉ＝１，…、ｍ）を指標としてもよい。
【００６１】
正規化された射影値ｒｓui（ｉ＝１，…、ｍ）は、ｒｓu1＝１．１９１２，ｒｓu2＝０．４８３９，ｒｓu3＝−１．８１８２，ｒｓu4＝０．０６２７，ｒｓu5＝−０．１２５４，ｒｓu6＝０．２５０８となり、より明確な指標となる。
【００６２】
図１の表示装置５には、事故原因判別の結果として、射影値または正規化された射影値と、それに対応したクラスつまり事故原因が表示される。また、通信装置６により伝送されることにより、送電線事故時の非常巡視などに有効に活用される。
【００６３】
本発明により、１９８４年から１９９５年の６０７件の送電線事故を判別した結果を図２７にパーセントで示す。ここで、１位は判別が成功した確率であり２、３位は、その順位までに該当事故が含まれる確率を示す。
【００６４】
次に、本発明の第２実施形態について説明する。この実施形態は、送電線事故原因の判別性能をより向上させるようにした点に特徴がある。
この実施形態では、事故状況データ項目の「事故発生月日」と「事故発生時間」のデータ表現方法に、ファジーのメンバーシップ関数を用いる。前記の第１実施形態で使用した事故状況データ項目の「事故発生月日」と「事故発生時間」の数値データ表現において、１２月と１月、２３時と０時は本来連続である表現とすべきであるが、数値的には不連続な表現となっており、統計処理に十分には適さない。本実施形態では、この不具合を解決するためにファジー理論のメンバーシップ関数をデータ表現に導入することを提案する。
【００６５】
事故発生月日と時刻とを従来のクリスプな集合の分類とせずに、帰属があいまいな図２８のメンバーシップ関数を用いて表現する。
事故状況データ項目「事故発生月日」のデータ表現に関して、各軸の内容と次元数とを選定後、各軸のメンバーシップ関数による表現を決定する。
【００６６】
事故原因の種別は、動植物の生態系や人間の活動状態に依存する部分が強い。１年を通じて、これらに影響を及ぼしているのは、四季の移り変わりであるため、月日は春・夏・秋・冬の４次元（軸）に分類することとする。各軸の最大値は１である。
【００６７】
四季のメンバーシップ関数を、図２８のようにする。これらの４次元（軸）の各関数は四季の変化を表現しており、かつ関数が重なる部分においては、その和が１となるように設置した。
【００６８】
事故発生時刻の表現は、やはり動植物の生態系や人聞の活動状況に依存して決定する必要がある。活動状態は、太陽の移動に依存しており、図２９に示すメンバーシップ関数の表現とする。同図のメンバーシップ関数「早朝」「午前」「午後」「中夜」「深夜」を各次元（軸）の５次元とする。中図と下図とは各１次元であり、中図は動植物の活動変化時間の「早朝・夕刻」を考慮しており、下図は人間の活動状態の変化時間を考慮している。したがって、時刻は７次元（軸）で構成される。各軸の最大値は１である。
【００６９】
図１６に示す２１次元の表現が、上記のメンバーシップ関数での表現により、「発生月日」は２次元から４次元へ、「発生時刻」は２次元から７次元となり、送電線事故の表現は２８次元となる。つまり、メンバーシップ関数の導入により、パターンおよび射影行列の次元数が２１から２８次元となるが、図１の形態や、図２４、２５の変更はない。しかし、メンバーシップ関数の計算のため、処理が、図２６に追加となり、それを図３０に示す。もちろん、射影値を予め計算しておく処理にもメンバーシップ関数の計算は追加される。
【００７０】
図３０において、ステップＳ２１以外は、計算する次元数が２１から２８になることの相異はあるが、計算の仕方は図２６と同等である。ここで、ステンプＳ２１のメンバーシップ関数の計算方法を具体的に説明する。事故状況データ項目「発生月日」３月１５日の２数値データ３，１５は、図２８において３月１５日の横軸の目盛りにあわせたときの、「春」・「夏」・「秋」・「冬」のメンバーシップ関数 (メンバーシップ関数の最大値は１に設定されている) の各値により、４数値データ０．６５９６，０，０，０．３４０４となる。また、事故状況データ項目「発生時刻」１１時４２分の２数値データ１１，４２は、図２９の１１時４２分の目盛りにあわせて「早朝」・「午前」・「午後」・「中夜」・「深夜」・「早朝・夕刻」・「変化時刻」のメンバーシップ関数により７数値データ０，１．０，０，０，０，０，０．４となる。
【００７１】
二つの事故状況データ項目をメンバーシップ関数表現とした事故原因判別を図２７と同様の１９８４年から１９９５年の６０７件の送電線事故に対して行い、その結果を図３１に示す。図３１の各数値はパーセントである。
【００７２】
図２７、図３１の比較により、メンバーシップ関数で表現する事で、ほとんどの項の判別率が向上しており、その有効性が確認できる。
【００７３】
以上のように、前記第１、第２実施形態では、本発明を具体例によって説明したが、本発明は該実施形態に限定されるものではなく、種々の変形が可能である。例えば、事故原因項目、事故状況データ項目の種類、および定量化手法は前記した例に限定されず、種々の変形が可能である。
【００７４】
【発明の効果】
以上の説明から明らかなように、本発明によれば、文字認識や画像認識に用いられているパターン認識を送電線事故判別に適用し、該適用のため、「天候」などの定性的事故状況データを定量化して、予め過去の送電線事故報告書から事故原因の特徴を抽出しておき、事故発生時にその特徴を利用して事故原因を判別するようにしたので、人間の経験あるいは判断によらずに、早期にかつ正確に送電線の事故原因を判別することができる。また、送電線事故時の効率的な非常巡視が可能となり多くの労力を軽減できる。また、社会的な影響が大きい送電線事故の早期復旧が可能となる。
【００７５】
また、本発明によれば、今までに運用者の経験で事故原因の判別を行っていたものを、運用者の経験に関わらず、事故発生時の情報をコンピュータに入力することだけで、コンピュータの画面上に自動的に事故原因の判別結果を表すことができるようになる。また、事故原因を突き止め復旧作業を迅速に行うことが可能となる。
【図面の簡単な説明】
【図１】 本発明が適用されるコンピュータのハード構成の概略を示すブロック図である。
【図２】 本発明によって選定された事故データ項目の説明図である。
【図３】 本発明において判別される事故原因の説明図である。
【図４】 事故状況データの表現が定量的か定性的かを示す図である。
【図５】 発生年月日の平日・休日の定量的表現の説明図である。
【図６】 天候の表現の説明図である。
【図７】 天候の定量的表現の説明図である。
【図８】 地域の表現の説明図である。
【図９】 地域の定量的手法の説明図である。
【図１０】 地域の定量的表現の説明図である。
【図１１】 動作リレーの分類と定量的表現の説明図である。
【図１２】 支線回線の定量的表現の説明図である。
【図１３】 試送電の結果の定量的表現の説明図である。
【図１４】 送電線路種別の定量的表現の説明図である。
【図１５】 送電線路種別の定量的表現の説明図である。
【図１６】 事故状況データの定量化の説明図である。
【図１７】 図２で選定された事故データ項目の定量化の説明図である。
【図１８】 事故原因「作業者の過失」の数値化された事故状況データの一例を示す図である。
【図１９】 数式(1) 〜(11)を示す図である。
【図２０】 数式(12)〜(14)を示す図である。
【図２１】 クラス１「作業者過失」の相関行列の一例を示す図である。
【図２２】 クラス１「作業者過失」の相関行列Ｑxiの固有値と固有ベクトルの一例を示す図である。
【図２３】 クラス１「作業者過失」の射影行列Ｐx1の一例を示す図である。
【図２４】 本発明の一実施形態の基本構成を示すフローチャートである。
【図２５】 図２４のステップＳ２およびＳ３の処理の一具体例を示すフローチャートである。
【図２６】 図２４のステップＳ４の事故判別処理の概要を示すフローチャートである。
【図２７】 本発明の一実施形態による事故判別結果の一例を示す図である。
【図２８】 四季のメンバーシップ関数の説明図である。
【図２９】 事故発生時刻のメンバーシップ関数の説明図である。
【図３０】 本発明の第２実施形態の事故判別処理の概要を示すフローチャートである。
【図３１】 本発明の第２実施形態による事故判別結果の一例を示す図である。
【符号の説明】
１…ＣＰＵ、２…ＲＯＭ、３…ＲＡＭ、４…入力装置、５…表示装置、６…通信装置、７…ハードディスク。
Claims (8)
- 送電線で発生する事故原因を判定する送電線事故原因判別方法において、
送電線事故原因が既知の過去の事故状況データを定量化し、
該既知の過去の事故状況データから事故原因ｉ（ｉ＝１，２，・・・，ｍ）の特徴を表す射影行列Ｐｘｉを予め導出し、
事故原因が未知の事故状況データを定量化することにより、該事故状況データの数値の列である未知パターンｘｕを作り、
事故原因ｉ（ｉ＝１，・・・，ｍ）の特徴空間への射影値ｒ ui を、前記射影行列Ｐｘｉを用いて、下式により計算し、
該射影値ｒ ui の最も大きな事故原因ｉを事故原因と判定するようにしたことを特徴とする送電線事故原因判別方法。
ｒ ui ＝ｘ u Ｔ Ｐ xi ｘ u - 請求項１に記載の送電線事故原因判別方法において、
前記事故状況データは、天候状況に関するデータ、時間に関するデータ、回線の状況に関するデータ、および地域の状況に関するデータを含むことを特徴とする送電線事故原因判別方法。 - 請求項２に記載の送電線事故原因判別方法において、
前記時間に関するデータは、事故発生年月日、事故発生時刻、および平日・土曜・休日の少なくとも一つを含むことを特徴とする送電線事故原因判別方法。 - 請求項２に記載の送電線事故原因判別方法において、
前記回線の状況に関するデータは、電圧階級、動作リレー、支障回線、試送電の結果、送電線路種別、および中性点接地方式の少なくとも一つを含むことを特徴とする送電線事故原因判別方法。 - 請求項１に記載の送電線事故原因判別方法において、
前記事故原因は、作業者の過失、公衆の故意・過失、無断伐採、鳥獣接触、樹木接触、およびその他の他物接触の少なくとも一つを含むことを特徴とする送電線事故原因判別方法。 - 請求項１ないし４のいずれかに記載の送電線事故原因判別方法において、
前記事故状況データをメンバーシップ関数で表現したことを特徴とする送電線事故原因判別方法。 - 請求項１に記載の送電線事故原因判別方法において、
前記射影行列の抽出に、判別分析法を用いたことを特徴とする送電線事故原因判別方法。 - 請求項１に記載の送電線事故原因判別方法において、
前記射影行列の抽出に、部分空間類別法を用いたことを特徴とする送電線事故原因判別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35949098A JP4162067B2 (ja) | 1998-12-17 | 1998-12-17 | 送電線事故原因判別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP35949098A JP4162067B2 (ja) | 1998-12-17 | 1998-12-17 | 送電線事故原因判別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000184593A JP2000184593A (ja) | 2000-06-30 |
| JP4162067B2 true JP4162067B2 (ja) | 2008-10-08 |
Family
ID=18464777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP35949098A Expired - Fee Related JP4162067B2 (ja) | 1998-12-17 | 1998-12-17 | 送電線事故原因判別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4162067B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007166848A (ja) * | 2005-12-16 | 2007-06-28 | Chugoku Electric Power Co Inc:The | 配電線事故原因究明分析支援システム |
| KR101235869B1 (ko) | 2008-10-01 | 2013-02-28 | 현대중공업 주식회사 | 송전선로 시스템의 고장예측을 위한 고장확률 연산방법 |
| JP5048625B2 (ja) | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
| JP2011036118A (ja) * | 2009-08-04 | 2011-02-17 | Toshiro Morita | 送電網 |
| JP5498540B2 (ja) * | 2012-07-19 | 2014-05-21 | 株式会社日立製作所 | 異常検知方法及びシステム |
-
1998
- 1998-12-17 JP JP35949098A patent/JP4162067B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000184593A (ja) | 2000-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN100470417C (zh) | 工业生产过程小样本条件下的故障诊断***及方法 | |
| CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN106780115A (zh) | 异常用电监测与定位***及方法 | |
| CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及*** | |
| CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
| CN115081641A (zh) | 模型训练方法、评估结果的预测方法、设备及存储介质 | |
| Renga et al. | Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis | |
| JP4162067B2 (ja) | 送電線事故原因判別方法 | |
| CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
| CN112036682A (zh) | 一种频繁停电的预警方法及装置 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及*** | |
| CN114374561B (zh) | 一种网络安全状态评估方法、装置及可存储介质 | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
| CN114118630B (zh) | 一种基于气象事件的需求量预测方法和*** | |
| CN115545355B (zh) | 基于多类信息融合识别的电网故障诊断方法、装置及设备 | |
| CN116639007A (zh) | 具有电子漏电保护技术的充电桩及其方法 | |
| CN117933503A (zh) | 一种基于火点样本的山火预测方法、***、设备及介质 | |
| CN117609911A (zh) | 传感设备的异常识别方法及装置 | |
| Zhang et al. | Power Grid Fault Diagnosis Method Based on Inception Network | |
| Li et al. | Remote data acquisition model for abnormal operation of power equipment based on. NET technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051216 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20060117 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20060117 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070727 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070808 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071005 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071226 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080214 |
|
| 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: 20080625 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080716 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110801 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120801 Year of fee payment: 4 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120801 Year of fee payment: 4 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120801 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130801 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |