JP7240691B1 - データドライブの能動配電網異常状態検知方法及びシステム - Google Patents

Abstract

【課題】データセットの利用効率を向上し、異常状態の予測精度を向上し、予測誤差を低減するデータドライブの能動配電網異常状態検知方法及びシステムを提供する。【解決手段】方法は、配電網異常状態発生後のノードパラメータデータを取得し、データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力し、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成し、サンプルデータセットに基づいて配電網異常状態予測モデルの訓練を行い、三層データマイニング構造を用いて、データ分類と相関ルールにより、対応する故障タイプと強い相関を有するデータサンプルを抽出して取得する。【選択図】図１

Description

本発明は、配電網異常状態分類及び予測技術分野に関し、特にデータドライブの能動配電網異常状態検知方法及びシステムに関する。

本部分の説明は、本発明に関連する背景技術を提供するだけであり、従来技術を必然的に構成するものではない。

能動配電網知能リアルタイム監視の深化に伴い、監視・保護装置は能動配電網に多く取り付けられ、これらの装置によって電網運転状態データを収集し、データ分析処理から、能動配電網の運転状態が正常であるか否かを判断する。しかし、このような診断方案は、監視装置の設置のために多くのコストがかかると同時に、診断精度が低いという問題がある。

上記従来の故障診断方案の問題を回避するために、人工知能は自己学習や自己最適化という利点に頼んで、能動配電網短絡故障、断線故障や過負荷等の異常状態の診断に用いられる。一般的な故障診断方法としては、エキスパートシステム、ファジー理論、人工ニューラルネットワーク、ベイジアンネットワーク、及びペトリネットワーク等の方法がある。エキスパートシステムに基づく故障診断方法では、能動配電網の運転状態等のデータを用いて、エキスパートの経験知識と合わせて、エキスパートモデルを構築して、故障タイプを推論する。ファジィー理論に基づく診断方法では、ファジィー制御によって任意の非線形連続関数の近似シミュレーションを実現する。人工ニューラルネットワークに基づく診断方法では、人間の脳や自然のニューラルネットワークを模倣し、既存の履歴データをモデル化し、関連パラメータの訓練を完了し、問題の解決セットを取得する。ペトリネットワークに基づく診断手法では、複雑な情報ベースが必要なく、離散的な動的能動配電網故障を効果的に処理することができるが、フォールトトレランスが低いという問題がある。

能動配電網の規模が非常に大きく、故障データが多い場合に、故障データに対する分析効果は、アルゴリズムの選択に大幅に依存する。そして、現在の人工知能が取り入れた故障診断方案は、いつも単一の人工知能アルゴリズムやモデルのみを採用し、その診断精度に向上する余裕があり、且つフォールトトレランスが低く、エキスパートの経験に強く依存するなどの制限がある。

上記課題を解決するために、本発明は、三層データマイニングを用いて能動配電網異常状態に対して分類及び予測を行って、異常状態分類及び予測の精度が低く時間が長い問題を対応的に解決することができるデータドライブの能動配電網異常状態検知方法及びシステムが抽出される。

上記目的を実現するために、いくつかの実施形態において、下記の技術的解決策を採用する。

データドライブの能動配電網異常状態検知方法であって、
配電網異常状態発生後のノードパラメータデータを取得し、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップとを含む。

さらなる解決策として、配電網履歴異常状態ノードパラメータデータをクラスタリングする前記工程は、具体的に、
ユークリッド距離に基づいてデータサンプルを分類するステップと、
判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
誤差二乗和を算出し、ＳＳＥ－Ｋグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む。

さらなる解決策として、配電網履歴異常状態ノードパラメータデータをクラスタリングした後に、
クラスタリング後のデータサンプルを自己エンコードし、第１サンプルデータセットを形成するステップをさらに含み、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ_ｉから構成され、（ただし、ＴＶ＝｛Ｎ０Ｃ_１，Ｎ０Ｃ_２，．．．，Ｎ０Ｃ_ａ｝は自己コーディング後のデータであり、Ｃ値の範囲は［１， Ｋ］であり、ａはデータ収集が行われるノード番号であり、Ｆ_ｉは異常状態タイプの値である）、
前記自己コーディング後のデータは、少なくともデータの位置するノード位置情報及びデータの属するクラスタリングカテゴリ情報を含む。

さらなる解決策として、相関ルールアルゴリズムによって配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成する前記ステップは、具体的に、
第１サンプルデータセットにおける各ベクトルのＴＶ及びＦ_ｉの２種類元素を１種類元素として併合し、新たなデータセットＭ：｛Ｚ_１，Ｚ_２，…，Ｚ_ｉ｝を構成するステップと（ただし、Ｚ_ｉは１つの自己コーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、ｉは新たなベクトルの数である）、
頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、配電網異常状態予測モデルの訓練を行うための第２サンプルデータセットを形成するステップと、を含む。

さらなる解決策として、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行う前記ステップは、具体的に、
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップを含む。

さらなる解決策として、前記配電網異常状態予測モデルは具体的に、

である
（ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ^Ｔ（ＣＶ_ｊ）はベクトルｗとベクトルＣＶ_ｊのスカラー積を表し、ベクトルＣＶ_ｊは訓練サンプルである）。

さらなる解決策として、目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップをさらに含み、前記目的関数の最適化は具体的に、

である
（ただし、Ｌ（Ｆ_ｉ，ｆ（ＣＶ_ｊ））はロス関数を表し、αはハイパーパラメータで設定値であり、Ｒ（ｗ）は正則化項であり、ｎはサンプルデータセット総量であり、Ｆ_ｉは異常状態タイプの値である）。

他のいくつかの実施形態において、下記の技術的解決策を採用する。

データドライブの能動配電網異常状態感知システムであって、
配電網異常状態発生後のノードパラメータデータを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する異常状態予測モジュールと、を含み、
前記配電網短絡異常状態モデルの訓練工程は、配電網履歴故障ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網短絡異常状態と強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップとを含む。

従来技術に比べて、本発明の有益な効果は以下のとおりである。
（１）本発明の分散型電源含有の配電網異常状態予測は、三層データマイニング構造を用いて、データ分類と相関ルールにより、対応する故障タイプと強い相関を有するデータサンプルを抽出して取得し、データセットの利用効率を向上することができ、三層データマイニング構造により異常状態の予測精度を向上し、算出時間を短くし、予測誤差を低減することができる。
（２）本発明は、自己エンコーディングによるデータフォーマット簡略化の方法を抽出し、異なる異常状態タイプラベルを設置することで、データ関連性が不明瞭、不明確である問題を効果的に回避して、異常状態タイプと強い相関を有するデータを正確的に抽出することができ、データセットの有効性を増強する。

図１は本発明の実施例における第１層データマイニング工程のフローチャートである。 図２は本発明の実施例における第３層データマイニング工程のフローチャートである。 図３は本発明の実施例における誤差二乗和ＳＳＥ及び参照Ｋ値のカーブダイアグラムである。

指摘すべきこととして、以下の詳細な説明は例示的なものであり、本出願にさらなる説明を提供することを目的とする。特に明示しない限り、本発明で使用される全ての技術及び科学的用語は本出願の属する技術分野の当業者によって一般的に理解される意味と同じものを有する。

注意すべきこととして、ここで使用される用語は具体的な実施形態を説明するためのものに過ぎず、本出願の例示的な実施形態を限定する意図ではない。ここで使用されるように、文脈が明確に示されない限り、そうでなければ単数形も複数の形式を含み、また、理解すべきこととして、本明細書において用語「含有」及び／又は「含む」を使用する場合、それは特徴、ステップ、操作、デバイス、コンポーネント及び／又はそれらの組み合わせが存在することを示す。
実施例１

１つ又は複数の実施形態において、下記の工程を含むデータドライブの能動配電網異常状態検知方法を開示する。
（１）配電網異常状態発生後のノードパラメータデータを取得し、ノードパラメータデータは、ノード電圧データ又はノード電流データを含むが、これらに限定されない。
（２）前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する。

前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、得られたサンプルデータセットに基づいて配電網異常状態予測モデルの訓練を行うステップとを含む。

本実施例の配電網異常状態予測は、主に単相対地間短絡、二相相間短絡、二相対地間短絡、三相対地間短絡の４種類の能動配電網短絡故障、及び負荷異常と断線故障に対するものである。

本実施例において、各異常状態について、１つの予測モデルをそれぞれ構築し、４種類の短絡故障、負荷異常及び断線故障を例として、これらの異常状態のそれぞれに対して予測モデルを構築し、モデリング方法及び思想がいずれも同じで、予測システム全体にこれらの異常状態が含まれてもよく、異常状態発生後のデータを入力し、モデルを予測し算出し、最後に信頼性のより高い予測結果を取得する。

本実施例で三層データマイニング方法を用いて配電網異常状態予測モデルの訓練を実現する。

第１層データマイニングは、Ｋ平均値クラスタリングアルゴリズムを用いて生異常状態データを分類し、次に自己エンコードルールにより生異常状態データのフォーマットを簡略化する。

第２層データマイニングは、第１層で得られた分類済の異常状態データの上で、相関ルールにより、異常状態予測結果に与える影響が小さいデータをカリングし、配電網異常状態タイプと強い相関を有するデータを、予測モデルパラメータ回帰訓練のデータセットとして抽出する。

配電網異常状態タイプと強い相関を有するデータサンプルとは、設定された最小支持度を満たし設定された最小信頼度を満たすデータサンプルである。

第３層データマイニングは、確率的勾配降下アルゴリズムにより、第２層データマイニングで得られたデータを訓練セットとして、各種の異常状態タイプの予測モデルを取得する。

以下、三層データマイニング工程のそれぞれを詳しく説明する。
１．第１層データマイニング

まず、異常状態発生後のノード電圧データを収集し、次にＫ平均値クラスタリングアルゴリズムによってこれらのデータを分類する。本実施例では、分類済のデータをエンコードして、データのフォーマットを簡略化するための自己エンコードルールを抽出する。Ｋ平均値クラスタリングアルゴリズムは、自己エンコーディングとともに第１層データマイニング工程を構成し、第１層データマイニング処理によって生成されたデータは第１サンプルデータセットを構成する。

図１を参照すると、Ｋ平均値クラスタリングアルゴリズムは主として、ユークリッド距離がデータサンプル分類のために用いられること、判別関数がサンプルクラスタリングが完成したか否かを判断するために用いられること、エルボー法が参照されるクラスタリング数Ｋ値を特定して、次に参照されるクラスタリング数Ｋ値に基づいて最終的なＫ値を特定するために用いられることという３つの面を含む。

具体的に、Ｋ平均値クラスタリングアルゴリズムは、サンプル点と各類中心サンプル点との間のユークリッド距離に基づいて当該データサンプルがあるクラスタリングに属することを判断する。１つのデータサンプルとある種類の中心サンプル点との間のユークリッド距離が最小となる時に、当該データサンプルはこの中心サンプル点の位置するクラスタリングに属する。ユークリッド距離の算出式は、

であり、
ただし、Ｐ＝（ｐ_１，ｐ_２，．．．，ｐ_ｎ）はｎ次元空間内の１つのデータサンプルを表し、例えば、三機九ノードシステムにおいて、ｎ＝９となると、Ｐ＝（ｐ_１，ｐ_２，．．．，ｐ_９）はある時刻で９つのノードの電圧データを表す。

はｊ番目のクラスタリングの中心サンプル点を表し、Ｐ、Ｑ^ｊはいずれもベクトルである。最初に、ユークリッド距離を反復算出する工程において、各クラスタリングの中心サンプル点を任意に選択することができる。

分類が完成していない場合に、各クラスタリングの中心点を更新する必要がある。各クラスタリングのうちのすべてのサンプルデータの平均値を、次回の反復の新たな中心点とし、同時に判別関数を用いて反復更新が停止したか否か、即ち分類が完成したか否かを判断する。ここの判別関数は、すべてのクラスタリングのうちのサンプルとサンプル中心との差の二乗和が最小であることを表し、その算出式は、

であり、
ただし、Ｋは分類の数を表し、

はｊ番目のクラスタリングのサンプル中心を表し、Ｐ^ｊはｊ番目のクラスタリングのうちのいずれも１つのサンプルデータを表し、

はいずれもｎ次元のサンプルデータのうちの１つの元素を表す。

式（２）で表す判別関数は最小に収束する時に、各クラスタリングのサンプル中心が明らかに変化せず、この場合に反復を停止し、分類工程が完成し、すべてのサンプル点がＫ類として分類される。

Ｋ平均値クラスタリングアルゴリズムの欠点の１つとしては、分類の数を事前に知ることができないため、クラスタリング工程が順調に行われにくく、同時にクラスタリング品質が高くない。故に、参照されるクラスタリング数Ｋは、このクラスタリングアルゴリズムのキーポイントである。

本実施例はエルボー法により、誤差二乗和（ＳＳＥ）を算出して、参照されるＫ値を取得する。Ｋが大きくなると、生データはどんどん細かく分類されると同時に、各クラスタリングの集約度はますます高くなり、二乗誤差の和はますます小さくなる。したがって、Ｋをある値にすると、二乗誤差和は急落し、ＳＳＥ－Ｋグラフに反映されて、ＳＳＥ曲線の傾斜は急に遅くなり、傾斜低下の速度が最速であり、さらにＫが大きくなると、ＳＳＥはゆっくりと変化することとなる。このような変化の傾向が、曲がった肘のような形の肘と似ていることから、この方法をエルボー法と呼んでいる。エルボ部位に対応するＫ値は、参照されるクラスタリング数である。

誤差二乗和の算出式は、

である。

ＳＳＥを反復算出する工程において、Ｋは人為的に取られた値で、しばしば１から適当な上限値（例えば１５であり、曲線の傾向をよりよく観察できる）まで増加し、最終的にＳＳＥ－Ｋ曲線によって参照されるＫ値が決められる。Ｃ_ｉはｉ番目のクラスタリングを表し、ｐはＣ_ｉのうちのいずれか１つのデータサンプルを表し、ｍ_ｉはＣ_ｉのうちのすべてのサンプルデータの平均値、つまりそのサンプル中心を表す。

参照されるＫ値に基づいて、データサンプル容量及びデータフォーマットの煩雑度合を特定し、最終的なＫ値は参照Ｋ値以上の数である。

Ｋ平均値クラスタリングアルゴリズムの後、各クラスタリングのデータサンプルは特定の類似性を持っているが、この場合にまだデータフォーマットが複雑で、さらなる処理に適していない。本実施例では自己エンコーディングの方法を採用して、分類済のデータを簡略化する。生データのキー情報、例えば当該データの位置するノード及び当該データの位置するクラスタリングを保留するために、下記のエンコーディングルールＮ０Ｃ（４）に応じて自己エンコードする。

ここで、Ｎは当該データの位置するノード位置を表し、Ｃは当該データの属するクラスタリングを表し、中間の０は識別するためのもので、実際な意義がない。あるデータが自己エンコーディングされた後、データフォーマットが４０６であることを例として、４０６は、ある時刻のノード４の電圧データがクラスタリング６に属することを表す。

上記自己エンコードルールはノードデータのみに対するものであり、異常状態タイプのデータラベルは人に設定されたものであり、例えば、本実施例で異常状態タイプの値
Ｆ_ｉ ε ｛１１０，１２０，１３０，１００，１４０，１５０｝
については、Ｆ_ｉ＝１１０の場合に、異常状態が単相対地間故障であり、Ｆ_ｉ＝１２０の場合に、異常状態が二相相間故障であり、Ｆ_ｉ＝１３０の場合に、異常状態が二相対地間故障であり、Ｆ_ｉ＝１００の場合に、異常状態が三相短絡故障であり、Ｆ_ｉ＝１４０の場合に、異常状態が負荷異常であり、Ｆ_ｉ＝１５０の場合に、異常状態が断線故障である。

初期データセット｛ＮＶ，Ｆ_ｉ｝は、上記したＫ平均値クラスタリング及び自己エンコーディング処理の後に、第１サンプルデータセットを構成し、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルは、ＴＶ及びＦ_ｉから構成され、ＴＶ＝｛Ｎ０Ｃ_１，Ｎ０Ｃ_２，．．．，Ｎ０Ｃ_ａ｝は、自己エンコーディング後のデータであり、Ｃ値の範囲は［１， Ｋ］であり、ａはデータ収集が行われるノード番号であるが、故障ノードが含まれず、Ｆ_ｉは異常状態タイプの値である。
２．第２層データマイニング

能動配電網において、異常状態タイプとノード電圧との間に一定の繋がりがあり、異常状態発生時に、ノード電圧波形にも対応する変化が生じ、本実施例では相関ルールアルゴリズムを第２層データマイニングに用いて、対応する異常状態タイプと強い相関を有するデータサンプルを見つけて、これらのデータを訓練セットとして、異常状態予測モデルを訓練することにより、モデルの精度を向上させる。

Ａｐｒｉｏｒｉアルゴリズムは、頻繁なアイテムセットをマイニングする相関ルールアルゴリズムである。まず、第１サンプルデータセットにおけるＴＶ及びＦ_ｉの２種類の元素を１種類の元素として併合し、即ち対応する異常状態タイプとノード電圧データを１つのベクトルとして構成し、新たなデータセットＭ：｛Ｚ_１，Ｚ_２，…，Ｚ_ｉ｝を形成し、Ｚ_ｉは１つの自己エンコーディング後のデータと対応する異常状態タイプからなる新たなベクトルを表し、ｉは新たなベクトルの数を表す。

頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、配電網異常状態予測モデルの訓練を行うための第２サンプルデータセットを形成する。

頻繁なアイテムセットの相関ルールは、１つのベクトルのうちの２つ又は複数の元素間の繋がりであり、このような繋がりは、頻繁なアイテムセットの支持度及び信頼度を用いて数値化して、元素間の関連度を測定する。支持度及び信頼度要求を満たす非０ベクトルは抽出されて、第２サンプルデータセットを構成する。

Ｚ_ｘ、Ｚ_ｙをそれぞれデータセットＭのうちの２つの非０ベクトルとすると、支持度及び信頼度の算出式は下記に説明する。
支持度はＺ_ｘとＺ_ｙが同時に現れる確率を表し、算出式として、

であり、
ただし、Ｚ_ｘ、Ｚ_ｙはそれぞれデータセットＭのうちの２つの非０ベクトルである。

信頼度は、Ｚ_ｘが現れる時にＺ_ｙが同時に現れる確率を表し、算出式として、

である。

データセットＭのうち、上記支持度、信頼度要求を満たす非０ベクトルは、抽出され、次にデータセットＭのうちの各元素は、ノードデータ及び異常状態タイプに応じて［ＣＶ，Ｆｉ］の形式に分割し、第２サンプルデータセットを構成し、ＣＶは、抽出されたサンプルデータを表し、異常状態タイプの値Ｆ_ｉに対応する。

生データセット、第１サンプルデータセット及び第２サンプルデータセットの相違としては、
生データセット、第１サンプルデータセットは、同じ次元及びサンプル数を有し、第１サンプルデータセットは、生データセットにＫ平均値クラスタリング及び自己エンコーディング処理が行われて生成されたものである一方、第２サンプルデータセットは、第１サンプルデータセットに相関ルールアルゴリズム処理が行われて生成されたものであり、対応する異常状態タイプと強い相関を有するデータサンプルのみを含み、そのサンプル数量は第１サンプルデータセットよりも大幅に少なくなる。
３．第３層データマイニング

先の二層データマイニングの後、生データは分類され、能動配電網異常状態タイプと強い相関関係を有するデータサンプルはマイニングされて、第２サンプルデータセットを構成した。

具体的な例として、生データセットにおいて４０，０００セットのデータがあり、処理後の第２サンプルデータセットにおいてデータが２５，０００～３０，０００セットとなり、データ量が大幅に低減した。

図２を参照すると、第３層データマイニングは、第２サンプルデータセットを訓練セットとし、確率的勾配降下（ＳＧＤ）アルゴリズムを採用して回帰訓練により、異常状態予測モデルの最適パラメータを取得する。

確率的勾配降下アルゴリズムは、反復最適化アルゴリズムであり、常に、機械学習におけるモデルパラメータの最適化問題を解決するために用いられる。確率的勾配降下アルゴリズムは、勾配降下アルゴリズムの改良形式であり、テキスト分類、自然言語処理等の大規模スパース機械学習の問題に成功に適用された。勾配は、多変量関数のパラメータ偏微分を取得し、それを１つのベクトルを構成するためのものである。勾配におけるすべての偏微分がいずれも０となると、モデルパラメータの最適解が得られる。確率的勾配降下アルゴリズムでは、反復するたびに、１つサンプルデータのみをランダム使用し、サンプルの総量が多い場合、一部のサンプルしか反復算出に使用されないため、モデルの訓練時間を短縮する。

本実施例は、第２サンプルデータセットを訓練セットとし、各ノードの電圧データの重みが線形的であるとすると、これによって線形的モデル関数が構築され、下記の通りである。

ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ^Ｔ（ＣＶ_ｊ）はベクトルｗとベクトルＣＶ_ｊとのスカラー積を表す。

ロス関数は、実際異常状態タイプ値Ｆ_ｉとモデル予測値ｆ（ＣＶ_ｊ）との間の差を測定するためのもので、Ｌ（Ｆ_ｉ，ｆ（ＣＶ_ｊ））で表され、本発明はロジスティック回帰ロス関数を採用し、算出式として、

である。

リスク関数はロス関数の所望値であり、Ｅｒで表され、算出式として、

である。

これによって分かるように、目的関数はリスク関数を最小化することになるが、履歴データが多く、関数が複雑であるため、予測結果のオーバーフィッティングにつながりやすい。このような状況を回避するために、本発明は、構造リスク関数を導入して、Ｓｒで表すと、

であり、
ただし、αは設定されたハイパーパラメータ、例えば０．１であり、αを設定することでパラメータの範囲を小さくして、モデルを簡略化する目的を達成するとともに、モデルによい一般化能力を具備させる。正則化項Ｒ（ｗ）は、ロス関数の複雑さを測定するためのもので、ロス関数パラメータを規制する役割を果たす。本実施例では、Ｌ２正則化を採用し、即ち、

である。

本実施例では、最適化目的関数により予測モデルのフィット度を測定し、リスク関数及び構造リスク関数が小さいほど、モデルフィット度合いは高くなり、最終的に最適化目的関数として、

であり、
ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｎは第２サンプルデータセット総量であり、Ｆ_ｉは異常状態タイプの値である。

確率的勾配降下アルゴリズムでは、毎回に一部のテストセットを用いて反復算出し、反復する時に、モデルパラメータは下記式で更新される。

ただし、ηは、経時的な学習率であり、算出式として、

であり、
ただし、ｔはタイムステップであり、ｔ_０は始まる時間である。

本実施例では、三層データマイニング構造から、順次にクラスタリングアルゴリズム、相関ルール、確率的勾配降下により生データを処理して、能動配電網異常状態の予測モデルを訓練し、異常状態分類、及び予測精度が低く、時間が長い問題を対応的に解決することができ、異常状態継続時間を短縮し、断電損失を低減するように、タイムリーに対応措置を講じることに寄与する。

他の異常状態の感知予測方法は上記工程と類似する。

本実施例方法の効果を検証するために、本実施例では、ＩＥＥＥ三機九ノードシステムを例とし、このモデルの上で、一般的な４種類の短絡故障及び負荷異常と断線故障をデバッグするとともに、ノード電圧データを収集し、短絡故障は、故障ノードをノード８に設定し、負荷異常設置はノード８での負荷脱落であり、断線故障設置は、線路７－８切断であり、，ノード８を除く他のノードの電圧データを収集する。
（１）第１層データマイニング

Ｋ平均値クラスタリングアルゴリズムでは、まずエルボー法で適当なＫ値をクラスタリング数として特定し、四タイプの短絡故障が発生した時に、ノード２の短絡電圧幅値データを抽出し、エルボー法により、取得した誤差二乗和ＳＳＥとＫ値の曲線を図３に示す。図３から分かるように、Ｋ＝５の時に、傾斜の低下速度が最速であり、Ｋ＞５の時に、ＳＳＥの変化が緩やかなので、エルボ部位に対応する参照Ｋ値が５となり、最終的なＫ値を５以上の値としてもよい（最終的なＫ値が５未満の場合に、分類が十分に細かくなく、データの集約度が十分に高くない）。このようにＫ値の範囲を小さくし、より適当なＫ値を速く取ることに寄与する。

最終的なＫ値は５以上である場合に、データ間の類似性特徴が失われないが、数値が大きすぎると、再びクラスタリング数が多すぎるようになってしまう。本実施例のデータサンプル容量を合わせて、以降の自己エンコーディングの工程において、クラスタリング数が小さいためデータフォーマットが頻繁に重複することがなく、クラスタリング数が多すぎるとデータフォーマットが煩雑にならず、第２層データマイニングがスムーズに進むように、今回の実験で、Ｋ＝５である上で、Ｋ値を順次増加して選択する試験を行い、最終的にＫ＝８を決め、全てのデータサンプルが８類に分けられ、各クラスタリングのデータがより大きな類似性を有する。

データは分類された後、自己エンコードルールに応じてデータフォーマットを簡略化し、三相短絡故障発生後のノード２の電圧データを例とし、その電圧値は区間［－１６．０１ｋＶ，１５．８５ｋＶ］にあり、８類に分けられると、各類が［－１６．０１ｋＶ，－１２．０３ｋＶ］、［－１２．０３ｋＶ，－８．０４ｋＶ］、［－８．０４ｋＶ，－４．０６ｋＶ］、［－４．０６ｋＶ，－０．０８ｋＶ］、［－０．０８ｋＶ，３．９０ｋＶ］、［３．９０ｋＶ，７．８８ｋＶ］、［７．８８ｋＶ，１１．８７ｋＶ］、［１１．８７ｋＶ，１５．８５ｋＶ］となり、ある時刻の電圧値が５．３６ｋＶとなる時に、自己エンコードルールに応じて、そのデータフォーマットが２０６になり、負荷異常発生後のノード４の電圧データを例として、その電圧値は区間［－１９６．５８２ｋＶ，２０６．７５４ｋＶ］にあり、８類に分けられると、各類が［－１９６．５８２ｋＶ，－１４６．１６４８ｋＶ］、［－１４６．１６４ｋＶ，－９５．７４７ｋＶ］、［－９５．７４７ｋＶ，－４５．３３０ｋＶ］、［－４５．３３０ｋＶ，５．０８６ｋＶ］、［５．０８６ｋＶ，５５．５０３ｋＶ］、［５５．５０３ｋＶ，１０５．９２０ｋＶ］、［１０５．９２０ｋＶ，１５６．３３７ｋＶ］、［１５６．３３７ｋＶ，２０６．７５４ｋＶ］となり、ある時刻の電圧値が２０．０４８ｋＶとなる時に、自己エンコードルールに応じて、そのデータフォーマットが４０５になり、断線故障発生後のノード１電圧データを例として、その電圧値は区間［－１４．４５４ｋＶ，１４．４６８ｋＶ］にあり、８類に分けられると、各類が［－１４．４５４ｋＶ，－１０．８３９ｋＶ］、［－１０．８３９ｋＶ，－７．２２４ｋＶ］、［－７．２２４ｋＶ，－３．６０８ｋＶ］、［－３．６０８ｋＶ，０．００６ｋＶ］、［０．００６ｋＶ，３．６２１ｋＶ］、［３．６２１ｋＶ，７．２３７ｋＶ］、［７．２３７ｋＶ，１０．８５２ｋＶ］、［１０．８５２ｋＶ，１４．４６８ｋＶ］となり、ある時刻の電圧値が９．５８１ｋＶとなる時に、自己エンコードルールに応じて、そのデータフォーマットが１０７になる。残りのノードの電圧データは同様の処理工程が行われて、その最終的な結果を表１に示す。

表１データベースI一部の自己エンコーディングデータ

（２）第２層データマイニング

１回目のデータマイニングの後に、将データベースIにおけるデータをＡｐｒｉｏｒｉアルゴリズムに入力して、強い相関データマイニングを行う。まず、予め最小支持度を０．２、最小信頼度を０．８、データベースIのうち最小支持度を満たすデータサンプルを頻繁なアイテムセット、頻繁なアイテムセットのうち最小信頼度を満たすデータを強い相関データとして設定する。２回目のデータマイニングの結果を表２に示す。

表２ ２回目のデータマイニングの結果

番号８の相関ルール｛２０５、４０７、６０３｝→｛１３０｝を例として、ノード２の電圧が第５クラスタリングにあり、ノード４の電圧が第７クラスタリングにあり、ノード６の電圧が第３クラスタリングにある時に、異常状態タイプが二相対地間短絡である可能性が非常に高いことが表され、番号１１の相関ルール｛５０８｝→｛１４０｝を例として、ノード５の電圧が第８クラスタリングにある時に、異常状態タイプが負荷異常である可能性が非常に高いことが表され、番号１４の相関ルール｛１０５、４０５、６０３｝→｛１５０｝を例として、ノード１の電圧が第５クラスタリングにあり、ノード４の電圧が第５クラスタリングにあり、ノード６の電圧が第３クラスタリングにある時に、異常状態タイプが断線故障である可能性が非常に高いことが表される。相関ルールアルゴリズムにより、得られたデータベースIIを表３に示す。

表３ データベースII部分のデータ

（３）３回目のデータマイニング

３回目のデータマイニングにおいて、ハイパーパラメータαを０．１、反復回数を５００回に設定する。データベースIIデータサンプルを確率的勾配降下アルゴリズムに入力して訓練されたモデルパラメータを表４に示す。

表４ モデルパラメータデータ

（４）結果分析

上記分類及び予測モデルの正確性を測定するために、本明細書で１００００個のデータサンプルをテストセットとする。異常状態分類及び予測の正確性は高く、三相短絡故障予測モデルの正確率が８５．３０％、単相対地間短絡故障モデルの正確率が７４．８０％、二相相間短絡モデルの正確率が７８．２０％、二相対地間短絡予測モデルの正確率が８７％、負荷異常予測モデルの正確率が９３．２９％、断線故障予測モデルの正確率が８９．２５％である。

本方法では、三層データマイニングから、まずクラスタリング及び自己エンコーディングにより、すべてのデータサンプルフォーマットを簡略化し、あるノードのデータに固定のＫ種類フォーマットのみがあることについて、生成する可能性がある異常データ及びドット抜けと正常データとの違いを効果的に消去し（例えば幅値の急激な変化やデータの欠落）、同時にデータ間の類似性を十分にマイニングし、例えば負荷異常時に、ノード４における電圧データのうち、１５個の異常データサンプルが生じ、クラスタリング及び自己エンコーディングの後に、これらの異常データ点はいずれも第８クラスタリングに属し、即ちこれらのデータフォーマットがいずれも４０８であり、この場合に、第８クラスタリングに多量データがあれば、自己エンコーディングによりこれらの異常データ点を正常データに同化して、異常データ及びドット抜けの影響を低減させ、第８クラスタリングにこの１５個のデータサンプルのみがあれば，第２層強い相関により抽出すると、これらのデータを低減することができる。

第２層データマイニングにより、支持度及び信頼度の２つの数値化基準従って、異常状態強い相関のデータサンプルを抽出して、アルゴリズムがモデル訓練を行うフォールトトレランスを向上させ、モデル訓練の正確さを増加する。

従来方法のフォールトトレランスに比べると、本方法で、生データの状況を直接に考慮せず、まずデータを処理し、フォールトトレランスが向上するとともに、データサンプルの数が低減し、訓練時間が短縮し、モデルが訓練を行う時間は約３５０秒であり、予測時間は２０秒内である。

本実施例の異常状態検知方法と、従来のサポートベクターマシンを直接に利用して異常状態感知を行う方法とを比較すると、表５、表６及び表７は、それぞれ予測正確さ、予測時間及びフォールトトレランスの面で比較結果を出す。

表５ 予測正確さ比較

表６ 予測時間比較

表７ フォールトトレランス比較（予測正確さによる数値化）

上記の比較結果から、本実施例の方法では、予測時間、予測正確さ及びフォールトトレランスの面で、いずれも従来のサポートベクターマシンの方法よりも明らかに優れることが得られる。
実施例２

１つ又は複数の実施形態において、
配電網異常状態発生後のノードパラメータデータを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網短絡異常状態予測結果を出力する故障予測モジュールと、を含み、
前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて配電網異常状態予測モデルの訓練を行うステップとを含むデータドライブの能動配電網異常状態検知システムを開示する。

説明すべきこととしては、本実施例の上記モジュールの具体的な実現方法は既に実施例１において詳細に説明され、ここでは重複に説明しない。

上記図面を参照しながら本発明の具体的な実施形態を説明したが、本発明の保護範囲を限定するものではなく、当業者は、本発明の技術的解決策の上で、当業者が創造的な労力の必要がなく行い得る様々な修正又は変形が依然として本発明の保護範囲内にあることを理解すべきである。

Claims (3)

1. 能動配電網異常状態感知システムがデータドライブの能動配電網異常状態検知する方法であって、データ取得モジュールが、配電網異常状態発生後のノードパラメータデータとして複数のノードのノード電圧データを取得し、異常状態予測モジュールが、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
   能動配電網異常状態感知システムが、前記配電網異常状態予測モデルを訓練する工程は、
   配電網履歴異常状態発生後に取得した複数の前記ノードの前記ノード電圧データを、ノードごとに予め定められたノード電圧データをクラス分けする複数の電圧区間にそれぞれ参照することにより、取得した前記ノード電圧データが該当するクラスの番号Ｃを前記ノードごとに求め、これにより、各ノードのノード電圧データをクラスタリングするとともにクラスタリング後のデータサンプルを自己エンコードし、ノードごとのノード番号Ｎとノード電圧データのクラスの番号Ｃとを並べたＮ０Ｃ、および、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値Ｆ _ｉ から構成される第１サンプルデータセットを形成するステップであって、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ_ｉから構成され、ＴＶ＝｛Ｎ０Ｃ_１，Ｎ０Ｃ_２，．．．，Ｎ０Ｃ_ａ｝であり、Ｎは、データを収集した各ノードの位置を表し、Ｃ値の範囲は［１， Ｋ］であり、Ｋはクラスタリング数であり、ａはデータ収集したノード番号であり、Ｆ_ｉは、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値であるステップと、
   相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第１サンプルデータセットにおける各ベクトルのＴＶ及びＦ_ｉの２種類元素を１種類元素として併合し、新たなデータセットＭ：｛Ｚ_１，Ｚ_２，…，Ｚ_ｉ｝を構成し、Ｚ_ｉは１つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、ｉは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、訓練用のサンプルデータセットである第２サンプルデータセットを形成することを含むステップと、
   前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
   前記配電網異常状態予測モデルは、具体的に、
   

   

   であり、
   ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ^Ｔ（ＣＶ_ｊ）はベクトルｗとベクトルＣＶ_ｊのスカラー積を表し、ベクトルＣＶ_ｊは訓練サンプルであるステップと、
   目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
   

   

   であり、
   ただし、Ｌ（Ｆ_ｉ，ｆ（ＣＶ_ｊ））はロス関数を表し、αがハイパーパラメータで設定値であり、Ｒ（ｗ）は正則化項であり、ｎはサンプルデータセット総量であり、Ｆ_ｉは異常状態タイプの値であるステップと、
   得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
   

   

   ただし、ηは、経時的な学習率であり、算出式としては、
   

   

   であり、
   ただし、ｔはタイムステップであり、ｔ_０は始まる時間であるステップと、を含む、
   ことを特徴とするデータドライブの能動配電網異常状態検知方法。
2. 配電網履歴異常状態ノードパラメータデータをクラスタリングする前記工程は、具体的に、
   ユークリッド距離に基づいてデータサンプルを分類するステップと、
   判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
   誤差二乗和を算出し、ＳＳＥ－Ｋグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む、
   ことを特徴とする請求項１に記載のデータドライブの能動配電網異常状態検知方法。
3. データドライブの能動配電網異常状態感知システムであって、
   配電網異常状態発生後のノードパラメータデータとしてノード電圧データを取得するためのデータ取得モジュールと、
   前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する異常状態予測モジュールと、を含み、
   前記配電網異常状態モデルの訓練工程は、
   配電網履歴異常状態発生後に取得した前記ノード電圧データを、ノードごと予め定められたノード電圧データをクラス分けする複数の電圧区間に参照することにより、取得した前記ノード電圧データが該当するクラスの番号Ｃを求め、これにより、各ノードのノード電圧データをクラスタリングするとともにクラスタリング後のデータサンプルを自己エンコードし、ノードごとのノード番号Ｎとノード電圧データのクラスの番号Ｃとを並べたＮ０Ｃ、および、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値Ｆ _ｉ から構成される第１サンプルデータセットを形成するステップであって、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ_ｉから構成され、ＴＶ＝｛Ｎ０Ｃ_１，Ｎ０Ｃ_２，．．．，Ｎ０Ｃ_ａ｝であり、Ｎは、データを収集した各ノードの位置を表し、Ｃ値の範囲は［１， Ｋ］であり、Ｋはクラスタリング数であり、ａはデータ収集したノード番号であり、Ｆ_ｉは、予め定めた複数の異常状態タイプのうち現在発生している異常状態タイプを示す値であるステップと、
   相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第１サンプルデータセットにおける各ベクトルのＴＶ及びＦ_ｉの２種類元素を１種類元素として併合し、新たなデータセットＭ：｛Ｚ_１，Ｚ_２，…，Ｚ_ｉ｝を構成し、Ｚ_ｉは１つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、ｉは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、訓練用のサンプルデータセットである第２サンプルデータセットを形成することを含むステップと、
   前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
   前記配電網異常状態予測モデルは、具体的に、
   

   

   であり、
   ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ^Ｔ（ＣＶ_ｊ）はベクトルｗとベクトルＣＶ_ｊのスカラー積を表し、ベクトルＣＶ_ｊは訓練サンプルであるステップと、
   目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
   

   

   であり、
   ただし、Ｌ（Ｆ_ｉ，ｆ（ＣＶ_ｊ））はロス関数を表し、αはハイパーパラメータで設定値であり、Ｒ（ｗ）は正則化項であり、ｎはサンプルデータセット総量であり、Ｆ_ｉは異常状態タイプの値であるステップと、
   得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
   

   

   ただし、ηは、経時的な学習率であり、算出式としては、
   

   

   であり、
   ただし、ｔはタイムステップであり、ｔ_０は始まる時間であるステップと、を含む、
   ことを特徴とするデータドライブの能動配電網異常状態感知システム。

Images