JP2017146674A - 分類装置、分類方法および分類プログラム - Google Patents
分類装置、分類方法および分類プログラム Download PDFInfo
- Publication number
- JP2017146674A JP2017146674A JP2016026273A JP2016026273A JP2017146674A JP 2017146674 A JP2017146674 A JP 2017146674A JP 2016026273 A JP2016026273 A JP 2016026273A JP 2016026273 A JP2016026273 A JP 2016026273A JP 2017146674 A JP2017146674 A JP 2017146674A
- Authority
- JP
- Japan
- Prior art keywords
- points
- data
- similarity
- classification
- energy power
- 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
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
最初に、自然エネルギー発電の出力データまたは気象データの代表的な変化パターンを抽出することが望ましい状況について説明する。大量の自然エネルギー発電の出力データまたは気象データから代表的な変化パターンを抽出することが望ましい状況は次の二つがある。なお、以下では、自然エネルギー発電の出力データを簡略化して「出力データ」と表す。また、変化パターンは、時系列データにより表される。
自然エネルギー発電が大量に導入されると、ある箇所の送電線を流れる電気や小さな範囲のエリアを流れる電気が、自然エネルギー発電の出力が変化したことの影響で不安定になり、最悪の場合には停電になることが懸念される。このため、自然エネルギー発電が大量に導入されても電気を安定して送れるか、または自然エネルギー発電の導入量の上限をチェックするために、シミュレーション技術がしばしば用いられる。しかし、チェックの対象は広範囲であるので計測地点数は大量であり、全ての計測地点を対象にシミュレーションを行うと計算時間は膨大となる。
電気を安定して送れるかのチェックは、例えば、1年間の毎日の13:00〜14:00のように、大量の時間帯を対象にシミュレーションしなくてはならないこともある。チェックしたい場所が半径数km程度のエリアである場合もあれば、数百km程度の電力会社のエリア全体にも及ぶ範囲の場合もある。なお、出力データまたは気象データを計測する地点の数は、1地点で十分である場合もあるし、100地点に達する場合もある。複数地点の場合は各地点の出力データまたは気象データが合計されて一つの変化パターンにされる。地点数や対象エリアの広さは、シミュレーションの方法や目的によってまちまちである。このような場合、出力データまたは気象データが大量の時間帯に対してデータベースに蓄えられているので、全ての時間帯を対象にシミュレーションを行うと膨大な計算時間を要する。
次に、実施例に係る分類装置がクラスタリングに用いる自己組織化マップ(SOM:Self-Organizing Map)について説明する。なお、以下では、クラスタリング対象として主に気象データのうちの複数地点で観測した日射強度を例に説明するが、クラスタリング対象は風速などの他の気象データまたは出力データ、あるいは、複数時間帯の気象データまたは出力データなどとすることもできる。
図2は、SOMにおける学習の計算フローを示すフロー図である。図2に示すように、実施例に係る分類装置は、参照ベクトルの初期値を乱数を使って設定する(ステップS1)。そして、実施例に係る分類装置は、入力ベクトルを順々に入力し(ステップS2)、同時に入力ベクトルの勝利ノードを決定する(ステップS3)。そして、実施例に係る分類装置は、全ての入力ベクトルに対して勝利ノードが決まると、全ての参照ベクトルを一括に更新する(ステップS4)。そして、実施例に係る分類装置は、規定回数を繰り返したか否かを判定し(ステップS5)、規定回数を繰り返していない場合には、ステップS2に戻り、規定回数を繰り返した場合には、計算を終了する。
実施例に係る分類装置は、参照ベクトルwi=(wi1,wi2,・・・,wiR)(i=1,2,・・・ND)に対し、乱数を使って初期値を与える。
実施例に係る分類装置は、日射強度の時系列データxjを入力層のノードに入力し、日射強度の時系列データxjと参照ベクトルwiとのユークリッド距離
arg mini{Zi}はZiが最小の場合のiを表すとすると、日射強度の時系列データxjと参照ベクトルwiとの距離を最小にするiは以下の(2)式で記述できる。
各参照ベクトルwiを(3)式のwi newに更新する。
ステップS2からステップS4をtmax回繰り返したならば、実施例に係る分類装置は、学習を終了する。
(ステップS2とステップS3)
図3は、日射強度の時系列データに対する勝利ノードを示す図である。入力層に入力した日射強度の時系列データX1に最も距離の近い参照ベクトルを持つマップ層上のノードを「データX1に対する勝利ノード」と呼ぶ。実施例に係る分類装置は、時系列データと参照ベクトルの距離は(1)式で計算し、(2)式によって勝利ノードを求める。実施例に係る分類装置は、X2のような他の日射強度の時系列データに対しても同様にして勝利ノードを求める。
図4は、参照ベクトルの更新を示す図である。実施例に係る分類装置は、勝利ノードだけではなく、その近傍にあるノードも参照ベクトルを当該勝利ノードに対応する日射強度の時系列データに近づける。近傍ノードは(4)式によって定義され、計算ステップが進むにつれてその範囲が狭まる。参照ベクトルを日射強度の時系列データに近づける方法は、(3)式によって各ノードの参照ベクトルを更新することで実施される。(3)式と(4)式によって、勝利ノードに近いノードほど当該勝利ノードに対応する日射強度の時系列データに参照ベクトルが近づく。
図5は、学習による日射強度の時系列データの写像の結果を示す図である。学習の結果、日射強度の時系列データX1に対応する勝利ノードの近傍では、当該勝利ノードの参照ベクトルと当該近傍ノードの参照ベクトルが似たものとなる。これによって、似たような日射強度の時系列データの勝利ノードは、マップ層の特定の場所に集まる。
SOMのマップ層上での勝利ノードの位置が近い、出力データまたは気象データの変化パターンが複数ある場合、それらは同じグループに含まれると判断できる。マップ層上での位置が近いかどうかを定量的に評価するため、実施例に係る分類装置は、類似度を算出する。類似度は、出力データまたは気象データの変化パターンが類似する程度の尺度である。類似度は、マップ層上の勝利ノードの位置関係より、次のようにして求められる。
二つの時系列データの間の関連性の程度を表す指標として、一般的には相関係数が使われる。そこで、類似度の代わりに相関係数を用いることも可能である。出力データまたは気象データの変化パターンA(時刻tから時刻t+R−1の時系列データ)と、それの対となる変化パターンB(時刻tから時刻t+R−1の時系列データ)との相関係数RA,B(τ)を(10)式に示す。
電気を安定して送れるかどうかをチェックするための計算時間を削減する手順は以下の4ステップで実施される。
実施例に係る分類装置は、出力データまたは気象データの変化パターンをSOMによってマップ層に写像する。もしくは、実施例に係る分類装置は、二つの変化パターンをペアにして、全てのペアの相関係数を求める。
実施例に係る分類装置は、SOMのマップ層上での勝利ノードの位置の近さ、または相関係数の大きさで、出力データまたは気象データの変化パターンをいくつかのグループに分類する。分類の方法は、例えば、変化パターンをいくつかランダムに選び、選択された変化パターンに対してSOMのマップ層上での勝利ノードの位置が近い変化パターンを選択された変化パターンと同じグループにする。もしくは、変化パターンをいくつかランダムに選び、選択された変化パターンに対して相関係数が大きい変化パターンを選択された変化パターンと同じグループにする。
実施例に係る分類装置は、各グループから、出力データまたは気象データの代表的な変化パターンを一つ抽出する。抽出方法は、例えばステップt2でランダムに選んだ変化パターンをそのまま用いてもよい。もしくは、それぞれのグループで各変化パターンに番号を付け、その中から乱数でランダムに選んでも良い。同じグループに属する変化パターンは類似しているので、どれを代表的な変化パターンとして選択しても良い。
シミュレーションの担当者は、シミュレーションモデルに抽出された変化パターンを入力してシミュレーションを実施し、電気を安定して送ることができるかどうかをチェックする。
次に、上述の分類手法を適用した分類装置10の構成について説明する。分類装置10は、上述の分類手法を用いて分類を行う装置である。分類装置10は、例えば、サーバコンピュータ、デスクトップ型PC(パーソナル・コンピュータ)、タブレット型PC、ノート型PCなどの情報処理装置である。分類装置10は、1台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、分類装置10を1台のコンピュータとした場合を例として説明する。
次に、同時間帯(2011年4月19日 10:00〜11:50)の30地点で観測した日射強度の変化パターンを用いた分類例について説明する。分類装置10は、30地点で観測した日射強度の変化パターンをSOMのマップ層へ写像し、マップ層上での各地点の位置関係から類似度を算出する。そして、分類装置10は、類似度の値を使ってクラスタリングを行い、似通った気象データの変化パターンは同じグループになるように分類する。
本実施例に係る分類装置10による分類処理の流れについて説明する。図17は、分類処理の手順の一例を示すフローチャートである。この分類処理は、所定のタイミング、例えば、受付部40により分類開始の指示を受け付けたタイミングで実行される。
上述してきたように、本実施例に係る分類装置10は、複数地点の日射強度の変化パターンをSOMを用いて二次元平面に写像し、各変化パターンに対応する勝利ノードを特定する。そして、分類装置10は、特定した勝利ノード間の類似度を算出し、算出した類似度に基づいて複数地点の日射強度の変化パターンを分類する。あるいは、分類装置10は、複数地点の日射強度の変化パターンをペアにして、全てのペアについて相関係数を算出し、算出した相関係数に基づいて複数地点の日射強度の変化パターンを分類する。これにより、分類装置10は、多数の地点の日射強度の変化パターンの中から代表的な変化パターンを自動的に抽出することができる。したがって、日射強度の変化が生じた場合に電気を安定して送れる設備が整っているかをシミュレーションする時間を短縮することができる。
なお、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナル・コンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図18は、分類プログラムを実行するコンピュータを示す図である。
20 表示部
21 入力部
22 記憶部
23 制御部
30 時系列データ
40 受付部
41 SOM部
42 類似度算出部
43 相関係数算出部
44 分類部
45 抽出部
46 出力制御部
300 コンピュータ
310 CPU
320 HDD
320a 分類プログラム
340 RAM
Claims (5)
- 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出する算出部と、
前記算出部により算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する分類部と
を有することを特徴とする分類装置。 - 前記算出部は、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを自己組織化マップを用いて二次元平面に写像し、各地点の気象データ、各地点の自然エネルギー発電の出力データ、各時間帯の気象データ、または、各時間帯の自然エネルギー発電の出力データに対応する勝利ノードを前記二次元平面上で特定し、特定した勝利ノード間の距離に基づいて前記類似度を算出することを特徴とする請求項1に記載の分類装置。
- 前記算出部は、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データの差をさらに用いて前記類似度を算出することを特徴とする請求項2に記載の分類装置。
- 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出し、
算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する
処理をコンピュータが実行することを特徴とする分類方法。 - 複数地点の気象データ、複数地点の自然エネルギー発電の出力データ、複数時間帯の気象データ、または、複数時間帯の自然エネルギー発電の出力データの間の類似度または相関係数を算出し、
算出された類似度または相関係数に基づいて、前記複数地点の気象データ、前記複数地点の自然エネルギー発電の出力データ、前記複数時間帯の気象データ、または、前記複数時間帯の自然エネルギー発電の出力データを分類する
処理をコンピュータに実行させることを特徴とする分類プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016026273A JP6712870B2 (ja) | 2016-02-15 | 2016-02-15 | 分類装置、分類方法および分類プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016026273A JP6712870B2 (ja) | 2016-02-15 | 2016-02-15 | 分類装置、分類方法および分類プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017146674A true JP2017146674A (ja) | 2017-08-24 |
JP6712870B2 JP6712870B2 (ja) | 2020-06-24 |
Family
ID=59682259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016026273A Active JP6712870B2 (ja) | 2016-02-15 | 2016-02-15 | 分類装置、分類方法および分類プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6712870B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019130469A1 (ja) * | 2017-12-27 | 2019-07-04 | 株式会社日立製作所 | 保全設計支援システム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003228706A (ja) * | 2002-02-05 | 2003-08-15 | Fuji Xerox Co Ltd | データ分類装置 |
JP2013258796A (ja) * | 2012-06-11 | 2013-12-26 | Toyota Motor Corp | 自然エネルギーを利用した発電システムの劣化診断装置 |
-
2016
- 2016-02-15 JP JP2016026273A patent/JP6712870B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003228706A (ja) * | 2002-02-05 | 2003-08-15 | Fuji Xerox Co Ltd | データ分類装置 |
JP2013258796A (ja) * | 2012-06-11 | 2013-12-26 | Toyota Motor Corp | 自然エネルギーを利用した発電システムの劣化診断装置 |
Non-Patent Citations (1)
Title |
---|
田中 雅博: "自己組織化マップを利用したクラスタリング", 電子情報通信学会論文誌, vol. 第J79−D−II巻,第2号, JPN6019052069, 25 February 1996 (1996-02-25), pages 301 - 304, ISSN: 0004189103 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019130469A1 (ja) * | 2017-12-27 | 2019-07-04 | 株式会社日立製作所 | 保全設計支援システム |
Also Published As
Publication number | Publication date |
---|---|
JP6712870B2 (ja) | 2020-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Teichgraeber et al. | Clustering methods to find representative periods for the optimization of energy systems: An initial framework and comparison | |
Sun et al. | Data-driven representative day selection for investment decisions: A cost-oriented approach | |
US11621668B2 (en) | Solar array fault detection, classification, and localization using deep neural nets | |
Liao et al. | Voltage sag estimation in sparsely monitored power systems based on deep learning and system area mapping | |
CN110197099A (zh) | 跨年龄人脸识别及其模型训练的方法和装置 | |
Sun et al. | Person re-identification via distance metric learning with latent variables | |
Bourdeau et al. | Classification of daily electric load profiles of non-residential buildings | |
CN108363886A (zh) | 基于深度学习的变形预测方法及系统 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
CN104166731A (zh) | 一种社交网络重叠社区发现系统及其方法 | |
EP3905420A1 (en) | Data processing device, data processing method, and computer program | |
Garg | MCDM-based parametric selection of cloud deployment models for an academic organization | |
CN112541639B (zh) | 基于图神经网络和注意力机制的推荐系统评分预测方法 | |
CN108460455A (zh) | 模型处理方法及装置 | |
Farmer et al. | Evaluating power system network inertia using spectral clustering to define local area stability | |
Rysanek et al. | Forecasting the impact of climate change on thermal comfort using a weighted ensemble of supervised learning models | |
Han et al. | A novel wind farm equivalent model for high voltage ride through analysis based on multi-view incremental transfer clustering | |
Ali et al. | Classification of the Reynolds stress anisotropy tensor in very large thermally stratified wind farms using colormap image segmentation | |
JP2015148934A (ja) | 発電量予測装置および発電量予測方法 | |
Cordova et al. | Shape-based data analysis for event classification in power systems | |
JP6712870B2 (ja) | 分類装置、分類方法および分類プログラム | |
CN108629418A (zh) | 用于训练因果模型的方法和设备 | |
CN110321960A (zh) | 一种工厂生产要素的预测方法及系统 | |
CN112632857A (zh) | 一种配电网的线损确定方法、装置、设备和存储介质 | |
KR102054500B1 (ko) | 설계 도면 제공 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190107 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191223 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200310 |
|
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: 20200526 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200602 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6712870 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |