JP2019208317A - 地絡要因推定装置、地絡要因推定方法、およびプログラム - Google Patents

Abstract

【課題】事故原因を、より詳細に推定することができる地絡要因推定装置、地絡要因推定方法、およびプログラムを提供することである。【解決手段】実施形態の地絡要因推定装置は、データ取得部と、決定部と、推定部とを持つ。データ取得部は、三相の配電線における零相の電位の時間的変化を示す零相データを取得する。決定部は、前記データ取得部により取得された前記零相データに基づいて、地絡が発生している地絡期間を決定する。推定部は、前記決定部により決定された地絡期間に対応する前記零相データを、地絡発生により出現する波形パターンと地絡要因との関係を学習した学習済みモデルに入力することにより得られた分類結果に基づいて、前記地絡期間に含まれる所定期間ごとに地絡要因を推定する。【選択図】図２

Description

本発明の実施形態は、地絡要因推定装置、地絡要因推定方法、およびプログラムに関する。

配電線に鳥や樹木が接触することなどに起因して地絡事故が発生した場合、保守員は、事故現場を特定して事故の詳細を調査する必要がある。しかしながら、配電線における電圧や電流等を計測する計測装置の設置数は限られており、計測装置により計測された地絡事故の発生範囲が非常に広くなる場合があるため、事故現場を特定し、事故調査を行うのに多大な時間と労力を要する場合がある。これに関連して、地絡事故発生時に検出された配電線の零相電圧波形や零相電流波形の波形を解析することにより、事故原因を推定する技術が知られている。しかしながら、従来の技術では、事故原因を、より詳細に推定することについて十分な検討がなされていなかった。

特開平１１−１４２４６６号公報

本発明が解決しようとする課題は、事故原因を、より詳細に推定することができる地絡要因推定装置、地絡要因推定方法、およびプログラムを提供することである。

実施形態の地絡要因推定装置は、データ取得部と、決定部と、推定部とを持つ。データ取得部は、三相の配電線における零相の電位の時間的変化を示す零相データを取得する。決定部は、前記データ取得部により取得された前記零相データに基づいて、地絡が発生している地絡期間を決定する。推定部は、前記決定部により決定された地絡期間に対応する前記零相データを、地絡発生により出現する波形パターンと地絡要因との関係を学習した学習済みモデルに入力することにより得られた分類結果に基づいて、前記地絡期間に含まれる所定期間ごとに地絡要因を推定する。

実施形態の地絡要因推定装置１００の使用環境の一例を示す図。 地絡要因推定装置１００の構成図。 事故データ１４１の内容の一例を示す図。 事故原因記録情報１４２の内容の一例を示す図。 事故設備記録情報１４３の内容の一例を示す図。 多種分類モデルの内容の一例を示すイメージ図。 該非判定モデルの内容の一例を示すイメージ図。 零相データの内容の一例をグラフの形式で示す図。 対象データ取得部１７１により取得された零相電流データの一例を示す図。 分類結果情報１８１の内容の一例を示す図。 事故傾向情報１８２の内容の一例を示す図。 分類部１７０における処理の流れの一例を示すフローチャート。 推定部１７４における処理の流れの一例を示すフローチャート。 ケース１について説明するための参考図。 ケース２について説明するための参考図。 ケース３について説明するための参考図。 出力情報に基づいて生成される表示画面の一例を示す図。 推定部１７４αの一例を示す構成図。 推定部１７４αによる推定結果を表示する表示画面の一例を示す図。

以下、実施形態の地絡要因推定装置、地絡要因推定方法、およびプログラムを、図面を参照して説明する。

図１は、実施形態の地絡要因推定装置１００の使用環境の一例を示す図である。図１に示す通り、地絡要因推定装置１００と、一以上の計測装置２００と、一以上の端末装置３００とは、ネットワークＮＷによって互いに接続されており、このネットワークＮＷを介して互いに通信することで互いに連携して処理を行う。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）などを含む。

計測装置２００は、例えば、電柱に設置されており、配電線における観測データを計測または導出する。観測データは、例えば、三相それぞれの電圧または電流の時間的な変化を示す各相データ、零相の電圧または電流の時間的な変化を示す零相データを含む。計測装置２００は、計測した観測データを定期的に地絡要因推定装置１００に送信する。

端末装置３００は、例えば、スマートフォンなどの携帯電話やタブレット端末、ノート型あるいはデスクトップ型のパーソナルコンピュータ、ＰＤＡ（Personal Digital Assistant）、ワークステーションなどの、少なくとも通信機能と表示機能を有する端末装置である。端末装置３００は、例えば、地絡事故の現場を調査する保守員により使用される。端末装置３００は、地絡要因推定装置１００から受信した情報を、表示部に表示させる。

［地絡要因推定装置］
次に、地絡要因推定装置１００の構成について説明する。図２は、地絡要因推定装置１００の構成図である。地絡要因推定装置１００は、例えば、通信部１１０と、入力部１２０と、データ取得部１３０と、第１記憶部１４０と、学習部１５０と、第２記憶部１６０と、分類部１７０と、第３記憶部１８０とを備える。通信部１１０は、例えば、ＮＩＣなどの通信インターフェースを含む。入力部１２０は、例えばキーボードやマウス、パーソナルコンピュータなどを含む。第１記憶部１４０、第２記憶部１６０、および第３記憶部１８０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＳＳＤなどのフラッシュメモリ、ＨＤＤ（Hard Disk Drive）などにより実現される。これらの記憶部のそれぞれは、地絡要因推定装置１００がネットワークを介してアクセス可能なＮＡＳ（Network Attached Storage）などの外部記憶装置であってもよい。

第１記憶部１４０には、例えば、事故データ１４１、事故原因記録情報１４２、事故設備記録情報１４３などが格納される。事故データ１４１は、地絡事故が発生したときの観測データである。図３は、事故データ１４１の内容の一例を示す図である。図３に示す通り、事故データ１４１は、事故番号に、計測装置ＩＤと、事故発生日時と、観測データとを対応付けたデータである。事故番号は、各事故を識別するための識別情報である。計測装置ＩＤは、各計測装置２００を識別するための識別情報である。

事故原因記録情報１４２および事故設備記録情報１４３は、入力部１２０を用いて保守員により入力された事故記録情報である。図４は、事故原因記録情報１４２の内容の一例を示す図である。図４に示す通り、事故原因記録情報１４２は、事故番号に、事故原因を対応付けた情報である。事故原因は、保守員が事故現場で確認した事故原因である。図５は、事故設備記録情報１４３の内容の一例を示す図である。図５に示す通り、事故設備記録情報１４３は、事故番号に、事故設備と、場所とを対応付けた情報である。事故設備は、保守員が事故現場で確認した事故設備である。場所は、事故設備が設置されている市町村である。

データ取得部１３０、学習部１５０、および分類部１７０のそれぞれは、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが、第１記憶部１４０、第２記憶部１６０、および第３記憶部１８０に記憶されたプログラム（ソフトウェア）を実行することで実現される。また、これらの構成要素の機能のうち一部または全部は、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ等のハードウェア（回路部：circuitryを含む）によって実現されていてもよいし、ソフトウェアとハードウェアの協働によって実現されていてもよい。

データ取得部１３０は、通信部１１０を用いて観測データを取得し、事故データ１４１の一部として第１記憶部１４０に格納する。またデータ取得部１３０は、入力部１２０を用いて事故記録情報を取得し、事故原因記録情報１４２および事故設備記録情報１４３の一部として第１記憶部１４０に格納する。

学習部１５０は、過去の観測データや事故記録情報を教示データとして、地絡発生により出現する波形パターンと地絡要因との関係を機械学習し、学習済みモデルを生成する。学習済みモデルは、例えば、多種分類モデルと、該非判定モデルとを含む。

多種分類モデルは、例えば後述する推定部１７４が、複数の分類項目のそれぞれに該当する確率を導出するためのモデルである。複数の分類項目は、事故の要因であって、例えば、鳥獣接触、樹木接触、碍子汚損…などが含まれる。図６は、多種分類モデルの内容の一例を示すイメージ図である。多種分類モデルは、複数の入力データに基づいて、複数の分類項目のそれぞれに該当する確率を導出するためのモデルである。

該非判定モデルは、複数の分類項目ごとに用意されている。該非判定モデルは、例えば後述する推定部１７４が、複数の分類項目のうち一の分類項目に該当する確率と該当しない確率とをそれぞれ導出するためのモデルである。図７は、該非判定モデルの内容の一例を示すイメージ図である。各該非判定モデルは、複数の入力データに基づいて、各事故原因に該当する可能性と該当しない確率とをそれぞれ導出するためのモデルである。

モデルに対する入力データには、例えば、零相電圧の計測値、零相電流の計測値、三相交流の各相電圧の計測値等が含まれる。

学習部１５０は、例えば、教示データ取得部１５１と、決定部１５２と、多種分類モデル生成部１５３と、該非判定モデル生成部１５４とを含む。教示データ取得部１５１は、学習対象範囲内の観測データと事故記録情報とを第１記憶部１４０から読み出し、決定部１５２に出力する。学習対象範囲とは、例えば、指定された期間、指定された地域、指定された分類項目などにより規定されるデータまたは情報の範囲である。

決定部１５２は、教示データ取得部１５１により取得された観測データに基づいて、地絡が発生している期間（以下、地絡期間と記す）を決定する。ここで、図８を参照して、決定部１５２による処理について詳細に説明する。図８は、零相データの内容の一例をグラフ形式で示す図である。図８の横軸は時間、縦軸は零相電流を示している。図８（ａ）〜（ｃ）は、それぞれ事故番号１〜３の零相データＤａ〜Ｄｃである。決定部１５２は、零相電流（あるいは零相電圧、以下省略）の絶対値が０に近い状態において、地絡事故が発生していないと判定する。零相電流の絶対値が０に近い状態とは、零相電流の絶対値が０に近い閾値Ｔｈ１未満の状態をいう。零相電流の絶対値が閾値Ｔｈ１未満であれば、決定部１５２は、地絡事故が発生している状態であると判定する。零相電流の絶対値が閾値Ｔｈ１以上であれば、決定部１５２は、地絡事故が発生している状態であると判定する。

決定部１５２は、零相電流の絶対値が閾値Ｔｈ１以上となった時点を事故発生時点Ｔｓに決定する。また決定部１５２は、零相電流の絶対値が閾値Ｔｈ１未満となった状態が所定時間Ｔｚ以上継続している場合、零相電流が閾値Ｔｈ１未満となった時点を、事故終了時点Ｔｅに決定する。決定部１５２は、事故発生時点Ｔｓから事故終了時点Ｔｅまでを、地絡期間に決定する。また決定部１５２は、零相電流の絶対値が閾値Ｔｈ１未満となった状態が所定時間Ｔｚ以上継続している期間を、事故原因解消期間に決定する。

決定部１５２は、地絡期間を複数の分割期間（例えば第１分割期間Ｐａ１〜Ｐｃ１、第２分割期間Ｐａ２〜Ｐｃ２、第３分割期間Ｐａ３〜Ｐｃ３…）に分割する。なお、図８（ａ）〜（ｃ）における各分割期間は、ａ〜ｃを付して区別する。決定部１５２は、一定の時間長で各分割期間を区切ってもよく、観測データの波形の形状に応じて各分割期間を区切ってもよい。前者の例が図８（ａ），（ｂ）であり、後者の例が図８（ｃ）である。

観測データの波形の形状に応じて分割期間を区切る場合、決定部１５２は、例えば、零相電流（あるいは零相電圧）の変動がｎ（ｎ＝１，２，…）周期経過した時点を、一つの分割期間に設定する。より具体的には、決定部１５２は、零相電流等の絶対値が閾値Ｔｈ１未満となる期間が２回到来するごとに、一つの分割期間を設定する。

多種分類モデル生成部１５３は、教示データ取得部１５１により取得された観測データのうち、決定部１５２により決定された地絡期間に対応する観測データを抽出する。多種分類モデル生成部１５３は、抽出した観測データと、それに対応する事故記録情報とを教示データとして、多種分類モデルを生成する。多種分類モデル生成部１５３は、生成した多種分類モデルを、第２記憶部１６０に格納する。例えば、多種分類モデル生成部１５３は、第１分割期間Ｐａ１と第２分割期間Ｐａ２とを含む地絡期間に対応する観測データに基づいて、多層分類モデルを学習させる。また、多種分類モデル生成部１５３は、第１分割期間Ｐａ１に対応する観測データ（あるいは第２分割期間Ｐａ２に対応する観測データ）のそれぞれに基づいて、多層分類モデルを学習させてもよい。

該非判定モデル生成部１５４は、教示データ取得部１５１により取得された観測データのうち、決定部１５２により決定された地絡期間に対応する観測データを、事故原因ごとに抽出する。多種分類モデル生成部１５３は、事故原因ごとに抽出した観測データと、それに対応する記録情報とを教示データとして、各事故原因に対応する該非判定モデルをそれぞれ生成する。該非判定モデル生成部１５４は、生成した該非判定モデルを、第２記憶部１６０に格納する。例えば、該非判定モデル生成部１５４は、第１分割期間Ｐａ１と第２分割期間Ｐａ２とを含む地絡期間に対応する観測データに基づいて、例えば零相データＤａと対応付けられている事故原因についての該非判定モデルを学習させる。また、該非判定モデル生成部１５４は、第１分割期間Ｐａ１に対応する観測データ（あるいは第２分割期間Ｐａ２に対応する観測データ）に基づいて、例えば零相データＤａと対応付けられている事故原因についての該非判定モデルを学習させてもよい。

第２記憶部１６０は、学習済みモデル１６１を格納する。学習済みモデル１６１は、多種分類モデル１６２と該非判定モデル１６３とを含む。多種分類モデル１６２は、多種分類モデル生成部１５３により生成される。該非判定モデル１６３は、該非判定モデル生成部１５４により生成される。

分類部１７０は、学習部１５０により生成された学習済みモデル１６１を用いて、発生した事故の地絡要因を分類する。分類部１７０は、例えば、対象データ取得部１７１と、判定部１７２と、決定部１７３と、推定部１７４と、補正部１７５と、作成部１７６と、配信部１７７とを備える。

対象データ取得部１７１は、分類対象範囲内の観測データと事故記録情報とを第１記憶部１４０から読み出し、判定部１７２に出力する。分類対象範囲とは、例えば、現在時刻を含む所定期間以内、指定された地域などにより規定されるデータまたは情報の範囲である。例えば、対象データ取得部１７１は、通信部１１０を用いてデータ取得部１３０により取得された直後の観測データ（あるいは、事故データ１４１に格納された直後の観測データ）を取得する。

図９は、対象データ取得部１７１により取得された零相電流データの一例を示す図である。図９に示す通り、零相データＤｘには、事故発生時点Ｔｓと、第１分割期間Ｐｘ１と、第２分割期間Ｐｘ２と、第３分割期間Ｐｘ３と、第４分割期間Ｐｘ４と、事故終了時点Ｔｅとが含まれる。また、零相データＤｘには、第３分割期間Ｐｘ３と第４分割期間Ｐｘ４との間において、零相電流の絶対値が０に近い閾値未満となる期間（以下、非地絡期間と記す）Ｎｘ１が含まれている。

判定部１７２は、対象データ取得部１７１により取得された観測データに基づいて、地絡が発生したか否かを判定する。例えば、判定部１７２は、零相電流などの計測値が閾値以上となる期間を含む場合、地絡が発生したと判定する。

決定部１７３は、例えば、対象データ取得部１７１により取得された観測データのうち、判定部１７２により地絡が発生していると判定された観測データに基づいて、分割期間および地絡期間を決定する。決定部１７３は、上述した決定部１５２と同様にして分割期間と地絡期間とを決定することができる。さらに、決定部１７３は、地絡期間において、原因に相当する期間を原因期間に決定する。決定部１７３は、例えば、最初の分割期間（第１分割期間）を原因期間に決定する。また、決定部１７３は、地絡期間のうち原因期間以外を様相期間に決定する。例えば図９に示す零相データＤｘの場合、決定部１７３は、事故発生時点Ｔｓから事故終了時点Ｔｅまでを地絡期間Ｇｘに決定するとともに、この地絡期間Ｇｘを第１分割期間Ｐｘ１〜第４分割期間Ｐｘ４に分割する。また、決定部１７３は、第１分割期間Ｐｘ１を原因期間に、第２分割期間Ｐｘ２〜第４分割期間Ｐｘ４を様相期間に決定する。

推定部１７４は、決定部１７３により決定された地絡期間に対応する観測データを、学習済みモデル１６１に入力することにより分類結果を導出する。分類結果は、学習モデル１６１に含まれる各モデルにより導出された結果であって、各分類項目に該当する確率（各分類項目に該当しない確率を含んもよい）である。推定部１７４は、導出した分類結果に基づいて、地絡期間に含まれる所定期間ごとに地絡要因を推定する。地絡期間に含まれる所定期間は、各分割期間であってもよく、原因期間と様相期間でもよい。例えば、推定部１７４は、第１分割期間Ｐｘ１〜第４分割期間Ｐｘ４のそれぞれについての地絡要因を推定する。推定部１７４は、取得された分類結果や推定された地絡要因を、分類結果情報１８１の一部として第３記憶部１８０に格納する。また、推定部１７４は、原因期間の地絡要因と、様相期間の地絡要因とを推定してもよい。

また、推定部１７４は、非地絡期間Ｎｘ１において、地絡が発生していないという推定結果を生成してもよい。また、推定部１７４は、地絡期間経過後の期間において、事故原因が解消しているという推定結果を生成してもよい。また、推定部１７４は、地絡期間に含まれる所定期間ごとに、複数の地絡要因を推定してもよい。例えば、推定部１７４は、確率が上位１〜３位までの分類項目を推定結果としてもよい。

また、推定部１７４は、過去の地絡事故の統計に基づいて、地絡期間に含まれる所定期間ごとに地絡要因を推定してもよい。過去の地絡事故の統計は、例えば、第１記憶部１４０に格納されている事故データや事故記録情報等であってもよく、補正部１７５により過去の地絡事故の統計に基づいて補正された確率であってもよい。

第３記憶部１８０は、例えば、分類結果情報１８１、事故傾向情報１８２などを格納する。図１０は、分類結果情報１８１の内容の一例を示す図である。図１０に示す通り、分類結果情報１８１は、事故番号に、観測データと、推定結果と、事故設備と、場所と、事故原因とを対応付けた情報である。観測データは、地絡要因が推定された際に用いられた観測データである。推定結果には、推定された複数の地絡要因が含まれていてもよく、各地絡要因に該当する確率が含まれていてもよい。事故設備、場所、事故原因などは、事前に保守員により入力された情報であって、例えば第１記憶部１４０に格納されている情報のコピーである。なおこれらの情報は、事故番号により紐づいているため、なくてもよい。

図１１は、事故傾向情報１８２の内容の一例を示す図である。図１１に示す通り、事故傾向情報１８２は、地域ＩＤに、場所と、地絡要因割合とを対応付けた情報である。地域ＩＤとは、各区分地域を識別する識別情報である。場所は、地域ＩＤが示す地域の市町村を示す情報である。地絡要因割合は、地域ＩＤが示す地域において発生した全体事故に対する各地絡要因の発生件数の割合である。

補正部１７５は、推定された地絡要因の事故が発生した地域において発生した過去の履歴情報に基づいて当該地域において発生する地絡事故の統計を導出し、導出した統計に基づいて、推定部１７４により導出された確率を補正する。過去の履歴情報は、第１記憶部１４０に格納された情報であってもよく、第１記憶部１４０に格納された情報に基づいて生成された情報（例えば、第３記憶部１８０に格納されている事故傾向情報１８２）であってもよい。

作成部１７６は、推定部１７４により推定された地絡要因と発生時刻との関係を示す事故様相を表示させるための出力情報を作成する。出力情報は、推定部１７４による推定結果や確率を表示させるための情報を含む。また出力情報は、地絡期間に含まれる複数の期間ごとに推定部１７４により推定された地絡要因を、時間軸に沿って表示させるための情報を含む。また出力情報は、地絡期間に対応する観測データをグラフ形式で示した波形グラフと推定部１７４により推定された地絡要因とを、波形グラフにおける時間軸と地絡要因の発生期間とを同期させて表示させるための情報を含む。なお、出力情報の詳細については、後述する。

また、作成部１７６は、第１記憶部１４０に格納されている情報に基づいて、各区分地域において発生する事故の地絡要因の傾向を示す情報を生成し、事故傾向情報１８２の一部として第３記憶部１８０に格納する。例えば、作成部１７６は、所定期間内において、地域ＩＤと対応づけられた地域において発生した事故の地絡要因の割合を地絡要因ごとに導出する。

配信部１７７は、作成部１７６により作成された出力情報を、通信部１１０を用いて端末装置３００に送信する。配信部１７７は、出力情報が生成されたタイミングで出力情報を送信してもよく、端末装置３００からのリクエストを受信することにより出力情報を送信してもよい。

［フローチャート］
次に、図１２，１３を参照し、分類部１７０における処理の流れの一例について説明する。図１２は、分類部１７０における処理の流れの一例を示すフローチャートである。

まず、対象データ取得部１７１が、分類対象範囲に含まれる観測データと事故記録情報とを第１記憶部１４０から読み出し、判定部１７２に出力する（ステップＳ１０１）。次いで、判定部１７２は、対象データ取得部１７１から入力した観測データに基づいて、地絡が発生したか否かを判定する（ステップＳ１０２）。地絡が発生していないと判定された場合、分類部１７０は、ステップＳ１０１に戻って処理を繰り返す。一方、地絡が発生していると判定された場合、決定部１７３は、判定部１７２により地絡が発生していると判定された観測データに基づいて、分割期間と地絡期間を決定する（ステップＳ１０３）。

次いで、推定部１７４は、地絡期間に対応する観測データに基づいて、地絡期間に含まれる所定期間ごとに、地絡要因を推定する（ステップＳ１０４）。この処理については、図１３を参照して詳細に説明する。そして、推定部１７４は、全ての地絡期間に含まれる所定期間について地絡要因を推定したか否かを判定する（ステップＳ１０５）。全ての地絡期間に含まれる所定期間について地絡要因を推定するまでステップＳ１０４に戻って処理を繰り返す。全ての地絡期間に含まれる所定期間についての地絡要因を推定した場合、作成部１７６は、推定部１７４による推定結果に基づいて出力情報を作成する（ステップＳ１０６）。

次に、図１３を参照して、推定部１７４における処理の流れの一例について説明する。図１３は、推定部１７４における処理の流れの一例を示すフローチャートである。例えば、推定部１７４は、第１分割期間Ｐｘ１に対応する観測データを多種分類モデル１６２に入力することにより各分類項目の確率を導出する（ステップＳ１４１）。推定部１７４は、導出した各分類項目の確率のうち最も確率が高い分類項目（以下、第１多種分類結果と記す）を決定する（ステップＳ１４２）。

また、推定部１７４は、第１分割期間Ｐｘ１に対応する観測データを該非判定モデル１６３に入力することにより分類項目ごとに該当する確率（あるいは該当しない確率を含む）を導出する（ステップＳ１４３）。推定部１７４は、導出した分類項目ごとに該当する確率のうち最も確率が高い分類項目（以下、第１該非判定結果と記す）を決定する（ステップＳ１４４）。なお、該非判定結果は、分類項目に該当する確率のうち最も高い確率であって、分類項目に該当しない確率は含まない。

推定部１７４は、第１多種分類結果と第１該非判定結果とを比較して、同一の分類項目であるか否かを判定する（ステップＳ１４５）。第１多種分類結果と第１該非判定結果とが同一である場合（以下、ケース１と記す）、推定部１７４は、第１多種分類結果（あるいは第１該非判定結果）を第１分割期間Ｐｘ１における地絡要因に決定する（ステップＳ１４６）。

一方、ステップＳ１４５において第１多種分類結果と第１該非判定結果とが同一でない場合、推定部１７４は、第１多種分類結果の確率と第１該非判定結果の確率とが同一であるか否かを判定する（ステップＳ１４７）。第１多種分類結果の確率と第１該非判定結果の確率とが同一でない場合（以下、ケース２と記す）、推定部１７４は、確率が高い方を第１分割期間Ｐｘ１における地絡要因に決定する（ステップＳ１４８）。

一方、ステップＳ１４７において第１多種分類結果の確率と第１該非判定結果の確率が同一である場合（以下、ケース３と記す）、補正部１７５は、第１多種分類結果の確率と第１該非判定結果の確率を補正する（ステップＳ１４９）。そして、推定部１７４は、ステップＳ１４７に戻って、処理を繰り返す。なお、推定部１７４は、同様にして、その他の分割期間における地絡要因等も推定することができる。

［推定結果の例］
次に、図１４〜１６を参照して、推定部１７４により推定される推定結果の一例について説明する。図１４は、ケース１について説明するための参考図である。図１４に示す通り、多種分類モデルにより導出された確率の中で最大となる分類項目は「機器絶縁破壊：０．７」である。また、該非判定モデルにより導出された確率（その中でも分類項目に該当する確率の方）の中で最大となる分類項目は「機器絶縁破壊：０．８」である。この場合、多種分類結果と該非判定結果とが両方とも「機械絶縁破壊」であるため、推定部１７４は、地絡要因が「機械絶縁破壊」であると推定する。

図１５は、ケース２について説明するための参考図である。図１５に示す通り、多種分類モデルにより導出された確率の中で最大となる分類項目は「樹木接触：０．７」である。また、該非判定モデルにより導出された確率（その中でも分類項目に該当する確率の方）の中で最大となる分類項目は「機器絶縁破壊：０．８」である。このように、多種分類結果と該非判定結果とが異なる場合、推定部１７４は、確率が高い方の「機械絶縁破壊」が地絡要因であると推定する。

図１６は、ケース３について説明するための参考図である。図１６に示す通り、多種分類モデルにより導出された確率の中で最大となる分類項目は「樹木接触：０．８」である。また、該非判定モデルにより導出された確率（その中でも分類項目に該当する確率の方）の中で最大となる分類項目は「機器絶縁破壊：０．８」である。このように、多種分類結果と該非判定結果とが異なり、且つ、多種分類結果の確率と該非判定結果の確率とが同一である場合、推定部１７４は、補正部１７５により補正された確率に基づいて、多種分類結果または該非判定結果のどちらか一方を、地絡要因に決定する。

例えば、補正部１７５は、第１記憶部１４０に格納されている情報のうち、学習済みモデル１６１に入力した観測データが計測された地域における過去の事故情報に基づいて、多種分類結果が発生した割合と該非判定結果が発生した割合を導出する。例えば、補正部１７５は、学習済みモデル１６１により導出された確率に導出した割合を乗算して、確率を補正する。例えば、ある地域における過去の地絡事故の統計において、樹木接触の発生件数が１２回、機器絶縁破壊の発生件数が３回であったとする。この場合、補正部１７５は、樹木接触の割合＝０．７５、機器絶縁破壊の割合＝０．２５と導出する。そして、補正部１７５は、樹木接触の確率＝０．８×０．７５、機器絶縁破壊の確率＝０．８×０．２５と導出する。つまり、補正された後の確率は、それぞれ、樹木接触＝０．６、機器絶縁破壊＝０．２となる。こうすることにより、推定部１７４は、補正された後の確率が高い方の「樹木接触」が地絡要因であると推定する。

［出力情報に基づいて生成される表示画面］
次に、図１７を参照して、出力情報に基づいて生成される表示画面の一例について説明する。図１７は、出力情報に基づいて生成される表示画面の一例を示す図である。図１７に示す通り、表示画面５１０には、事故属性情報５１１と、推定結果と確率との関係図５１２と、観測データと推定結果との関係図５１３とが含まれる。事故属性情報５１１は、事故番号、事故発生日、事故発生場所が含まれる。

推定結果と確率との関係図５１２には、例えば、分割期間ごとに、最も確率が高い推定結果（第１地絡要因）、２番目に確率が高い推定結果（第２地絡要因）、３番目に確率が高い推定結果（第３地絡要因）…が対応付けられた表が含まれる。これらの推定結果には、学習済みモデル１６１により導出された確率がそれぞれ対応付けられている。なお、ここでは、確率が上位１〜３位の推定結果を表示する例であるが、これに限られず、一つであってもよい。なお、一つの分割期間に対して複数の推定結果を表示することにより、保守員は、現場での確認の際にさまざまな可能性を考慮した上で、効率的に事故要因を特定することができる。また推定結果と確率との関係図５１２には、各確率が、多種分類モデルにより導出された確率であるか、あるいは、該非判定モデルにより導出された確率であるかを示す情報が含まれていてもよい。

観測データと推定結果との関係図５１３には、例えば、観測データをグラフ形式で示した波形グラフと、推定結果バーとが含まれる。観測データの波形グラフは、例えば、零相電流データの波形グラフや、零相電圧データの波形グラフである。推定結果バーとは、分類項目に応じて予め決められた色ごとに推定結果を表すカラーバーである。推定結果バーは、観測データの波形グラフの時間軸に対応しており、図示の例では、分割期間ごとのカラーバーが表示されている。図示の例では、第１地絡要因だけを表示しているが、これに限られず、第２地絡要因、第３地絡要因等に応じたカラーバーを表示してもよい。このように、観測データの時間軸に対応するように推定結果を表示することにより、事故の経過に応じた地絡要因を視覚的に認識しやすい。

［原因期間と様相期間について］
次に、図１８，１９を参照して、推定部１７４αが、原因期間または様相期間のそれぞれについて地絡要因を推定する例について説明する。図１８は、推定部１７４αの一例を示す構成図である。推定部１７４αは、原因期間または様相期間のそれぞれについて地絡要因を推定する。推定部１７４αは、例えば、抽出部１７４Ａと、事故原因推定部１７４Ｂと、事故様相推定部１７４Ｃとを含む。

抽出部１７４Ａは、例えば零相データＤｘから、原因期間（例えば、第１分割期間Ｐｘ１）に対応する部分のデータを抽出し、事故原因推定部１７４Ｂに出力する。また、抽出部１７４Ａは、例えば零相データＤｘから、様相期間（例えば、第２分割期間Ｐｘ２〜第４分割期間Ｐｘ４）に対応する部分のデータを抽出し、事故様相推定部１７４Ｃに出力する。なお、図示の例では、一定の時間間隔で分割期間を区分しており、図９に示す時間長と異なる。

事故原因推定部１７４Ｂは、入力する零相電流データを学習済みモデル１６１に入力して各分類項目に該当する確率を導出する。事故原因推定部１７４Ｂは、上述した推定方法と同様にして、導出した確率に基づいて原因期間における地絡要因を推定する。事故原因推定部１７４Ｂは、推定結果を出力する。

事故様相推定部１７４Ｃは、入力する零相電流データの全てを学習済みモデル１６１に入力して各分類項目に該当する確率を導出する。事故様相推定部１７４Ｃは、上述した推定方法と同様にして、導出した確率に基づいて様相期間における地絡要因を推定する。事故様相推定部１７４Ｃは、推定結果を出力する。

このように推定部１７４αは、原因期間における地絡要因を推定するとともに、様相期間における地絡要因を推定することができる。こうすることにより、最も重要な地絡の原因を推定するとともに、同時多発的に発生する地絡要因についても推定することができる。例えば、鳥獣接触において、鳥が配電線に接触した後、鳥が巣作りのためにくわえていた金属が接触したとする。この場合、原因である鳥獣接触を推定するとともに、二次的な事故として発生した金属接触についても、推定することができる。

図１９は、推定部１７４αによる推定結果を表示する表示画面の一例を示す図である。図１９に示す通り、表示画面５２０には、事故属性情報５２１と、事故原因推定結果５２３と、事故様相推定結果５２４と、観測データと推定結果との関係図５２５とが含まれる。なお、上述した表示画面５１０と同様の内容の表示情報については、同一の名称を付して詳細な説明は省略する。事故原因推定結果５２３は、事故原因推定部１７４Ｂによる推定結果と確率とを対応付けた情報である。事故様相推定結果５２４は、期間と、事故様相推定部１７４Ｃによる推定結果とを対応付けた情報である。期間は、例えば第１分割期間Ｐｘ１〜第４分割期間Ｐｘ４である。こうすることにより、事故原因をわかりやすく表示させるとともに、事故様相についても表示させることができる。

以上説明した少なくとも一つの実施形態によれば、事故原因を、より詳細に推定することができる。これにより、保守員は、事故の詳細状況を現場に行く前に事故の詳細内容を事前に認識することができるため、事故現場の当たりをつけやすくなる。つまり、重点的に調査すべき場所を、より正確に絞り込むことができるようになり、事故現場での作業時間の短縮にもつながる。

また、学習済みモデルとして、異なる視点の複数のモデルを用いることにより、推定精度を向上させることができる。これによって、さらに事故現場での保守員の作業負担がより軽減される。

また、事故原因に加え、事故様相の時間的推移を知ることができれば、事故が発生した可能性のある場所を、より細かく絞り込むことができる。そして、必要な対策処置について、事前に検討した上で現場に向かうことが可能となる。有効な事例としては、倒木によって地絡事故が発生し、その際に断線したケーブルが営巣材に含まれた金属物に接触するといった事故などが考えられる。保守員が、当該事故が樹木接触によって生じた事と、事故発生後に金属物への接触があったことを、現場急行前に知ることができれば、樹木に加え、金属物を含んだ鳥の営巣がありそうな場所に絞り込んだ上で調査が可能であり、事故原因特定精度の向上が期待できる。また、樹木と金属物という２種類の物体を除去する処置が必要であることを、あらかじめ念頭に置いて現場に向かうことができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

例えば、学習対象範囲を、事故発生時点Ｔｓから所定期間（例えば、第１分割期間）に限定してもよい。これにより、事故原因の特徴がより現れている観測データに基づいて学習済みデータを生成することができる。

また、ケース３の場合、推定部１７４は、ある地域における過去の地絡事故のうち、多種分類結果が発生した件数と該非判定結果が発生した件数とのうち件数が多い方の結果を、地絡要因として推定してもよい。

１００…地絡要因推定装置
１１０…通信部、１２０…入力部、１３０…データ取得部、１４０…第１記憶部、１４１…事故データ、１４２…事故原因記録情報、１４３…事故設備記録情報、１５０…学習部、１５１…教示データ取得部、１５２…決定部、１５３…多種分類モデル生成部、１５４…該非判定モデル生成部、１６０…第２記憶部、１６１…学習済みモデル、１６２…多種分類モデル、１６３…該非判定モデル、１７０…分類部、１７１…対象データ取得部、１７２…判定部、１７３…決定部、１７４…推定部、１７５…補正部、１７６…作成部、１７７…配信部、１８０…第３記憶部、１８１…分類結果情報、１８２…事故傾向情報１８２、２００…計測装置、３００…端末装置

Claims (13)

1. 三相の配電線における零相の電圧または電流の時間的な変化を示す零相データを取得するデータ取得部と、
   前記データ取得部により取得された前記零相データに基づいて、地絡が発生している地絡期間を決定する決定部と、
   前記決定部により決定された前記地絡期間に対応する前記零相データを、地絡発生により出現する波形パターンと地絡要因との関係を学習した学習済みモデルに入力することにより得られた分類結果に基づいて、前記地絡期間に含まれる所定期間ごとに地絡要因を推定する推定部と、
   を備える地絡要因推定装置。
2. 前記決定部は、前記地絡期間を、第１期間と、前記第１期間と異なる第２期間とを含む複数の期間に分割し、
   前記推定部は、前記零相データのうち前記第１期間に対応する第１零相データに基づいて前記第１期間における地絡要因を推定するとともに、前記零相データのうち前記第２期間に対応する第２零相データに基づいて前記第２期間における地絡要因を推定する、
   請求項１に記載の地絡要因推定装置。
3. 前記決定部は、前記地絡期間を、前記零相データの波形に応じて前記複数の期間に分割する、
   請求項２に記載の地絡要因推定装置。
4. 前記第１期間と前記第２期間は、予め決められた長さの期間である、
   請求項２または３に記載の地絡要因推定装置。
5. 前記推定部は、前記複数の期間のそれぞれについて複数の地絡要因を推定する、
   請求項２から４のうちいずれか一項に記載の地絡要因推定装置。
6. 前記学習済みモデルは、複数の分類項目のそれぞれについて該当する確率を導出するための多種分類モデルと、一の分類項目に該当する確率と該当しない確率とを導出する該非判定モデルとを含む、
   請求項１から５のうちいずれか一項に記載の地絡要因推定装置。
7. 前記零相データが計測された地域において発生した過去の地絡の履歴情報に基づいて、前記推定部により推定された地絡要因を補正する補正部をさらに含む、
   請求項１から６のうちいずれか一項に記載の地絡要因推定装置。
8. 地絡に関する関連情報と地絡が発生したときの前記零相データとを地絡事故ごとに取得する教示データ取得部と、
   前記教示データ取得部により取得された情報を教示データとして、地絡発生により出現する波形パターンと地絡要因との関係を学習し、前記学習済みモデルを生成する学習部とをさらに備える、
   請求項１から７のうちいずれか一項に記載の地絡要因推定装置。
9. 前記推定部により推定された地絡要因と発生時刻との関係を示す事故様相を表示させるための出力情報を作成する作成部とをさらに備える、
   請求項１から８のうちいずれか一項に記載の地絡要因推定装置。
10. 前記出力情報は、前記地絡期間に含まれる複数の期間ごとに前記推定部により推定された前記地絡要因を、時間軸に沿って表示するための情報を含む、
    請求項９に記載の地絡要因推定装置。
11. 前記出力情報は、前記地絡期間に対応する前記零相データをグラフ形式で示した波形グラフと、前記推定部により推定された地絡要因とを、前記波形グラフにおける時間軸と地絡要因との発生期間とを同期させて表示させるための情報を含む、
    請求項９または１０に記載の地絡要因推定装置。
12. コンピュータが、
    三相の配電線における零相の電圧または電流の時間的な変化を示す零相データを取得し、
    取得された前記零相データに基づいて、地絡が発生している地絡期間を決定し、
    決定された前記地絡期間に対応する前記零相データを、地絡発生により出現する波形パターンと地絡要因との関係を学習した学習済みモデルに入力することにより得られた分類結果に基づいて、前記地絡期間に含まれる所定期間ごとに地絡要因を推定する、
    地絡要因推定方法。
13. コンピュータに、
    三相の配電線における零相の電圧または電流の時間的な変化を示す零相データを取得させ、
    取得された前記零相データに基づいて、地絡が発生している地絡期間を決定させ、
    決定された前記地絡期間に対応する前記零相データを、地絡発生により出現する波形パターンと地絡要因との関係を学習した学習済みモデルに入力することにより得られた分類結果に基づいて、前記地絡期間に含まれる所定期間ごとに地絡要因を推定させる、
    プログラム。

Images