JP2020154364A - 変圧器コスト予測装置 - Google Patents

Abstract

【課題】変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供する。【解決手段】過去に製造された変圧器の仕様、設計値、コストを含む過去データベース４を学習データとして予測モデル６を生成するモデル学習部２と、前記予測モデル６に変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部３と、を備え、前記モデル学習部２と前記予測部３は、それぞれ、入力データを編集する、データクレンジング部２１、３１と、フィーチャーエンジニアリング部２２、３２と、を備え、前記データクレンジング部２１、３１は、パラメータの欠損値の補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部２２、３２は、各パラメータの演算値付与を含む特徴量の付与を行う。【選択図】図１

Description

本発明は、変圧器コスト予測装置に関する。

これまで、変圧器のコスト予測は、製品仕様に合わせて設計者が設計を行い、その設計情報から材料費、制作費を見積もる積み上げ方式が用いられてきた。しかしながら、この方法では、予測結果が出るまでに仮の設計を行いそれに基づいて様々な経費を算出するなど、予測するための工数がかかる。また、製品設計が過去の事例と同等に近ければ、予測誤差を少なくできる可能性があるが、設計が過去の事例と異なっていると、制作費の変動等が見積もりづらく、予測誤差が大きくなってしまうという問題がある。

特許文献１には、製品のコストを精度良く見積もるための方法が開示されている。この文献では、製品のコストをコスト発生単位要素に分解し、それぞれ単位要素ごとの最大値と最小値のコストを考慮にいれ、一つのコスト発生単位要素組の最大値と最小値を計算する。コスト発生単位要素組の分解の仕方は、複数考えられるので、それらのすべてについて最大値と最小値を計算し、それぞれの要素組の最大値の集合における最小値と（最大値の下限）、それぞれの要素組の最小値の集合における最大値（最小値の上限）をコスト見積もり結果として採用する方法が開示されている。
しかしながら、この方法では、コストの算出において、コスト発生単位要素の分解を予想の元に行っているに過ぎず、特に製品設計がこれまでのものと異なっていると、コスト発生単位要素の分解が実際と同等に行われているかどうかについては保証できない。また、過去の事例を全体のコストとして参考にしているわけではなく、要素として予測に用いているだけなので、製品コスト全体の予測として過去の事例からのフィードバックがなく精度に問題がある。

特開２００４−２４６９０６号公報

本発明は、変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供することを課題とする。

本発明は、上記課題を解決するため、以下の手段を採用する。
すなわち、本発明の変圧器コスト予測装置は、過去に製造された変圧器の仕様、設計値、コストを含む過去データベースを学習データとして予測モデルを生成するモデル学習部と、前記予測モデルに変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部と、を備え、前記モデル学習部と前記予測部は、それぞれ、入力データを編集する、データクレンジング部と、フィーチャーエンジニアリング部と、を備え、前記データクレンジング部は、パラメータの欠損値の補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、各パラメータの演算値付与を含む特徴量の付与を行う、ことを特徴とする。
このような構成によれば、過去のデータベースを充分に活用した精度のよい変圧器コスト予測装置が実現できる。

本発明の一態様においては、前記モデル学習部は、回帰モデル選択部と、主モデル学習部と、を備え、前記回帰モデル選択部は、過去データベースから交差検証により、設定された複数の回帰モデルを評価し、該評価結果に基づいて主モデルを選択し、前記主モデル学習部は、選択された前記主モデルを過去データベースを学習データとして機械学習し予測モデルを生成する、ことを特徴とする。
このような構成によれば、過去のデータベースを効率良く利用して、回帰モデルの選定と主モデルの学習が可能となる。

本発明の一態様においては、前記学習データのパラメータは、変圧器コストとの相関分析に基づいて選択されることを特徴とする。
このような構成によれば、変圧器コストと関係性が高いパラメータを自動的に選択することができ、予測精度を担保しながら計算に用いられるパラメータ数を減じて計算スピードを向上させることができる。

本発明の一態様においては、前記学習データのパラメータを選択する入力部を備えることを特徴とする。
このような構成によれば、学習データのパラメータ選択に自由度をもたせることができる。

また、本発明の一態様においては、前記データクレンジング部は、さらに、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、さらに、パラメータの欠損値補填フラグ、非数値パラメータのインデックス、パラメータの関数変換値、を含む特徴量の付与を行う、ことを特徴とする。
このような構成によれば、学習モデルの生成、及び、変圧器コストの予測に使用される入力データを適切に編集することができる。

本発明によれば、変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供することができる。

本発明の第１の実施形態に係る変圧器コスト予測装置の構成を示す機能ブロック図である。 本発明の過去データベースのデータを説明するための表である。 本発明の回帰モデルを選択するための方法を説明するためのグラフであって、横軸に回帰モデルの種類、縦軸に各回帰モデルの評価値が示されている。 本発明の第２の実施形態において、学習パラメータを選択するための方法を説明するためのグラフであって、横軸に変圧器コストと学習パラメータ、縦軸に各学習パラメータの相関値が示されている。

以下、添付図面を参照して、本発明の実施の形態について説明する。
（第１の実施形態）
図１に、本発明の第１の実施形態に係る変圧器コスト予測装置の構成を示す機能ブロック図を示す。
本実施形態に係る変圧器コスト予測装置１は、モデル学習部２、予測部３、過去データベース４、データベース５を備えている。モデル学習部２は、データクレンジング部２１、フィーチャーエンジニアリング部２２、回帰モデル選択部２３、主モデル学習部２４を備えている。
予測部３は、データクレンジング部３１、フィーチャーエンジニアリング部３２、機械学習予測部３３、コスト予測結果出力部３４を備えている。
変圧器コスト予測装置１は、例えばパーソナルコンピュータ等の情報処理装置である。過去データベース４及びデータベース５は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置によって実現される。また、モデル学習部２と予測部３は、上記情報処理装置内のＣＰＵやＧＰＵによって実行されるソフトウェア、プログラムであってよい。

過去データベース４には、過去に製造された変圧器のコスト、仕様、設計値等が事例毎に紐付けられて記録されている。例えば、図２に示すような表のイメージで記録されている。図２に示すごとく、１行目には、パラメータ名である事例、コスト、容量、電圧、無負荷損失、鉄心材料、等が示されている。２行目以降の各行が過去に実施された１事例に相当し、その事例における、パラメータの値が入力されている。表中ＹＹＹ、ａａａ、ｂｂｂ、や・・・の記載は空ではない値の存在を表現している。

最初に、モデル学習部２における、モデル学習について説明する。モデル学習が開始されると、過去データベース４に記録されたすべてのデータは、モデル学習部２のデータクレンジング部２１に送信される。データクレンジング部では、入力された過去データベース４の値を検査し、パラメータの欠損値の補填、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータの整備を行う。

ここで、パラメータの欠損値の補填とは、事例のパラメータでデータが存在していない部分（いわゆるブランク、あるいはヌルデータの部分）に、値を設定することをいう。設定される値は、０、１、中央値、平均値など予め定められた値を補填する。
パラメータに設定されたデータ欠損率以上のパラメータの削除とは、各パラメータ毎（図２の表における列データに相当する。）に欠損データ（ヌルデータ）と値を持つデータ（有効データ）の数を調べ、その比率を計算し、例えばあるパラメータの欠損データが９０％以上（１０％未満の有効データ）の場合はそのパラメータを削除し、後述するモデル生成の学習データとして使用しないことをいう。

設定されたデータ類似率以上の事例の統合とは、例えば、事例１と２（図２の表における行データに相当し、事例１と２は、図２の表における２行目と３行目のことをいう。）の各パラメータの値を比較し、各パラメータの差が、設定された近似範囲値以内に入っているかどうかを検証し、近似範囲値以内に入っているパラメータの比率が例えば９５％以上（５％未満のパラメータ数が近似範囲内にない）ある場合は、いずれかの事例を消去することをいう。
事例に設定されたデータ欠損率以上を有する事例の削除とは、事例の欠損データの比率を調べ、例えば、ある事例の欠損データ率が９７％以上（有効データが３％未満）である場合、その事例を削除することをいう。

上記したように、データクレンジング部２１で過去データベース４からのデータを整備したあとの出力は、フィーチャーエンジニアリング部２２に送信される。
フィーチャーエンジニアリング部２２では、各パラメータの演算値、パラメータの欠損値補填フラグ、非数値パラメータのインデックス、パラメータの関数変換値、を含む特徴量の付与を行う。

ここで、各パラメータの演算値の付与とは、各パラメータ同士の四則演算を含む計算値を付与することである。例えばＡ、Ｂ等でパラメータを表した場合、演算値とは、Ａ＋Ｂ、Ａ＊Ｂ、３＊Ａ＋２＊Ｂ等のことをいう。演算値の付与とは、この値を事例データに追加することをいう。
パラメータの欠損値補填フラグの付与とは、上述したデータクレンジング部２１で、パラメータの補填が行われたパラメータを表すパラメータ（この場合１ビットデータ）を新たに事例データに追加し、補填が行われた場合１を行われなかった場合は０を設定することをいう。

非数値パラメータのインデックスの付与とは、例えば鉄心材質等、単に材質や材料製品の品番で代表される数字ではないパラメータに数字による指標を設定し、それを付与することをいう。例えば、鉄心材質にＰ、Ｑ、Ｒ、Ｓ等と表現されている非数値パラメータがある場合、この名称のそれぞれに数字の０、１、２、３等を割り当て、同じ材質が使われた場合は、同じ番号が付与されるようにすることをいう。
パラメータの関数変換値の付与とは、パラメータを例えば多項式関数やガウス関数で変換してその値を付与することをいう。

上記のように、フィーチャーエンジニアリング部２２で、新たな特徴量を付与されたデータは、回帰モデル選択部２３に送信される。
回帰モデル選択部２３では、入力されたデータを複数のグループに分けて、交差検証により、回帰モデルの評価、選択が行われる。ここにおいて、交差検証とは、例えば、入力されたデータを１０のグループに分ける。説明のため、今そのグループに１〜１０の番号が振られているとする。フィーチャーエンジニアリング部２２では、まず１〜９のグループのデータを用いて一つの回帰モデルについて変圧器のコストを算出するための機械学習を行い、回帰モデルのパラメータを導出する。この導出されたパラメータを有するモデルを用いて、グループ１０のデータを使って評価を行い評価値を算出する。評価値は、例えば回帰モデルによって算出された変圧器コストと実際のコストとの差を採用して良い。

次に、回帰モデル選択部２３は、２〜１０のグループのデータを用いて一つの回帰モデルについて変圧器のコストを算出するための機械学習を行い、回帰モデルのパラメータを導出する。この導出されたパラメータを有するモデルを用いて、グループ１のデータを使って評価を行い評価値を算出する。このように、学習に使用するデータと評価に使用するデータを入れ替えて評価値を算出する。この場合は、１０種類の評価値グループが得られる。

評価される機械学習アルゴリズムの回帰モデルとしては、線形のものとして、重回帰分析、Ｒｉｄｇｅ・Ｌａｓｓｏ・Ｅｌａｓｔｉｃ Ｎｅｔのような正則化法、ＰＬＳ等がある。非線形のものとして、ＣＡＲＴ、ｋ−ＮＮ、ＳＶＲ、ＮＮ等がある。アンサンブル手法としては、Ａｄａｂｏｏｓｔ、ＧＢＭ、ＲＦ、ＥＴ等があるが、これに限定されず、Ｐｙｔｈｏｎの機械学習ライブラリ（ｈｔｔｐｓ：／／ｓｃｉｋｉｔ−ｌｅａｒｎ．ｏｒｇ／ｓｔａｂｌｅ／ｕｓｅｒ＿ｇｕｉｄｅ．ｈｔｍｌ）に掲載されているどのアルゴリズムを採用して良い。

回帰モデル選択部２３は、候補として採用された回帰モデルのそれぞれについて、上述した交差検証を用いて評価を行い評価値を算出する。図３は、回帰モデルの評価結果を表すグラフである。横軸には、回帰モデルの種類が並べられ、縦軸はその回帰モデルに対応する上記の交差検証の評価値が示されている。評価値は、平均値４１、最大値４２、最小値４３、２５％分布ライン４４、７５％分布ライン４５で表されている。評価値０は、変圧器コストの予測値と実際の値に差がないことを表す。

回帰モデルの選択は、この図３に示されたデータから自動的に選択することができる。例えば、平均値の絶対値が一番小さいものを選択して良い。又は、最大値と最小値の差と平均値を掛け合わせ、その絶対値の一番小さいものを選択して良い。この場合は、最大値と最小値の差が少なく、平均値も小さいものが選択される。又は、この値にさらに回帰モデル毎の説明性を表した指標値を掛け合わせ、その最小値を示すものを選択して良い。回帰モデル毎の説明性を表した指標値とは、例えば線形性のものを０．２に、非線形のものを０．５にアンサンブル手法を０．７に設定することができる。この値で選択を決定することにより、精度がよく、説明性の良い回帰モデルを選択する。回帰モデルの選択は、あるいは、図３に示す図をコンピューターのディスプレイに表示させ、マニュアルにて選択しても良い。

回帰モデル選択部２３は、上記の評価結果に基づいて主モデルを選択し、その選択結果を主モデル学習部２４に送信する。主モデル学習部では、主モデルとして選択された回帰モデルについて、上記交差検証で使用されたデータすべてを利用して、主モデルについて機械学習をおこない予測モデル６を生成する。生成された予測モデルは、予測部３の機械学習予測部３３に送信される。

次に、予測部３における変圧器コストの予測について説明する。データベース５には、これから予測に用いられる変圧器の仕様と設計値が記録されている。予測部３は、データベース５から、変圧器の仕様と設計値を読み出し、モデル学習部２において説明した、データクレンジング部２１とフィーチャーエンジニアリング部２２と同様の入力データの編集を予測部３のデータクレンジング部３１とフィーチャーエンジニアリング部３２で行う。このとき、予測部３のデータクレンジング部３１とフィーチャーエンジニアリング部３２の設定は、図１で点線で示されているように、モデル学習部２のデータクレンジング部２１とフィーチャーエンジニアリング部２２で設定されたものと同じものが予測部３のデータクレンジング部３１とフィーチャーエンジニアリング部３２に送信されて使用される。モデル学習部２のデータクレンジング部２１とフィーチャーエンジニアリング部２２における設定とは、例えば、欠損データの補填値や付与するパラメータ同士の演算の種類や、非数値パラメータのインデックス値、パラメータの変換に使用される関数の種類等をいう。

予測部３のデータクレンジング部３１とフィーチャーエンジニアリング部３２によって編集されたデータベース５からのデータは、機械学習予測部３３に送信される。機械学習予測部３３では、予測モデル６を使って変圧器コストの算出が行われる。算出されたコスト予測結果は、コスト予測結果出力部３４に送信される。コスト予測結果出力部３４は、ディスプレイやプリンター等に算出結果を出力する。

以上述べたように、本実施形態によれば、過去の変圧器製造の事例を記録した過去データベース４を学習データとして用いて、変圧器コスト予測のモデルを生成し、変圧器コストを予測するので、見積もる人および方法による差を含むことなく、精度の良い変圧器コストの予測ができる。また、予測はパーソナルコンピュータ等のソフトウェア等によって自動で実行されるので、見積もりに工数がかからない。

データクレンジング部２１においては、予測モデルの学習に用いられる過去データベース４に、欠損データが補填されるので、予測モデル生成のための情報量を増やすことができる。また、データ欠損率の高いパラメータや、事例は消去されるので、予測モデル生成のためのノイズデータを除去することができる。また、類似の事例データは統合されるので、入力データを効率良く減らすことができる。

フィーチャーエンジニアリング部２２においては、各パラメータの演算値、データクレンジング部２１において補填したパラメータを示すフラグ、非数値パラメータのインデックス、パラメータの関数変換値、等が予測モデル生成のための学習データに付与されるので、予測モデル生成のために有用な情報を増やすことができる。ここにおいて、パラメータに関数を適用し変換する意味は、そのパラメータの平均値と分散によって正規化されたガウス関数を利用した場合においては、パラメータの値の差に重み付けすることができる。例えば、平均値から離れた値付近のパラメータ差を平均値付近の値の差に比較して強調することによって、特徴量の情報を増やすことができる。

回帰モデル選択部２３においては、複数の回帰モデルが交差検証によって評価され、主モデルが選択されるので、過去データベース４を効率良く利用して回帰モデルの選択が可能である。
主モデル学習部２４では、回帰モデル選択部２３によって選択された主モデルを、過去データベース４をすべて使ってモデル学習を行うので、予測モデル６の生成を効果的に行うことができる。このようにして生成された予測モデル６を使用して、機械学習予測部３３で変圧器コストの予測が行われるので、見積もり方法や人為的な差を含むことのない精度のよい変圧器コストの予測が可能となる。

（第２の実施形態）
次に、本発明の第２の実施形態について説明する。この実施形態が第１の実施形態と異なるのは、モデル学習に用いられるパラメータが変圧器コストとの相関分析の結果に基づいて選択され点である。図４は、各パラメータ５１（Ａ〜Ｓ）の相関分析の結果である相関係数５２が示されるグラフである。横軸パラメータの１番目に示されているのは、変圧器コスト５３である。変圧器コスト５３の自分自身の相関係数１が示されている。本実施形態では、モデル学習に用いられるパラメータは、この相関係数に基づいて選択される。選択する方法は、例えば、パラメータを相関係数の値の大きい順に並べて、上位の１５番目までのパラメータを選択して良い。また、相関係数０．５以上のパラメータを選択しても良い。
本実施形態においては、このように、変圧器コストと相関の強いパラメータを選択することによって、変圧器コスト予測の精度を向上させることができる。また、選択によってパラメータの数を減らすことができるので、計算スピードを高速にすることができる。本実施形態においては、パラメータの選択以外は上記第１の実施形態と同様の動作によって変圧器コストの予測が行われ、第１の実施形態と同様の作用、効果が得られる。

（第３の実施形態）
次に、本発明の第３の実施形態について説明する。この実施形態が第１の実施形態と異なるのは、モデル学習に用いられるパラメータを選択する入力部を備える点である。本実施形態においては、入力パラメータを選択するために、図１に２点鎖線で示される、モデル学習部２に入力部２５を備えている。この入力部２５において、モデル学習に用いられるパラメータを任意に選択可能となっている。したがって、パラメータ選択の自由度が向上し、また、選択によってパラメータの数を減らすことができるので、計算スピードを高速にすることができる。本実施形態においては、パラメータの選択以外は上記第１の実施形態と同様の動作によって変圧器コストの予測が行われ、第１の実施形態と同様の作用、効果が得られる。

１ 変圧器コスト予測装置
２ モデル学習部
３ 予測部
４ 過去データベース
６ 予測モデル
２１、３１ データクレンジング部
２２、３２ フィーチャーエンジニアリング部
２３ 回帰モデル選択部
２４ 主モデル学習部

Claims (5)

1. 過去に製造された変圧器の仕様、設計値、コストを含む過去データベースを学習データとして予測モデルを生成するモデル学習部と、
   前記予測モデルに変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部と、を備え、
   前記モデル学習部と前記予測部は、それぞれ、入力データを編集する、
   データクレンジング部と、
   フィーチャーエンジニアリング部と、を備え、
   前記データクレンジング部は、パラメータの欠損値の補填を含むデータ整備を行い、
   前記フィーチャーエンジニアリング部は、各パラメータの演算値付与を含む特徴量の付与を行う、
   ことを特徴とする変圧器コスト予測装置。
2. 前記モデル学習部は、
   回帰モデル選択部と、
   主モデル学習部と、を備え、
   前記回帰モデル選択部は、過去データベースから交差検証により、設定された複数の回帰モデルを評価し、該評価結果に基づいて主モデルを選択し、
   前記主モデル学習部は、選択された前記主モデルを過去データベースを学習データとして機械学習し予測モデルを生成する、
   ことを特徴とする請求項１に記載の変圧器コスト予測装置。
3. 前記学習データのパラメータは、変圧器コストとの相関分析に基づいて選択されることを特徴とする請求項１または２に記載の変圧器コスト予測装置。
4. 前記学習データのパラメータを選択する入力部を備えることを特徴とする請求項１または２に記載の変圧器コスト予測装置。
5. 前記データクレンジング部は、さらに、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータ整備を行い、
   前記フィーチャーエンジニアリング部は、さらに、パラメータの欠損値補填フラグ、非数値パラメータのインデックス、パラメータの関数変換値、を含む特徴量の付与を行う、
   ことを特徴とする請求項１から４のいずれか１項に記載の変圧器コスト予測装置。