JP2021148778A

JP2021148778A - 非接地配電システムのための過渡状態に基づいた故障位置特定方法

Info

Publication number: JP2021148778A
Application number: JP2021021772A
Authority: JP
Inventors: スン・ホンボー; Hongbo Sun
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-03-18
Filing date: 2021-02-15
Publication date: 2021-09-27
Anticipated expiration: 2041-02-15
Also published as: JP7394800B2; US11680977B2; US20210293873A1

Abstract

【課題】配電システムの故障位置推定のための過渡状態に基づいたより正確な技術を提供する。【解決手段】このシステムは、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定、測定された過渡波形、および故障タイプを受ける。プロセッサが、経験的モード分解を、測定された過渡波形に適用することにより、主振動モードと、主振動モードに対応する、対応付けられた導出波形とを抽出する。ヒルベルト変換を対応付けられた導出波形に適用することにより、特徴属性のセットを取得する。このセットから、故障前時間、故障発生時間、および故障後時間におけるサブセットが計算され、故障タイプについての訓練されたニューラルネットワークモデルに入力される。このモデルの出力が、ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分、および故障位置ポイントを求めるために使用される、位置パラメータである。【選択図】図１Ａ

Description

分野
本開示は、概して電力システムに関し、より具体的には非接地配電システムのための過渡状態に基づいた故障位置特定方法に関する。

背景
エネルギ消費者の需要は増加し続けているが、公共電力会社は、エネルギ消費者の増加し続ける需要に追いつくための既存の機器のアップグレードを行っておらず、結果として、公共電力会社は、その既存の電力システムを最大限に活用することを強いられている。現代のエネルギ消費者が期待する主なゴールの１つは、より信頼性が高く停電がほとんどまたは全くない電力システムが継続的にエネルギを供給することである。公共電力会社が使用してきたいくつかの解決策は、電力システムにおける故障の頻度および継続時間を減じること、または、より現実的には、故障の問題を迅速に解決してエネルギ消費者の需要に応えるために迅速に故障を検出し故障位置を特定しようと努力することである。電力会社が故障の問題に迅速に対処する必要がある理由は、顧客の停電回数および顧客の経済的損失を減じるためであり、そうすることで、電力会社のメンテナンスおよび運転コストを下げるすなわち故障の問題を解決しなかった場合の財政的損失を少なくすることもできる。このように、現代のエネルギ消費者に確実にエネルギを継続供給することは、電力システムが克服すべき最も重要な課題のうちの１つである。

電力システムにおける故障を検出しその位置を特定するためのいくつかの従来の方法は、２つのカテゴリに分類することができ、第１のカテゴリは、インピーダンスに基づいた方法等の定常状態測定に基づいたものであり、第２のカテゴリは、進行波に基づいた方法等の過渡状態測定に基づいたものである。過渡状態に基づいた故障位置特定方法に使用される、進行波に基づいた技術は、最もよくある技術の１つである。現在は米国特許ＵＳ６，８２２，４５７Ｂ２であるＵＳ２００４／０１８９３１７Ａ１は、送電線路上の伝搬速度を求め故障の位置を求める従来の進行波に基づいた故障位置特定方法を開示している。ＵＳ２００４／０１８９３１７Ａ１は、高周波の送信機と受信機との組み合わせを含むシステムを用いて、送信器および故障が原因で発生した高周波バーストをモニタリングおよび検出する。しかしながら、ＵＳ２００４／０１８９３１７Ａ１の方法を含むこれらの進行波故障位置特定方法は、交流送電線路を対象としており、そのため、これらの方法および技術は、配電システムには適しておらず配電システムのために実装するのは非常に難しい。多数の理由のうちの少なくとも１つの理由は、長さが短い線路またはケーブルにおいて個別に検出するのはほぼ不可能な、入射波と対応する反射波との間の、非常に短い／小さい伝搬時間および低遅延である。このため、このような進行波故障位置特定方法および技術は、非接地配電システムの現代の過渡状態に基づいた故障位置特定の問題の解決に適しておらず、配電システムの故障位置推定のための、過渡状態に基づいたより正確な技術を提供することができない。

したがって、配電システムの故障位置推定のための過渡状態に基づいたより正確な技術が必要とされている。

米国特許出願公開第２００４／０１８９３１７号明細書

概要
本開示は、電力システムに関し、より具体的には非接地配電システムのための過渡状態に基づいた故障位置特定方法に関する。

本開示のいくつかの実施形態は、非接地配電システムのための過渡状態に基づいた故障位置特定方法を含む。この開示は、三相非接地配電システムにおける短絡故障に対する高速検出および位置特定技術を提供することを目的とする。三相システムにおいて最もよくあるタイプの短絡は、一相地絡故障である。これは、回路内の相配線のうちの１つが地面に接触したときに起こる。次に最もよくあるタイプの短絡は、相間または線間短絡故障であり、回路内の相配線のうちの２つが互いに接触したときに起こる。次は、二相または二線地絡故障であり、回路内の３つの相配線のうちの２つが同時に地面に接触したときに起こる。最後に、最も稀なタイプの短絡は、三相または三線短絡故障であり、３つの配線すべてが互いに接触または地面に接触したときに起こる。非接地システムは、接地された配線なしで動作する。言い換えると、電気システムの相配線のうちで意図的に接地された配線がない。そのため、一持続相地絡故障の結果として過電流保護装置の自動トリップが生じることはない。このことは、電気システムの継続性が求められる場合またはそれが継続プロセスの停止につながる場合、重要な利点である。しかしながら、偶発的な地絡故障が発生し地絡電流がかなりの時間にわたって流れた場合、対応する相配線に過電圧が生じる可能性がある。このような過電圧状態は、導体の絶縁損傷につながり、地絡故障は非接地システムの１つの相に留まるが、人がその他の相のうちの１つと地面とを接触させた場合は、完全に中性の接地システムで受けるであろう電圧の１．７３２倍の電圧を受ける。今まで、従来の故障検出の手法は、非接地システムの短絡故障の位置特定について、特に一相地絡故障について、重要な課題に直面している。

配電システムは、直列インピーダンスおよびシャントアドミタンスとしてすなわちＲＬＣ回路としてモデル化できる相配線のネットワークとして形成されていると考えると、少なくとも１つの実現例は、故障イベントによってトリガされた複数のＲＬＣ回路振動の混合物とみなすことができるシステム内の短絡故障の進展プロセスを実現することである。ＲＬＣ回路は、直列または並列に接続された抵抗器（Ｒ）、インダクタ（Ｌ）、およびキャパシタ（Ｃ）の構成要素を含む電気回路である。ＲＬＣ回路は、電流の正弦波発振器を形成し、共振回路と同様に共振する、すなわち、インダクタとキャパシタとを含む。したがって、故障イベントに対する測定された過渡応答を、故障状態を特定し故障進展プロセスを追跡するために、直接使用することができる。

もう１つの実現例として、故障進展プロセスは、主に、主振動モードによって説明するまたは表わすことができ、主振動モードは、故障が発生したときに、測定ポイントから収集した電圧／電流過渡応答波形から、収集した波形に経験的モード分解（empirical mode decomposition）（ＥＭＤ）またはアンサンブル経験的モード分解（ensemble empirical mode decomposition）（ＥＥＭＤ）を適用することにより、抽出することができる。配電自動化の進展に鑑みると、インテリジェントスイッチは徐々に従来のスイッチに取って代わりつつある。したがって、測定値はインテリジェントスイッチから収集される。インテリジェントスイッチは、インテリジェント電子デバイス（Intelligent Electronic Device）（ＩＥＤ）とも呼ばれる。ＩＥＤは、センサおよび電力機器からデータを受けることができ、電圧、電流、もしくは周波数異常を検知した場合に回路遮断器をトリップするまたは所望のレベルを維持するために電圧レベルを上げる／下げるといった制御コマンドを発行することができる。よくあるタイプのＩＥＤは、保護リレーデバイス、オンロードタップ切替器コントローラ、回路遮断器コントローラ、キャパシタバンクスイッチ、リクローザ（recloser）コントローラ、電圧レギュレータなどを含む。デジタル保護リレーは、主として、マイクロプロセッサを用いていくつかの保護、制御および同様の機能を実行するＩＥＤである。典型的なＩＥＤは、およそ５〜１２の保護機能、別々のデバイスを制御する５〜８の制御機能、自動リクローズ（reclose）機能、自己モニタリング機能、通信機能などを含み得る。

非接地配電システムのインテリジェントスイッチから収集した電圧／電流過渡応答波形は、非定常データであるデータであり、非定常データは、経時的に変化するデータである。このデータは、故障イベント発生前、故障イベント中、および故障イベント発生後の、ある期間にわたって収集される。言い換えると、波形データが収集されると、その後このデータはＥＭＤ方法に適用され、多数の振動モードを取得することによって故障イベントの統計的解析を開始し、これらの振動モードから主振動モードを求める。求めた振動モードを、その後、他の側面のうちでも特に故障イベントの故障進展プロセスを調べるために使用する。

たとえば、ＥＭＤ方法は、ヒルベルト・ファン変換（Hilbert-Huang transform）（ＨＨＴ）方法の基本的な部分である。ＨＨＴ方法は、信号すなわち測定ポイントから収集した信号を、トレンド（trend）とともに、いわゆる固有モード関数（intrinsic mode function）（ＩＭＦ）に分解し、瞬時周波数データを得る方法として、特に有用である。ＨＨＴおよびＥＭＤ方法は、インテリジェントスイッチから収集された収集波形データのような、非定常かつ非線形のデータに対して上手く機能するように設計される。非定常データまたは非定常連続データとは何かをさらに良く理解するために、経時的に変化する統計的性質を有するデータであると理解する。測定ポイントでのデータ収集で始まる連続時間にわたり、経時的に変化する、収集された波形データと同様である、すなわち、この連続時間にわたるデータは、故障イベントの前、故障イベント中、および故障イベント後に収集されたデータである。この、故障イベントを通じて波形データを収集するための連続時間は、非定常の連続とみなすことができる。

非定常連続データまたは収集された波形データを使用するためには、非定常連続データを定常データに変換する必要があり（たとえばトレンドを除去することによって）、そうすると、さらなる統計的解析を、トレンドが除去されている定常データに対して行うことができる。その理由は、たとえば、この連続データが経時的に一貫して増加している場合、サンプルの平均および分散はサンプルの大きさとともに増加し、将来の期間の平均および分散を常に過小評価することになるからである。連続データの「トレンド除去」の通常の意味は、回帰直線または曲線をフィットさせてからこれを元のデータから減算することである。実際、ほとんどの統計的予想方法は、時系列データはほぼ定常であると仮定する。その統計的特性が将来において過去と同一であると予想する場合、定常は予測可能である。たとえば、ＥＭＤ方法は、信号を、すなわち非定常連続データまたは収集された波形データを、さまざまな成分に分解する。この場合、複雑なデータセットが、有限の、しばしば少数の成分に分解される。これらの成分は、元の信号について、完全な、ほぼ直交するベースを形成する。これを、上記のように固有モード関数（ＩＭＦ）として説明することもできる。最初のＩＭＦは通常最も振動する（高周波）成分を有するので、最初のＩＭＦを拒絶することにより高周波成分（たとえばランダムノイズ）を取り除くことができる。ＥＭＤ方法は、タイムドメインから出ることなく、適応性があり、計算上非常に効率的である。分解は、データの局所的な特徴的タイムスケールに基づくので、ＥＭＤ方法は、収集された波形データのように、非線形で非定常のプロセスに適用することができる。

非定常連続データから収集した波形データまたは収集した波形の変換に基づいて、次に、故障イベントの故障進展プロセスを説明するために使用する主振動モードを得るために、トレンド除去定常データに対してさらに統計的解析を実行することができる。主振動モードを得るために、多数の振動モードを獲得し、多数の振動モードから、主振動モードを求めることができる。

主振動モードを抽出して故障進展プロセスを表現した後に、限定された数の瞬時および積分特徴属性を、主振動モードに対応する導出波形にヒルベルト・ファン変換を適用することで、求めることができる。限定された数の瞬時および積分特徴属性は、瞬時周波数、瞬時位相、および瞬時振幅、ならびに、振幅の積分、振幅二乗の積分、および振幅と周波数の積の二乗の積分を含み得る。瞬時特徴属性は、故障発生時間および故障の深刻度の影響を表し、積分特徴属性は、故障前および故障後の状態のモデル化を支援する。

これから発生しようとしている故障イベントの場合、故障発生時間は、抽出した主振動モードの、瞬時振幅のピークと、瞬時位相の転換点とに基づいて、求めることができる。

その後、指定された故障前時間、故障発生時間、および指定された故障後時間における、瞬時および積分特徴属性の、実現されたセットを用いて、故障進展プロセスを特徴付ける。故障位置ポイント、故障発生時間、故障タイプ、故障インピーダンスおよび故障前状態が異なると、実現される瞬時および積分特徴属性も異なることになる。なぜなら、非接地配電システム内の故障およびシステム状態が異なるからである。故障発生前の電力周波数の半周期、および故障発生後の電力周波数の半周期を、特徴的な故障前時間および故障後時間として指定する。

したがって、故障位置と、実現させた瞬時および積分特徴属性との関係は、ある時間にわたる故障イベントデータバンクを構築し故障イベントサンプルの教師あり学習を実行することにより、学習することができる。故障イベントは、実際の故障イベントであっても、所定の故障状態および所定の故障前システム状態を用いたタイムドメインシミュレーションを通じて生成したものであってもよい。故障状態は、故障タイプ、故障位置ポイント、故障位置ポイントにおける故障インピーダンス、および故障発生時間を含む。システム状態は、負荷需要、発電出力、および電圧レベルを含む。各故障イベントは、異なる故障位置、故障発生時間、故障タイプおよび故障前システム状態を有し得る。新たな故障が起こると、この新たな故障の位置を、受信した最新測定波形から抽出した主振動モードの対応する瞬時および積分特徴属性と、構築した故障イベントデータバンクからの特徴属性と故障位置との間の過去に求めた関係とに基づいて、求めることができる。

基準ポイントからの距離をそのまま用いて故障位置を特定することは、配電システム内には相当数の種類の架空線およびケーブルならびに支線（lateral）があるために、有効性が低いかもしれず、その代わりに、３つの位置関連パラメータのセットを用いることにより、基準ポイントに対する故障位置ポイントを定める。上記位置パラメータのセットは、故障ポイントと対応する基準ポイントとの間の最短経路について求めた、等価インダクタンス、インダクタンスとキャパシタンスの積の平方根および、抵抗とインダクタンスの積の平方根を含む。基準ポイントは、変電所の位置、分散型発電リソースの位置、またはインテリジェントスイッチの位置を含み得る。

本開示では、瞬時および積分特徴属性を、故障イベント、故障前状態、および故障後状態の影響を説明するために使用する。候補特徴属性、または特徴属性のサブセットは、故障イベント前の半周期、故障イベント発生時、および故障イベント後の半周期における、瞬時振幅、瞬時位相、瞬時周波数、積分振幅、振幅二乗の積分、および振幅と周波数の積の二乗の積分を含む。また、候補特徴属性に、調査中の特徴属性およびさまざまな位置パラメータ間の最大相関ファクタに基づいて、優先順位をつけることができる。所定の予め定められたしきい値よりも大きい候補特徴属性のみを選択して故障位置推定に使用する。

本開示のある実施形態に従うと、非接地配電（ＵＥＤ）システムにおける故障状態を特定するためのシステムは、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリと、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、ＵＥＤシステムに設置されたインテリジェントスイッチから、ＵＥＤシステムと通信する情報ネットワークを介して受信する送受信機とを有し、インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、システムは、情報ネットワークと通信するコンピュータのプロセッサを備え、プロセッサは、経験的モード分解を電圧および電流応答波形の測定に適用することにより、主振動モードと、主振動モードに対応する、対応付けられた導出波形とを抽出し、かつヒルベルト変換を対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、瞬時および積分特徴属性のサブセットを、特定した故障タイプに対応付けられた、格納されている訓練されたニューラルネットワークモデルに入力するように構成され、訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、位置パラメータを用いて、ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、ＵＥＤシステムにおける故障状態に対応付けられた、求めた故障位置ポイントを、送受信機を介してオペレータに送ることにより、求めた故障位置ポイントに対応付けられたアクションを情報ネットワークを介して開始するように構成されている。

本開示のある実施形態に従うと、非接地配電（ＵＥＤ）システムにおける故障状態を特定する方法であって、この方法は、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリを有し、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、ＵＥＤシステムに設置されたインテリジェントスイッチから、ＵＥＤシステムと通信するネットワークを介して取り出し、インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、方法は、ネットワークと通信するコンピュータのハードウェアプロセッサを使用するステップを含み、ハードウェアプロセッサは、経験的モード分解を電圧および電流応答波形の測定に適用することにより、主振動モードと、主振動モードに対応する、対応付けられた導出波形とを抽出するように構成され、ヒルベルト変換を対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、瞬時および積分特徴属性のサブセットを、特定した故障タイプに対応付けられた、格納されている訓練されたニューラルネットワークモデルに入力するように構成され、訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、位置パラメータを用いて、ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、ＵＥＤシステムにおける故障状態に対応付けられた、求めた故障位置ポイントを、オペレータに送ることにより、求めた故障位置ポイントに対応付けられたアクションをネットワークを介して開始するように構成されている。

本開示のある実施形態に従うと、非接地配電（ＵＥＤ）システムにおける故障状態を特定する方法を実行するためにコンピュータが実行可能なプログラムが実現される非一時的なコンピュータ読取可能記憶媒体について、この方法は、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリを有し、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、ＵＥＤシステムに設置されたインテリジェントスイッチから、ＵＥＤシステムと通信するネットワークを介して取り出し、インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、方法は、ネットワークと通信するコンピュータのプロセッサを使用するステップを含み、プロセッサは、経験的モード分解を電圧および電流応答波形の測定に適用することにより、主振動モードと、主振動モードに対応する、対応付けられた導出波形とを抽出するように構成され、ヒルベルト変換を対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、瞬時および積分特徴属性のサブセットを、特定した故障タイプに対応付けられた、格納されている訓練されたニューラルネットワークモデルに入力するように構成され、訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、位置パラメータを用いて、ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、ＵＥＤシステムにおける故障状態に対応付けられた、求めた故障位置ポイントを、オペレータに送ることにより、求めた故障位置ポイントに対応付けられたアクションをネットワークを介して開始するように構成されている。

本開示について、以下の詳細な説明において、示されている複数の図面を参照しながら、本開示の具体例としての実施形態の非限定的な例を用いて、さらに記述する。図面のうちのいくつかの図面において同様の参照番号は同様の部分を示す。示されている図面は必ずしも正確な縮尺ではなく、代わりに、ここで開示されている実施形態の原理を示すにあたり強調が加えられている。

本開示の実施形態に係る、配電システムにおける故障を検出しその位置を特定するための方法を示すブロック図である。本開示のいくつかの実施形態に係る、図１Ａのシステムのいくつかの構成要素を用いて実現されている、図１Ａのシステムを示すブロック図である。本開示のいくつかの実施形態に係る、インテリジェントスイッチを備えた配電システムを示す概略図である。本開示のいくつかの実施形態に係る、測定された過渡信号を示す概略図である。本開示のいくつかの実施形態に係る、測定された過渡信号の主振動モードを示す概略図である。本開示のいくつかの実施形態に係る、主振動モードの瞬時特徴属性を示す概略図である。本開示のいくつかの実施形態に係る、主振動モードの積分特徴属性を示す概略図である。本開示のいくつかの実施形態に係る、教師あり学習方法を用いて故障位置を予測することを示す概略図である。本開示のいくつかの実施形態に係る、故障位置パラメータを測定波形の主振動モードの瞬時および積分特徴属性に関連付ける教師あり学習方法によって使用される多層ニューラルネットワークモデルを示す概略図である。本開示の実施形態に係る、配電システムオペレータによって制御される代替の故障位置解析システムを用いて実現することができる、図１Ａの方法を示すブロック図である。

上記図面はここで開示されている実施形態を示しているが、本明細書で述べるようにその他の実施形態も意図されている。本開示は、説明のための実施形態を、限定のためではなく代表として示す。当業者は、ここに開示されている実施形態の原理の範囲および精神に含まれるその他数多くの改良形および実施形態に想到することが可能である。

詳細な説明
本開示は、電力システムに関し、より具体的には非接地配電システムのための過渡状態に基づいた故障位置特定方法に関する。

図１Ａは、本開示の実施形態に係る、非接地配電システムの故障を検出しその位置を特定するための方法を示すブロック図である。

図１Ａのステップ１２５は、方法１００が、有効値を有する測定を情報ネットワーク１５３を介してインテリジェントスイッチから受信することを含む。

図１Ａのステップ１３０は、方法１００が、コンピュータ１５１のハードウェアプロセッサ１５５を用いて、有効値を有する測定電圧および電流に基づいて故障タイプを特定することを含む。

図１Ａのステップ１３１は、方法１００が、ステップ１３０で故障が特定された場合に、ハードウェアプロセッサ１５５を用いて、瞬時値を有する測定をインテリジェントスイッチから取り出すことを含む。

図１Ａのステップ１３２は、方法１００が、ハードウェアプロセッサ１５５を用いて、取り出した測定波形から主振動モードを抽出することを含み、ステップ１３３で、故障発生時間ならびに指定された故障前時点および故障後時点における主振動モードの対応する瞬時および積分特徴属性を計算する。

図１Ａのステップ１３４は、方法１００が、ハードウェアプロセッサ１５５を用い、訓練されたニューラルネットワークモデルを用いて可能性のある位置パラメータを求めることにより、主モード特徴属性と位置パラメータとの関係を記述することを含み、ステップ１３５は、求めた位置パラメータとトポロジー接続性解析とに基づいて、故障区間、故障線分および故障ポイントを求める。

図１Ａのステップ１３６は、通信デバイス１５７を用いて、推定した故障位置をさらに他のアクションのために情報ネットワーク１５３を介して配電システムオペレータに送る。

図１Ｂは、本開示のいくつかの実施形態に係る、いくつかの構成要素を用いて実現される図１Ａのシステムを示すブロック図である。図１Ｂは、コンピュータまたはコンピュータシステム１５１を含み得る。コンピュータシステム１５１は、入力インターフェイス１４５およびメモリ１３５と通信するハードウェアプロセッサ１５５と、情報ネットワーク１５３と、通信デバイス１５７とからなる。通信デバイス１５７は、インテリジェントスイッチ１２０を備えた配電システム１１０に接続することができる。コンピュータ１５１は、配電システムとの間で情報を送受信することができる。ハードウェアプロセッサ１５５が特定の用途の必要に応じて２つ以上のハードウェアプロセッサを含み得ることが意図されている。当然ながら、入力インターフェイス、出力インターフェイスおよび送受信機を含むその他の構成要素がシステム１００に組み込まれていてもよい。

図１Ｂのステップ１２５は、システム１００が、有効値を有する測定を情報ネットワーク１５３を介してインテリジェントスイッチから受信することを含む。

図１Ｂのステップ１３０は、システム１００が、コンピュータ１５１のハードウェアプロセッサ１５５を用いて、有効値を有する測定電圧および電流に基づいて故障タイプを特定することを含む。

図１Ｂのステップ１３１は、ステップ１３０で故障が特定された場合に、システム１００が、ハードウェアプロセッサ１５５を用いて、瞬時値を有する測定をインテリジェントスイッチから取り出すことを含む。

図１Ｂのステップ１３２は、取り出した測定波形から主振動モードを抽出することを含み、ステップ１３３は、故障発生時間ならびに指定された故障前時点および故障後時点における主モードの対応する瞬時および積分特徴属性を計算することを含む。

図１Ｂのステップ１３４は、訓練されたニューラルネットワークモデルを用いて可能性のある位置パラメータを求めることにより、主モード特徴属性と位置パラメータとの関係を記述することを含み、ステップ１３５は、求めた位置パラメータとトポロジー接続性解析とに基づいて、故障区間、故障線分および故障ポイントを求める。

図１Ｂのステップ１３６は、通信デバイス１５７を用いて、推定した故障位置をさらに他のアクションのために情報ネットワーク１５３を介して配電システムオペレータに送ることを含む。

インテリジェントスイッチを備えた非接地配電システム
図２は、本開示のいくつかの実施形態に係る、インテリジェントスイッチを備えた配電システムの構成要素を示す概略図である。

配電システム１１０のための電源リソースは、伝送システム（図面には示されていない）に接続された変電所（substation）２０５と、システム１１０内に位置する分散型発電機２１０、２１２および２１４のセットとを含む。分散型発電機は、ソーラーパネル、風力発電所、マイクロタービン、またはバッテリであってもよい。これらの電力リソースは、配線接続が非接地の変圧器または電圧レギュレータ２１５を通して電源をシステムに提供し、電力を配電線２２０を通して顧客に送る。顧客の消費電力は、バス２４０に位置する集中負荷２３０、または配電線２２０に沿う分散負荷２３５として表すことができる。分散型発電機は、制御可能な分散型発電機（controllable distributed generator）（ＣＤＧ）２１０であっても、または、制御不能な分散型発電機２１２および２１４であってもよい。制御可能な分散型発電機は、その終端バスで電圧を調整する機能を有する。制御不能な分散型発電機は、バス２１２に設置または分散方法２１４で配線に沿って設置することができる。制御不能な分散型発電機は、電圧を調整する機能を有しておらず、負の負荷として扱うことができる。インテリジェントスイッチ２５０を、配電線２２０上の終端バス２４０に設置することにより、この線分に電源を供給するかまたはこの線分から電源を断つことができる。インテリジェントスイッチ２５０はまた、その装着されている終端バス２４０における電圧およびその装着されている線分２２０を流れる電流の測定値を提供することもできる。配電システム１１０は、配電システムオペレータ（distribution system operator)（ＤＳＯ）（図面には示されていない）によって操作される。インテリジェントスイッチは、回路遮断器、リクローザ、または高度測定ユニットを備えた分割器（sectionalizer）であってもよい。

引続き図２を参照して、インテリジェントスイッチは、２つのタイプの電気的測定値を提供する。第１のタイプは、有効値、すなわち、毎秒１回等の遅いレートでサンプリングされたＲＭＳ（二乗平均平方根）値である。本開示において、第１のタイプの測定値を用いることにより、システム定常状態挙動を評価し、これを用いることにより、システムに故障があるか否かと本開示における故障タイプとを判断する。第２のタイプは、毎秒５０００回等のより速いレートでサンプリングされた瞬時値である。本開示において、第２のタイプの測定値を用いることにより、故障イベントに対するシステム過渡応答をキャプチャし、これを用いることにより、実際の故障区間、実際の故障線分、および、故障線分に沿った実際の故障ポイントを求める。

三相非接地配電システムの場合、測定値は、相ごとの相電流、相ごとの相対地電圧、または、三相すべてのうちの相の対ごとの相間電圧を含み得る。測定値はまた、ゼロシーケンス電圧およびゼロシーケンス電流を含み得る。電圧が相の対によって与えられる場合、相対地電圧は、これらの測定値をゼロシーケンス電圧とともに用いることで、導き出すことができる。

引続き図２を参照して、有効値で与えられた電圧を例にとると、相対地電圧は次のようにして求めることができる。

式中、Ｖ_Ａ、Ｖ_ＢおよびＶ_Ｃは、それぞれ、相Ａ、相Ｂ、および相Ｃの相対地電圧のＲＭＳ（二乗平均平方根）値である。Ｖ_ＡＢ、Ｖ_ＢＣおよびＶ_ＣＡは、それぞれ、相Ａと相Ｂの間、相Ｂと相Ｃの間、および相Ｃと相Ａの間の電圧のＲＭＳ値である。Ｖ_０は、ゼロシーケンス電圧のＲＭＳ値である。

故障位置解析の計算を簡単にするために、測定した三相の瞬時電圧および電流を、以下に従い、電力不変変換を用いてアルファ−ベータ−ガンマ成分に変換する。

式中、ｖ_ａ（ｔ）、ｖ_ｂ（ｔ）およびｖ_ｃ（ｔ）は、それぞれ、相Ａ、相Ｂおよび相Ｃの時間ｔにおける相対地電圧の瞬時値である。ｖ_α（ｔ）、ｖ_β（ｔ）およびｖ_γ（ｔ）は、それぞれ、相Ａ、相Ｂおよび相Ｃの時間ｔにおける瞬時電圧のアルファ、ベータおよびガンマ成分である。ｉａ（ｔ）、ｉｂ（ｔ）およびｉｃ（ｔ）は、それぞれ、相Ａ、相Ｂおよび相Ｃの時間ｔにおける相対地電圧／電流の瞬時値である。ｉ_α（ｔ）、ｉ_β（ｔ）およびｉ_γ（ｔ）は、それぞれ、相Ａ、相Ｂおよび相Ｃの時間ｔにおける瞬時電流のアルファ、ベータおよびガンマ成分である。アルファおよびベータ成分は、空中（aerial）モード成分と呼ばれ、ガンマ成分は接地（ground）モード成分と呼ばれる。本開示において、ガンマ成分ｖ_α（ｔ）を用いることにより、相地絡故障の位置を特定し、アルファおよびベータ成分ｉ_α（ｔ）、ｉ_β（ｔ）を用いることにより、それ以外のタイプの故障の位置を特定する。

有効測定値に基づいて故障タイプを求める
引続き図２を参照して、本開示において、故障タイプは、先ず、インテリジェントスイッチから収集された有効測定電圧および電流に基づいて判断される。

可能性のある故障タイプは、一相地絡故障、相間故障、二相地絡故障、三相地絡故障、および三相間故障である。図２に示される非接地配電システムの場合、故障タイプは、変電所変圧器の二次側に設置されたインテリジェントスイッチから収集された、測定された有効電圧および電流に基づいて、判断される。最初に、いずれかの相において、インテリジェントスイッチに過電流があるか否かを確認する。過電流がなければ、さらに、いずれかの相において、インテリジェントスイッチに過電圧があるか否かを確認する。過電圧がある場合、故障タイプは一相地絡故障であると判断する。過電流も過電圧もなければ、インテリジェントスイッチの下流の回路に故障はない。過電流がある場合、二相または三相故障がインテリジェントスイッチの下流の回路に発生している。故障タイプは、過電流がある相の数に従って判断される。２相に過電流がある場合、故障は、二相地絡故障かまたは相間故障であり、実際のタイプは、さらに過電流がない相に過電圧があるか否かを確認することによって判断する。過電圧がある場合、故障タイプは、二相地絡故障である。そうでなければ相間故障である。３相に過電流がある場合は、デバイスの下流に三相地絡故障または三相間故障がある。

以下の条件が満たされる場合、相ｘに過電流があると判断される。

引続き図２を参照して、以下の条件が満たされる場合、相ｘに過電圧があると判断される。

インテリジェントスイッチの位置に従い、変電所変圧器の下流の各回路を、回路またはフィーダー区間のセットに分割する。各回路区間は、一組のインテリジェントスイッチで囲まれている。図２を例にとると、システムは、３つの区間として、区間Ａ、区間Ｂおよび区間Ｃを含む。区間Ａは３つのインテリジェントスイッチを含み、区間Ｂは２つのインテリジェントスイッチを含み、区間Ｃは１つのインテリジェントスイッチを含む。

測定した故障波形の主振動モード抽出
図３Ａおよび図３Ｂは、本開示のいくつかの実施形態に係る、測定された過渡信号３１０およびその主振動モード３２０を示す概略図である。

主振動モードは、経験的モード分解（ＥＭＤ）方法を用いて、測定した故障波形から抽出することができる。ＥＭＤは、信号を、固有モード関数（ＩＭＦ）のセットに分解する。各ＩＭＦは、波の平均がゼロで最大および最小の差が１以下の波である。最大は、信号のトレンドが連続的に上昇してから突然下降する場合の、値が下降する直前の信号の値である。一方、最小は、信号のトレンドが連続的に下降してから突然上昇する場合の、上昇する直前の値である。最初のＩＭＦが、得ようとしている主振動モード（dominant vibration mode）（ＤＶＭ）である。

引続き図３Ａおよび図３Ｂを参照して、ｘ［ｎ］を、着目する測定された消滅（discreate）故障信号とする。たとえば、ｘ［ｎ］は、相地絡故障の位置が特定された場合は相電圧のガンマ成分、その他のタイプの故障の位置が特定された場合は相電流のアルファおよびベータ成分とすることができる。主振動モードＤＶＭ［ｎ］を求めるためのアルゴリズムは、次のように記述することができる。
・ステップ１で、繰り返しの数をｋ＝０と設定すると、信号留数（residuum）ｒ_０［ｎ］＝ｘ［ｎ］である。
・ステップ２で、ｒ_ｋ［ｎ］の最小および最大を見つけ出す。
・ステップ３で、３次スプラインを用いて、最小および最大の値を内挿することにより、最小および最大のエンベロープｅ_ｋｍｉｎ［ｎ］およびｅ_ｋｍａｘ［ｎ］を生成する。
・ステップ４で、最小および最大のエンベロープから中間値を得る。

・ステップ５で、ＤＶＭ候補、ｈ_ｋ［ｎ］を、信号ｒ_ｋ［ｎ］の値からエンベロープの中間値ｍ_ｋ［ｎ］を減算することによって得る。

・ステップ６で、この抽出された信号ｈ_ｋがＩＭＦか否かを確認する。そうでない場合、ｋ＝ｋ＋１，ｒ_ｋ＋１［ｎ］＝ｈ_ｋ［ｎ］を設定し、ステップ２からステップ４までを繰り返す。

経験的モード分解（ＥＭＤ）方法に関係するモード混合の問題を、すなわち、１つのモードにおける振幅が大幅に異なる振動の存在または異なるモードにおける非常によく似た振動の存在を、克服するために、アンサンブル経験的モード分解（ＥＥＭＤ）を用いることにより、信号プラスガウスホワイトノイズのアンサンブルについてＥＭＤを実行する。

引続き図３Ａおよび図３Ｂを参照して、主振動モードＤＶＭ［ｎ］を求めるためのＥＥＭＤアルゴリズムは、次のように記述することができる。
・ｘ^ｉ［ｎ］＝ｘ［ｎ］＋ｗ^ｉ［ｎ］を生成。ｗ^ｉ［ｎ］（ｉ＝１，…，Ｉ）は、ホワイトガウスノイズの異なる実現である。
・ｘ^ｉ［ｎ］ごとにＥＭＤを用いてＤＶＭ^ｉ［ｎ］を得る。
・対応するＤＶＭ^ｉ［ｎ］の平均としてＤＶＭ［ｎ］を求める。

特徴的タイミングにおける瞬時および積分特徴属性の計算
主振動モードを得た後に、瞬時特徴属性のセットを得ることにより、ヒルベルト・ファン変換（ＨＨＴ）を用いて主振動モードを特徴付けることができる。

引続き図３Ａおよび図３Ｂを参照して、故障信号ｘ（ｔ）の主振動モードＤＶＭ（ｔ）について、ヒルベルト・ファン変換を適用することにより、解析した信号の瞬時振幅、位相、および周波数を抽出する。ＤＶＭ（ｔ）のヒルベルト・ファン変換は以下のように表される。

式中、ＰＶはコーシーの主値を示す。これらの定義を用いると、ＤＶＭ（ｔ）とＨ［ＤＶＭ（ｔ）］はいずれも、解析信号Ｚ（ｔ）を形成する複素共役ペアである。

Ａ（ｔ）およびθ（ｔ）は、以下のように表すことができる瞬時振幅および位相情報である。

ＤＶＭ（ｔ）の瞬時周波数は以下のように与えられる。

図４Ａは、本開示のいくつかの実施形態に係る、瞬時周波数４１０、瞬時位相４２０、および瞬時振幅４３０を含む、主振動モードの瞬時特徴属性を示す概略図である。

また、信号ＤＶＭ（ｔ）の累積特徴を表すために、振幅ＩＡ（ｔ）の積分、振幅の二乗ＩＡ^２（ｔ）の積分、および振幅と周波数の積の二乗ＩＡ^２ｆ^２（ｔ）の積分を含む、３つの積分属性を定義する。

図４Ｂは、本開示のいくつかの実施形態に係る、振幅の積分４４０、振幅の二乗の積分４５０および振幅と周波数の積の二乗の積分４６０を含む、主振動モードの積分特徴属性を示す、概略図である。

図４Ｂを参照して、ＤＶＭ（ｔ）の振幅の積分は次のように定義される。

ＤＶＭ（ｔ）の振幅の二乗の積分は次のように定義される。

ＤＶＭ（ｔ）の振幅と周波数の積の二乗の積分は次のように定義される。

瞬時特徴属性を用いて、故障発生時間および故障の深刻度の影響を表し、積分特徴属性を用いて、故障前および故障後の状態のモデル化を支援する。

瞬時および積分特徴属性の波形全体を用いる代わりに、故障発生時間４０５、特定の時点の故障前時間４１５、および特定の時点の故障後時間４２５を含む特徴的なタイミングの時点のセットで、故障イベントを特徴付けることができる。必要なデータ量および故障進展に対する重要度を考慮して、故障発生時間の前の電力周波数の半周期における故障前属性、および、故障発生時間の後の電力周波数の半周期における故障後属性のみを取り出す。

引続き図４Ｂを参照して、故障発生時間４０５は、測定した故障電圧もしくは電流信号の、または対応する導出信号の、瞬時振幅４３０および瞬時位相４２０の、上向きになるポイントに基づいて、決定することができる。一相地絡を例にとると、これが非接地配電システムで生じると、故障イベントによって生じた電圧のガンマ成分に、振幅および周波数の大きな変化が発生し、次に、瞬時振幅に激変が生じ、瞬時位相が突然上向きになる。したがって、最大振幅の時点を、この時点の近傍の大きな位相変化の転換点がある場合は、故障発生時間とみなすことができる。または、大きな位相変化の転換点の時点を、この時点の近傍で最大振幅が観察される場合は、故障発生時間とみなすことができる。

教師あり学習を通じて主特徴属性に関連する故障位置のモデルを構築
図５Ａは、本開示のいくつかの実施形態に係る、教師あり学習方法を用いて故障位置を予測することを説明する概略図である。本開示の側面は、教師あり学習方法を用いて、故障位置を主特徴でモデル化し、学習したモデルを用いて故障位置を予測する。この方法の全体のスキームの実施形態が図５Ａに示されており、これは、２つの部分を、すなわちオフライン段階５１０およびオンライン段階５２０を含み、前者はデータ生成５１７およびニューラルネットワークモデルの訓練５１９のためのものであり、後者は、リアルタイムの故障位置予測５２５のためにオンライン測定５２１および訓練されたニューラルネットワークを使用する。

オフラインのデータ生成は、故障イベントについて訓練サンプルデータセット５１５を準備し、インテリジェントスイッチにおける、対応付けられるシミュレートされた有効および瞬時電圧および電流測定値を準備することである。サンプリングされた各故障イベントは、故障状態５１３および故障前システム状態５１１の異なる組み合わせを表し得る。故障状態５１３は、故障発生時間、故障スポット、故障タイプおよび故障インピーダンスを含む。故障前システム状態５１１は、各バスまたは線分における負荷需要、変電所および制御可能な分散型発電機についての、目標発電出力および調整された電圧レベルを含み得る。タイムドメインシミュレーションを用いることにより、各サンプルイベントごとに故障進展プロセスをシミュレートし、故障の過程における各インテリジェントスイッチの有効および瞬時読取値を記録する。

引続き図５Ａを参照して、訓練サンプルが準備されたら、一組のニューラルネットワークを用い訓練することにより、故障位置と故障過渡特徴との間の関係をモデル化することができる。各ニューラルネットワークは、特定の故障タイプまたは一組の故障タイプ、特定のカバレッジ区間または一組の区間、および特定の一組のインテリジェントスイッチに、対応し得る。図２のシステムを例にとると、個々の区間ごとに、２つのニューラルネットワークを用いることにより、その区間内のすべてのタイプの故障をモデル化することができ、２つのニューラルネットワークのうちの一方は一相地絡故障に、もう一方はその他の多相故障に用いることができる。

図５Ｂは、本開示のいくつかの実施形態に係る、故障位置パラメータを、測定した波形の主振動モードの瞬時および積分特徴属性に関連付けるための、教師あり学習方法によって使用される、多層フィードフォワードニューラルネットワークモデルを示す概略図である。たとえば、図５Ｂは、図２の区間Ｂで生じる一相地絡故障の故障位置特定機能をモデル化するために使用される、典型的なニューラルネットワークである。

式中、Ｓ（ｆ，ｓ）は、ポイントｆからインテリジェントスイッチｓまでの最短経路内の線分のセットである。Ｒ_ｉｊ，Ｌ_ｉｊおよびＣ_ｉｊは、ポイントｉからポイントｊまでの線分の、分散抵抗、インダクタンスおよびキャパシタンスである。これらの３つのパラメータを用いて、導体のタイプ（架空線／ケーブル）、導体の直列インピーダンスおよびシャントアドミタンス、ならびに故障ポイントと測定されたポイントとの間の距離の、異なる組み合わせを区別する。図５Ｂを参照して、ニューラルネットワークは、６つの出力単位を用いることにより、区間Ｂに設置されたインテリジェントスイッチまでの相対故障位置測定値をモデル化し、３つの異なる位置パラメータを各スイッチについて使用する。

入力層５３０における入力単位の数は、使用する故障信号、当該区間に設置されたインテリジェントスイッチの数、および有意相関する瞬時および積分特徴の数に基づいて、決定される。

図５Ｂにおいて提供されている例では、当該区間に２つのスイッチがあるので、ニューラルネットワークの入力は、第１のスイッチについて求めた瞬時特徴５４０および積分特徴５４２と、第２のスイッチについて求めた瞬時特徴５４４ならびに積分特徴５４６および５４８とを含む。

引続き図５Ｂを参照して、十分に分散されたシステムおよび故障状態について十分な数の訓練サンプルを用いて訓練された後の、ニューラルネットワークを用いることにより、予め定められた故障タイプの故障位置を予測することができる。

故障区間、故障線分および故障ポイントを求める
故障が、変電所変圧器の直に下流にあるインテリジェントスイッチでの有効電圧および電流測定値に基づいて検出されると、対応する故障タイプが特定される。変電所変圧器の下流にある各回路またはフィーダー区間は、求めた故障タイプに従って、訓練されたニューラルネットワークを用いることで、故障位置特定タスクをトリガすることができる。

引続き図５Ｂを参照して、各回路またはフィーダーは、先ず、求めた故障タイプに対応する電圧または電流故障信号の主振動モードを抽出し、次に、故障信号について瞬時および積分特徴を計算する。

求めた特徴のセットを、求めた故障タイプについて訓練されたニューラルネットワークに対する入力として用いて、推定される故障位置パラメータのセットを、当該区間の各インテリジェントスイッチについて求めることができる。すなわち、

は、当該区間におけるインテリジェントスイッチのセットである。次に、当該区間内の各線分について、推定した各位置パラメータが、当該線分の２つの終端バスにおける対応する位置パラメータによって画定される境界内にあるか否かを確認する。境界内にあれば、調査中の線分、すなわち、バスｉとバスｊとの間の線が、故障線分であり、当該区間は故障区間である。

任意の線分のバスｉおよびバスｊに対し、当該区間における各インテリジェントスイッチｓについて、（２４ａ）、（２４ｂ）および（２４ｃ）で表されるすべての条件が満たされたときに限り、故障していると判断される。

引続き図５Ｂを参照して、線分のうちで、条件（２４）を満たす線分がなければ、この区間に故障はない。

バスｉとバスｊとの間の、求めた故障線分に沿う、正確な故障スポットを、バスｉとバスｊとの間の線分の全長に対する、スポットとバスｉとの間の距離の比ρ_ｆ−ｉから求める。これは次のように定義される。

特徴
本開示のいくつかの局面は以下を含む。訓練されたニューラルネットワークモデルは、各故障タイプごとの訓練されたニューラルネットワークモデルを含み、故障タイプは、一相地絡故障と、相間故障、二相地絡故障、三相地絡故障、および三相間故障等の、多相故障とを含み、故障タイプは、有効値を有する電圧および電流測定に基づいて求められる。

本開示のある局面は以下を含む。各故障タイプごとの訓練されたニューラルネットワークモデルは、故障イベントサンプルのセットを用いて訓練され、各故障イベントサンプルは、所定の故障状態および所定のシステム状態と、ＵＥＤシステムに設置されたインテリジェントスイッチにおける対応する電圧／電流過渡応答波形の測定とを含み、故障状態は、故障タイプ、故障位置ポイント、故障位置ポイントにおける故障インピーダンス、および故障発生時間を含み、システム状態は、負荷需要、発電出力、および電圧レベルを含む。

本開示の別の局面は以下を含む。訓練されたニューラルネットワークモデルは、回路またはフィーダー上のインテリジェントスイッチのセットによって囲まれた回路またはフィーダーの区間の故障状態の特定に限定される。

本開示のある局面は以下を含む。有効値は、瞬時値サンプルレートよりも小さいレートでサンプリングされた二乗平均平方根（ＲＭＳ）の値を含み、有効値は、システム定常状態挙動を表すために使用されＵＥＤシステムに故障状態があるか否かを判断するために採用される、測定である。

別の局面は、有効値のサンプルレートが毎秒約１回であり、瞬時値のサンプルレートが毎秒約５０００回であることを、含む。

もう１つの局面は以下を含む。瞬時値の測定は、故障イベントに対するシステム過渡応答をキャプチャするために使用され、実際の故障区間、実際の故障線分および実際の故障線分に沿った実際の故障ポイントを求めるために採用される。

ある局面は以下を含む。故障前期間、故障発生期間および故障後期間における瞬時および積分特徴属性のセットは、故障イベントの前の半周期、故障イベントの発生時間、および故障イベント後の半周期における、瞬時振幅、瞬時位相、瞬時周波数、積分振幅、振幅二乗の積分、および振幅と周波数の積の二乗の積分を含む。

別の局面は以下を含む。故障発生時間は、瞬時振幅の対応付けられた波形のピークのタイミングと、瞬時位相の対応付けられた波形の上向きになるポイントのタイミングとに基づいて、求められる。

ある局面は以下を含む。３つの位置パラメータを使用することにより、故障ポイントからインテリジェントスイッチまでの相対距離を記述し、３つの位置パラメータは、抵抗とインダクタンスの積の等価平方根、等価インダクタンス、およびインダクタンスとキャパシタンスの積の等価平方根を含み、これらは、故障ポイントからインテリジェントスイッチまでの最短経路上のすべての線分についての分散抵抗、インダクタンスおよびキャパシタンスに基づいて求められる。

別の局面は以下を含む。故障区間は、故障イベントの求めた位置パラメータを、ＵＥＤシステムにおける各回路またはフィーダー区間の境界のインテリジェントスイッチについて求めた対応する位置パラメータのセットと比較することによって求められ、故障線分および故障位置ポイントは、故障イベントの求めた位置パラメータを、求めた故障区間における各線分の終端バスについて求めた対応する位置パラメータのセットと比較することによって求められる。

別の局面は以下を含む。経験的モード分解が、電圧および電流応答波形の測定に加えてガウスホワイトノイズに適用されて、主振動モードと、主振動モードに対応する対応付けられた導出波形とを抽出する。

もう１つの局面は以下を含む。インテリジェントスイッチが、相互に通信し、制御コマンドを発行するように構成されている。

図６は、本開示の実施形態に係る、分散型システムオペレータによって制御される代替の故障位置特定解析システムを用いて実現できる、図１Ａの方法を示すブロック図である。システム６１１は、バス６５６で接続された、プロセッサ６４０と、コンピュータ読取可能メモリ６１２と、ストレージ６５８と、ディスプレイ６５２およびキーボード６５１に対するユーザインターフェイス６４９とを含む。たとえば、プロセッサ６４０およびコンピュータ読取可能メモリ６１２と通信するユーザインターフェイス６４９は、ユーザによる、ユーザインターフェイス６５７の表面、キーボード表面からの入力を受けると、データを取得しコンピュータ読取可能メモリ６１２に格納する。

意図されているのは、メモリ６１２が、プロセッサが実行可能な命令、履歴データ、ならびに本開示の方法およびシステムが利用できる任意のデータを格納できることである。プロセッサ６４０は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスタ、または任意の数のその他の構成であってもよい。プロセッサ６４０は、バス６５６を通して１つ以上の入力および出力デバイスに接続できる。メモリ６１２は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、またはその他の適切なメモリシステムを含み得る。

引続き図６を参照して、ストレージデバイス６５８は、プロセッサが使用する補足データおよび／またはソフトウェアモジュールを格納するように適合させることができる。たとえば、ストレージデバイス６５８は、本開示に関して先に述べたような履歴データおよびその他の関連データを格納することができる。これに加えてまたはこれに代えて、ストレージデバイス６５８は、本開示に関して先に述べたようなデータと同様の履歴データを格納することができる。ストレージデバイス６５８は、ハードドライブ、光学ドライブ、サムドライブ（thumb-drive）、ドライブのアレイ、またはその任意の組み合わせを含み得る。

このシステムは、任意で、当該システムをディスプレイデバイス（図示せず）に接続するように適合させたディスプレイインターフェイス（図示せず）に、バス６５６を通してリンクさせることができ、このディスプレイデバイスは、とりわけ、コンピュータモニタ、カメラ、テレビ、プロジェクタ、またはモバイルデバイスを含み得る。

システム６１１は電源６５４を含むことができるが、用途に応じて、電源６５４は、任意でシステム６１１の外部にあってもよい。ディスプレイデバイス６４８に接続するように適合させたユーザ入力インターフェイス６５７が、バス６５６を通してリンクされていてもよく、ディスプレイデバイス６４８は、とりわけ、コンピュータモニタ、カメラ、テレビ、プロジェクタ、またはモバイルデバイスを含み得る。また、プリンタインターフェイス６５９を、バス６５６を通して接続し、プリンティングデバイス６３２に接続するように適合させることができ、プリンティングデバイス６３２は、とりわけ、液体インクジェットプリンタ、固体インクプリンタ、大規模商用プリンタ、サーマルプリンタ、ＵＶプリンタ、または染料昇華型プリンタを含み得る。ネットワークインターフェイスコントローラ（network interface controller）（ＮＩＣ）６７４を、バス６５６を通してネットワーク６３６に接続するように適合させ、とりわけ、データまたはその他のデータを、システム６１１の外部の、サードパーティディスプレイデバイス、サードパーティイメージングデバイス、および／またはサードパーティプリンティングデバイス上で、レンダリングすることができる。さらに、バス６５６は、グローバルポジショニングシステム（ＧＰＳ）デバイス６０１または同様の関連するタイプのデバイスに接続することができる。

引き続き図６を参照して、とりわけ、上記データまたはその他のデータは、ネットワーク６３６の通信チャネルで送信することができる、および／または格納および／またはさらに他の処理のためにストレージシステム６５８内に格納することができる。さらに、上記データまたはその他のデータは、無線もしくは有線で受信機６４６（外部受信機６３８）から受信されてもよく、または、無線もしくは有線で送信機６４７(外部送信機６３９）を介して送信されてもよく、受信機６４６および送信機６４７の双方は、バス６５６を通して接続される。システム６１１は、入力インターフェイス６０８を介して外部センシングデバイス６４４および外部入出力デバイス６４１に接続されてもよい。システム６１１は、その他の外部コンピュータ６４２、メモリデバイス６０６、外部センサ６０４およびマシン６０２に接続されてもよい。出力インターフェイス６０９を用いて、処理されたデータをプロセッサ６４０から出力してもよい。

実施形態
以下の説明は、具体例としての実施形態を提供しているにすぎず、本開示の範囲、利用可能性、または構成を限定することを意図していない。むしろ、具体例としての実施形態の以下の説明は、具体例としての１つ以上の実施形態を実現することを可能にする説明を当業者に提供するであろう。添付されている請求項に記載の、開示されている主題の精神および範囲から逸脱することなく、要素の機能および構成に対して行い得る、さまざまな変更が意図されている。

具体的な詳細は、実施形態の完全な理解を提供するために以下の説明で提供される。しかしながら、当業者は、これらの具体的な詳細がなくても実施形態は実施し得ることを理解できる。たとえば、開示されている主題におけるシステム、プロセス、およびその他の要素は、実施形態を不必要な詳細で不明瞭にしないようにするために、ブロック図の形態で構成要素として示されてもよい。他の例では、実施形態を不明瞭にすることを避けるために、周知のプロセス、構造、および技術を、不必要な詳細なしで示すことがある。さらに、各種図面における同様の参照番号および名称は同様の要素を示す。

また、個々の実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として示されるプロセスとして説明することもできる。フローチャートは動作を逐次プロセスとして説明することができるが、動作の多くは並列または同時に実行することができる。加えて、動作の順序を並べ替えてもよい。プロセスは、その動作が完了したときに終了してもよいが、論じられていないまたは図に含まれていない追加のステップを有していてもよい。さらに、具体的に記載されているいずれかのプロセスにおけるすべての動作が、すべての実施形態において起こり得る訳ではない。プロセスは、方法、関数、手順、サブルーチン、サブプログラムなどに対応し得る。プロセスが関数に対応する場合、この関数の終了は、この関数が呼び出し関数または主関数に戻ることに対応していてもよい。

さらに、開示されている主題の実施形態は、少なくとも部分的に、手動または自動のいずれかで実現し得るものである。手動または自動による実現は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはそれらの任意の組合せの使用を通じて、実行または少なくとも支援し得るものである。ソフトウェア、ファームウェア、ミドルウェア、またはマイクロコードで実現される場合、必要なタスクを実行するためのプログラムコードまたはコードセグメントは、機械可読媒体に格納されてもよい。プロセッサ（複数のプロセッサ）が、必要なタスクを実行してもよい。

さらに、本開示の実施形態および本明細書に記載の機能的動作は、デジタル電子回路、有形で実施されるコンピュータソフトウェアまたはファームウェア、本明細書で開示される構造およびそれらの構造的均等物を含むコンピュータハードウェア、または、それらの１つ以上の組合せにおいて、実現することができる。さらに、本開示のいくつかの実施形態は、１つ以上のコンピュータプログラムとして、すなわち、データ処理装置による実行のために、またはデータ処理装置の動作を制御するために、有形の非一時的なプログラムキャリア上で符号化されたコンピュータプログラム命令の１つ以上のモジュールとして、実現することができる。さらに、プログラム命令は、データ処理装置による実行のために適切な受信装置に送信される情報を符号化するために生成された、人工的に生成された伝搬信号、たとえば機械によって生成された電気、光学、もしくは電磁信号上で、符号化することができる。コンピュータ記憶媒体は、機械可読ストレージデバイス、機械可読ストレージ基板、ランダムもしくはシリアルアクセスメモリデバイス、またはそれらの１つ以上の組み合わせであってもよい。

本開示の実施形態に従うと、「データ処理装置」という用語は、例として、プログラム可能なプロセッサ、コンピュータ、または複数のプロセッサもしくはコンピュータを含む、データを処理するためのすべての種類の装置、デバイス、およびマシンを包含し得るものである。

コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、モジュール、ソフトウェアモジュール、スクリプト、またはコードと呼ばれるまたは記載されることもある）は、コンパイルもしくは解釈された言語または宣言型もしくは手続き型言語を含む任意の形態のプログラミング言語で記述することができ、かつ、スタンドアロン型プログラムもしくはモジュール、コンポーネント、サブルーチン、またはコンピューティング環境での使用に適した他のユニットを含む任意の形態でデプロイすることができる。コンピュータプログラムは、ファイルシステム内のファイルに対応し得るが、対応する必要はない。プログラムは、他のプログラムまたはデータ、たとえばマークアップ言語文書に格納された１つ以上のスクリプトを保持するファイルの一部に、または、問題のプログラム専用の単一のファイルに、または、複数の連携ファイルに、たとえば１つ以上のモジュール、サブプログラム、またはコードの一部を格納するファイルに、格納することができる。コンピュータプログラムは、１つのコンピュータ上で、または、１つのサイトに位置するかもしくは複数のサイトに分散し通信ネットワークによって相互接続された複数のコンピュータ上で実行されるようにデプロイすることができる。コンピュータプログラムの実行に適したコンピュータは、汎用マイクロプロセッサもしくは専用マイクロプロセッサもしくはその両方、または任意の他の種類の中央処理装置を含むかまたはそれに基づいていてもよい。一般に、中央処理装置は、読み出し専用メモリまたはランダムアクセスメモリまたはその両方から命令およびデータを受信する。コンピュータの必須要素は、命令を実施または実行するための中央処理装置、ならびに命令およびデータを格納するための１つ以上のメモリデバイスである。一般に、コンピュータはまた、データを格納するための１つ以上の大容量記憶装置、たとえば、磁気、光磁気ディスク、もしくは光ディスクを含む、またはそれらからデータを受信するもしくはそれらにデータを転送するもしくはその両方を行うように、動作可能に結合される。しかしながら、コンピュータはそのようなデバイスを有する必要はない。加えて、コンピュータは、数例を挙げると、別のデバイスに、たとえば、携帯電話、携帯情報端末（ＰＤＡ）、モバイルオーディオもしくはビデオプレーヤ、ゲームコンソール、グローバルポジショニングシステム（ＧＰＳ）受信機、または携帯型記憶装置、たとえばユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブに、組み込むことができる。

特定の好ましい実施形態を参照しながら本開示を説明してきたが、本開示の精神と範囲の中でその他さまざまな改変および改良が可能であることが理解されねばならない。したがって、本開示の真の精神および範囲に含まれるこのような変形および改良のすべてを網羅することは、以下の請求項の側面である。

Claims

非接地配電（ＵＥＤ）システムにおける故障状態を特定するためのシステムであって、前記システムは、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリと、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、前記ＵＥＤシステムに設置されたインテリジェントスイッチから、前記ＵＥＤシステムと通信する情報ネットワークを介して受信する送受信機とを有し、前記インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、前記システムは、
前記情報ネットワークと通信するコンピュータのプロセッサを備え、前記プロセッサは、
経験的モード分解を前記電圧および電流応答波形の測定に適用することにより、主振動モードと、前記主振動モードに対応する、対応付けられた導出波形とを抽出し、かつヒルベルト変換を前記対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、
故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、前記瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、
前記瞬時および積分特徴属性のサブセットを、特定した前記故障タイプに対応付けられた、前記格納されている訓練されたニューラルネットワークモデルに入力するように構成され、前記訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、
前記位置パラメータを用いて、前記ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、
前記ＵＥＤシステムにおける故障状態に対応付けられた、前記求めた故障位置ポイントを、前記送受信機を介してオペレータに送ることにより、前記求めた故障位置ポイントに対応付けられたアクションを前記情報ネットワークを介して開始するように構成されている、システム。
前記訓練されたニューラルネットワークモデルは、各故障タイプごとの訓練されたニューラルネットワークモデルを含み、故障タイプは、一相地絡故障と、相間故障、二相地絡故障、三相地絡故障、および三相間故障等の、多相故障とを含み、前記故障タイプは、有効値を有する電圧および電流測定に基づいて求められる、請求項１に記載のシステム。
各故障タイプごとの訓練されたニューラルネットワークモデルは、故障イベントサンプルのセットを用いて訓練され、各故障イベントサンプルは、所定の故障状態および所定のシステム状態と、前記ＵＥＤシステムに設置された前記インテリジェントスイッチにおける対応する電圧／電流過渡応答波形の測定とを含み、前記故障状態は、故障タイプ、故障位置ポイント、前記故障位置ポイントにおける故障インピーダンス、および故障発生時間を含み、前記システム状態は、負荷需要、発電出力、および電圧レベルを含む、請求項２に記載のシステム。
前記訓練されたニューラルネットワークモデルは、回路またはフィーダー上のインテリジェントスイッチのセットによって囲まれた前記回路またはフィーダーの区間の故障状態の特定に限定される、請求項３に記載のシステム。
前記有効値は、瞬時値サンプルレートよりも小さいレートでサンプリングされた二乗平均平方根（ＲＭＳ）の値を含み、前記有効値は、システム定常状態挙動を表すために使用され前記ＵＥＤシステムに故障状態があるか否かを判断するために採用される、測定である、請求項１に記載のシステム。
前記瞬時値の測定は、故障イベントに対するシステム過渡応答をキャプチャするために使用され、実際の故障区間、実際の故障線分および前記故障線分に沿った実際の故障ポイントを求めるために採用される、請求項１に記載のシステム。
前記故障前期間、前記故障発生期間および前記故障後期間における前記瞬時および積分特徴属性のセットは、前記故障イベントの前の半周期、前記故障イベントの発生時間、および前記故障イベント後の半周期における、瞬時振幅、瞬時位相、瞬時周波数、積分振幅、振幅二乗の積分、および振幅と周波数の積の二乗の積分を含む、請求項１に記載のシステム。
前記故障発生時間は、瞬時振幅の対応付けられた波形のピークのタイミングと、瞬時位相の対応付けられた波形の上向きになるポイントのタイミングとに基づいて、求められる、請求項７に記載のシステム。
３つの位置パラメータを使用することにより、前記故障ポイントからインテリジェントスイッチまでの相対距離を記述し、前記３つの位置パラメータは、抵抗とインダクタンスの積の等価平方根、等価インダクタンス、およびインダクタンスとキャパシタンスの積の等価平方根を含み、これらは、前記故障ポイントから前記インテリジェントスイッチまでの最短経路上のすべての線分についての分散抵抗、インダクタンスおよびキャパシタンスに基づいて求められる、請求項１に記載のシステム。
前記故障区間は、前記故障イベントの前記求めた位置パラメータを、前記ＵＥＤシステムにおける各回路またはフィーダー区間の境界のインテリジェントスイッチについて求めた対応する位置パラメータのセットと比較することによって求められ、前記故障線分および前記故障位置ポイントは、前記故障イベントの前記求めた位置パラメータを、前記求めた故障区間における各線分の終端バスについて求めた前記対応する位置パラメータのセットと比較することによって求められる、請求項１に記載のシステム。
経験的モード分解が、前記電圧および電流応答波形の測定に加えてガウスホワイトノイズに適用されて、主振動モードと、前記主振動モードに対応する対応付けられた導出波形とを抽出する、請求項１に記載のシステム。
非接地配電（ＵＥＤ）システムにおける故障状態を特定する方法であって、前記方法は、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリを有し、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、前記ＵＥＤシステムに設置されたインテリジェントスイッチから、前記ＵＥＤシステムと通信するネットワークを介して取り出し、前記インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、前記方法は、
前記ネットワークと通信するコンピュータのハードウェアプロセッサを使用するステップを含み、前記ハードウェアプロセッサは、
経験的モード分解を前記電圧および電流応答波形の測定に適用することにより、主振動モードと、前記主振動モードに対応する、対応付けられた導出波形とを抽出するように構成され、
ヒルベルト変換を前記対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、
故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、前記瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、
前記瞬時および積分特徴属性のサブセットを、特定した前記故障タイプに対応付けられた、前記格納されている訓練されたニューラルネットワークモデルに入力するように構成され、前記訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、
前記位置パラメータを用いて、前記ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、
前記ＵＥＤシステムにおける故障状態に対応付けられた、前記求めた故障位置ポイントを、オペレータに送ることにより、前記求めた故障位置ポイントに対応付けられたアクションを前記ネットワークを介して開始するように構成されている、方法。
前記訓練されたニューラルネットワークモデルは、各故障タイプごとの訓練されたニューラルネットワークモデルを含み、故障タイプは、一相地絡故障と、相間故障、二相地絡故障、三相地絡故障、および三相間故障等の、多相故障とを含み、前記故障タイプは、有効値を有する電圧および電流測定に基づいて求められる、請求項１２に記載の方法。
各故障タイプごとの訓練されたニューラルネットワークモデルは、故障イベントサンプルのセットを用いて訓練され、各故障イベントサンプルは、所定の故障状態と、前記ＵＥＤシステムに設置された前記インテリジェントスイッチにおける対応する電圧／電流過渡応答波形の測定とを含み、前記故障状態は、故障タイプ、故障位置ポイント、前記故障位置ポイントにおける故障インピーダンス、および故障発生時間を含み、前記システム状態は、負荷需要、発電出力、および電圧レベルを含む、請求項１３に記載の方法。
前記故障前期間、前記故障発生期間および前記故障後期間における前記瞬時および積分特徴属性のセットは、前記故障イベントの前の半周期、前記故障イベントの発生時間、および前記故障イベント後の半周期における、瞬時振幅、瞬時位相、瞬時周波数、積分振幅、振幅二乗の積分、および振幅と周波数の積の二乗の積分を含む、請求項１２に記載の方法。
３つの位置パラメータを使用することにより、前記故障ポイントからインテリジェントスイッチまでの相対距離を記述し、前記３つの位置パラメータは、抵抗とインダクタンスの積の等価平方根、等価インダクタンス、およびインダクタンスとキャパシタンスの積の等価平方根を含み、これらは、前記故障ポイントから前記インテリジェントスイッチまでの最短経路上のすべての線分についての分散抵抗、インダクタンスおよびキャパシタンスに基づいて求められる、請求項１２に記載の方法。
前記故障発生時間は、瞬時振幅の対応付けられた波形のピークのタイミングと、瞬時位相の対応付けられた波形の上向きになるポイントのタイミングとに基づいて、求められる、請求項１２に記載の方法。
前記故障区間は、前記故障イベントの前記求めた位置パラメータを、前記ＵＥＤシステムにおける各回路またはフィーダー区間の境界のインテリジェントスイッチについて求めた対応する位置パラメータのセットと比較することによって求められ、前記故障線分および前記故障位置ポイントは、前記故障イベントの前記求めた位置パラメータを、前記求めた故障区間における各線分の終端バスについて求めた前記対応する位置パラメータのセットと比較することによって求められる、請求項１２に記載の方法。
前記インテリジェントスイッチは、相互に通信し、制御コマンドを発行するように構成されている、請求項１２に記載の方法。
非接地配電（ＵＥＤ）システムにおける故障状態を特定する方法を実行するためにコンピュータが実行可能なプログラムが実現される非一時的なコンピュータ読取可能記憶媒体であって、前記方法は、訓練されたニューラルネットワークモデルを含むデータが格納されたメモリを有し、故障イベントが特定されたときに、対応付けられた瞬時値と有効値とを有する測定を、前記ＵＥＤシステムに設置されたインテリジェントスイッチから、前記ＵＥＤシステムと通信するネットワークを介して取り出し、前記インテリジェントスイッチは、測定された電圧／電流過渡応答波形と故障タイプとを求め、前記方法は、
前記ネットワークと通信するコンピュータのプロセッサを使用するステップを含み、前記プロセッサは、
経験的モード分解を前記電圧および電流応答波形の測定に適用することにより、主振動モードと、前記主振動モードに対応する、対応付けられた導出波形とを抽出するように構成され、
ヒルベルト変換を前記対応付けられた導出波形に適用することにより、瞬時および積分特徴属性のセットを取得するように構成され、
故障前特徴属性のサブセットを取得するための故障前期間、故障発生特徴属性のサブセットを取得するための故障発生期間、および、故障発生特徴属性のサブセットを取得するための故障後期間における、前記瞬時および積分特徴属性のセットからのサブセットの、対応する時間的関係を、計算するように構成され、
前記瞬時および積分特徴属性のサブセットを、特定した前記故障タイプに対応付けられた、前記格納されている訓練されたニューラルネットワークモデルに入力するように構成され、前記訓練されたニューラルネットワークモデルは、位置パラメータを出力し、いくつかの位置パラメータは、１つ以上のインテリジェントスイッチ位置と推定された故障位置との間の関係を記述し、
前記位置パラメータを用いて、前記ＵＥＤシステムのトポロジー接続性解析により、故障区間、故障線分および故障位置ポイントを求めるように構成され、
前記ＵＥＤシステムにおける故障状態に対応付けられた、前記求めた故障位置ポイントを、オペレータに送ることにより、前記求めた故障位置ポイントに対応付けられたアクションを前記ネットワークを介して開始するように構成されている、非一時的なコンピュータ読取可能記憶媒体。