JP2022085487A - 事故予兆検知システム、事故予兆検知方法、ならびに事故予兆検知システムの親局および子局 - Google Patents

Abstract

【課題】学習用データを効率良く収集することにより精度の良い事故の予兆の検知を可能にする。【解決手段】事故予兆検知システム２において、子局６０の推論装置６１は、親局３０から受信した学習済モデル５５に、配電線で計測された電気量の波形データ５３またはその１つ以上の特徴量を入力することにより、配電線における事故の予兆の有無を推論する。子局６０は、事故の予兆が生じていると推論装置６１が推論した場合に、計測された波形データ５３を親局３０に送信する。親局３０の学習装置３４は、実際に事故の予兆が生じている場合に、子局６０から受信した波形データ５３またはその１つ以上の特徴量を更新用の学習用データに含め、学習済モデル５５を更新するための追加の学習を実行する。【選択図】図４

Description

本開示は、配電線に事故が発生する以前に生じる予兆を検知する事故予兆検知システム、事故予兆検知方法、ならびに事故予兆検知システムの親局および子局に関する。

配電線の事故のうち、たとえば、地絡事故は、落雷、ケーブルの劣化、樹木の接触、鳥獣の接触などが原因となって引き起こされる。これらの原因のうち落雷などを除いて、地絡事故は突然発生するものではなく、事故発生に先立って僅かな漏洩電流が流れる予兆現象が生じることが多い。したがって、事故の予兆を検知することができれば、配電線の事故が実際に発生する前に保守作業ができる。

特許第４１４２６０８号公報（特許文献１）は、樹木接触による予兆を検知する方法の一例を開示する。具体的にこの文献によれば、配電線の適切な箇所に配備した複数の子局において、設定された周期ごとに、零相電圧の大きさ、零相電流の大きさ、および零相電圧と零相電流との位相差が測定される。中央監視システムは、これらの検出値を、ネットワーク通信を介して各子局から受信し、これらの検出値に数分から数十分にわたる単調増加または単調減少の時間的変化がある場合に、配電線に樹木接触があると判定する。

また、事故の予兆に関するものではないが、特開平１１－１４２４６６号公報（特許文献２）は、実際に地絡事故が発生したときの事故波形に基づいて事故原因を推定する方法を開示する。具体的にこの文献によれば、地絡事故発生時の零相電圧波形および零相電流波形を多観点から波形解析し、得られた複数の解析値が学習済のニューラルネットワークモデルに入力される。この結果、故障相が特定されるとともに事故原因の推定結果が出力される。

特許第４１４２６０８号公報 特開平１１－１４２４６６号公報

人工知能を用いて事故予兆検知システムを構築する場合、機械学習のために大量の学習用データを収集する必要がある。しかし、学習用データの収集には次のような課題がある。

具体的に、上記の特開平１１－１４２４６６号公報（特許文献２）に開示されているような事故原因推定システムの場合には、事故発生のタイミングで波形データを収集できるのに対し、事故発生前の予兆現象の場合には、波形データを収集するタイミングを決定し難い。零相電圧および零相電流に含まれる事故の予兆は微弱なものであり、配電系統の正常な運用による波形変化と比較して区別し難いため、信号レベルの変化をトリガとするのは困難であるからである。一方、配電線に設けられた複数の子局で零相電流および零相電流の波形データを常時計測し、計測した波形データを親局へ常時送信して監視する方法も考えられるが、トラフィックの増大を招くので現実的でない。

本開示は、上記の問題点を考慮してなされたものであり、ある局面における目的は、学習用データを効率良く収集することにより精度の良い事故の予兆の検知を可能にする、配電線の事故予兆検知システムを提供することである。

一実施形態による事故予兆検知システムは、配電線に設けられた複数の子局と、複数の子局に通信回線を介して接続された親局とを備える。複数の子局の各々は、事故の予兆が生じている電気量の波形データを含む学習用データから生成された学習済モデルに、配電線で計測された電気量の波形データまたはその１つ以上の特徴量を入力することにより、事故の予兆の有無を推論する推論装置を含む。複数の子局の各々は、事故の予兆が生じていると推論装置が推論した場合に、波形データを親局に送信する。親局は、学習済モデルを生成するための学習装置を含む。親局は、少なくとも１つの子局の推論装置が事故の予兆が生じていると推論しかつ配電線に実際に不具合がある場合に、上記の少なくとも１つの子局から受信した波形データまたはその１つ以上の特徴量を、学習済モデルの更新用の学習用データに含める。学習装置は、更新用の学習用データを用いて学習済モデルを更新し、更新された学習済モデルを複数の子局に配信する。

上記の実施形態によれば、配電線で計測された電気量の波形データに基づいて少なくとも１つの子局の推論装置が事故の予兆が生じていると推論し、かつ、配電線に実際に不具合がある場合に、親局は、上記の波形データまたはその１つ以上の特徴量を、学習済モデルの更新用の学習用データに含める。これにより、学習済モデルを更新するための学習用データを効率良く収集できるので、精度の良い事故の予兆の検知を可能にする配電線の事故予兆検知システムを提供できる。

実施の形態１の事故予兆検知システムが適用される配電系統の構成を概念的に示すブロック図である。 図１の親局の構成の一例を示すブロック図である。 図２の制御用計算機および学習装置のハードウェア構成の一例を示すブロック図である。 事故予兆検知システムの動作を説明するための機能ブロック図である。 学習用データの一例を説明するための図である。 ３層のニューラルネットワークの例を示す図である。 親局および子局の時系列動作の一例を示すタイミング図である。 親局および子局の時系列動作の他の例を示すタイミング図である。 学習装置による学習処理の処理手順を示すフローチャートである。 推論装置による推論処理の処理手順を示すフローチャートである。 実施の形態２の事故予兆検知システムにおいて、学習装置による学習処理の処理手順を示すフローチャートである。 実施の形態２の事故予兆検知システムにおいて、推論装置による推論処理の処理手順を示すフローチャートである。 実施の形態３の事故予兆検知システムにおいて、事故に至る箇所が存在する可能性が高い区間を推定する方法を説明するための図である。 事故に至る箇所が存在する可能性が高い区間を推定する手順の一例を示すフローチャートである。 子局のハードウェア構成の一例を示す図である。

以下、各実施の形態について図面を参照して詳しく説明する。なお、同一または相当する部分には同一の参照符号を付して、その説明を繰り返さない。

実施の形態１．
［配電系統および事故予兆検知システムの概念図］
図１は、実施の形態１の事故予兆検知システムが適用される配電系統の構成を概念的に示すブロック図である。図１の配電系統１は、事故予兆検知システム２の説明のために実際の配電系統が簡略化されたものである。

図１を参照して、配電系統１は、配電用変電所１０に設けられた母線１２と、母線から遮断器（ＣＢ）１４を介して引き出された複数の配電線１３と、各配電線１３に互いに間隔をあけて配置された複数の区分開閉器１５とを含む。各区分開閉器１５の両端には、変成器１６，１７が設けられている。変成器１６，１７の各々は、電圧変成器（ＶＴ：Voltage Transformer）と電流変成器（ＣＴ：Current Transformer）とを含む。母線１２は、変圧器１１を介して送電線に接続される。

事故予兆検知システム２は、配電線１３で計測された電気量の波形データ（たとえば、零相電圧または零相電流の波形データ）に基づいて、配電線１３の事故の予兆を検知する。図１に示すように、事故予兆検知システム２は、配電線１３の複数箇所に互いに間隔をあけて配置された子局６０と、各子局６０と通信回線２１を介して接続された親局３０とを含む。親局３０は、配電系統１を監視および制御するための拠点施設２０に設けられる。通信回線２１は、有線であっても無線であってもよく、たとえば、光ファイバ通信回線が用いられる。

本実施の形態の場合には、事故予兆検知システム２の子局６０および親局３０は、配電自動化システム３の子局６０および親局３０を兼ねている。配電自動化システム３の基本機能は、配電系統１の各区分開閉器１５を遠隔で監視および制御することである。したがって、図１の事故予兆検知システム２では、各子局６０は区分開閉器１５に個別に対応して設けられている。なお、事故予兆検知システム２は、配電自動化システム３とは別個のシステムとして構成されていてもよい。

［親局の構成例］
図２は、図１の親局の構成の一例を示すブロック図である。図２を参照して、親局３０は、通信装置３１と、制御用計算機３２，３３と、学習装置３４と、学習済モデル記憶部３５と、波形データ記憶部３６とを含む。これらの構成要素は、ネットワーク３７を介して相互に接続される。

通信装置３１は、図１の多数の通信回線２１と接続される。通信装置３１は、制御用計算機３２または３３の命令に従って、通信回線２１を介して各子局６０との間で通信を行う。

制御用計算機３２，３３は、配電自動化システム３としての機能を実現するために設けられている。制御用計算機３２は通常運転用に設けられ、制御用計算機３３は制御用計算機３２が故障したときのために待機用として設けられている。制御用計算機３２，３３は、変成器１６，１７によって検出された電圧および電流の基本波成分の実効値、周波数、および電力などの検出値を、子局６０から取得する。さらに、制御用計算機３２，３３は、子局６０を介して区分開閉器１５の開閉状態を制御する。

学習装置３４は、配電線１３の事故予兆を検知するための学習済モデルを生成する。学習済モデル記憶部３５は、生成された学習済モデルを記憶する。波形データ記憶部３６は、配電線１３の電圧の瞬時値データまたは電流の瞬時値データから生成された電気量の波形データ（たとえば、零相電圧または零相電流の波形データ）、およびその波形データに関連する情報を記憶する。電気量の波形データは、学習装置３４において機械学習のために用いられる。

図３は、図２の制御用計算機および学習装置のハードウェア構成の一例を示すブロック図である。図３を参照して、制御用計算機３２，３３および学習装置３４の各々は、少なくとも１つのＣＰＵ（Central Processing Unit）４０と、少なくとも１つのＲＡＭ（Random Access Memory）４１と、少なくとも１つの不揮発性メモリ４２と、少なくとも１つの記憶装置４３と、表示装置４４と、入力装置４５と、ネットワークインターフェイス４６とを含む。これらの要素は、バス４７を介して相互に接続される。

ＣＰＵ４０は、不揮発性メモリ４２または記憶装置４３に格納されたプログラムを実行する。プログラムは、非一時的な記憶媒体に格納されて提供されてもよいし、ネットワークを介して提供されてもよい。ＣＰＵ４０は汎用のプロセッサであってもよいし、特定の目的に専用のプロセッサであってもよい。ＣＰＵ４０に代えて、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field Programmable Gate Array）を用いてもよいし、これらのうちのいずれかの組み合わせを用いてもよい。

ＲＡＭ４１は、ＣＰＵ４０のワークメモリとして用いられ、不揮発性メモリ４２および記憶装置４３は、プログラムおよびデータを格納する。ＲＡＭ４１として、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などが用いられる。不揮発性メモリ４２として、たとえば、マスクＲＯＭ（Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）、ＮＯＲフラッシュメモリ、またはＮＡＮＤフラッシュメモリなどが用いられる。

記憶装置４３として、たとえば、ハードディスクまたはＳＳＤ（Solid State Drive）などが用いられる。図２の学習済モデル記憶部３５および波形データ記憶部３６は、学習装置３４に含まれる記憶装置４３として構成されていてもよい。

表示装置４４はオペレータに情報を表示し、入力装置４５はオペレータからの入力を受け付ける。表示装置４４は、たとえば、液晶ディスプレイまたは有機ＥＬ（Electro Luminescence）ディスプレイなどのディスプレイを含む。入力装置４５は、たとえば、操作ボタン、切り替えスイッチ、キーボード、マウスなどを含む。表示装置４４および入力装置４５は、これらが一体化されたタッチスクリーンとして構成されていてもよい。制御用計算機３２，３３および学習装置３４の各々の表示装置４４および入力装置４５は、共通化されていてもよい。

ネットワークインターフェイス４６は、図２のネットワーク３７と接続するためのインターフェイス回路である。

なお、子局６０の構成例については、図１５を参照して後述する。子局６０のハードウェア構成は、配電自動化システム３の開閉器子局のハードウェア構成とほぼ同様の構成としてもよいし、図１５に示すようにさらに拡張した構成としてもよい。

［事故予兆検知システムの動作］
以下、図４～図１０を参照して事故予兆検知システム２の動作について説明する。以下に示すように、本実施形態の事故予兆検知システム２の特徴の１つは、学習済モデルを用いた推論装置によって、事故の予兆を示している波形データを判別することによって、学習済モデルを更新するための学習用データを効率良く収集できる点にある。

（事故予兆検知システムの動作の概要）
図４は、事故予兆検知システムの動作の概要を説明するための機能ブロック図である。事故予兆検知システム２は、親局３０に設けられた学習装置３４、学習済モデル記憶部３５、および波形データ記憶部３６と、子局６０に設けられた推論装置６１および学習済モデル記憶部６２とを備える。

親局３０の学習装置３４は、配電線１３において計測された電気量の波形データ５３のうち事故予兆が含まれている波形データ５３および／またはその１つ以上の特徴量と、対応する事故予兆の原因５４（すなわち、正解データ）との組み合わせを含む学習用データに基づいて、学習済モデル５５を生成する。

ここで、電気量の波形データ５３として、たとえば、零相電圧または零相電流の少なくとも一方の波形データが用いられる。波形データの特徴量は、たとえば、波形データ５３に対してフーリエ変換、ウェーブレット変換、パターン認識などの処理を行うことにより抽出される。特徴量は、学習装置３４による学習精度を向上させ、推論装置６１による推論精度を向上させるように選択され、上記の例に限定されるものではない。事故予兆の原因５４は、たとえば、ケーブルの絶縁不良、碍子不良、変圧器不良、金属接触、樹木接触、鳥獣接触などのうち少なくとも１つを含む。

学習用データは、波形データ５３および／またはその１つ以上の特徴量と、配電線１３が正常である（すなわち、事故予兆無し）という確認結果との組み合わせを含むほうが望ましい。開閉器の開閉などの配電系統の運用または負荷の変動などにより、配電線１３には平常時であっても零相電流が発生している場合があるからである。学習用データに平常時の波形データを含ませることによって、事故予兆の検知精度を高めることができる。また、本開示に関係する多クラス分類問題の場合には、事故が発生していないという認識結果もあったほうが望ましい。特に出力層においてソフトマックス関数を使用することにより各事故原因の発生確率を出力する場合には、事故予兆が発生していないという分類が必要である。

親局３０は、生成された学習済モデル５５を学習済モデル記憶部３５に格納するとともに各子局６０に配信する。

なお、学習済モデル５５は、事故予兆の原因まで特定できるもののほうが望ましいが、単に配電線１３の事故予兆の有無を推定できるものでもよい。特に、学習が進んでいない初期段階では、事故予兆の有無のみを出力できる学習済モデル５５であってもよい。この場合、学習装置３４は、配電線１３において計測された電気量の波形データ５３および／またはその１つ以上の特徴量と、対応する事故予兆の発生の有無（正解データ）との組み合わせを含む学習用データに基づいて、学習済モデル５５を生成する。

各子局６０は、配信された学習済モデル５５を学習済モデル記憶部６２に格納する。さらに、各子局６０の推論装置６１は、配信された学習済モデル５５に、配電線１３において計測された電気量の波形データ５３またはその１つ以上の特徴量を入力することにより、配電線１３における事故の予兆の有無および事故の予兆の原因を推論する。少なくとも１つの子局６０の推論装置６１が事故の予兆が生じていると推論した場合に（すなわち、ある事故の予兆の原因が生じている確率が高い場合に）、当該少なくとも１つの子局６０は、推定される予兆の原因を表す推論結果６６を親局３０の制御用計算機３２に送信する。さらにこの場合に、当該少なくとも１つの子局６０は、事故の予兆が生じていると推定される波形データ５３を親局３０に送信する。

親局３０の制御用計算機３２は、少なくとも１つの子局６０から推論結果６６を受信した場合、当該子局６０の識別標識と受信した推論結果６６とを表示装置４４に表示することにより、オペレータに通知する。さらに、親局３０は、受信した波形データ５３とその波形データ５３に関連する情報とを、波形データ記憶部３６に格納する。波形データ５３の関連情報は、たとえば、当該波形データ５３の識別番号（ＩＤ）、当該波形データ５３を取得した子局の識別番号（ＩＤ）、および当該波形データ５３が検出された日時などを含む。

オペレータは、作業員の保守作業によって事故の予兆の原因５４が実際に生じていると判明した場合に、制御用計算機３２にその事実を入力する。この入力に基づいて、制御用計算機３２は、波形データ記憶部３６に記憶されている波形データ５３に、判明した事故の予兆の原因５４を対応付ける。この結果、学習済モデルの更新に使用するための学習用データに、上記の波形データ５３と事故の予兆の原因５４との組み合わせが追加される。学習装置３４は、学習用データが蓄積されると、追加の学習を実行することにより学習済モデル５５を更新する。親局３０は、更新された学習済モデル５５を学習済モデル記憶部３５に格納するとともに、各子局６０に配信する。

（学習用データの具体例）
図５は、学習用データおよびその関連情報の一例を説明するための図である。図５の（Ａ）は、学習用データおよび関連情報の一例を表形式で説明するための図である。図５の（Ｂ）および（Ｃ）は、図５（Ａ）のＩＤ００１に対応する波形データの例を示す図である。

図５を参照して、波形データ記憶部３６に格納される学習用データおよび関連情報は、波形データＩＤと、波形データＩＤに対応する波形データと、事故予兆原因と、子局ＩＤと、検知日時とを含む。たとえば、波形データＩＤ００１の波形データは、図５（Ｂ）に示すＩＤ００１－Ｖ０の零相電圧データと、図５（Ｃ）に示すＩＤ００１－Ｉ０の零相電流データとを含む。これらの波形データは、検出日時ＸＸＸＸ．ＸＸ．ＸＸ（すなわち、時刻ｔ１から時刻ｔ２の間）に子局ＩＤ＝Ｋ００１の子局において同時に検出されたものである。対応する事故予兆原因である「樹木接触」は、作業員の保守作業によって判明したものであり、オペレータによって波形データの検出時刻よりも後に入力されたものである。

（学習装置および推論装置の詳細な機能的構成例）
以下、学習装置３４および推論装置６１のさらに詳細な機能的構成例について説明する。図４を参照して、より詳細には、学習装置３４は、特徴量計算部５０と、データ取得部５１と、モデル生成部５２とを備える。

特徴量計算部５０は、波形データ５３の１つ以上の特徴量を計算する。たとえば、特徴量計算部５０は、零相電圧および零相電流の瞬時値の波形データ５３の入力を受け、入力された波形データ５３に対してフーリエ変換、ウェーブレット変換、パターン認識などの処理を行うことにより特徴量を抽出する。

データ取得部５１は、波形データ５３の１つ以上の特徴量と、波形データ５３に対応する正解データとしての事故予兆の原因５４とを、学習用データとして取得する。

モデル生成部５２は、データ取得部５１から出力される波形データ５３の１つ以上の特徴量と、事故予兆の原因５４（すなわち、正解）とから作成される学習用データに基づいて、事故予兆の原因を学習する。すなわち、モデル生成部５２は、事故予兆の原因５４と、当該事故予兆の原因５４が生じたときに配電線１３において計測された波形データ５３の１つ以上の特徴量とから、新たに計測された波形データ５３の１つ以上の特徴量の入力に対して事故予兆の原因の発生確率を推論結果６６として出力する学習済モデル５５を生成する。ここで、学習用データは、波形データ５３の１つ以上の特徴量と事故予兆の原因５４（すなわち、正解）とを互いに関連付けたデータである。

モデル生成部５２が用いる学習アルゴリズムは、教師有り学習の公知のアルゴリズムを用いることができる。一例として、ニューラルネットワークを適用した場合について説明する。

モデル生成部５２は、たとえば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、事故予兆の原因を学習する。ここで、教師あり学習とは、入力と結果（すなわち、ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、および複数のニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。

図６は、３層のニューラルネットワークの例を示す図である。図６に示すニューラルネットワークは、入力層Ｘ１～Ｘ３と、中間層Ｙ１，Ｙ２と、出力層Ｚ１～Ｚ３とを含む。複数の入力が入力層Ｘ１～Ｘ３に入力されると、その値に重みＷ１（Ｗ１１～Ｗ１６）が乗算され、乗算結果が中間層Ｙ１，Ｙ２に入力される。中間層Ｙ１，Ｙ２の各々では乗算結果が積算され、積算結果に活性化関数が施される。さらに、中間層Ｙ１，Ｙ２の演算結果に重みＷ２（Ｗ２１～Ｗ２６）が乗算され、乗算結果が出力層Ｚ１～Ｚ３に入力される。出力層Ｚ１～Ｚ３の各々では、乗算結果が積算され、積算結果に活性化関数が施される。したがって、出力層Ｚ１～Ｚ３の演算結果は、重みＷ１とＷ２の値によって変わる。

本開示が関係する多クラス分類問題の場合には、出力層Ｚ１～Ｚ３における活性化関数としてソフトマックス関数が一般に用いられる。たとえば、出力層Ｚ１～Ｚ３における各入力の積算結果をそれぞれｚ１，ｚ２，ｚ３とする。この場合、出力層Ｚｉ（ｉ＝１～３）におけるソフトマックス関数の値ｆｉは、
ｆｉ＝ｅｘｐ（ｚｉ）／［ｅｘｐ（ｚ１）＋ｅｘｐ（ｚ２）＋ｅｘｐ（ｚ３）］
と表される。したがって、ｆ１＋ｆ２＋ｆ３＝１となるので、ソフトマックス関数の出力を確率と解釈することができる。

出力層Ｚ１～Ｚ３においてソフトマックス関数を用いずに、出力層Ｚ１～Ｚ３における各入力の積算結果をそのまま出力してもよい（すなわち、出力層Ｚ１～Ｚ３における活性化関数は恒等関数であることを意味している）。この場合、出力の最も大きいニューロンに相当するクラスだけが認識結果となる。ソフトマックス関数に含まれる指数関数の計算はオーバーフローの問題を伴うので、ソフトマックス関数の計算は省略される場合がある。

図４のモデル生成部５２において、ニューラルネットワークは、データ取得部５１によって取得される波形データ５３の１つ以上の特徴量と事故予兆の原因５４（すなわち、正解）との組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、事故予兆の原因ごとの発生確率を学習する。すなわち、ニューラルネットワークは、入力層Ｘ１～Ｘ３に波形データ５３の１つ以上の特徴量を入力して出力層Ｚ１～Ｚ３から出力された結果が、事故予兆の原因５４（すなわち、正解）に近づくように重みＷ１とＷ２を調整することにより学習する。

たとえば、図６の出力層において、出力層Ｚ１を樹木接触、出力層Ｚ２を鳥獣接触、出力層Ｚ３を事故予兆無しとする。ここで、樹木接触が生じている場合の波形データに基づく特徴量を入力層Ｘ１～Ｘ３に入力した場合の正解データは、出力層Ｚ１の出力＝１、出力層Ｚ２，Ｚ３の出力＝０である。

なお、上記において特徴量計算部５０を設けない構成であってもよい。この場合、学習用データは、波形データ５３（たとえば、零相電圧および零相電流の波形データ）と事故予兆の原因５４（正解）とを互いに関連付けたデータである。

また、モデル生成部５２に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep Learning）を用いることもできる。他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

モデル生成部５２は、以上のような学習を実行することにより、学習済モデル５５を生成して出力する。学習済モデル記憶部３５，６２は、モデル生成部５２から出力された学習済モデルを記憶する。

再び図４を参照して、推論装置６１は、特徴量計算部６３と、データ取得部６４と、推論部６５とを備える。

特徴量計算部６３は、配電線１３において計測された電気量の波形データ５３３（たとえば、零相電圧および零相電流の波形データ）から、学習装置３４の特徴量計算部５０と同じ１つ以上の特徴量を抽出する。

データ取得部６４は、特徴量計算部６３において抽出された１つ以上の特徴量を取得する。

推論部６５は、学習済モデル５５を利用して得られる１つ以上の事故予兆の原因を推論する。すなわち、推論部６５は、データ取得部６４で取得した波形データ５３の１つ以上の特徴量を、学習済モデル５５に入力することにより、波形データ５３から推論される事故予兆の原因ごとの発生確率を出力する。推論する事故予兆原因は１つとは限らない。事故予兆の原因の発生確率が閾値を超えている場合には、子局６０は、推論部６５から出力された推論結果６６を、親局３０の制御用計算機３２に送信する。さらにこの場合、子局６０は、特徴量計算部６３に入力された波形データ５３およびその関連情報を、親局３０の波形データ記憶部３６に送信する。上記の閾値は、親局３０から設定変更可能である。

なお、学習装置３４に特徴量計算部５０が設けられていない場合には、推論装置６１にも特徴量計算部６３が設けられていない。この場合、推論装置６１は、データ取得部６４で取得した波形データ５３（たとえば、零相電圧および零相電流の波形データ）を、学習済モデル５５に入力する。

（事故予兆検知システムの動作例）
図７は、親局および子局の時系列動作の一例を示すタイミング図である。図７を参照して、まず、親局３０は、初期学習済モデル５５Ａを子局６０に配信する。

なお、初期学習済モデル５５Ａを生成する場合の学習用データは、配電線１３において計測された電気量の波形データ５３に基づくものでなくてもよい。たとえば、事故予兆の原因５４が生じたときの配電線１３における零相電圧および零相電流の波形をシミュレーションによって求め、このシミュレーション波形の１つ以上の特徴量を学習用データとしてもよい。もしくは、実物の配電線１３を用いた実験によって検出された零相電圧および零相電流の波形データおよび／またはその波形データに基づく１つ以上の特徴量を学習用データとしてもよい。

子局６０の推論装置６１は、判定周期ごとに定期的に、配電線１３において計測された電気量の波形データ５３（たとえば、零相電圧および零相電流の波形データ）に基づいて事故予兆の原因５４の発生確率を計算する。事故予兆に基づく異常波形は急変するものでないので、判定周期は、たとえば、１００ミリ秒から１時間の範囲で任意に設定される。

推論装置６１は、事故の予兆の発生を検知した場合、すなわち、ある事故の予兆の原因５４の発生確率が閾値を超えた場合、推論結果６６を親局３０の制御用計算機３２に出力する。この場合、さらに子局６０は、対応する波形データ５３およびその関連情報を親局３０の波形データ記憶部３６に送信する。波形データ記憶部３６は、受信した波形データ５３およびその関連情報を格納する。

図７の場合、時刻ｔ１，ｔ２，ｔ３において事故予兆が検知される。事故予兆が検知される度に、子局６０の推論装置６１は、推論結果６６を親局３０に通知するとともに、波形データ５３を親局３０に送信する。保守作業により事故予兆の原因５４が除去されるか、事故予兆の原因５４が自然消滅するまでは、基本的に、上記の通知およびデータ送信が繰り返されることになる。

なお、同一の事故予兆の原因５４が検出されているため、波形データ５３の１つ以上の特徴量にほとんど違いがない場合には、親局３０に対して事故予兆の通知および波形データ５３を毎回送信する必要はない。この場合に、通知およびデータ送信を毎回行うか否かは設定により変更可能にしてもよい。

図７の場合、時刻ｔ４において、作業員の保守作業によって事故予兆の原因が除去されたとする。制御用計算機３２は、オペレータの入力に基づいて、実際の事故予兆の原因を、波形データ記憶部３６に格納された波形データ５３に対応付ける。これにより、追加の学習用データに、波形データ５３の１つ以上の特徴量と事故予兆の原因５４とのセットを含めることができる。

その後、波形データ記憶部３６に格納されている多数の波形データ５３と、それぞれ対応付けられた事故予兆の原因５４とに基づいて、親局３０の学習装置３４は、追加の学習を行うことにより、初期学習済モデル５５Ａを更新する。学習装置３４は、更新された学習済モデル５５Ｂを子局６０に配信する。

図８は、親局および子局の時系列動作の他の例を示すタイミング図である。図８に示す例では、親局３０は、指定した子局６０に対して任意のタイミングで、配電線１３において計測された波形データ５３の送信を要求できる。この場合、子局６０は、親局３０から受信した送信要求に応答して、推論装置６１の推論結果とは無関係に、配電線１３で計測された電気量の波形データ５３を親局３０に送信する。

具体的に図８を参照して、作業員の保守作業により事故予兆の原因が除去された時刻ｔ１２よりも前の時刻ｔ１１と、時刻ｔ１２よりも後の時刻ｔ１３において、子局６０は、波形データ５３の送信要求を親局３０から受信する。子局６０は、親局３０からの要求に応答して波形データ５３およびその関連情報を親局３０に送信する。親局３０の波形データ記憶部３６は、受信した波形データ５３およびその関連情報を波形データ記憶部３６に格納する。

ここで、親局３０は、事故予兆の原因５４を除去した時刻ｔ１２よりも前に受信した波形データ５３の１つ以上の特徴量と、時刻ｔ１２よりも後に受信した波形データ５３の１つ以上の特徴量とに違いがあれば、事故予兆の原因５４を時刻ｔ１２よりも前に受信した波形データ５３に対応付ける。これにより、追加の学習用データに、時刻ｔ１２よりも前に親局３０が受信した波形データ５３の１つ以上の特徴量と対応する事故予兆の原因５４とのセットを含めることができる。この場合、追加の学習用データに、さらに、時刻ｔ１２よりも後に受信した波形データ５３の１つ以上の特徴量と事故予兆無しという判定結果とのセットを含めることができる。図８のその他の点は図７の場合と同様であるので、説明を繰り返さない。

また、作業員が定期的に巡回検査を行った場合に、親局３０は、巡回検査の結果として異常が無かった箇所に設けられている子局６０に対して、計測された波形データ５３の送信を要求してもよい。これによって、親局３０は、事故予兆無しという判定結果に対応付けられた波形データ５３を収集できる。

（学習装置および推論装置の処理手順の一例）
以下、図４、図９および図１０を参照してこれまでの説明を総括して、学習装置３４および推論装置６１の処理手順について説明する。

図９は、学習装置による学習処理の処理手順を示すフローチャートである。

ステップＳ１０において、データ取得部５１は、配電線１３において計測された電気量の波形データ５３（たとえば、零相電圧および零相電流の瞬時値データからなる波形データ）またはその１つ以上の特徴量を、入力データとして取得する。さらに、データ取得部５１は、波形データ５３に対応する事故予兆の原因５４を、教師データとして取得する。

なお、データ取得部５１は、波形データ５３またはその１つ以上の特徴量と事故予兆の原因５４とを関連付けて取得すればよい。したがって、データ取得部５１は、波形データ５３またはその１つ以上の特徴量と事故予兆の原因５４とを同時に取得してもよいし、別々のタイミングで取得してもよい。

次のステップＳ２０において、モデル生成部５２は、データ取得部５１によって取得された波形データ５３またはその１つ以上の特徴量と事故予兆の原因５４（正解）との組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、事故予兆の原因を学習し、学習済モデル５５を生成する。

その次のステップＳ３０において、学習済モデル記憶部３５は、モデル生成部５２が生成した学習済モデル５５を記憶する。

その次のステップＳ４０において、親局３０は、モデル生成部５２によって生成された学習済モデル５５を、各子局６０に配信する。なお、ステップＳ３０とステップＳ４０とはどちらを先に実行してもよいし、並行して実行してもよい。

次に、推論装置６１を用いて事故予兆の原因の推論結果を得るための処理手順を説明する。図１０は、推論装置による推論処理の処理手順を示すフローチャートである。

ステップＳ１１０において、データ取得部６４は、配電線１３において計測された電気量の波形データ５３（たとえば、零相電圧および零相電流の瞬時値の波形データ）またはその１つ以上の特徴量を、入力データとして取得する。

次のステップＳ１２０において、推論部６５は、学習済モデル記憶部６２に格納された学習済モデル５５に波形データ５３またはその１つ以上の特徴量を入力し、事故予兆の原因ごとの発生確率を得る。

その次のステップＳ１３０において、推論部６５は、事故予兆の原因ごとの発生確率のいずれかが予め定められた閾値を超えているか否かを判定する。なお、学習済モデル５５が更新された場合に、更新前と同じ値かより高い値に閾値を変更してもよい。

ある事故予兆の原因の発生確率が閾値を超えている場合（ステップＳ１３０でＹＥＳ）、推論部６５は、処理をステップＳ１４０に進める。ステップＳ１４０において、子局６０は、推論結果６６（すなわち、事故予兆の原因の発生確率）と、対応する波形データ５３とを親局３０に送信する。

［実施の形態１の効果］
以上のとおり、実施の形態１の事故予兆検知システム２によれば、各子局６０で計測した電気量の波形データ５３（たとえば、零相電流および零相電圧の瞬時値の波形データ）またはその１つ以上の特徴量と、対応する事故予兆の原因５４（すなわち、正解）との組み合わせに基づいて、親局３０の学習装置３４において学習済モデル５５が生成される。各子局６０は、親局３０から配信された学習済モデル５５に基づいて、事故予兆の検知を行う。したがって、子局６０では、親局３０の計算機のような高い処理性能および大きなメモリ容量を必要とすることはないので、子局６０のコストを低減できる。

ここで、各子局６０は、事故予兆を検知する度に、推論装置６１の推論結果とともに対応する波形データ５３を親局３０送信する。親局３０は、子局６０から受信した波形データ５３またはその１つ以上の特徴量と、対応する実際の事故予兆の原因５４とを含む更新用学習用データに基づいて、学習済モデル５５に対して追加の学習を行うことができる。このように、更新用の学習用データを効率良く収集できるとともに、更新された学習済モデル５５Ｂを用いることによってより精度の高い事故予兆が実現できる。

また、事故の予兆が検知されているとき、および、親局３０が要求した場合にのみ、各子局６０から親局３０へ波形データ５３が送信されるので、通信回線２１におけるトラフィックの増大を防止できる。

実施の形態２．
実施の形態２の事故予兆検知システム２では、子局６０において配電線１３の事故予兆が検知されてから事故発生に至るまでの時間（または日数）を予測する。このように事故予兆の検知から事故発生に至るまでの時間を予測可能にするために、実施の形態１の場合と異なる追加の学習用データが作成される。以下、図面を参照して具体的に説明する。実施の形態１のその他の点については実施の形態２においてもほぼ同様であるので説明を繰り返さない。なお、実施の形態２は実施の形態１に組み合わせることができる。

図１１は、実施の形態２の事故予兆検知システムにおいて、学習装置による学習処理の処理手順を示すフローチャートである。

ステップＳ２１０において、データ取得部５１は、配電線１３において複数の計測時に計測された同一の事故に対応する複数の波形データ５３（たとえば、零相電圧および零相電流の瞬時値データからなる波形データ）または各波形データ５３の１つ以上の特徴量を、入力データとして取得する。さらに、データ取得部５１は、各波形データ５３の計測時から実際に事故が発生するまでの時間を、教師データとして取得する。

次のステップＳ２２０において、モデル生成部５２は、データ取得部５１によって取得された事故の予兆を含む波形データ５３またはその１つ以上の特徴量と、事故の予兆から事故発生に至るまでの時間（すなわち、正解）との組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、事故が発生するまでの時間を学習し、学習済モデル５５を生成する。

その次のステップＳ２３０において、学習済モデル記憶部３５は、モデル生成部５２が生成した学習済モデル５５を記憶する。

その次のステップＳ２４０において、親局３０は、モデル生成部５２によって生成された学習済モデル５５を、各子局６０に配信する。なお、ステップＳ２３０とステップＳ２４０とはどちらを先に実行してもよいし、並行して実行してもよい。

次に、推論装置６１を用いて、事故予兆を含む波形データ５３を計測してから実際に事故が発生するまでの時間の推定値を得るための処理手順を説明する。図１２は、実施の形態２の事故予兆検知システムにおいて、推論装置による推論処理の処理手順を示すフローチャートである。

ステップＳ３１０において、データ取得部６４は、配電線１３において計測された電気量の波形データ５３（たとえば、零相電圧および零相電流の瞬時値データからなる波形データ）またはその１つ以上の特徴量を、入力データとして取得する。

次のステップＳ３２０において、推論部６５は、学習済モデル記憶部６２に格納された学習済モデル５５に波形データ５３またはその１つ以上の特徴量を入力する。この場合の学習済モデル５５は、実施の形態１で説明した事故予兆の原因を推論するものと、上記で説明した事故発生までの時間を推論するものとの両方を含む。この結果、推論部６５は、事故予兆の原因ごとの発生確率と、事故予兆の原因ごとの事故発生までの時間とを得る。

その次のステップＳ３３０において、推論部６５は、事故予兆の原因ごとの発生確率が予め定められた閾値を超えているか否かを判定する。

ある事故予兆の原因の発生確率が閾値を超えている場合（ステップＳ３３０でＹＥＳ）、推論部６５は、処理をステップＳ３４０に進める。ステップＳ３４０において、子局６０は、推論結果６６（すなわち、事故予兆の原因の発生確率および事故発生までの時間の推定値）と、対応する波形データ５３とを親局３０に送信する。

上記のとおり、実施の形態２の事故予兆検知システム２によれば、実施の形態１の場合の作用効果に加えて、事故発生までの時間（または日数）の推定値を得ることができる。これにより、オペレータは、事故発生に至る前の時点において、配電線１３の不具合の箇所のダメージの程度を知ることができる。

実施の形態３．
実施の形態３の事故予兆検知システム２では、各子局６０から受信した推論結果６６に基づいて、事故に至る箇所が存在する可能性が高い区間を推定する手順について説明する。実施の形態３の事故予兆検知システム２のハードウェア構成、および上記の事故区間推定機能を除く事故予兆検知システム２の機能的構成は、実施に形態１の場合と同様であるので説明を繰り返さない。実施の形態３は、実施の形態１，２と組み合わせることができる。

図１３は、実施の形態３の事故予兆検知システムにおいて、事故に至る箇所が存在する可能性が高い区間を推定する方法を説明するための図である。図１３の説明図は、図１に対応するものであり、配電線１３Ａに対応する部分のみ詳しく記載されている。

図１３に示すように、配電線１３Ａには、母線１２および遮断器１４Ａに近い方から、区分開閉器１５Ａ～１５Ｅが順に設けられる。区分開閉器１５Ａ～１５Ｅにそれぞれ対応して、変成器１６Ａ～１６Ｅ、変成器１７Ａ～１７Ｅ、および子局６０Ａ～６０Ｅが設けられる。

ここで、子局６０Ｂおよび子局６０Ｃは、同一の事故予兆の原因５４を検知したという推論結果を親局３０に送信し、子局６０Ａ，６０Ｄ，６０Ｅは事故予兆を検知していないとする。この場合、区分開閉器１５Ｂと区分開閉器１５Ｃとの間の区間およびその両側近傍で、配電線１３Ａに不具合があること、すなわち、事故に至る箇所が存在する可能性が高いことが推定される。

さらに、樹木接触などの原因によって微地絡現象が生じている場合には、零相電圧と零相電流との位相差から地絡電流の方向を推定できる。これによって、事故予兆現象の発生箇所をさらに精度良く特定できる。

たとえば、図１３の子局６０Ｂによって検出された零相電圧および零相電流の位相差から推定された地絡電流の方向が、区分開閉器１５Ｂから区分開閉器１５Ｃの方向であったとする。さらに、図１３の子局６０Ｃによって検出された零相電圧および零相電流の位相差から推定された地絡電流の方向が、区分開閉器１５Ｃから区分開閉器１５Ｂの方向であったとする。この場合、親局３０は、区分開閉器１５Ｂと区分開閉器１５Ｃとの間の区間で微地絡現象が生じていると推定できる。

図１４は、事故に至る箇所が存在する可能性が高い区間を推定する手順の一例を示すフローチャートである。図１４を参照して、親局３０の制御用計算機３２は、複数の子局６０から推論結果６６を受信した場合に（ステップＳ４１０でＹＥＳ）、処理を次に進める。

次にステップＳ４２０において、制御用計算機３２は、互いに隣接する子局６０から、同一の原因の事故の予兆が生じているという推論結果を受信したか否かを判定する。同一の原因の事故の予兆が生じているという推論結果を受信していない場合（ステップＳ４２０でＮＯ）、制御用計算機３２は処理を終了する。

一方、制御用計算機３２は、互いに隣接する子局６０から、同一の原因の事故の予兆が生じているという推論結果を受信した場合、当該隣接する子局６０の間の配電線１３の区間で、当該事故予兆の原因５４により事故に至る可能性が高いと判定する。

以上のとおり、実施の形態３の事故予兆検知システム２によれば、親局３０において事故に至る可能性が高い配電線１３の区間を特定できる。したがって、保守作業員が、配電線１３の不具合の箇所の探索する作業の効率化に寄与できる。

実施の形態４．
実施の形態４の事故予兆検知システム２では、子局６０のハードウェア構成の具体例について説明する。実施の形態４は、実施の形態１～３と組み合わせることができる。

［子局のハードウェア構成］
図１５は、子局のハードウェア構成の一例を示す図である。図１５を参照して、子局６０は、配電自動化システム３の開閉器子局として機能するためのＣＰＵ７０Ａ、フィルタ７１Ａ、Ａ／Ｄ変換器７２Ａ、ＲＡＭ７３Ａ、および不揮発性メモリ７４Ａと、事故予兆検知システム２の子局として機能するためのＣＰＵ７０Ｂ、フィルタ７１Ｂ、Ａ／Ｄ変換器７２Ｂ、ＲＡＭ７３Ｂ、および不揮発性メモリ７４Ｂとを備える。

上記のＲＡＭ７３ＡはＣＰＵ７０Ａのワークメモリとして用いられ、不揮発性メモリ７４ＡはＣＰＵ７０Ａで実行されるプログラムおよびＣＰＵ７０Ａで処理すべきまたは処理されたデータなどを格納する。同様に、ＲＡＭ７３ＢはＣＰＵ７０Ｂのワークメモリとして用いられ、不揮発性メモリ７４ＢはＣＰＵ７０Ｂで実行されるプログラムおよびＣＰＵ７０Ｂで処理すべきまたは処理されたデータなどを格納する。

さらに、子局６０は、事故予兆検知システム２と配電自動化システム３とで共用される入力変換器７５および通信装置７７と、区分開閉器１５と配電自動化システム３用のＣＰＵ７０Ａとの間に設けられる入出力インターフェイス（Ｉ／Ｆ）７６とを備える。ここで、入力変換器７５は、変成器１６，１７から入力される信号のレベル変換を行う。通信装置７７は、親局３０との間で通信回線２１を介して通信を行う。入出力インターフェイス７６は、ＣＰＵ７０Ａの指令に従って、区分開閉器１５の開閉状態を検出し、区分開閉器１５の開閉指令を出力する。入力変換器７５および通信装置７７は、事故予兆検知システム２と配電自動化システム３とで個別に設けられていても構わない。

ＣＰＵ７０Ａは、入力変換器７５、フィルタ７１Ａ、およびＡ／Ｄ変換器７２Ａを順に経由して電流データおよび電圧データの入力を受け、入出力インターフェイス７６を経由して区分開閉器１５の開閉状態の情報の入力を受ける。ＣＰＵ７０Ａは、これらの入力に基づいて、配電線１３における基本波成分の電流実効値、電圧実効値、周波数、および電力などの特徴量の値を算出し、配電線１３の事故の有無を判定するための演算を実行する。

ＣＰＵ７０Ａは、算出した基本波成分の特徴量および区分開閉器１５の開閉状態を親局３０に送信する。さらにＣＰＵ７０Ａは、親局３０から受信した区分開閉器１５の開閉指令に従って、区分開閉器１５を開閉するための信号を入出力インターフェイス７６に出力する。

配電自動化システム３用のフィルタ７１Ａの特性およびＡ／Ｄ変換器７２Ａのサンプリング周波数は、配電線１３の電圧および電流の基本波成分を抽出できるように設定される。また、Ａ／Ｄ変換器７２Ａは配電線１３の事故時の電流および電圧を測定する必要がある。したがって、Ａ／Ｄ変換器７２Ａの入力フルスケールは、定格電流および定格電圧の２０倍から４０倍の電流または電圧に対応する計測信号が入力可能なように定められる。

ＣＰＵ７０Ｂは、入力変換器７５、フィルタ７１Ｂ、およびＡ／Ｄ変換器７２Ｂを順に経由して電流データおよび電圧データの入力を受ける。ＣＰＵ７０Ｂは、これらの入力データと学習済モデル５５とを用いて、配電線１３の事故予兆を検知する。ＣＰＵ７０Ｂは、事故予兆の発生を検知した場合には、推定される事故予兆の原因を親局３０へ通知するとともに、事故予兆を検知した時点を含む期間の零相電流および零相電圧の波形データを親局３０に送信する。また、ＣＰＵ７０Ｂは、親局３０Ａからデータ送信要求を受けた場合にも、零相電流および零相電圧の波形データを親局３０に送信する。

ＣＰＵ７０Ｂは、零相電流および零相電圧の波形データに対して周波数解析および波形のパターン認識などを行うことにより特徴量の抽出を行う。したがって、フィルタ７１Ｂのフィルタ特性は、フィルタ７１Ａのフィルタ特性よりも広帯域にする必要があり、Ａ／Ｄ変換器７２Ｂのサンプリング周波数は、Ａ／Ｄ変換器７２Ａのサンプリング周波数よりも高周波数にする必要がある。事故発生前の予兆現象を精度良く検出する必要があるため、Ａ／Ｄ変換器７２Ｂの入力フルスケールは、定格電流および定格電圧の１．５倍から２倍程度の信号が検出可能なように設定される。したがって、ＣＰＵ７０Ｂでは、ＣＰＵ７０Ａに比べて２０倍高精度の計測が可能である。

また、ＣＰＵ７０Ｂは、親局３０から学習済モデル５５を受信した場合には、受信した学習済モデル５５を不揮発性メモリ７４Ｂに格納して、学習済モデル５５を更新する。

配電自動化システム３用のＣＰＵ７０Ａで実行される処理は、配電線の運用に必要となる計測制御に関わる処理であり、高いリアルタイム性と信頼性が要求される。したがって、ＣＰＵ７０Ａのハードウェアとして組み込み用のマイクロコントローラが用いられ、リアルタイムＯＳ（Operating System）が実装される。起動時間はミリ秒単位とするのが一般的である。

事故予兆検知システム２用のＣＰＵ７０Ｂでは、事故に至る予兆の進展の速度を考慮すると、ミリ秒単位の処理は全く必要なく、１分から１時間に１回程度の処理でも問題はない。したがって、ＣＰＵ７０Ｂのハードウェアとして汎用ＣＰＵが用いられ、汎用ＯＳが実装される。定められた期間の電流データおよび電圧データを不揮発性メモリ７４Ｂに蓄積して、蓄積したデータを用いて処理が行われる。学習済モデル５５に基づくニューラルネットワーク処理を実行するため、ＣＰＵ７０Ｂには高い処理性能が必要とされ、ＲＡＭ７３Ｂとして大容量のものが必要とされる。

［実施の形態４の効果］
実施の形態４によれば、配電自動化システム３に用いられるＣＰＵ７０Ａ側と事故予兆検知システム２に用いられるＣＰＵ７０Ｂ側とを分離することにより、異なるフィルタ特性、異なるサンプリング周波数、異なる入力フルスケール、演算処理の異なる実行タイミング、異なる演算周期とすることが可能である。したがって、配電自動化システム３および事故予兆検知システム２の各々で要求される仕様に基づいて、処理性能および処理精度を最適化できる。

また、配電自動化システム３に用いられるＣＰＵ７０Ａ側と事故予兆検知システム２に用いられるＣＰＵ７０Ｂ側とを分離することにより、事故予兆検知システム２に用いられるＣＰＵ７０Ｂ側で処理に問題が発生したとしても、配電自動化システム３に用いられるＣＰＵ７０Ａ側の処理に対する影響を極力無くすことができる。したがって、全体として高い信頼性を有する子局６０が実現できる。

今回開示された実施の形態はすべての点で例示であって制限的なものでないと考えられるべきである。この出願の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ 配電系統、２ 事故予兆検知システム、３ 配電自動化システム、１０ 配電用変電所、１１ 変圧器、１２ 母線、１３ 配電線、１４ 遮断器、１５ 区分開閉器、１６ 変成器、２０ 拠点施設、２１ 通信回線、３０ 親局、３１ 通信装置、３２，３３ 制御用計算機、３４ 学習装置、３５，６２ 学習済モデル記憶部、３６ 波形データ記憶部、４０，７０Ａ，７０Ｂ ＣＰＵ、４１，７３Ａ，７３Ｂ ＲＡＭ、４２，７４Ａ，７４Ｂ 不揮発性メモリ、４３ 記憶装置、４４ 表示装置、４５ 入力装置、４６ ネットワークインターフェイス、５０，６３ 特徴量計算部、５１，６４ データ取得部、５２ モデル生成部、５３ 波形データ、５５ 学習済モデル、６０ 子局、６１ 推論装置、６５ 推論部、７１Ａ，７１Ｂ フィルタ、７２Ａ，７２Ｂ Ａ／Ｄ変換器、７５ 入力変換器、７６ 入出力インターフェイス。

Claims (14)

1. 配電線に設けられた複数の子局と、
   前記複数の子局に通信回線を介して接続された親局とを備え、
   前記複数の子局の各々は、
   事故の予兆が生じている電気量の波形データを含む学習用データから生成された学習済モデルに、前記配電線で計測された電気量の波形データまたはその１つ以上の特徴量を入力することにより、前記事故の予兆の有無を推論する推論装置を含み、
   前記複数の子局の各々は、前記事故の予兆が生じていると前記推論装置が推論した場合に、前記計測された波形データを前記親局に送信し、
   前記親局は、前記学習済モデルを生成するための学習装置を含み、
   前記親局は、少なくとも１つの子局の前記推論装置が前記事故の予兆が生じていると推論しかつ前記配電線に実際に不具合がある場合に、前記少なくとも１つの子局から受信した前記波形データまたはその１つ以上の特徴量を、前記学習済モデルの更新用の学習用データに含め、
   前記学習装置は、前記更新用の学習用データを用いて前記学習済モデルを更新し、前記更新された学習済モデルを前記複数の子局に配信する、事故予兆検知システム。
2. 前記学習済モデルは、前記事故の予兆が生じている前記電気量の波形データと、前記事故の予兆の原因とを含む学習用データから生成されたものであり、
   前記推論装置は、さらに、前記配電線の事故の予兆の原因を推論し、
   前記複数の子局の各々は、前記事故の予兆が生じていると前記推論装置が推論した場合に、前記事故の予兆の原因の推論結果を前記親局にさらに送信し、
   前記親局は、少なくとも１つの子局の前記推論装置が前記事故の予兆が生じていると推論しかつ前記事故の予兆の原因が実際に検知された場合に、前記少なくとも１つの子局から受信した前記波形データまたはその１つ以上の特徴量と、実際に検知された前記事故の予兆の原因との組み合わせを、前記更新用の学習用データに含める、請求項１に記載の事故予兆検知システム。
3. 前記親局は、前記事故の予兆の原因の推論結果を受信する制御用計算機をさらに含み、
   前記制御用計算機は、前記複数の子局のうち互いに隣接する２つの子局から、同じ原因の事故の予兆が生じているという推論結果を受信した場合に、前記隣接する２つの子局の間の前記配電線の区間で事故に至る可能性が高いと判定する、請求項２に記載の事故予兆検知システム。
4. 前記推論装置は、前記事故の予兆が生じている前記電気量の波形データと、前記事故の予兆から事故発生に至るまでの時間との組み合わせを含む追加の学習用データから生成された追加の学習済モデルを取得し、前記追加の学習済モデルを用いて前記配電線の事故が発生するまでの時間をさらに推論し、
   前記複数の子局の各々は、前記事故の予兆が生じていると前記推論装置が推論した場合に、前記配電線の事故が発生するまでの時間の推論結果を前記親局に送信し、
   前記学習装置は、少なくとも１つの子局の前記推論装置によって推論された前記事故の予兆から実際に事故発生に至った場合に、前記少なくとも１つの子局から受信した前記波形データまたはその１つ以上の特徴量と、前記配電線の事故が発生するまでの時間との組み合わせを、前記更新用の学習用データに含める、請求項１～３のいずれか１項に記載の事故予兆検知システム。
5. 前記複数の子局の各々は、前記親局から受信した送信要求に応答して、前記推論装置の推論結果とは無関係に、前記配電線で計測された電気量の波形データを前記親局に送信する、請求項１～４のいずれか１項に記載の事故予兆検知システム。
6. 前記事故予兆検知システムの前記親局および前記複数の子局は、さらに配電自動化システムとして機能する、請求項１～５のいずれか１項に記載の事故予兆検知システム。
7. 前記複数の子局の各々は、
   前記配電線に設けられた変成器の出力信号が入力される第１のフィルタと、
   前記第１のフィルタを通過した前記出力信号をデジタル値に変換することにより、第１の時系列データを生成する第１のアナログ・デジタル変換器と、
   前記第１の時系列データを用いて前記配電線の事故発生を検知する第１のプロセッサと、
   前記配電線に設けられた前記変成器の前記出力信号が入力される第２のフィルタと、
   前記第２のフィルタを通過した前記出力信号をデジタル値に変換することにより、第２の時系列データを生成する第２のアナログ・デジタル変換器と、
   前記第２の時系列データに基づく前記電気量の波形データに基づいて前記推論装置として推論を行う第２のプロセッサとを含む、請求項６に記載の事故予兆検知システム。
8. 前記第２のフィルタの周波数帯域は、前記第１のフィルタの周波数帯域よりも広い、請求項７に記載の事故予兆検知システム。
9. 前記第２のアナログ・デジタル変換器のサンプリング周波数は、前記第１のアナログ・デジタル変換器のサンプリング周波数よりも高い、請求項７または８に記載の事故予兆検知システム。
10. 前記第２のアナログ・デジタル変換器の入力のフルスケールは、前記第１のアナログ・デジタル変換器の入力のフルスケールよりも小さい、請求項７～９のいずれか１項に記載の事故予兆検知システム
11. 前記電気量の波形データは、零相電圧または零相電流のうちの少なくとも一方の波形データを含む、請求項１～１０のいずれか１項に記載の事故予兆検知システム。
12. 配電線に設けられた複数の子局と、前記複数の子局に通信回線を介して接続された親局とによって、前記配電線の事故の予兆を検知する事故予兆検知方法であって、
    前記複数の子局の各々が、事故の予兆が生じている電気量の波形データを含む学習用データから生成された学習済モデルに、前記配電線で計測された電気量の波形データまたはその１つ以上の特徴量を入力することにより、前記配電線における事故の予兆の有無を推論するステップと、
    前記複数の子局の各々が、前記事故の予兆が生じていると推論した場合に、前記計測された波形データを前記親局に送信するステップと、
    少なくとも１つの子局が前記事故の予兆が生じていると推論しかつ前記配電線に実際に不具合がある場合に、前記親局が、前記少なくとも１つの子局から受信した前記波形データまたはその１つ以上の特徴量を、前記学習済モデルの更新用の学習用データに含めるステップと、
    前記親局が、前記更新用の学習用データを用いて前記学習済モデルを更新し、前記更新された学習済モデルを前記複数の子局に配信するステップとを備える、事故予兆検知方法。
13. 配電線の事故予兆を検知するための事故予兆検知システムの子局であって、
    事故の予兆が生じている電気量の波形データを含む学習用データから生成された学習済モデルを格納する学習済モデル記憶部と、
    前記配電線に設けられた変成器と接続され、前記変成器による電気量の検出値が入力される入力部と、
    前記電気量の検出値に基づく波形データまたはその１つ以上の特徴量を前記学習済モデルに入力することにより、前記事故の予兆の有無を推論する推論装置と、
    前記事故の予兆が生じていると前記推論装置が推論した場合に、前記電気量の検出値に基づく波形データを親局に送信する通信装置とを備え、
    前記親局に送信された波形データは、前記配電線に実際に不具合が生じている場合に、前記学習済モデルを更新するための更新用の学習用データに含められ、
    前記通信装置は、前記更新用の学習用データを用いて更新された学習済モデルを前記親局から受信する、事故予兆検知システムの子局。
14. 配電線の事故予兆を検知するための事故予兆検知システムの親局であって、
    事故の予兆が生じている電気量の波形データを含む学習用データから学習済モデルを生成する学習装置と、
    前記学習済モデルを前記配電線に設けられた複数の子局に配信する通信装置と、
    前記複数の子局のうち少なくとも１つの子局が、前記学習済モデルに前記配電線で計測された電気量の波形データまたはその１つ以上の特徴量を入力することにより、前記事故の予兆が生じていると推論した場合に、前記少なくとも１つの子局から受信した前記計測された電気量の波形データを格納する波形データ記憶部とを備え、
    前記学習装置は、前記計測された電気量の波形データが前記配電線で生じている実際の不具合に対応付けられる場合に、前記計測された電気量の波形データまたはその１つ以上の特徴量を前記学習済モデルの更新用の学習用データに含め、前記更新用の学習用データを用いて前記学習済モデルを更新し、
    前記通信装置は、前記更新された学習済モデルを前記複数の子局に配信する、事故予兆検知システムの親局。

Images