JP2023109769A - 学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラム - Google Patents

Abstract

【課題】異常兆候の検知精度を向上させることが可能な学習装置を得ること。【解決手段】本開示にかかる学習装置１は、異常兆候の検知に用いられる学習済データを生成する学習装置１であって、正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより、学習済データを生成する。【選択図】図１

Description

本開示は、異常兆候検知のための機械学習を行う学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラムに関する。

電力系統の設備、各種プラントにおける設備をはじめとして各種の重要な設備では、故障の影響が大きいため、故障の発生前に異常兆候を検知することが望まれている。例えば、配電系統で発生する地絡故障などでは何らかの前駆現象を伴うことがありこの前駆現象を捉える技術が提案されている。

例えば、下記特許文献１には、配電系統における零相電圧および零相電流のうちの少なくとも一方の周波数スペクトルを用いて、ニューラルネットワークモデルを用いた教師あり学習により絶縁劣化状態を推論する技術が開示されている。

特開平５－１２２８２９号公報

特許文献１に記載の技術では、瞬時地絡時には、零相電圧および零相電流のうちの少なくとも一方が、電源周波数と整数倍周波数以外にも多くの分数調波成分を含み、零相電圧の周波数スペクトルは電源周波数以下で周波数が低くなるほど大きくなる傾向を示すという前提のもとに、このような特徴の現れる信号を教師信号として用いている。しかしながら、故障の予兆としてはこのように波形の性質が既知のものだけではなく、要因によって様々な波形が有ると考えられる。特に、山間部に設置された配電線では、倒木、鳥の巣などの影響によって故障が生じることもあり、これらの現象による故障の予兆は特許文献１に記載された周波数スペクトルの特徴を有するとは限らない。このため、特許文献１に記載の技術では異常兆候の検知精度が十分ではない可能性がある。

本開示は、上記に鑑みてなされたものであって、異常兆候の検知精度を向上させることが可能な学習装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示にかかる学習装置は、異常兆候の検知に用いられる学習済データを生成する学習装置であって、正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより、学習済データを生成する。

本開示にかかる学習装置は、異常兆候の検知精度を向上させることができるという効果を奏する。

実施の形態１にかかる異常兆候検知システムの構成例を示す図 配電系統における実施の形態１の異常兆候検知システムの配置例を示す図 実施の形態１の学習装置における学習時の処理手順の一例を示すフローチャート 実施の形態１の異常兆候検知装置における推論時の処理手順の一例を示すフローチャート 実施の形態１の前処理を説明するための図 実施の形態１の前処理の効果の一例を模式的に示す図 実施の形態１の学習装置を実現するコンピュータシステムの構成例を示す図 実施の形態２にかかる異常兆候検知システムの構成例を示す図 実施の形態２における類似波形解析による異常兆候波形の学習の処理手順の一例を示すフローチャート 実施の形態２の異常兆候検知装置における推論時の処理手順の一例を示すフローチャート 実施の形態３にかかる異常兆候検知システムの構成例を示す図 実施の形態３の実効値を用いた学習の処理手順の一例を示すフローチャート 実施の形態３の異常兆候検知装置における推論時の処理手順の一例を示すフローチャート 実施の形態４にかかる異常兆候検知システムの構成例を示す図 実施の形態４の異常兆候検知装置における推論時の処理手順の一例を示すフローチャート 実施の形態５にかかる異常兆候検知システムの構成例を示す図 実施の形態５の異常兆候波形を学習する類似波形解析の処理手順の一例を示すフローチャート

以下に、実施の形態にかかる学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラムを図面に基づいて詳細に説明する。

実施の形態１．
図１は、実施の形態１にかかる異常兆候検知システムの構成例を示す図である。本実施の形態の異常兆候検知システム３は、学習装置１と、異常兆候検知装置２と、を備える。学習装置１は、異常兆候の検知に用いられる学習済データを生成し、異常兆候検知装置２は、学習装置１によって生成された学習済データを用いて、異常兆候を検知する。学習装置１は、例えば、センサなどによって取得された時系列データに対して波形解析により異常検知を行うための学習を行う。本実施の形態における波形解析は、類似波形解析とも呼ばれる機械学習の一例であり、学習時には、基準となる波形を基準波形として蓄積するとともに基準波形との類似度を示す外れスコアに対するしきい値を決定する。そして、本実施の形態における波形解析では、異常兆候の検知時すなわち異常兆候が生じているか否かの推論時には、検知対象の時系列データと基準波形とを用いて、当該検知対象の時系列データにおける各波形の基準波形に対する外れスコアを算出し、外れスコアと学習によって定められたしきい値との比較結果に基づいて異常兆候を検知する。

図１に示すように学習装置１は、データ取得部１１、データ記憶部１２、前処理部１３、第１波形解析部１４、除去波形抽出部１５、除去波形記憶部１６および第１学習データ記憶部１７を備える。

データ取得部１１は、正常な期間の時系列データを取得し、データ記憶部１２に記憶する。データ取得部１１は、例えば、時系列データを取得するセンサなどから計測データを取得する。前処理部１３は、データ記憶部１２に記憶されている時系列データに対して、平滑化処理、ウィンドウサイズ（１単位区間分のサイズ）への切り出し、Ｎ（Ｎは２以上の整数）周期前差分処理などの前処理を行い、前処理後のデータを第１波形解析部１４へ出力する。前処理後のデータはウィンドウサイズに切り出されているため、１単位区間のデータごとに第１波形解析部１４へ出力される。以下１単位区間のデータを単位区間データとも呼ぶ。また、前処理部１３は、Ｎ周期前差分処理が行われる前の単位区間データを除去波形抽出部１５へ出力する。

第１波形解析部１４は、類似波形解析により正常波形を学習する。詳細には、第１波形解析部１４は、前処理後の単位区間データ間の距離を外れスコアとして算出し、算出した外れスコアを用いて、正常であるか否かの判定に用いられる正常判定しきい値を決定し、決定した正常判定しきい値を、第１学習データ記憶部１７へ格納する。単位区間データ間の距離は、例えば、ＤＴＷ（Dynamic Time Warping）距離、マハラノビス距離、ユークリッド距離などであり、どのような距離が用いられてもよいが、ここでは、単位区間データ間の距離は、一例として単位区間データ間におけるサンプリング点ごとの距離の１単位区間分の累積値であるとする。正常判定しきい値は、例えば、外れスコアの標準偏差に基づいて決定される。例えば、第１波形解析部１４は、外れスコアの標準偏差をσとするとき、正常判定しきい値を３σとする。また、第１波形解析部１４は、単位区間データのうち、正常波形データとして格納するものを選択し、選択した単位区間データを正常波形データとして第１学習データ記憶部１７へ格納する。また、第１波形解析部１４は、正常データではあるものの、まれに発生する波形と判断された単位区間データを識別する識別情報を除去波形抽出部１５へ出力する。第１学習データ記憶部１７に格納される正常波形および正常判定しきい値は、異常兆候の検知に用いられる学習済データである。

除去波形抽出部１５は、前処理部１３から受け取った単位区間データのうち、第１波形解析部１４から受け取った識別情報に対応する単位区間データすなわちまれに発生する波形と判断された単位区間データを、複数の波形のタイプに分類し、波形のタイプごとに正常と判定するための条件を決定する。正常と判定するための波形条件は、例えば、単位区間データ内の各サンプル点の平均値、標準偏差、最大値、最小値などに基づいて決定される。除去波形抽出部１５は、タイプごとに対応する波形と波形条件とを除去波形記憶部１６に格納する。除去波形抽出部１５が行う処理は、正常ではあるものの例えば問題のないなんらかのイベントによって発生する外れスコアが大きくなるような波形が異常兆候と判定される過検知を防ぐために行われる処理である。後述するように、除去波形記憶部１６に格納された情報は、異常兆候検知装置２において、過検知を防ぐ処理で用いられる。除去波形抽出部１５によって決定された、波形のタイプごとの波形条件を用いた過検知の除去をタイプ別フィルタ処理とも呼ぶ。

異常兆候検知装置２は、データ取得部２１、データ記憶部２２、前処理部２３、第１波形解析部２４、過検知除去部２５、除去波形記憶部２６、第１学習データ記憶部２７よび検知結果出力部２８を備える。除去波形記憶部２６には、上述した除去波形記憶部１６に記憶されている情報と同じ情報が格納され、第１学習データ記憶部２７には、上述した第１学習データ記憶部１７に記憶されている情報と同じ情報が格納される。

データ取得部２１は、異常兆候の検知対象の時系列データである検知対象データを取得し、データ記憶部２２に記憶する。前処理部２３は、データ記憶部２２に記憶されている検知対象データに対して、前処理部１３と同様の前処理を行い、前処理後のデータを第１波形解析部２４へ出力する。また、前処理部２３は、Ｎ周期前差分処理前の単位区間データを過検知除去部２５へ出力する。

第１波形解析部２４は、前処理後の単位区間データと、学習済データとを用いて、類似波形解析によって、異常兆候があるか否かを判定する。具体的には、第１波形解析部２４は、前処理後の単位区間データと、第１学習データ記憶部２７に記憶されている正常波形データのそれぞれとの距離を第１学習データ記憶部２７に記憶されている正常判定しきい値と比較することで、前処理後の単位区間データに異常兆候があるか否かを判定し、判定結果を過検知除去部２５へ出力する。例えば、第１波形解析部２４は、算出した外れスコアのうち最小の外れスコアが正常判定しきい値以上である場合に、異常兆候があると判定する。第１波形解析部２４は、異常兆候があると判定した場合には、対応する単位区間データも過検知除去部２５へ出力する。

過検知除去部２５は、第１波形解析部２４から受け取った判定結果が、異常兆候があることを示す判定結果であった場合、前処理部２３から受け取った単位区間データと除去波形記憶部２６に格納されているタイプ別の波形とを比較することで、当該単位区間データの波形のタイプを判別し、除去波形記憶部２６に格納されている正常判定条件のうち判別したタイプに対応する正常判定条件を用いて当該単位区間データが正常であるか否かを判定する。過検知除去部２５は、第１波形解析部２４から受け取った判定結果が、異常兆候があることを示し、かつ正常判定条件で正常と判定された場合には、当該単位区間データには異常兆候はないと判定し、判定結果を検知結果出力部２８へ出力する。また、過検知除去部２５は、第１波形解析部２４から受け取った判定結果が、異常兆候があることを示し、かつ正常判定条件で正常でないと判定された場合には、当該単位区間データには異常兆候があると判定し、判定結果を検知結果出力部２８へ出力する。

また、過検知除去部２５は、第１波形解析部２４から受け取った判定結果が、異常兆候がないことを示す判定結果であった場合、当該判定結果を検知結果出力部２８へ出力する。

なお、以上述べた例では、第１波形解析部２４により異常兆候があると判定された場合の判定結果が過検知除去部２５を介して検知結果出力部２８へ通知されているが、これに限らず、第１波形解析部２４により異常兆候があると判定された場合の判定結果は第１波形解析部２４から検知結果出力部２８へ直接通知されてもよい。また、以上述べた例では、異常兆候がない場合も判定結果が検知結果出力部２８へ出力されるが、これに限らず、異常兆候がない場合には判定結果が検知結果出力部２８へ出力されなくてもよい。すなわち、異常兆候が検知された場合だけに、判定結果が検知結果出力部２８へ出力されてもよい。

また、図１に示した例では、学習装置１と異常兆候検知装置２とが個別に設けられているが、学習装置１と異常兆候検知装置２とが一体化されていてもよい。この場合、除去波形記憶部２６は設けずに除去波形記憶部１６を上述した除去波形記憶部２６の代わりに用いてもよく、第１学習データ記憶部２７は設けずに第１学習データ記憶部１７を上述した第１学習データ記憶部２７の代わりに用いてもよく、データ記憶部２２は設けずにデータ記憶部１２を上述したデータ記憶部２２の代わりに用いてもよい。また、データ取得部１１、前処理部１３および第１波形解析部１４が、それぞれデータ取得部２１、前処理部２３および第１波形解析部２４としての機能も有することで、データ取得部２１、前処理部２３および第１波形解析部２４を設けなくてもよい。学習装置１と異常兆候検知装置２とは、共通する処理が多いため、一体化される場合には、このように共通する部分を共用することができる。

本実施の形態の異常兆候検知システム３は、例えば、配電系統における異常兆候を検知に適用することができる。図２は、配電系統における本実施の形態の異常兆候検知システム３の配置例を示す図である。図２に示した例では、異常兆候検知装置２は、配電系統における各区間を接続する開閉器４を制御する子局と呼ばれる装置である。または、異常兆候検知装置２は、開閉器４を制御する子局に接続される装置であってもよい。

近年、配電系統における開閉器４を遠隔地から自動制御する配線制御システムの導入が進められており、このようなシステムでは開閉器４を制御する子局が、遠隔地に設けられた親局と通信を行う。子局は、配電系統の電流、電圧を計測することで、配電系統を監視するとともに、親局からの指示にしたがって開閉器４を制御することが可能である。このように、子局は、配電系統の電流および電圧を計測しており、異常兆候検知装置２を子局として用いることにより、または異常兆候検知装置２を子局に接続することにより、計測された電流および電圧を用いて配電系統の異常兆候の検知が可能となる。子局は、例えば、変圧器とともに電柱に設置される。

図２に示した例では、学習装置１が親局であるかまたは親局に接続されている。これにより、学習装置１が学習を行った後に、第１学習データ記憶部１７および除去波形記憶部１６のデータを、異常兆候検知装置２へ送信することができる。なお、第１学習データ記憶部１７および除去波形記憶部１６のデータを異常兆候検知装置２へ反映させる方法はこの例に限定されず、別の通信網を用いて学習装置１から異常兆候検知装置２へ送信されてもよいし、記録媒体などを介して異常兆候検知装置２がこれらのデータを取得してもよい。

配電系統では、特に山間部においては、配電線またはその他の配電系統における設備に、倒木、樹木の接触、鳥、蛇などの影響によって異常が生じることがある。一方、山間部において作業員が常時配電系統の状態を監視することは難しい。このため、配電系統の状態を遠隔監視し、異常兆候が検知できることが望まれる。図２に示した例では、異常兆候検知装置２が、配電系統の各所を異常兆候の検知を行うことができるため、異常兆候が検知された場合に、作業員が現地を確認することで、異常が発生する前に対処することができる。

以下では、配電系統における異常兆候を検知に適用する例について説明するが、本実施の形態の異常兆候検知システム３は、これに限らず、電力系統の他の設備、各種プラントにおける設備、その他の電気機器においてセンサによって取得された時系列データに関して異常兆候を検知することができ、異常兆候の検知対象の時系列データはどのようなものであってもよい。

上述したように、各子局は、電流および電圧を計測している。以下では、零相電流および零相電圧のうちの少なくとも一方の瞬時値の計測データを時系列データとして用いて異常兆候の検知を行う例を説明する。すなわち、零相電流および零相電圧のうち一方を計測データとして用いて異常兆候の検知を行ってもよいし、零相電流を計測データとして用いた異常兆候の検知と零相電圧を計測データとして用いた異常兆候の検知との両方を行ってもよい。両方を行う場合には、例えば、いずれか一方で異常兆候が検知されたら異常兆候検知と判定する。また、零相電流および零相電圧の計測データは瞬時値として取得されているとする。すなわち、この例では、時系列データを取得するセンサは、零相電流および零相電圧のうち少なくとも一方を計測する。例えば、配電系統における電源周期より十分短いサンプリング周期で計測データが取得されているとする。零相電流および零相電圧のいずれを用いる場合も処理は同様であるため、以下では、零相電流および零相電圧を区別せずに、瞬時値の計測データとして記載する。

図３は、本実施の形態の学習装置１における学習時の処理手順の一例を示すフローチャートである。学習装置１は、瞬時値（正常データ）を取得する（ステップＳ１）。詳細には、データ取得部１１が、正常な期間の瞬時値の計測データを時系列データとして取得し、取得した計測データをデータ記憶部１２へ格納する。なお、データ取得部１１は、過去にセンサによって取得されて他の装置に格納されている図示しない他の装置から正常であることが判明している期間の瞬時値の計測データを取得してもよいし、実験によって取得された瞬時値の計測データを取得してもよいし、正常であるとわかっている期間であればセンサから瞬時値の計測データを取得してもよい。

次に、学習装置１は、平滑化処理を行う（ステップＳ２）。詳細には、前処理部１３が、データ記憶部１２に格納された計測データに対して、例えば、一次遅れフィルタによる平滑化を実施する。一次遅れフィルタのフィルタ係数はどのような値が設定されてもよいが、例えば、前処理部１３は、１つ前のサンプリング点と現在のサンプリング点との比率を３：１（７５％：２５％）に設定して一次遅れフィルタによる平滑化を実施する。

次に、学習装置１は、データを抽出する（ステップＳ３）。詳細には、前処理部１３が、データ記憶部１２に格納された計測データに対して、ウィンドウサイズのデータを抽出する。詳細には、前処理部１３が、平滑化処理後の計測データをウィンドウサイズごとに区分することで単位区間データを生成する。ウィンドウサイズはどのように設定してもよいが、ここでは、一例として電源周期の１周期分とする。ウィンドウサイズは、これに限らず、例えば、例えば電源周期の２周期分など、他の値に設定されてもよい。

次に、学習装置１は、Ｎ周期前差分処理を行う（ステップＳ４）。詳細には、前処理部１３が、ウィンドウサイズのデータである単位区間データごとに、Ｎ周期前差分処理を行う。Ｎ周期前差分処理は、定められた時間長を１周期とし、正常なデータである正常データの１周期分の各点の値から、１周期前からＮ周期前までの正常データの周期内の対応する各点の平均値をそれぞれ減じたＮ周期前差分値を算出する処理である。より具体的には、Ｎ周期前差分処理は、現在の単位区間データにおける各点の値から、１つ前の周期からＮ周期前までの対応する点における値の平均値をそれぞれ減算する処理である。すなわち、Ｎ周期前差分処理は、処理対象の単位区間データがｋ番目の単位区間データであるとし、ｋ番目の単位区間データ内のｉ番目の点をＰ_ｋ，ｉとすると、Ｎ周期前差分処理後のＱ_ｋ，ｉを以下の式（１）で表すことができる。
Ｑ_ｋ，ｉ＝Ｐ_ｋ，ｉ－（Ｐ_{ｋ－１，ｉ}＋Ｐ_{ｋ－２，ｉ}＋・・・＋Ｐ_{ｋ－Ｎ，ｉ}）／Ｎ …（１）

次に、学習装置１は、第１波形解析（類似波形解析）を行う（ステップＳ５）。詳細には、第１波形解析部１４が、前処理後の単位区間データ間の距離を算出することで外れスコアを算出し、算出した外れスコアの標準偏差σを求める。そして、正常判定しきい値を３σとし、単位区間データから正常判定データとして格納するデータを選択する。ここでは正常判定しきい値を３σとしたが、正常判定しきい値は、例えば、事前評価の結果などによって決定されればよくこの値に限定されない。第１波形解析部１４は、選択した正常判定データと正常判定しきい値とを第１学習データ記憶部１７に格納する。また、第１波形解析部１４は、まれに発生する正常な波形であると判断した単位区間データを識別する識別情報を除去波形抽出部１５へ通知する。

次に、学習装置１は、過検知除去用の波形を抽出する（ステップＳ６）。詳細には、除去波形抽出部１５が、第１波形解析部１４から通知された識別情報に対応する単位区間データを複数の波形のタイプに分類し、波形のタイプごとに正常と判定するための条件である正常判定条件を決定する。そして、除去波形抽出部１５は、対応する単位区間データと正常判定条件とを除去波形記憶部１６に格納する。以上の処理により学習が終了する。なお、一度学習が終了した後に、新たに取得された計測データを用いて再学習が行われてもよい。再学習が行われた場合には、学習データ、すなわち第１学習データ記憶部１７に格納された情報および除去波形記憶部１６に格納された情報は、異常兆候検知装置２に反映される。具体的には、例えば、これらの情報が学習装置１から異常兆候検知装置２へ送信されることで、これらの情報が異常兆候検知装置２に反映される。

図４は、本実施の形態の異常兆候検知装置２における推論時の処理手順の一例を示すフローチャートである。異常兆候検知装置２は、検知対象の瞬時値を取得する（ステップＳ１１）。詳細には、データ取得部２１が、推論対象、すなわち異常兆候の検知対象の瞬時値の計測データを取得する。

次に、異常兆候検知装置２は、検知対象の瞬時値に関して、ステップＳ２～ステップＳ４と同様の前処理を実施する（ステップＳ１２～ステップＳ１４）。ステップＳ１４の後、異常兆候検知装置２は、第１波形解析（類似波形解析）を実施する（ステップＳ１５）。詳細には、第１波形解析部２４が、前処理後の単位区間データと、第１学習データ記憶部２７に記憶されている正常波形データのそれぞれとの距離を第１学習データ記憶部２７に記憶されている正常判定しきい値と比較することで、前処理後の単位区間データに異常兆候があるか否かを判定し、判定結果を過検知除去部２５へ出力する。

異常兆候検知装置２は、第１波形解析の結果、異常兆候が検知された場合（ステップＳ１６ Ｙｅｓ）、過検知除去を実施する（ステップＳ１７）。詳細には、過検知除去部２５が、第１波形解析部２４から受け取った判定結果が、異常兆候があることを示す判定結果であった場合、前処理部２３から受け取った単位区間データと除去波形記憶部２６に格納されているタイプ別の波形とを比較することで、当該単位区間データの波形のタイプを判別し、除去波形記憶部２６に格納されている正常判定条件のうち判別したタイプに対応する正常判定条件を用いて当該単位区間データが正常であるか否かを判定し、判定結果を検知結果出力部２８へ出力する。

次に、異常兆候検知装置２は、検知結果を出力する（ステップＳ１８）。詳細には、検知結果出力部２８が、過検知除去部２５から受け取った判定結果を検知結果として出力する。ここでは、異常兆候検知装置２が、子局であるかまたは子局に接続されているため、検知結果出力部２８は、例えば、学習装置１または学習装置１とは別の親局へ検知結果を送信することで検知結果を出力してもよい。また、異常兆候検知装置２が表示部を有している場合には、検知結果出力部２８が表示部によって実現され、検知結果出力部２８が検知結果を表示することで検知結果を出力してもよい。学習装置１または学習装置１とは別の親局は、異常兆候検知装置２から検知結果を受信すると、図１では図示を省略した表示部に検知結果を表示する。

異常兆候が検知されなかった場合（ステップＳ１６ Ｎｏ）、異常兆候検知装置２は、過検知除去を実施せずに、処理をステップＳ１８へ進める。なお、上述したように、検知結果は、異常兆候が検知されなかった場合すなわち正常な場合にも出力されてもよいし、異常兆候が検知された場合に出力され異常兆候が検知されない場合に出力されなくてもよい。

なお、上述した例では、過検知除去を行っているが、過検知除去は行われなくてもよい。この場合、除去波形抽出部１５、除去波形記憶部１６、過検知除去部２５、除去波形記憶部２６は設けられなくてよい。なお、データ記憶部２２に格納されたデータは、例えば一定期間が経過したら削除されてもよいし、一定量に達したら古い順に削除されてもよい。

次に本実施の形態の効果について説明する。本実施の形態では、前処理部１３が、平滑化処理とＮ周期前差分処理を実施している。図５は、本実施の形態の前処理を説明するための図である。図５に示すように、瞬時値の計測データである生データには、様々なノイズが含まれているため高周波数成分が多い波形となっている。このため、このまま類似波形解析である第１波形解析を行うと、誤差が大きくなり異常兆候の誤検出が発生しやすくなる。本実施の形態では、平滑化処理を行うことで、図５の中段に示したように、ノイズの影響が低減された波形を得ることができ、異常兆候の検知精度を高めることができる。また、図５の下段に示すように、Ｎ周期前差分処理を行うと電源周期に依存した大きな変化の成分が除去されるため、生データに比べて実質的な変化の様子を検出しやすくなる。

図６は、本実施の形態の前処理の効果の一例を模式的に示す図である。図６では、本実施の形態の異常兆候検知装置２に検知対象の計測データとして、正常な場合に対応する生データ、および異常兆候が表れている場合に対応する生データをそれぞれ入力した場合に得られる結果を模式的に示している。左側に正常な場合に対応する生データ、前処理（平滑化処理およびＮ周期前差分処理）後のデータおよび外れスコアを示し、右側に異常兆候が表れている場合（図では異常と記載）に対応する生データ、前処理（平滑化処理およびＮ周期前差分処理）後のデータおよび外れスコアを示している。図６において、しきい値２０１は、第１波形解析によって得られる正常判定しきい値である。図６に示すように、正常な場合には、外れスコアがしきい値２０１以下となり、異常兆候が表れている場合には、外れスコアがしきい値２０１を上回ることがわかる。本実施の形態の前処理を行うことで、生データにおけるベースとなる変化の成分の影響が抑制され、実質的な変化の様子が検出しやすくなり、外れスコアを正常判定しきい値と比較することによる異常兆候の検知精度を高めることができる。なお、図６は模式図であるが、同様の実データを用いた解析を行うことで、外れスコアを正常判定しきい値と比較することにより、異常兆候の検知精度を高めることができることが確認されている。

また、本実施の形態では、前処理として平滑化処理とＮ周期前差分処理との両方を行う例を説明したが、平滑化処理は行わなくてもよい。この場合も、Ｎ周期前差分処理を行わない場合に比べて、異常兆候の検知精度を高めることができる。このように、前処理部１３はＮ周期前差分処理を行い、第１波形解析部１４は、Ｎ周期前差分値を用いて、類似波形解析によって、正常波形と正常であるか否かの判定に用いられる正常判定しきい値とを学習済データとして生成すればよく、Ｎ周期前差分処理の前の平滑化処理は行われてもよいし行われてなくてもよい。

次に、本実施の形態の学習装置１のハードウェア構成について説明する。本実施の形態の学習装置１は、コンピュータシステム上で、学習装置１における処理が記述されたコンピュータプログラムであるプログラムが実行されることにより、コンピュータシステムが学習装置１として機能する。図７は、本実施の形態の学習装置１を実現するコンピュータシステムの構成例を示す図である。図７に示すように、このコンピュータシステムは、制御部１０１と入力部１０２と記憶部１０３と表示部１０４と通信部１０５と出力部１０６とを備え、これらはシステムバス１０７を介して接続されている。

図７において、制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）等のプロセッサであり、本実施の形態の学習装置１における処理が記述されたプログラムを実行する。なお、制御部１０１の一部が、ＧＰＵ（Graphics Processing Unit），ＦＰＧＡ（Field-Programmable Gate Array）などの専用ハードウェアにより実現されてもよい。入力部１０２は、たとえばキーボード、マウスなどで構成され、コンピュータシステムの使用者が、各種情報の入力を行うために使用する。記憶部１０３は、ＲＡＭ（Random Access Memory），ＲＯＭ（Read Only Memory）などの各種メモリおよびハードディスクなどのストレージデバイスを含み、上記制御部１０１が実行すべきプログラム、処理の過程で得られた必要なデータ、などを記憶する。また、記憶部１０３は、プログラムの一時的な記憶領域としても使用される。表示部１０４は、ディスプレイ、ＬＣＤ（液晶表示パネル）などで構成され、コンピュータシステムの使用者に対して各種画面を表示する。通信部１０５は、通信処理を実施する受信機および送信機である。出力部１０６は、プリンタ、スピーカなどである。なお、図７は、一例であり、コンピュータシステムの構成は図７の例に限定されない。

ここで、本実施の形態のプログラムが実行可能な状態になるまでのコンピュータシステムの動作例について説明する。上述した構成をとるコンピュータシステムには、たとえば、図示しないＣＤ（Compact Disc）－ＲＯＭドライブまたはＤＶＤ（Digital Versatile Disc）－ＲＯＭドライブにセットされたＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭから、コンピュータプログラムが記憶部１０３にインストールされる。そして、プログラムの実行時に、記憶部１０３から読み出されたプログラムが記憶部１０３の主記憶領域に格納される。この状態で、制御部１０１は、記憶部１０３に格納されたプログラムに従って、本実施の形態の学習装置１としての処理を実行する。

なお、上記の説明においては、ＣＤ－ＲＯＭまたはＤＶＤ－ＲＯＭを記録媒体として、学習装置１における処理を記述したプログラムを提供しているが、これに限らず、コンピュータシステムの構成、提供するプログラムの容量などに応じて、たとえば、通信部１０５を経由してインターネットなどの伝送媒体により提供されたプログラムを用いることとしてもよい。

本実施の形態のプログラムは、例えば、異常兆候の検知に用いられる学習済データを生成するコンピュータシステムに、正常なデータである正常データの１周期分の各点の値から、１周期前からＮ周期前までの正常データの周期内の対応する各点の平均値をそれぞれ減じたＮ周期前差分値を算出するステップと、Ｎ周期前差分値を用いて、類似波形解析によって、正常波形と正常であるか否かの判定に用いられる正常判定しきい値とを学習済データとして生成するステップと、を実行させる。

図１に示した前処理部１３、第１波形解析部１４および除去波形抽出部１５は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図１に示した前処理部１３、第１波形解析部１４および除去波形抽出部１５の実現には、図７に示した記憶部１０３も用いられる。図１に示したデータ記憶部１２、除去波形記憶部１６および第１学習データ記憶部１７は、図７に示した記憶部１０３の一部である。図１に示したデータ取得部１１は、図７に示した通信部１０５および制御部１０１により実現される。また、学習装置１は複数のコンピュータシステムにより実現されてもよい。例えば、学習装置１は、クラウドコンピュータシステムにより実現されてもよい。

異常兆候検知装置２も、学習装置１と同様に図７に示したコンピュータシステムにより実現される。図１に示した前処理部２３、第１波形解析部２４および過検知除去部２５は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図１に示した前処理部２３、第１波形解析部２４および過検知除去部２５の実現には、図７に示した記憶部１０３も用いられる。図１に示したデータ記憶部２２、除去波形記憶部２６および第１学習データ記憶部２７は、図７に示した記憶部１０３の一部である。図１に示したデータ取得部２１は、図７に示した通信部１０５および制御部１０１により実現される。また、検知結果出力部２８は、通信部１０５または表示部１０４により実現される。なお、異常兆候検知装置２を実現するコンピュータシステムが上述した子局である場合、図７に示したコンピュータシステムより簡易なものであってもよい。例えば、図７に示したコンピュータシステムから表示部１０４および出力部１０６が除かれたものであってもよい。

以上のように、本実施の形態の異常兆候検知システム３は、正常波形を学習する類似波形解析により異常兆候を検知し、学習における前処理として、Ｎ周期前差分処理を行うようにした。これにより、異常兆候の検知精度を向上させることができる。また、前処理においてさらに平滑化処理を行うことにより、さらに異常兆候の検知精度を向上させることができる。

実施の形態２．
図８は、実施の形態２にかかる異常兆候検知システムの構成例を示す図である。本実施の形態の異常兆候検知システム３ａは、学習装置１ａと、異常兆候検知装置２ａと、を備える。本実施の形態の学習装置１ａは、前処理部１３、除去波形抽出部１５および除去波形記憶部１６の代わりに、前処理部１３ａ、分類部１８、位相合わせ部１９、第２波形解析部４１および第２学習データ記憶部４２を備える以外は、実施の形態１の学習装置１と同様である。本実施の形態の異常兆候検知装置２ａは、前処理部２３、過検知除去部２５および除去波形記憶部２６の代わりに、前処理部２３ａ、分類部２９、位相合わせ部３０、第２波形解析部３１および第２学習データ記憶部３２を備える以外は、実施の形態１の異常兆候検知装置２と同様である。実施の形態１と同様の機能を有する構成要素には実施の形態１と同一の符号を付して重複する説明を省略する。以下実施の形態１と異なる点を主に説明する。

実施の形態１で述べたように、第１波形解析部１４は、類似波形解析により正常波形を学習する。本実施の形態では、さらに、異常兆候のあるデータである異常兆候データを用いて、類似波形解析によって、異常兆候波形データと異常兆候があるか否かの判定に用いられる異常兆候判定しきい値とを生成する第２波形解析部４１を備える。異常兆候波形および異常兆候判定しきい値も、異常兆候の検知に用いられる学習済データである。異常兆候波形は、異常兆候が表れている波形である。本実施の形態では、除去波形抽出部１５によって決定される判定条件を用いたタイプ別フィルタ処理の代わりに、第１波形解析部１４による判定により異常兆候が検知された場合に、異常兆候波形の学習結果を用いた異常兆候の検知を行う。以下では、実施の形態１と同様に、配電系統において計測される零相電流および零相電圧のうちの少なくとも一方の瞬時値の計測データを時系列データとして用いる例を説明するが、実施の形態１と同様に、本実施の形態の構成および動作は、他の時系列データにも適用できる。

次に、本実施の形態の動作について説明する。まず、学習時の動作について説明する。本実施の形態においても、学習装置１ａは、類似波形解析により正常波形を学習する。すなわち、図３に示したステップＳ１～ステップＳ５の処理を実施する。なお、本実施の形態においても、実施の形態１で述べた除去波形抽出部１５および除去波形記憶部１６を設けて、ステップＳ６が行われてもよい。

図９は、本実施の形態における類似波形解析による異常兆候波形の学習の処理手順の一例を示すフローチャートである。図９に示すように、学習装置１ａは、瞬時値（異常兆候データ）を取得する（ステップＳ２１）。詳細には、データ取得部１１は、例えば、異常兆候が生じていると判明している波形の瞬時値の計測データを異常兆候データとして図示しない他の装置から取得する。異常兆候データとしては、短い区間（例えば単位区間）のデータが複数入力される。

次に、学習装置１ａは、実施の形態１と同様に平滑化処理を行い（ステップＳ２）、平滑化処理後のデータが分類部１８に入力される。次に、学習装置１ａは、波形分類を行う（ステップＳ２２）。詳細には、分類部１８が、平滑化処理後のデータを距離に応じて分類し、分類されたデータを位相合わせ部１９へ出力する。分類部１８における分類方法は、どのような方法を用いてもよいが、例えば、Ｋ－Ｓｈａｐｅ法により分類する。なお、この波形分類は、類似度が低い（距離が離れた）ものを分類することで、異常兆候の波形の精度を向上させるためのものであるため、類似度の高い波形を検出することができればよく波形分類は行われなくてもよい。

次に、学習装置１ａは、位相合わせを行う（ステップＳ２３）。詳細には、位相合わせ部１９が分類部１８から入力された複数のデータの位相を合わせる処理を行う。正常波形を学習する場合には、一般に、入力データとして正常な期間の連続した時系列データが入力されるが、異常兆候が生じている波形である異常兆候波形を学習する場合には、一般には短い区間の連続しないデータが入力される。このため、複数のデータ間で電源周期における位相を合わせるための位相合わせが行われる。位相合わせは、オペレータが各波形の形状を確認しながらオフセットさせる量を指定することで行われてもよいし、他の方法で行われてもよい。なお、位相が揃ったデータが入力される場合などには、位相合わせは行われなくてもよい。なお、位相合わせおよび第２波形解析は分類部１８によって分類されたグループごとに行われてもよい。この場合、グループごとに異常兆候判定しきい値が設定されてもよい。

次に、学習装置１ａは、第２波形解析（類似波形解析）を行う（ステップＳ２４）。詳細には、第２波形解析部４１が、位相合わせ部１９から入力されたデータを用いて、外れスコアを算出し、算出した外れスコアを用いて異常兆候があるか否かの判定に用いられる異常兆候判定しきい値を決定する。入力されるデータが異なるが、類似波形解析自体の処理は実施の形態１の第１波形解析部１４の処理と同様である。異常兆候判定しきい値は、例えば、実施の形態１と同様に３σに設定されるがこれに限定されない。第２波形解析部４１は、異常兆候波形データと異常兆候判定しきい値とを第２学習データ記憶部４２に格納する。異常兆候検知装置２ａの第２学習データ記憶部３２には、学習装置１ａの第２学習データ記憶部４２に格納された情報が記憶される。第２学習データ記憶部３２への第２学習データ記憶部４２の情報の反映方法は、実施の形態１の第１学習データ記憶部１７の情報の第１学習データ記憶部２７への反映方法と同様である。

図１０は、本実施の形態の異常兆候検知装置２ａにおける推論時の処理手順の一例を示すフローチャートである。ステップＳ１１～ステップＳ１６は実施の形態１と同様である。ただし、前処理部２３ａは、ステップＳ１２の後平滑化処理後（Ｎ周期前差分処理の前）のデータを分類部２９に出力する。また第１波形解析部２４は、判定結果を分類部２９へ出力する。ステップＳ１６でＹｅｓと判定された場合、異常兆候検知装置２ａは、波形分類を行う（ステップＳ３１）。詳細には、分類部２９が、第１波形解析部２４によって異常兆候があると判定されたデータを、第２学習データ記憶部３２に記憶されている各グループの異常兆候波形データとの距離に基づいて検知対象のデータを分類する。

次に、異常兆候検知装置２ａは、位相合わせを行う（ステップＳ３２）。詳細には、位相合わせ部３０が、検知対象のデータの位相を、対応するグループの異常兆候波形データに合わせる処理を行う。次に、異常兆候検知装置２ａは、第２波形解析（類似波形解析）を行う（ステップＳ３３）。詳細には、第２波形解析部３１が、位相合わせ後のデータと第２学習データ記憶部３２に記憶されている各グループの異常兆候波形データとを用いて外れスコアを算出し、外れスコアが異常兆候判定しきい値以下である場合に、異常兆候があると判定し、外れスコアが異常兆候判定しきい値を超える場合に、異常兆候がないと判定する。第２波形解析部３１は、判定結果を検知結果出力部２８へ出力する。ステップＳ３３の後のステップＳ１８は実施の形態１と同様である。ステップＳ１６でＮｏと判定された場合には、分類部２９が第１波形解析部２４の判定結果を検知結果出力部２８へ出力する。なお、上述したように、学習時に実施の形態１のステップＳ６で述べた処理が行われている場合には、ステップＳ３１の前に、実施の形態１と同様にタイプ別フィルタ処理が行われ、タイプ別フィルタ処理で正常であると判定された場合にステップＳ３１が実行されてもよい。

以上のように、第２波形解析部３１は、第１波形解析部２４によって異常兆候があると判定された場合に、検知対象データと異常兆候波形と異常兆候判定しきい値とを用いて、異常兆候があるか否かを判定する。実施の形態１では、タイプ別フィルタ処理により、過検知を除去したが、本実施の形態では、第２波形解析部３１が異常兆候波形の学習結果を用いた類似波形解析を行うことで過検知を除去する。タイプ別フィルタ処理は、例えばたまにしか動かない装置による挙動を特別に記憶しておき、その挙動による検知されたものを正常であると判定して除去するものであるが、第２波形解析部３１による類似波形解析は、過去の異常兆候データと類似しているものだけを通過させそれ以外を除去するものである。すなわち、第２波形解析部３１による類似波形解析は、事故時に特定の波形が出現する場合に、説明性（周知の物理法則、事故に至った実績有りなど）がある波形を異常兆候波形として学習させ、その波形と類似した波形を異常兆候波形として通過させる。したがって、第２波形解析部３１による類似波形解析はタイプ別フィルタ処理を用いる場合に比べて、異常兆候として検出された波形の説明性を高めることができる。

なお、上述した例では、第１波形解析で異常兆候が検知された場合に、第２波形解析を実施するようにしたが、第１波形解析と第２波形解析とを並行して実施し、両方の解析の結果を用いて、異常兆候を検知してもよい。例えば、第１波形解析と第２波形解析とのいずれか一方で異常兆候があると検知された場合に、最終の検知結果を異常兆候があるとし、第１波形解析と第２波形解析との両方で正常と判定された場合に、最終結果を正常としてもよい。

以上述べた以外の本実施の形態の動作は実施の形態１と同様である。本実施の形態の学習装置１ａも実施の形態１の学習装置１と同様に、例えば、図７に示したコンピュータシステムにより実現される。図８に示した前処理部１３ａ、分類部１８、位相合わせ部１９、第２波形解析部４１は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図８に示した第２学習データ記憶部４２は、図７に示した記憶部１０３の一部である。異常兆候検知装置２ａも、同様に、例えば図７に示したコンピュータシステムにより実現される。図８に示した前処理部２３ａ、分類部２９、位相合わせ部３０、第２波形解析部３１は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図８に示した第２学習データ記憶部３２は、図７に示した記憶部１０３の一部である。

本実施の形態においても、実施の形態１と同様に、正常波形を学習する類似波形解析により異常兆候を検知し、学習における前処理として、Ｎ周期前差分処理を行うようにした。これにより、異常兆候の検知精度を向上させることができる。

実施の形態３．
図１１は、実施の形態３にかかる異常兆候検知システムの構成例を示す図である。本実施の形態の異常兆候検知システム３ｂは、学習装置１ｂと、異常兆候検知装置２ｂと、を備える。本実施の形態の学習装置１ｂは、データ取得部１１、除去波形抽出部１５および除去波形記憶部１６の代わりに、データ取得部１１ａ、差分解析部４３および第３学習データ記憶部４４を備える以外は、実施の形態１の学習装置１と同様である。本実施の形態の異常兆候検知装置２ｂは、データ取得部２１、過検知除去部２５および除去波形記憶部２６の代わりに、データ取得部２１ａ、差分解析部３３および第３学習データ記憶部３４を備える以外は、実施の形態１の異常兆候検知装置２と同様である。実施の形態１と同様の機能を有する構成要素には実施の形態１と同一の符号を付して重複する説明を省略する。以下実施の形態１と異なる点を主に説明する。

本実施の形態では、実施の形態１と同様に、配電系統において計測される零相電流および零相電圧のうちの少なくとも一方である計測対象の瞬時値の計測データを時系列データとして用いる例を説明する。さらに、本実施の形態では、瞬時値だけでなく実効値についても計測データが取得される。例えば、実施の形態１の図２の異常兆候検知装置２と同様に、異常兆候検知装置２ｂが、開閉器４を制御する子局であり、多数の異常兆候検知装置２ｂが用いられる場合、コストを抑制するために異常兆候検知装置２ｂのハードウェアの処理能力に制約が生じることが考えられる。瞬時値は、例えば、１波形あたり１００点のサンプリングが行われるとすると、配電系統における電源周期が６０Ｈｚである場合、１秒あたり６０００点のデータとなる。このようなデータを用いて常時リアルタイムに異常兆候を検知するためには異常兆候検知装置２ｂには処理負荷がかかり、ハードウェアの処理能力の制約があると処理が難しい場合も考えられる。一方、配電系統の電圧および電流は一般には、実効値についても計測データとして取得されており、実効値は、１周期あたり１つのデータとなるため、データの点数が瞬時値に比べて少なくなる。

なお、本実施の形態の動作は、検知対象の計測データが配電系統において計測される零相電流および零相電圧のうちの少なくとも一方である場合に限らず、検知対象の計測データが周期性のある電流および電圧のうち少なくとも一方であれば適用でき、周期は電源周波数に限定されない。

そこで、本実施の形態では、実効値を用いた異常兆候の検知を常時行い、実効値を用いた異常兆候の検知により異常兆候が検知された場合に、検知された時刻の周辺の瞬時値を用いた異常兆候の検知を行う。これにより、異常兆候検知装置２ｂにおける処理負荷を軽減しつつ、瞬時値を用いた波形の詳細な解析も行うことで異常兆候の検知精度を向上させることができる。

次に、本実施の形態の動作について説明する。まず、学習時の動作について説明する。本実施の形態においても、学習装置１ｂは、類似波形解析により正常波形を学習する。すなわち、図３に示したステップＳ１～ステップＳ５の処理を実施する。なお、本実施の形態においても、実施の形態１で述べた除去波形抽出部１５および除去波形記憶部１６を設けて、ステップＳ６が行われてもよい。

本実施の形態では、さらに、実効値を用いた学習が行われる。図１２は、本実施の形態の実効値を用いた学習の処理手順の一例を示すフローチャートである。図１２に示すように、学習装置１ｂは、実効値（正常データ）を取得する（ステップＳ４１）。詳細には、データ取得部１１ａが、計測対象の実効値の計測データ、すなわち正常な期間における実効値の計測データを取得しデータ記憶部１２に格納する。

学習装置１ｂは、１階差分値解析を実施する（ステップＳ４２）。詳細には、差分解析部４３が、実効値の計測データの１つ前のデータとの差分である１階差分値を求める。そして、複数の１階差分値を用いて標準偏差を求め、標準偏差を用いて正常であるか否かを判定するためのしきい値を決定する。このしきい値も、異常兆候の検知に用いられる学習済データである。例えば、差分解析部４３は、６σをしきい値とする。ここではしきい値を６σとしたが、しきい値は、例えば、事前評価の結果などによって決定されればよくこの値に限定されない。差分解析部４３は、算出したしきい値を第３学習データ記憶部４４に格納する。異常兆候検知装置２ｂの第３学習データ記憶部３４には、学習装置１ｂの第３学習データ記憶部４４に格納された情報が記憶される。第３学習データ記憶部３４への第３学習データ記憶部４４の情報の反映方法は、実施の形態１の第１学習データ記憶部１７の情報の第１学習データ記憶部２７への反映方法と同様である。

図１３は、本実施の形態の異常兆候検知装置２ｂにおける推論時の処理手順の一例を示すフローチャートである。まず、異常兆候検知装置２ｂは、検知対象の実効値を取得する（ステップＳ５１）。詳細には、データ取得部２１ａが、検知対象の実効値を取得しデータ記憶部２２に格納する。なお、このとき、データ取得部２１ａは、瞬時値についても取得してデータ記憶部２２に格納する。

次に、異常兆候検知装置２ｂは、１階差分値解析を実施する（ステップＳ５２）。詳細には、差分解析部３３が、データ記憶部２２に格納されている実効値を用いて１階差分値を算出し、１階差分値と第３学習データ記憶部４４に格納されているしきい値とを比較する。

異常兆候が検知された場合（ステップＳ５３ Ｙｅｓ）、すなわち１階差分値がしきい値を超えた場合、実施の形態１と同様のステップＳ１２～ステップＳ１５が実施される。ステップＳ１５の判定結果が第１波形解析部２４から検知結果出力部２８に通知され、ステップＳ１８が行われる。詳細には、異常兆候が検知された後、２秒間など一定期間における瞬時値が用いられてステップＳ１２～ステップＳ１５が実施される。なお、上述したように、学習時に実施の形態１のステップＳ６で述べた処理が行われている場合には、ステップＳ１５の後に、実施の形態１と同様にステップＳ１６，Ｓ１７が行われてもよい。

異常兆候が検知されない場合（ステップＳ５３ Ｎｏ）、すなわち正常な場合、ステップＳ１８の処理が実施される。なお、実施の形態１と同様に、正常と判定された場合には、検知結果の出力は行われてなくてもよい。

以上のように、本実施の形態では、差分解析部３３は、計測対象の検知対象の実効値の計測データの１階差分値を算出し、算出した１階差分値としきい値とを用いて、異常兆候があるか否かを判定し、第１波形解析部２４は、差分解析部３３によって異常兆候があると判定された場合に、Ｎ周期前差分値と正常波形と正常判定しきい値とを用いて、類似波形解析によって、異常兆候があるか否かを判定する。

なお、異常兆候検知装置２ｂの処理能力に制約がない場合には、第１波形解析と１階差分値解析とを並行して実施し、両方の解析の結果を用いて、異常兆候を検知してもよい。例えば、第１波形解析と１階差分値解析のいずれか一方で異常兆候があると検知された場合に、最終の検知結果を異常兆候があるとし、第１波形解析と第２波形解析との両方で正常と判定された場合に、最終結果を正常としてもよい。

本実施の形態の学習装置１ｂも実施の形態１の学習装置１と同様に、例えば、図７に示したコンピュータシステムにより実現される。図１１に示した差分解析部４３は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図１１に示した第３学習データ記憶部４４は、図７に示した記憶部１０３の一部である。図１１に示したデータ取得部１１ａは、図７に示した通信部１０５および制御部１０１により実現される。異常兆候検知装置２ｂも、同様に、例えば図７に示したコンピュータシステムにより実現される。図１１に示した差分解析部３３は、図７に示した記憶部１０３に記憶されたコンピュータプログラムが図７に示した制御部１０１により実行されることにより実現される。図１１に示した第３学習データ記憶部３４は、図７に示した記憶部１０３の一部である。図１１に示したデータ取得部２１ａは、図７に示した通信部１０５および制御部１０１により実現される。

本実施の形態においても、実施の形態１と同様に、正常波形を学習する類似波形解析により異常兆候を検知し、学習における前処理として、Ｎ周期前差分処理を行うようにした。これにより、異常兆候の検知精度を向上させることができる。また、本実施の形態では、実効値を用いた異常兆候の検知と組み合わせ、実効値を用いた異常兆候の検知で異常兆候があると判定された場合に、瞬時値を用いた異常兆候の検知を行うため、常時瞬時値を用いた異常兆候の検知を行う場合に比べて、異常兆候検知装置２ｂの処理負荷を軽減することができる。

実施の形態４．
図１４は、実施の形態４にかかる異常兆候検知システムの構成例を示す図である。本実施の形態の異常兆候検知システム３ｃは、学習装置１ｃと、異常兆候検知装置２ｃと、を備える。本実施の形態の学習装置１ｃは、実施の形態３のデータ取得部１１ａ、前処理部１３、第１波形解析部１４および第１学習データ記憶部１７の代わりに、データ取得部１１ｂ、前処理部１３ｂ、分類部１８、位相合わせ部１９、第２波形解析部４１および第２学習データ記憶部４２を備える以外は、実施の形態３の学習装置１ｂと同様である。本実施の形態の異常兆候検知装置２ｃは、実施の形態３のデータ取得部２１ａ、前処理部２３、第１波形解析部２４および第１学習データ記憶部２７の代わりに、データ取得部２１ｂ、前処理部２３ｂ、分類部２９、位相合わせ部３０、第２波形解析部３１および第２学習データ記憶部３２を備える以外は、実施の形態３の異常兆候検知装置２ｂと同様である。

分類部１８、位相合わせ部１９、第２波形解析部４１、第２学習データ記憶部４２、分類部２９、位相合わせ部３０、第２波形解析部３１および第２学習データ記憶部３２は、実施の形態２で述べた分類部１８、位相合わせ部１９、第２波形解析部４１、第２学習データ記憶部４２、分類部２９、位相合わせ部３０、第２波形解析部３１および第２学習データ記憶部３２とそれぞれ同様である。実施の形態２，３と同様の機能を有する構成要素には実施の形態２，３と同一の符号を付して重複する説明を省略する。以下実施の形態２，３と異なる点を主に説明する。

本実施の形態では、実施の形態３で述べた実効値を用いた異常兆候の検知と、実施の形態２で述べた異常兆候波形の学習による異常兆候の検知とを組み合わせる。本実施の形態では、前処理部１３ｂは、Ｎ周期前差分処理は行わず、前処理として平滑化処理を行い、前処理後のデータを第２波形解析部４１へ出力する。本実施の形態の学習装置１ｃにおける学習では、実施の形態２の図９に示した処理と実施の形態３の図１２に示した処理とがそれぞれ行われる。すなわち、本実施の形態の学習装置１ｃは、正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより、学習済データを生成する。本実施の形態では、正常波形学習は、差分解析部４３における処理であり、異常兆候波形学習は、異常兆候波形解析部である第２波形解析部４１の処理である。

図１５は、本実施の形態の異常兆候検知装置２ｃにおける推論時の処理手順の一例を示すフローチャートである。なお、本実施の形態では、前処理部２３ｂは、Ｎ周期前差分処理は行わず、前処理として平滑化処理を行い、前処理後のデータを第２波形解析部３１へ出力する。ステップＳ５１～ステップＳ５３は、実施の形態３と同様である。ステップＳ５３でＹｅｓの場合、実施の形態２と同様に、ステップＳ３１～ステップＳ３３，Ｓ１８が行われる。

本実施の形態の学習装置１ｃ、異常兆候検知装置２ｃも、実施の形態１の学習装置１、異常兆候検知装置２と同様に、例えば、図７に示したコンピュータシステムにより実現される。

以上述べたように、本実施の形態においては、正常な波形を１階差分値解析により学習し、異常兆候波形を類似波形解析により学習している。すなわち、正常な波形の学習と異常兆候波形の学習とを組み合わせて異常兆候の検知を行っている。これにより、異常兆候の検知精度を高めることができる。

実施の形態５．
図１６は、実施の形態５にかかる異常兆候検知システムの構成例を示す図である。本実施の形態の異常兆候検知システム３ｄは、学習装置１ｄと、異常兆候検知装置２ｄと、を備える。本実施の形態の学習装置１ｄは、実施の形態２の前処理部１３および第１波形解析部１４の代わりに、前処理部１３ｂおよび第１波形解析部１４ａを備える以外は、実施の形態２の学習装置１ａと同様である。本実施の形態の異常兆候検知装置２ｄは、第１波形解析部２４および第１学習データ記憶部２７を削除し、前処理部２３の代わりに前処理部２３ｂを備える以外は、実施の形態２の異常兆候検知装置２ａと同様である。前処理部１３ｂおよび前処理部２３ｂは実施の形態４と同様である。実施の形態２，４と同様の機能を有する構成要素には実施の形態２，４と同一の符号を付して重複する説明を省略する。以下、実施の形態２，４と異なる点を主に説明する。

本実施の形態では、実施の形態２で述べた異常兆候波形を学習する類似波形解析によって学習することで、異常兆候を検知するが、異常兆候波形を学習する際に、異常兆候波形の選択に、正常波形の類似波形解析の判定結果を用いる。

本実施の形態の第１波形解析部１４ａは、実施の形態１の第１波形解析部１４としての機能と実施の形態１の第１波形解析部２４としての機能との両方を有する。第１波形解析部１４ａは、データ記憶部１２に格納された正常データを用いて実施の形態１の第１波形解析部１４と同様に、第１波形解析を行うことで第１学習データ記憶部１７に正常波形データと正常判定しきい値とを格納する。この学習結果を用いて、異常兆候波形を学習する類似波形解析が行われる。

図１７は、本実施の形態の異常兆候波形を学習する類似波形解析の処理手順の一例を示すフローチャートである。図１７に示すように、学習装置１ｄは、異常兆候波形の抽出対象の瞬時値を取得する（ステップＳ６１)。詳細には、データ取得部１１が、異常兆候波形の抽出対象となる瞬時値の計測データを取得し、計測データをデータ記憶部２２に格納する。なお、計測データは異常兆候波形が含まれると想定される期間の計測データであるが、異常兆候波形が含まれると想定される期間が判明していない場合には、任意の計測データが入力されてもよい。

次に、学習装置１ｄは、平滑化処理を行う（ステップＳ６２）。詳細には、前処理部１３ｂがデータ記憶部２２に格納された計測データに対して平滑化処理を実施し、処理後のデータを第１波形解析部１４ａへ出力する。

次に、学習装置１ｄは、第１波形解析（類似波形解析）を行う（ステップＳ６３）。詳細には、第１波形解析部１４ａが、平滑化処理後の計測データを単位区間データに区分し、単位区間データごとに、第１学習データ記憶部１７に記憶されている正常波形データのそれぞれとの距離を第１学習データ記憶部１７に記憶されている正常判定しきい値と比較することで、単位区間データに異常兆候があるか否かを判定する。

次に、学習装置１ｄは、異常兆候波形候補を抽出する（ステップＳ６４）。詳細には、第１波形解析部１４ａは、異常兆候があると判定した単位区間データを異常兆候波形候補として抽出し、分類部１８へ出力する。その後は、実施の形態２と同様に、ステップＳ２２～ステップＳ２４が行われる。

本実施の形態の異常兆候検知装置２ｄは、実施の形態２で述べたステップＳ１２、ステップＳ３１～ステップＳ３３，Ｓ１８を実施する。以上のように、第１波形解析部１４ａは、正常なデータである正常データを用いて、類似波形解析によって、正常波形と正常であると判定するための正常判定しきい値とを正常学習データとして生成し、異常兆候のある波形を含むデータである検知対象データと正常学習データとを用いて検知対象データから異常兆候のあるデータの候補となる候補データを抽出する。そして、第２波形解析部４１は、候補データを用いて、類似波形解析によって、異常兆候波形と異常兆候があるか否かの判定に用いられる異常兆候判定しきい値とを学習済データとして生成する。このように、本実施の形態の学習装置１ｄは、正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより学習済データを生成する。正常波形学習は、正常波形解析部である第１波形解析部１４ａによる処理であり、異常兆候波形学習は、異常兆候波形解析部である第２波形解析部４１の処理である。

本実施の形態の学習装置１ｄ、異常兆候検知装置２ｄも、実施の形態１の学習装置１、異常兆候検知装置２と同様に、例えば、図７に示したコンピュータシステムにより実現される。

以上のように、本実施の形態では、正常波形の類似波形解析による異常兆候の検知結果を用いて、異常兆候波形の候補を決定し、決定した候補を用いて異常兆候波形の類似波形解析の学習を実施する。このように、本実施の形態においても正常な波形の学習と、異常兆候波形の学習とを組み合わせている。これにより、異常兆候の検知精度を高めることができる。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１，１ａ，１ｂ，１ｃ，１ｄ 学習装置、２，２ａ，２ｂ，２ｃ，２ｄ 異常兆候検知装置、３，３ａ，３ｂ，３ｃ，３ｄ 異常兆候検知システム、４ 開閉器、１１，１１ａ，１１ｂ，２１，２１ａ，２１ｂ データ取得部、１２，２２ データ記憶部、１３，１３ａ，１３ｂ，２３，２３ａ，２３ｂ 前処理部、１４，１４ａ，２４ 第１波形解析部、１５ 除去波形抽出部、１６，２６ 除去波形記憶部、１７，２７ 第１学習データ記憶部、１８，２９ 分類部、１９ 位相合わせ部、２５ 過検知除去部、２８ 検知結果出力部、３１，４１ 第２波形解析部、３２，４２ 第２学習データ記憶部、３３，４３ 差分解析部、３４，４４ 第３学習データ記憶部。

Claims (9)

1. 異常兆候の検知に用いられる学習済データを生成する学習装置であって、
   正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより、前記学習済データを生成することを特徴とする学習装置。
2. 前記正常波形学習を行う差分解析部と、
   前記異常兆候波形学習を行う異常兆候波形解析部と、
   を備え、
   前記差分解析部は、電圧および電流のうち少なくとも一方である計測対象の実効値の計測データの１階差分値を算出し、算出した１階差分値を用いて正常であると判定するためのしきい値を前記学習済データとして生成し、
   前記異常兆候波形解析部は、前記計測対象の異常兆候のある瞬時値の計測データである異常兆候データを用いて、類似波形解析によって、異常兆候波形と異常兆候があるか否かの判定に用いられる異常兆候判定しきい値とを前記学習済データとして生成することを特徴とする請求項１に記載の学習装置。
3. 前記正常波形学習を行う正常波形解析部と、
   前記異常兆候波形学習を行う異常兆候波形解析部と、
   を備え、
   前記正常波形解析部は、正常なデータである正常データを用いて、類似波形解析によって、正常波形と正常であると判定するための正常判定しきい値とを正常学習データとして生成し、異常兆候のある波形を含むデータである検知対象データと前記正常学習データとを用いて前記検知対象データから異常兆候のあるデータの候補となる候補データを抽出し、
   前記異常兆候波形解析部は、前記候補データを用いて、類似波形解析によって、異常兆候波形と異常兆候があるか否かの判定に用いられる異常兆候判定しきい値とを前記学習済データとして生成することを特徴とする請求項１に記載の学習装置。
4. 配電系統を区分する開閉器を制御する子局において計測される前記配電系統の零相電圧および零相電流のうちの少なくとも一方の計測データに対して前記学習済データを用いた前記異常兆候の検知が行われることを特徴とする請求項１から３のいずれか１つに記載の学習装置。
5. 学習済データを用いて異常兆候の検知を行う異常兆候検知装置であって、
   電圧および電流のうち少なくとも一方である計測対象の実効値の計測データの１階差分値を算出し、算出した１階差分値としきい値とを用いて、異常兆候があるか否かを判定する差分解析部と、
   前記差分解析部によって異常兆候があると判定された場合に、前記計測対象の瞬時値の計測データと異常兆候波形と異常兆候判定しきい値とを用いて、異常兆候があるか否かを判定する異常兆候波形解析部と、
   を備え、
   前記しきい値は、正常な前記計測対象の実効値の計測データの１階差分値を用いて算出された前記学習済データであり、
   前記異常兆候波形および前記異常兆候判定しきい値は、異常兆候のある前記計測対象の瞬時値の計測データである異常兆候データを用いて類似波形解析によって生成された前記学習済データであることを特徴とする異常兆候検知装置。
6. 配電系統を区分する開閉器を制御する子局であり、前記配電系統の零相電圧および零相電流のうちの少なくとも一方の計測データに対して前記学習済データを用いた前記異常兆候の検知を行うことを特徴とする請求項５に記載の異常兆候検知装置。
7. 異常兆候の検知に用いられる学習済データを生成する学習装置と、
   前記学習済データを用いて異常兆候を検知する異常兆候検知装置と、
   を備え、
   前記学習装置は、正常なデータである正常データを用いた正常波形学習と、異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習とを行うことにより、前記学習済データを生成することを特徴とする異常兆候検知システム。
8. 異常兆候の検知に用いられる学習済データを生成する学習装置における学習方法であって、
   正常なデータである正常データを用いた正常波形学習を行うステップと、
   異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習を行うステップと、を含み、
   前記学習済データは、前記正常波形学習および前記異常兆候波形学習によって生成されることを特徴とする学習方法。
9. 異常兆候の検知に用いられる学習済データを生成するコンピュータシステムに、
   正常なデータである正常データを用いた正常波形学習を行うステップと、
   異常兆候のあるデータである異常兆候データを用いた異常兆候波形学習を行うステップと、
   を実行させ、
   前記学習済データは、前記正常波形学習および前記異常兆候波形学習によって生成されることを特徴とするプログラム。

Images