JP2023538611A

JP2023538611A - コントローラのための決定ロジックを生成するための方法およびコンピュータシステム

Info

Publication number: JP2023538611A
Application number: JP2023512166A
Authority: JP
Inventors: マリナキス，アダマンティオス; エブレノスオール，ヤマン・ジャンスン; リンペロポウロス，イオアニス; シェーンボルン，サンドロ; ダビドウスキ，パベル; ポーランド，ジャン
Original assignee: Hitachi Energy Switzerland AG
Current assignee: Hitachi Energy Ltd
Priority date: 2020-08-19
Filing date: 2021-08-18
Publication date: 2023-09-08
Anticipated expiration: 2041-08-18
Also published as: EP4200952A1; US20230378753A1; WO2022038206A1; CN115943536A; EP3958422A1

Abstract

産業用オートメーション制御システムＩＡＣＳのコントローラ（３１、３２、３３）のための決定ロジックを生成するために、決定ロジックのための決定ロジック候補が生成され、シナリオに応答して決定ロジック候補の性能が計算される反復プロセスが実行される。

Description

発明の分野
本発明は、産業用オートメーション制御システム（ＩＡＣＳ）、特に送電システム、配電システムまたは発電システムのコントローラの決定ロジックを生成するための方法および装置に関する。より具体的には、本発明は、そのような決定ロジックを生成するためのコンピュータ実装技術に関する。

発明の背景
発電システム、配電システム、送電システム、電力網、または変電所などの現代の産業用オートメーション制御システム（ＩＡＣＳ）、および現代の産業用システムは、膨大な数の構成要素を含む。そのようなシステムの保護リレーなどの保護装置の決定ロジックは、どの状況下で様々なアクションのうちのどれをとるべきかを決定する。

例示として、電力会社のリアルタイム動作では、変圧器、架線、地下ケーブル、直列／分路要素などを含む送配電システム機器は、測定システム（電圧、電流）、デジタルリレー、および回路遮断器によって保護される。デジタルリレーに配置された制御ロジックは、測定された信号を利用し、システム機器への損傷を回避するために解消されるべき深刻な障害があるかどうかを特定し、最後に回路遮断器に開くための信号を送信する。障害の迅速な特定および除去は、システム全体の信頼性および安全性にとって不可欠である。

各リレーの決定ロジック（すなわち、保護ロジック）、ならびに複数のリレー間の協調方式は、予想されるグリッドシナリオの下で設計および試験される。従来、これは人間の専門技術者によって行われている。設計段階中、エンジニアは、グリッド内のスイッチング事象などの障害および他の外乱のシミュレーションを遂行して、保護制御ロジックの性能を評定および改良する。性能メトリックは、通常、所与のグリッドの一般的な慣行によって設定される。展開されると、保護ロジックは、その性能のエラーが観察されるまで変更されないままである。

従来の発電機に取って代わる時間的および空間的により多くの確率論的性質を電力供給に導入する変換器インターフェース式発電、および需要に対してより多くの確率論的性質を導入するｅモビリティの普及により、グリッドがその限界に近く動作するにつれて、保護システムの設計はますます困難になっている。加えて、短絡電流容量の欠如、および、発電の空間パターンの変化に起因する多方向電流だけでなく、変換器インターフェース式発電機によって提供される短絡電流（例えば、遅延ゼロ交差、歪んだ信号など）の異なる性質のために、保護システムは、変化する環境に適応することが望ましい。

その結果、保護ロジックの開発はますます複雑なタスクになる。さらに、このタスクは、グリッドインフラストラクチャおよび発電／需要パターンの変化に起因して保護システムの適合性をより頻繁に再評定する必要があるため、ますます頻繁に遂行する必要がある。

保護ロジック設計の従来のやり方は、特定の設計事例ごとに、専門技術者が複数の保護機能（過電流、指向性、距離、差動保護など）またはそれらの組合せの中から選択し、選択された機能に関連する設定（すなわち、機能パラメータ）を判定するというものである。目標は、保護システムの安全性（すなわち、必要なときに保護システムを作動させる成功率）および信頼性（すなわち、必要でない場合に保護システムを作動させない成功率）が最大化され、任意の障害に可能な限り迅速に応答することができるように、それらの間の保護機能およびロジックのセットを考案することである。

専門技術者は、手元の保護設計タスクに関連する潜在的な事象（例えば、突入状態、スイッチング動作などの障害および非障害）を予測することによってこれを達成し、保護機能が現場で動作することに基づいて、保護リレーによって観測される結果として生じる信号を特定するために、選択された各事象の数値シミュレーション（例えば、電磁過渡現象のシミュレーション、障害後の定常状態の短絡解析）を遂行する。これにより、正しい決定を確実にするために、予期されるすべての事象の保護機能、ロジックおよび設定を定義および試験することが可能になる。通常、これは、人間の技術者によって微調整された一連のエンジニアリング手法に従うことによって遂行される。

一般的に使用される保護機能のセットが許容可能な保護システム性能を可能にしない場合、新しい保護機能を考える必要がある。これは、一般に、困難なヒューリスティックタスクである。

中国特許出願公開第１１０４１７３５１Ａ号は、光起電力システムＤＣ側アーク障害検出システムおよび検出方法を開示している。検出方法は、光起電力システムのＤＣ側で交流信号を収集するステップと、周波数ドメインにおける信号特性を抽出するステップと、信号を事前判断するステップと、敵対的生成ネットワーク（ＧＡＮ）モデルを訓練するステップと、ＤＣ障害アークを判断するステップと、警報情報を送信するステップとを含む。誤検出率を低減し、検出システムのロバスト性を改善するために、ＧＡＮが障害アークの判断に導入される。

概要
産業用オートメーション制御システムＩＡＣＳ、特に配電システム、送電システム、または発電システムのコントローラによって実行される決定ロジックを生成するための改善された技術を提供する必要がある。特に、決定ロジックのコンピュータ実装された完全または半自動生成のための改善された技術が必要とされている。

本発明の実施形態によれば、決定ロジック（例えば、これに限定されないが、保護リレーの決定ロジック）を生成するために機械学習を利用することを可能にする方法およびシステムが提供される。

実施形態は、電力システムの動作計画、制御、および保護の開発が自動的に遂行されることを可能にする。本技術は、個々のコントローラ、または様々な決定ロジック間の相互作用を考慮する協調制御ロジックの生成に適用可能である。

コンピューティングシステムは、システムシミュレーションを遂行することを含む、仕様に従う性能を強化し、任意選択的に最大化する決定ロジックを自律的に作成することができる。決定ロジックが現場作業で使用されるときに起こり得るシナリオは、少なくともいくつかのシナリオがコンピュータ生成された状態でシミュレートされてもよい。敵対的ロジックは、決定ロジックを改善し、決定ロジックを生成するために展開することができる。

開示された技術は、決定ロジック挙動が、動作中にまれに発生するようなシナリオであっても、システム仕様内の多種多様なシナリオの下で試験されることを可能にする。これにより、現場動作において良好に機能する決定ロジックを生成することが可能になり、決定ロジックを自動的に生成するプロセスはまた、その演算のロバスト性に関する情報を提供する。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、決定ロジックのための決定ロジック候補を自動的に生成することと、シナリオに応答して決定ロジック候補の性能を計算することであって、性能を計算することはシステムシミュレーションを遂行することを含む、計算することと、をそれぞれ含む複数の反復を含む反復プロセスと、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

コントローラは、電力システム保護または電力システム制御のためのコントローラであってもよい。

性能は、性能メトリックまたはいくつかの性能メトリックに従って計算することができる。

本方法は、シナリオの少なくとも一部を自動的に選択または自動的に作成することをさらに含むことができる。

シナリオ作成ロジックを実行して、シナリオの少なくとも一部を作成することができる。

シナリオ作成ロジックは、機械学習モデルであってもよい。
シナリオ作成ロジックは、性能メトリックまたはいくつかの性能メトリックに従って決定ロジック候補のうちの少なくとも１つの性能を低下させることを目標として学習することができる。

シナリオ作成ロジックは、決定ロジック候補のうちの少なくとも１つのパラメータが更新されている間、および／または異なる機械学習モデルアーキテクチャを有する決定ロジック候補がシステムシミュレーションにおけるシナリオによってチャレンジされている間に、反復的に学習することができる。

シナリオ作成ロジックは、他の決定ロジック候補を生成するためにシミュレーション結果の性能評価に応答して決定ロジック候補を自動的に修正する決定ロジックジェネレータに対する敵対的ロジックであってもよい。

シナリオ作成ロジックおよび決定ロジックジェネレータは、敵対的生成ネットワーク（ＧＡＮ）であってもよい。

シナリオ作成ロジックは、ＩＡＣＳのシステム仕様内にあるシナリオのみを生成するように制約され得る。

本方法は、第１の機械学習モデルアーキテクチャを有する決定ロジック候補の性能を低下させる１つまたはいくつかのシナリオを記憶することをさらに含むことができる。

任意の決定ロジック候補について、決定ロジック候補が、それぞれの決定ロジック候補を用いてシステムシミュレーションを遂行するために使用されるシナリオのバッチの中から最悪の性能を示すようにするシナリオまたはシナリオのバッチを記憶することができる。

本方法は、記憶されたシナリオまたはシナリオのバッチを検索することと、検索されたシナリオに応答して、第１の機械学習モデルアーキテクチャとは異なる第２の機械学習モデルアーキテクチャを有する少なくとも１つのさらなる決定ロジック候補の性能を判定することとをさらに含むことができる。

記憶されたシナリオまたはシナリオのバッチは、例えば決定ロジックアーキテクチャが変更されたときに、再帰的に検索されてもよい。

シナリオの一部のみが自動的に作成されてもよい。
シナリオの他の部分は、シナリオデータリポジトリから検索されてもよい。シナリオデータリポジトリは、専門家によって指定されたシナリオおよび／または過去のシナリオを含むことができる。

代替的または追加的に、シナリオの他の部分は、決定ロジック候補のうちの少なくとも１つの性能を低下させるように（例えば、性能品質基準を満たさないように）以前に判定されたシナリオを記憶するデータベース内の困難なシナリオリポジトリから検索されてもよい。

シナリオ提供モジュールは、シミュレーションが遂行されるアクティブシナリオのバッチを自動的に出力することができる。

シナリオ提供モジュールは、どのシナリオがアクティブシナリオのバッチに含まれるべきかを自動的に判定することができ、アクティブシナリオのバッチをシミュレーションエンジンに提供することができる。

シナリオ提供モジュールは、アクティブシナリオのバッチを動的に調整することができる。

シナリオ提供モジュールは、以前に試験された決定ロジック候補の計算された性能に応答して、アクティブシナリオのバッチを動的に調整することができる。

シナリオ提供モジュールは、新しい決定ロジック候補が反復的に生成されるときに、アクティブシナリオのバッチを連続的に調整することができる。

シナリオ提供モジュールは、決定ロジックを生成するプロセスにおいてアクティブシナリオのバッチを連続的に調整することができる。

シナリオ提供モジュールは、シナリオデータリポジトリからのシナリオをアクティブシナリオのセットに含めることができる。

シナリオデータリポジトリ内のシナリオは、ユーザ定義のシナリオおよび／または過去のシナリオを含むことができる。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、決定ロジックを生成する反復プロセスにおいて、シナリオデータリポジトリから取られたシナリオの一部が任意選択的に単調に減少するように、アクティブシナリオのバッチを調整することができる。

シナリオデータリポジトリから取られたシナリオの一部は、決定ロジックを生成するために遂行される反復プロセスの反復回数の関数として減少し得る。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、決定ロジックを生成する反復プロセスにおいて、シナリオ作成ロジックによって生成されたシナリオの一部が任意選択的に単調に増加するように、アクティブシナリオのバッチを調整することができる。

シナリオ作成ロジックによって生成されたシナリオの一部は、決定ロジックを生成するために遂行される反復プロセスの反復回数の関数として増加し得る。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、困難なシナリオリポジトリからのシナリオがアクティブシナリオのバッチに断続的に再導入されるように、アクティブシナリオのバッチを調整することができる。困難なシナリオリポジトリからアクティブシナリオのバッチへのシナリオの再導入は、決定ロジック候補の機械学習モデルアーキテクチャの変更によってトリガされ得る。

シナリオ作成ロジックは、シナリオを定義するシナリオパラメータセットを出力することができる。

シナリオパラメータセットは、順序付けられたパラメータセット、例えば、Ｍを１より大きい整数としてＭタプルであってもよい。

シナリオ作成ロジックは、決定ロジック候補の少なくとも記述を含む入力をシナリオパラメータセットにマッピングすることができる。

シナリオ作成ロジックは、システムシミュレーションで以前に使用されたシナリオおよびそのために計算された決定ロジック性能に基づいて学習することができる。

シナリオ作成ロジックの学習は、入力として受け取る決定ロジック候補に首尾よくチャレンジするシナリオ作成ロジックへの収束を達成するように行われてもよい。

シナリオ作成ロジックは、決定ロジック候補から独立している入力をシナリオパラメータセットにマッピングすることができる。入力は、静的または可変、例えば確率的であってもよい。

シナリオ作成ロジックは、決定ロジックを生成するプロセスにおいて継続的に更新されてもよい。

決定ロジック候補を生成することは、１つまたはいくつかの機械学習モデルを訓練することを含むことができる。

生成されたいくつかの決定ロジック候補は、２つ以上の異なる機械学習モデルアーキテクチャを有する機械学習モデルを含むことができる。

機械学習モデルの複雑さ（例えば、ノードおよび／または層の数）は、決定ロジックを生成するプロセスにおいて新しい決定ロジック候補が生成されるにつれて増大し得る。

漸進的ニューラルアーキテクチャ探索が遂行され得る。
２つ以上の異なる機械学習モデルアーキテクチャは、限定されることなく、ノードの数および／または層の数において互いに異なる人工ニューラルネットワークアーキテクチャを備えることができる。

決定ロジック候補を生成することは、機械学習モデルアーキテクチャを選択することと、第１の終了基準が満たされるまで機械学習モデルアーキテクチャを有する決定ロジック候補を訓練することと、訓練された決定ロジック候補の性能情報を記憶することと、第２の終了基準が満たされない場合、異なる機械学習モデルアーキテクチャを有する異なる決定ロジック候補について訓練ステップおよび記憶ステップを繰り返すことと、第２の終了基準が満たされる場合、記憶された性能情報に基づいて訓練された決定ロジック候補のうちの１つを選択して出力することと、を含むことができる。

決定ロジックジェネレータは、１つまたはいくつかの機械学習モデルを訓練することを含む、いくつかの決定ロジック候補を生成することができる。

決定ロジックジェネレータは、ＩＡＣＳの単一のコントローラの決定ロジック候補を生成することができる。

決定ロジックジェネレータは、ＩＡＣＳの複数のコントローラによって実行される分散制御のための決定ロジック候補を生成することができる。

決定ロジックジェネレータがシステムシミュレーションにおいてより良好に機能する決定ロジック候補を生成することを目指して学習している間に、決定ロジックジェネレータの学習レートを調整することができる。

決定ロジックジェネレータの学習レートは、計算された性能または計算された性能の変化率に基づいて動的に調整することができる。

決定ロジックジェネレータの学習レートは、非単調に動的に調整されてもよい。
学習レートは、計算された性能に依存して決定ロジックジェネレータによって調整されたパラメータの変化率を管理することができる。

学習レートは、フィードバック信号に応答して人工ニューラルネットワーク（ＡＮＮ）の重みの変化率を管理することができる。

学習レートは、決定ロジックジェネレータによって以前に生成された決定ロジック候補について判定された性能に依存するフィードバック信号に応答して、ＡＮＮの重みの変化率を管理することができる。

学習レートは、決定ロジックジェネレータによって以前に生成された候補決定ロジックの出力と教師あり学習で既知の正しい出力とに依存するフィードバック信号に応答してＡＮＮの重みの変化率を管理することができる。

決定ロジックジェネレータは、計算された性能に依存する入力を受信することができ、入力に基づいて学習レートを動的に調整することができる。

決定ロジックジェネレータは、勾配技術を使用して人工ニューラルネットワークの重みを更新することができる。

勾配技術は、勾配降下法であってもよい。
勾配降下法は、確率的勾配降下法であってもよい。

決定ロジックジェネレータは、機械学習モデルアーキテクチャを変更することなく決定ロジック候補が訓練される内側ループと、アーキテクチャが変更される任意選択の外側ループとを有する入れ子探索を実行することができる。

決定ロジックジェネレータは、試行錯誤探索、モデルベース探索、教師あり学習、または強化学習に基づいて、決定ロジック候補である機械学習モデルのパラメータを特定してもよい。

決定ロジックジェネレータは、試行錯誤探索、モデルベース探索、教師あり学習、または強化学習に基づいて、決定ロジック候補である機械学習モデルのアーキテクチャを定義するハイパーパラメータを特定してもよい。

決定ロジックジェネレータは、第１の終了基準に応答して修正された機械学習モデルアーキテクチャを選択するように動作するアーキテクチャスーパーバイザを備えることができる。

第１の終了基準は、固定機械学習モデルアーキテクチャを有する決定ロジック候補を訓練するときに計算される性能の変化に依存し得る。

第１の終了基準は、固定機械学習モデルアーキテクチャを有する決定ロジック候補を訓練するときに計算される性能の、訓練の反復間の変化の閾値比較に依存し得る。

代替的または追加的に、第１の終了基準は、訓練決定ロジック候補が性能品質基準、例えば性能閾値基準を満たすときに計算される性能に依存し得る。

代替的または追加的に、第１の終了基準は、生成されたいくつかの決定ロジック候補が、第１のカバレッジ基準を満たす機械学習モデルアーキテクチャを有するかどうかに依存し得る。第１のカバレッジ基準は、閾値比較を含むことができ、例えば、自動試験に利用可能な機械学習モデルアーキテクチャのセットの閾値百分率に達したことを示すことができる。第１のカバレッジ基準は、ユーザ入力に応答して設定されてもよく、固定されてもよく、または計算された性能に基づいて動的に調整されてもよい。

代替的または追加的に、第１の終了基準は、シナリオが第２のカバレッジ基準を満たすかどうかに依存し得る。第２のカバレッジ基準は、第２の閾値比較を含むことができ、例えば、シミュレーションで使用されるシナリオが、システム仕様内にあるシナリオパラメータ空間の少なくとも第２の閾値百分率であるエリアをカバーすることを示すことができる。第２のカバレッジ基準は、ユーザ入力に応答して設定されてもよく、固定されてもよく、または計算された性能に基づいて動的に調整されてもよい。

アーキテクチャスーパーバイザは、所定の機械学習モデルアーキテクチャのセットから新しい機械学習モデルアーキテクチャを選択することができる。

アーキテクチャスーパーバイザは、生成される決定ロジックと類似または同一の機能を遂行する他の決定ロジックを生成するプロセスの結果を使用して、転移学習によって新しい機械学習モデルアーキテクチャを選択することができる。

アーキテクチャスーパーバイザは、以前に訓練が遂行された機械学習モデルアーキテクチャとは異なる新しい機械学習モデルアーキテクチャを選択することができる。

アーキテクチャスーパーバイザは、ハイパーパラメータ空間内で探索を遂行して、新しい機械学習モデルアーキテクチャを選択することができる。

ハイパーパラメータ空間は、新しい機械学習モデルアーキテクチャを形成するＡＮＮの層の数および／またはノードの数を定義するハイパーパラメータを含むことができる。

アーキテクチャスーパーバイザは、以前に訓練された機械学習モデルアーキテクチャと同一の機械学習モデルアーキテクチャを選択することができ、本方法は、システムシミュレーションを遂行することと、その間に他の機械学習モデルアーキテクチャの性能を低下させると判定されたシナリオに基づいて性能を評定することとを含むことができる。

本方法は、インターフェースを介して、性能メトリックまたはいくつかの性能メトリックを指定する入力を受信することをさらに含むことができる。

本方法は、性能メトリックまたはいくつかの性能メトリックを自動的に修正することを含むことができる。

性能を計算することは、いくつかのシナリオを含むシナリオのバッチの決定ロジック候補について決定された少なくとも１つの性能メトリックの計算された値を組み合わせることを含むことができる。

計算された値を組み合わせることは、ＩＡＣＳの現場動作中にセット内のシナリオの発生の頻度に基づいて計算された値に重み付けすることを含むことができる。

性能メトリックは、決定ロジックの制御目標と同一であってもよい。
性能メトリックは、決定ロジックの制御目標とは異なる、任意選択的に独立した少なくとも１つのメトリックを含むことができる。

本方法は、決定ロジックを生成する方法の間に１つまたは複数の性能メトリックを動的に変更することを含むことができる。

１つまたは複数の性能メトリックは、これに限定されないが、動作コスト、サービスされていないエネルギー、電力価格、システム安定性、利用可能な電力伝送容量、選択性および信頼性、コントローラ安定性のうちの任意の１つまたは任意の組合せであってもよい。

入力は、１つまたはいくつかの重要業績評価指標ＫＰＩを定義することができる。
１つまたはいくつかのＫＰＩは、電力コストの最小化、グリッド電力伝送制限の増加、グリッド安定性の保証、安全性および信頼性の保護目標の最大化、電圧および電流の制限内の維持、経済的利益の最大化のうちの１つまたはいくつかを含む。

性能メトリックは、システムシミュレーションにおける決定ロジックによって取られたアクションと、正しいことが既知のアクションとの間の計算された偏差に基づくことができる。

偏差は、ノルムに従って計算することができる。
正しいことが既知のアクションは、専門家の（例えば、教師あり学習における）入力によって定義されてもよく、または過去のデータから導出されてもよい。

システムシミュレーションを遂行することは、電力システムの１次装置および／または２次装置の挙動をシミュレートすることを含むことができる。

電力システムは、発電システム、送電システム、または配電システムであってもよい。
システムシミュレーションを遂行することは、電力潮流シミュレーション、短絡計算、電磁過渡現象計算、最適電力潮流計算、ユニットコミットメント解析のうちの１つまたはいくつかを含むことができる。

システムシミュレーションは、これに限定されないが、最適電力潮流（ＯＰＦ）解析、外乱のシミュレーション、短絡解析の実行、電力市場清算シミュレーションの実行のうちの任意の１つまたは任意の組合せであってもよく、またはそれらを含んでもよい。

外乱は、時間ドメインおよび／または周波数ドメインでシミュレートすることができる。

外乱は、決定ロジックおよび／または決定ロジックを含むシステムの安定性を評価するためにシミュレートすることができる。

短絡解析は、保護リレーによって使用される計算信号を含むことができる。
電力市場清算シミュレーションを実行することは、ノード電力価格を提供することを含んでもよい。

シナリオ作成ロジックおよび／または決定ロジックジェネレータは、完全にデータ駆動であってもよい。

シナリオ提供モジュールおよび／または決定ロジックジェネレータは、部分的にのみデータ駆動されてもよい。

シナリオ提供モジュールは、システムシミュレーションによってシナリオを生成するように動作することができ、システムシミュレーションは、システムシミュレーションパラメータでパラメータ化することができ、システムシミュレーションパラメータの値は、決定ロジック候補（単数または複数）の性能を低下させるように判定することができる。

代替的または追加的に、決定エージェントなどの決定ロジック候補は、決定ロジックパラメータを有するパラメータ化を有するモデルベースであってもよく、決定ロジックパラメータの値は、決定ロジック候補の性能を改善するために判定される。

本方法は、いくつかの異なる決定ロジック候補を生成し、いくつかの異なる決定ロジック候補のうちの決定ロジック候補を出力する決定ロジックジェネレータと、アクティブシナリオのバッチを出力するシナリオ提供モジュールと、決定ロジックジェネレータおよびシナリオ提供モジュールに結合され、アクティブシナリオのバッチに含まれるシナリオについてシステムシミュレーションを遂行するように動作するシミュレーションエンジンと、を実行する１つまたはいくつかの集積回路によって遂行されてもよい。

１つまたはいくつかの集積回路は、アクティブシナリオのバッチに含まれるシナリオのいくつかの異なる決定ロジック候補の性能を計算するように動作する性能評価器を実行するようにさらに動作することができる。

１つまたはいくつかの集積回路は、決定ロジックジェネレータおよびシナリオ提供モジュールの動作を協調させるように動作するコーディネータを実行するようにさらに動作することができる。

コーディネータは、性能を計算した性能評価器の出力に応じて、決定ロジックジェネレータおよびシナリオ提供モジュールの動作を協調させるように動作することができる。

コーディネータは、決定ロジックジェネレータおよびシナリオ作成モジュールの敵対的機械学習モデルを制御するように動作することができる。

コーディネータは、敵対的機械学習モデルの訓練を制御することができる。
コーディネータは、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練がいつ終了するかを制御することができる。

コーディネータは、性能が評定された決定ロジック候補の数に依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止することができる。

コーディネータは、性能が評定された決定ロジック候補の数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止することができる。性能が評定された決定ロジック候補の数が閾値未満である場合、訓練を継続してもよい。代替的または追加的に、性能が評定された決定ロジック候補がパラメータ空間またはハイパーパラメータ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

代替的または追加的に、コーディネータは、シナリオ作成モジュールによって既に生成されているシナリオに依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止することができる。

コーディネータは、システムシミュレーションが遂行されたシナリオの数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止することができる。システムシミュレーションが遂行されたシナリオの数が閾値未満である場合、訓練を継続することができる。代替的または追加的に、システムシミュレーションが遂行されたシナリオが、シナリオ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

コーディネータは、決定ロジックを生成するプロセスを終了するように動作することができる。

コーディネータは、平衡に達したときに、決定ロジックを生成するプロセスを終了するように動作することができる。

代替的または追加的に、コーディネータは、例えば、機械学習で遂行される反復の回数に対するタイムアウト基準および／または反復閾値基準に基づいて、平衡に達していないときに決定ロジックを生成するプロセスを終了するように動作することができる。

決定ロジックの生成が早期にストールしないことを保証するために、コーディネータは、決定ロジックジェネレータの学習レートを制御することと、シナリオ提供モジュールのマージ戦略を継続的に更新することと、新しい決定ロジック候補または新しいシナリオの生成を減速、加速および／または凍結することと、性能メトリックを選択的に変更することと、ストールを防止ようために決定ロジックジェネレータまたはシナリオ作成ロジックの訓練プロセスを再指示することと、のうちの任意の１つまたは任意の組合せを遂行するように動作することができる。

決定ロジックを生成するプロセスを終了するために、コーディネータは、以下の条件のうちの任意の１つまたは任意の組合せが満たされているかどうかを判定するように動作することができ、条件は、判定された性能が性能閾値を満たすこと、判定された性能が改善しないか、または判定された性能の改善レートがレート閾値を下回ること、可能な決定ロジック候補を定義するパラメータおよび／またはハイパーパラメータ空間が十分に探査されていること、可能なシナリオを定義するパラメータ空間が十分に探査されていること、である。

コーディネータは、決定ロジック候補が良好な性能を有すると判定された場合（例えば、判定された性能が性能閾値基準を満たす場合）、決定ロジックジェネレータの学習レートを低下させ、任意選択的に決定ロジック候補を凍結させるように動作することができる。コーディネータは、シナリオ提供モジュールが、良好な性能を有すると判定された決定ロジック候補の試験を継続するために、シミュレーションが遂行されるシナリオの新しいアクティブバッチの出力を継続することを可能にすることができる。代替的または追加的に、コーディネータは、シナリオ提供モジュールを制御して、シナリオのアクティブバッチ内のシナリオ作成ロジックによって作成された機械生成シナリオの一部を調整、特に増加させることができる。

代替的または追加的に、コーディネータは、シナリオのバッチに対して判定された性能が決定ロジック候補の性能を低下させる場合（例えば、判定された性能が第２の性能閾値基準を満たさない場合）、決定ロジックジェネレータの学習レートを増加させるように動作することができる。

代替的または追加的に、コーディネータは、シナリオのバッチに対して判定された性能が決定ロジック候補の性能を低下させる場合（例えば、判定された性能が第２の性能閾値基準を満たさない場合）、シナリオ作成ロジックの学習レートを低下させ、任意選択的に現在のシナリオ作成ロジックを凍結させるように動作することができる。シナリオ作成ロジックの学習レートは、決定生成ロジックの継続的な学習が、シナリオ作成ロジックによって作成されたシナリオに対して良好な性能を示す（例えば、性能閾値基準を満たす性能を有する）決定ロジック候補をもたらすまで、凍結および／または低減され続けることができる。

代替的または追加的に、コーディネータは、決定ロジック候補の性能を低下させるために以前に特定されたシナリオを、特に再帰的に、アクティブシナリオのバッチに再導入させるように動作することができる。コーディネータは、決定ロジック候補の類似度メトリックに依存して、以前に特定された困難なシナリオのそのような再導入をトリガするように動作することができる。類似度メトリックが第１の決定ロジック候補および第２の決定ロジック候補が十分に異なることを示すならば（例えば、類似度メトリックが論理メトリック閾値を超える値を有する場合）、第１の決定ロジック候補にとって困難であることが判明したシナリオは、第２の決定ロジック候補についてシステムシミュレーションを遂行するためのアクティブシナリオのバッチに再導入することができる。

代替的または追加的に、コーディネータは、探査（例えば、シナリオの場合、決定ロジック候補に利用可能な空間および／またはパラメータおよび／またはハイパーパラメータ空間）と利用可能なリソースの活用（例えば、計算時間、ハードウェアリソース）とのバランスをとるように動作することができる。

代替的または追加的に、コーディネータは、決定ロジックジェネレータおよびシナリオ作成ロジックの改善レートを監視することができる。コーディネータは、決定ロジックジェネレータおよびシナリオ作成ロジックの改善レートの比較に基づいて、任意選択的に決定ロジックジェネレータまたはシナリオ作成ロジックを凍結することによって、決定ロジックジェネレータまたはシナリオ作成ロジックの学習レートを低下させることができる。コーディネータは、シナリオ作成ロジックがより低い改善レートを示す場合、決定ロジックジェネレータの学習レートを低下させることができる。コーディネータは、シナリオ作成ロジックがより低い改善レートを示す場合、シナリオ作成ロジックの学習レートを低下させることができる。

生成プロセスの結果は、ストレージに記憶されてもよい。
ストレージ内の各エントリは、システムシミュレーションが遂行されたシナリオに関する情報、システムシミュレーションが遂行された決定ロジック候補に関する情報（そのパラメータ、および該当する場合はそのアーキテクチャに関する情報を含む）、および性能メトリックの対応する値を含むことができる。

決定ロジックジェネレータのアーキテクチャ（例えば、ＡＮＮの層および／またはノードの数）は、他のコントローラのための別の決定ロジックを生成するプロセスのためにストレージに記憶された情報によって定義することができる。決定ロジックを生成するために、データベースに記憶された情報によって定義されたアーキテクチャを有する決定ロジックジェネレータのパラメータは、アーキテクチャを固定したまま判定することができる。

代替的または追加的に、シナリオ作成ロジックのアーキテクチャ（例えば、ＡＮＮの層および／またはノードの数）は、他のコントローラのための他の決定ロジックを生成するプロセスのためにストレージに記憶された情報によって定義されてもよい。決定ロジックを生成するために、データベースに記憶された情報によって定義されたアーキテクチャを有するシナリオ作成ロジックのパラメータは、アーキテクチャを固定したまま判定することができる。

本方法は、他のコントローラのための他の決定ロジックを生成するプロセスのために、データベースに記憶されたアーキテクチャに基づいて決定ロジック候補のアーキテクチャを判定することを含む、転移学習を使用することを含むことができる。

転移学習は、コントローラおよび他のコントローラが類似または同一の機能（過電流保護など）を有し、類似または同一のシステムトポロジで使用される場合に選択的に使用することができる。

本方法は、生成された決定ロジックをＩＡＣＳ、特に電力システムのコントローラに展開することをさらに含むことができる。

コントローラは、電力システム動作用のコントローラであってもよい。
コントローラは、電力システム制御用のコントローラであってもよい。

コントローラは、保護リレーであってもよい。
本方法は、コントローラによって、選択された決定ロジックを実行することを含むことができる。

決定ロジックは保護ロジックであってもよい。
決定ロジックは距離保護ロジックであってもよい。

本方法は、コントローラによって実行された選択された決定ロジックの監視された現場挙動に応答して決定ロジックを自動的に修正することをさらに含むことができる。

産業用オートメーション制御システムＩＡＣＳのコントローラ、特に電力システム保護または電力システム制御のためのコントローラのための決定ロジックを生成するためのコンピュータシステムは、決定ロジックのための決定ロジック候補を自動的に生成することと、シナリオに応答して決定ロジック候補の性能を計算することであって、性能を計算することはシステムシミュレーションを遂行することを含む、計算することと、をそれぞれ含む複数の反復を含む反復プロセスと、計算された性能の結果に基づいて決定ロジック候補のうちの少なくとも１つを選択することと、を遂行するように動作する１つまたはいくつかの集積回路と、選択された少なくとも１つの決定ロジックを出力するように動作する出力インターフェースと、を備える。

コンピューティングシステムは、電力システム保護または電力システム制御のためのコントローラのための決定ロジックを生成するように動作することができる。

コンピューティングシステムは、性能メトリックまたはいくつかの性能メトリックに従って性能を計算するように動作することができる。

コンピューティングシステムは、シナリオの少なくとも一部を自動的に選択または自動的に作成するように動作することができる。

コンピューティングシステムは、シナリオの少なくとも一部を作成するためにシナリオ作成ロジックを実行するように動作することができる。

コンピューティングシステムは、第１の機械学習モデルアーキテクチャを有する決定ロジック候補の性能を低下させる１つまたはいくつかのシナリオを記憶させるように動作することができる。

コンピューティングシステムは、任意の決定ロジック候補について、決定ロジック候補が、それぞれの決定ロジック候補を用いてシステムシミュレーションを遂行するために使用されるシナリオのバッチの中から最悪の性能を示すようにするシナリオまたはシナリオのバッチを記憶することができるように動作することができる。

コンピューティングシステムは、記憶されたシナリオまたはシナリオのバッチを検索し、検索されたシナリオに応答して、第１の機械学習モデルアーキテクチャとは異なる第２の機械学習モデルアーキテクチャを有する少なくとも１つのさらなる決定ロジック候補の性能を判定するように動作することができる。

コンピューティングシステムは、記憶されたシナリオまたはシナリオのバッチを、例えば決定ロジックアーキテクチャが変更されたときに、再帰的に検索するように動作することができる。

コンピューティングシステムは、シナリオの一部のみが自動的に作成されるように動作することができる。

コンピューティングシステムは、シナリオのデータリポジトリからシナリオの他の部分を検索するように動作することができる。シナリオデータリポジトリは、専門家によって指定されたシナリオおよび／または過去のシナリオを含むことができる。

代替的または追加的に、コンピューティングシステムは、シナリオの他の部分を、決定ロジック候補のうちの少なくとも１つの性能を低下させるように（例えば、性能品質基準を満たさないように）以前に判定されたシナリオを記憶するデータベース内の困難なシナリオリポジトリから検索するように動作することができる。

コンピューティングシステムは、シミュレーションが遂行されるアクティブシナリオのバッチを自動的に出力するように動作するシナリオ提供モジュールを実行するように動作することができる。

シナリオ提供モジュールは、どのシナリオがアクティブシナリオのバッチに含まれるべきかを自動的に判定するように動作することができ、アクティブシナリオのバッチをシミュレーションエンジンに提供することができる。

シナリオ提供モジュールは、アクティブシナリオのバッチを動的に調整するように動作することができる。

シナリオ提供モジュールは、以前に試験された決定ロジック候補の計算された性能に応答して、アクティブシナリオのバッチを動的に調整するように動作することができる。

シナリオ提供モジュールは、新しい決定ロジック候補が反復的に生成されるときに、アクティブシナリオのバッチを連続的に調整するように動作することができる。

シナリオ提供モジュールは、決定ロジックを生成するプロセスにおいてアクティブシナリオのバッチを連続的に調整するように動作することができる。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、決定ロジックを生成する反復プロセスにおいて、シナリオデータリポジトリから取られたシナリオの一部が任意選択的に単調に減少するように、アクティブシナリオのバッチを調整するように動作することができる。

コンピューティングシステムは、シナリオデータリポジトリから取られたシナリオの一部が、決定ロジックを生成するために遂行される反復プロセスの反復回数の関数として減少し得るように動作することができる。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、決定ロジックを生成する反復プロセスにおいて、シナリオ作成ロジックによって生成されたシナリオの一部が任意選択的に単調に増加するように、アクティブシナリオのバッチを調整するように動作することができる。

コンピューティングシステムは、シナリオ作成ロジックによって生成されたシナリオの一部が、決定ロジックを生成するために遂行される反復プロセスの反復回数の関数として増加し得るように動作することができる。

シナリオ提供モジュールは、アクティブシナリオのバッチにおいて、困難なシナリオリポジトリからのシナリオがアクティブシナリオのバッチに断続的に再導入されるように、アクティブシナリオのバッチを調整するように動作することができる。困難なシナリオリポジトリからアクティブシナリオのバッチへのシナリオの再導入は、決定ロジック候補の機械学習モデルアーキテクチャの変更によってトリガされ得る。

シナリオ作成ロジックは、シナリオを定義するシナリオパラメータセットを出力するように動作することができる。

シナリオ作成ロジックは、決定ロジック候補の少なくとも記述を含む入力をシナリオパラメータセットにマッピングするように動作することができる。

シナリオ作成ロジックは、システムシミュレーションで以前に使用されたシナリオおよびそのために計算された決定ロジック性能に基づいて学習するように動作することができる。

コンピューティングシステムは、シナリオ作成ロジックの学習が、入力として受け取る決定ロジック候補に首尾よくチャレンジするシナリオ作成ロジックへの収束を達成するように実施されるように動作することができる。

シナリオ作成ロジックは、決定ロジック候補から独立している入力をシナリオパラメータセットにマッピングするように動作することができる。入力は、静的または可変、例えば確率的であってもよい。

シナリオ作成ロジックは、決定ロジックを生成するプロセスにおいて継続的に更新されるように動作することができる。

コンピューティングシステムは、機械学習モデルの複雑さ（例えば、ノードおよび／または層の数）が、決定ロジックを生成するプロセスにおいて新しい決定ロジック候補が生成されるにつれて増大するように動作することができる。

コンピューティングシステムは、決定ロジック候補として機能する機械学習モデルの複雑さを増大させるために漸進的ニューラルアーキテクチャ探索を遂行するように動作することができる。

２つ以上の異なる機械学習モデルアーキテクチャは、限定されることなく、ノードの数および／または層の数において互いに異なる人工ニューラルネットワークアーキテクチャを備えることができる。

コンピューティングシステムは、決定ロジック候補を生成することが、機械学習モデルアーキテクチャを選択することと、第１の終了基準が満たされるまで機械学習モデルアーキテクチャを有する決定ロジック候補を訓練することと、訓練された決定ロジック候補の性能情報を記憶することと、第２の終了基準が満たされない場合、異なる機械学習モデルアーキテクチャを有する異なる決定ロジック候補について訓練ステップおよび記憶ステップを繰り返すことと、第２の終了基準が満たされる場合、記憶された性能情報に基づいて訓練された決定ロジック候補のうちの１つを選択して出力することと、を含むことができるように動作することができる。

コンピューティングシステムは、１つまたはいくつかの機械学習モデルを訓練することを含む、いくつかの決定ロジック候補を生成するように動作する決定ロジックジェネレータを実行するように動作することができる。

決定ロジックジェネレータは、ＩＡＣＳの単一のコントローラの決定ロジック候補を生成するように動作することができる。

決定ロジックジェネレータは、ＩＡＣＳの複数のコントローラによって実行される分散制御のための決定ロジック候補を生成するように動作することができる。

コンピューティングシステムは、決定ロジックジェネレータがシステムシミュレーションにおいてより良好に機能する決定ロジック候補を生成することを目指して学習している間に、決定ロジックジェネレータの学習レートを調整するように動作することができる。

コンピューティングシステムは、計算された性能または計算された性能の変化率に基づいて動的に決定ロジックジェネレータの学習レートを調整するように動作することができる。

コンピューティングシステムは、非単調に動的に決定ロジックジェネレータの学習レートを調整するように動作することができる。

コンピューティングシステムは、学習レートが、計算された性能に依存して決定ロジックジェネレータによって調整されたパラメータの変化率を管理するように動作することができる。

コンピューティングシステムは、学習レートが、フィードバック信号に応答して人工ニューラルネットワーク（ＡＮＮ）の重みの変化率を管理するように動作することができる。

コンピューティングシステムは、学習レートが、決定ロジックジェネレータによって以前に生成された決定ロジック候補について判定された性能に依存するフィードバック信号に応答して、ＡＮＮの重みの変化率を管理するように動作することができる。

コンピューティングシステムは、学習レートが、決定ロジックジェネレータによって以前に生成された候補決定ロジックの出力と教師あり学習で既知の正しい出力とに依存するフィードバック信号に応答してＡＮＮの重みの変化率を管理するように動作することができる。

決定ロジックジェネレータは、計算された性能に依存する入力を受信することができ、入力に基づいて学習レートを動的に調整するように動作することができる。

決定ロジックジェネレータは、勾配技術を使用して人工ニューラルネットワークの重みを更新するように動作することができる。

決定ロジックジェネレータは、機械学習モデルアーキテクチャを変更することなく決定ロジック候補が訓練される内側ループと、アーキテクチャが変更される任意選択の外側ループとを有する入れ子探索を実行するように動作することができる。

決定ロジックジェネレータは、試行錯誤探索、モデルベース探索、教師あり学習、または強化学習に基づいて、決定ロジック候補である機械学習モデルのパラメータを特定するように動作することができる。

決定ロジックジェネレータは、試行錯誤探索、モデルベース探索、教師あり学習、または強化学習に基づいて、決定ロジック候補である機械学習モデルのアーキテクチャを定義するハイパーパラメータを特定するように動作することができる。

アーキテクチャスーパーバイザは、所定の機械学習モデルアーキテクチャのセットから新しい機械学習モデルアーキテクチャを選択するように動作することができる。

アーキテクチャスーパーバイザは、生成される決定ロジックと類似または同一の機能を遂行する他の決定ロジックを生成するプロセスの結果を使用して、転移学習によって新しい機械学習モデルアーキテクチャを選択するように動作することができる。

アーキテクチャスーパーバイザは、以前に訓練が遂行された機械学習モデルアーキテクチャとは異なる新しい機械学習モデルアーキテクチャを選択するように動作することができる。

アーキテクチャスーパーバイザは、ハイパーパラメータ空間内で探索を遂行して、新しい機械学習モデルアーキテクチャを選択するように動作することができる。

アーキテクチャスーパーバイザは、以前に訓練された機械学習モデルアーキテクチャと同一の機械学習モデルアーキテクチャを選択し、システムシミュレーションを遂行し、その間に他の機械学習モデルアーキテクチャの性能を低下させると判定されたシナリオに基づいて性能を評定するように動作することができる。

コンピューティングシステムは、インターフェースを介して、性能メトリックまたはいくつかの性能メトリックを指定する入力を受信するように動作することができる。

コンピューティングシステムは、性能メトリックまたはいくつかの性能メトリックを自動的に修正するように動作することができる。

コンピューティングシステムは、いくつかのシナリオを含むシナリオのバッチの決定ロジック候補について決定された少なくとも１つの性能メトリックの計算された値を組み合わせることによって性能を計算するように動作することができる。

コンピューティングシステムは、決定ロジックの生成中に性能メトリックを動的に変更するように動作することができる。

コンピューティングシステムは、ノルムに従って偏差を計算するように動作することができる。

コンピューティングシステムは、専門家の（例えば、教師あり学習における）入力によって正しいことが既知のアクションを定義するユーザ入力を受信するように動作することができる。

コンピューティングシステムは、過去のデータから正しいことが既知のアクションを導出するように動作することができる。

コンピューティングシステムは、システムシミュレーションにおいて電力システムの１次装置および／または２次装置の挙動をシミュレートするように動作することができる。

電力システムは、発電システム、送電システム、または配電システムであってもよい。
コンピューティングシステムは、システムシミュレーションを遂行することが、電力潮流シミュレーション、短絡計算、電磁過渡現象計算、最適電力潮流計算、ユニットコミットメント解析のうちの１つまたはいくつかを含むように動作することができる。

コンピューティングシステムは、シナリオ作成ロジックおよび／または決定ロジックジェネレータが、完全にデータ駆動であってもよいように動作することができる。

コンピューティングシステムは、シナリオ提供モジュールおよび／または決定ロジックジェネレータが、部分的にのみデータ駆動されてもよいように動作することができる。

コンピューティングシステムは、シナリオ提供モジュールが、システムシミュレーションによってシナリオを生成するように動作することができ、システムシミュレーションは、システムシミュレーションパラメータでパラメータ化することができ、システムシミュレーションパラメータの値は、決定ロジック候補（単数または複数）の性能を低下させるように判定することができるように動作することができる。

代替的または追加的に、コンピューティングシステムは、決定エージェントなどの決定ロジック候補が、決定ロジックパラメータを有するパラメータ化を有するモデルベースであってもよく、決定ロジックパラメータの値は、決定ロジック候補の性能を改善するために判定されるように動作することができる。

コンピューティングシステムは、いくつかの異なる決定ロジック候補を生成し、いくつかの異なる決定ロジック候補のうちの決定ロジック候補を出力する決定ロジックジェネレータと、アクティブシナリオのバッチを出力するシナリオ提供モジュールと、決定ロジックジェネレータおよびシナリオ提供モジュールに結合され、アクティブシナリオのバッチに含まれるシナリオについてシステムシミュレーションを遂行するように動作するシミュレーションエンジンと、を遂行することができる。

コーディネータは、敵対的機械学習モデルの訓練を制御するように動作することができる。

コーディネータは、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練がいつ終了するかを制御するように動作することができる。

コーディネータは、性能が評定された決定ロジック候補の数に依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止するように動作することができる。

コーディネータは、性能が評定された決定ロジック候補の数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止するように動作することができる。性能が評定された決定ロジック候補の数が閾値未満である場合、訓練を継続してもよい。代替的または追加的に、性能が評定された決定ロジック候補がパラメータ空間またはハイパーパラメータ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

代替的または追加的に、コーディネータは、シナリオ作成モジュールによって既に生成されているシナリオに依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止するように動作することができる。

コーディネータは、システムシミュレーションが遂行されたシナリオの数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止するように動作することができる。システムシミュレーションが遂行されたシナリオの数が閾値未満である場合、訓練を継続することができる。代替的または追加的に、システムシミュレーションが遂行されたシナリオが、シナリオ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

代替的または追加的に、コーディネータは、決定ロジックジェネレータおよびシナリオ作成ロジックの改善レートを監視するように動作することができる。コーディネータは、決定ロジックジェネレータおよびシナリオ作成ロジックの改善レートの比較に基づいて、任意選択的に決定ロジックジェネレータまたはシナリオ作成ロジックを凍結することによって、決定ロジックジェネレータまたはシナリオ作成ロジックの学習レートを低下させることができる。コーディネータは、シナリオ作成ロジックがより低い改善レートを示す場合、決定ロジックジェネレータの学習レートを低下させるように動作することができる。コーディネータは、シナリオ作成ロジックがより低い改善レートを示す場合、シナリオ作成ロジックの学習レートを低下させることができる。

コンピューティングシステムは、生成プロセスの結果をストレージに記憶するように動作することができる。

コンピューティングシステムは、ストレージ内の各エントリが、システムシミュレーションが遂行されたシナリオに関する情報、システムシミュレーションが遂行された決定ロジック候補に関する情報（そのパラメータ、および該当する場合はそのアーキテクチャに関する情報を含む）、および性能メトリックの対応する値を含むことができるように動作することができる。

コンピューティングシステムは、他のコントローラのための他の決定ロジックを生成するプロセスのために、データベースに記憶されたアーキテクチャに基づいて決定ロジック候補のアーキテクチャを判定することを含む、転移学習を使用するように動作することができる。

コンピューティングシステムは、コントローラおよび他のコントローラが類似または同一の機能（過電流保護など）を有し、類似または同一のシステムトポロジで使用される場合に選択的に転移学習を使用するように動作することができる。

コンピューティングシステムは、生成された決定ロジックをＩＡＣＳ、特に電力システムのコントローラに展開するように動作することができる。

他の実施形態によれば、生成された決定ロジックを実行するように動作するコントローラが提供される。

他の実施形態によれば、生成された決定ロジックを実行するように動作するコントローラを備える電力システムが提供される。

他の実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、（ｉ）決定ロジック候補、および（ｉｉ）決定ロジック候補のためのシナリオ、を生成する敵対的生成ネットワークＧＡＮを実行することと、生成されたシナリオに対するシステムシミュレーションにおける決定ロジック候補の性能に基づいて、決定ロジック候補のうちの１つを選択して出力することと、を含む。

ＧＡＮは、互いに敵対する２つのロジック、シナリオ作成ロジックおよび決定ロジックジェネレータ、を提供することができる。シナリオ作成ロジックおよび決定ロジックジェネレータは、他方の敵対的ロジックよりも優れることを目標として学習することができる。

シナリオ作成ロジックは、システムシミュレーションが遂行されるシナリオの少なくとも一部を作成することができる。

決定ロジックジェネレータは、決定ロジックを生成するプロセスにおいて、決定ロジック候補のパラメータ、または任意選択的にアーキテクチャおよびパラメータの両方を判定することができる。

コントローラは、電力動作システムまたは電力保護システムのコントローラであってもよい。

性能は、生成されたシナリオにおいてだけでなく、シナリオデータリポジトリから検索される他のシナリオにおいても、システムのシステム挙動をシミュレートするシステムシミュレーションにおける決定ロジック候補について判定されることができる。シナリオデータリポジトリは、専門家によって指定されたシナリオおよび／または過去のシナリオを含むことができる。

シミュレーションが遂行されるアクティブシナリオのバッチは、自動的に判定され、シミュレーションエンジンに出力されてもよい。

アクティブシナリオのバッチは動的に調整することができる。
アクティブシナリオのバッチは、以前に試験された決定ロジック候補の計算された性能に応答して、動的に調整することができる。

アクティブシナリオのバッチは、新しい決定ロジック候補が反復的に生成されるときに、連続的に調整することができる。

アクティブシナリオのバッチは、アクティブシナリオのバッチにおいて、シナリオデータリポジトリから取られたシナリオの一部が任意選択的に単調に減少するように、動的に調整することができる。

アクティブシナリオのバッチは、アクティブシナリオのバッチにおいて、決定ロジックを生成する反復プロセスにおいて、ＧＡＮによって生成されたシナリオの一部が任意選択的に単調に増加するように、動的に調整することができる。

ＧＡＮによって生成されたシナリオの一部は、決定ロジックを生成するために遂行される反復プロセスの反復回数の関数として増加し得る。

アクティブシナリオのバッチは、アクティブシナリオのバッチにおいて、困難なシナリオリポジトリからのシナリオがアクティブシナリオのバッチに断続的に再導入されるように、動的に調整することができる。困難なシナリオリポジトリからアクティブシナリオのバッチへのシナリオの再導入は、決定ロジック候補の機械学習モデルアーキテクチャの変更によってトリガされ得る。

ＧＡＮは、シナリオを定義するシナリオパラメータセットを出力することができるシナリオ作成ロジックを含むことができる。

決定ロジックジェネレータは、２つ以上の異なるアーキテクチャを有することができるいくつかの決定ロジック候補を生成することができる。

漸進的ニューラルアーキテクチャ探索を遂行して、複雑さが増す決定ロジック候補を生成することができる。

学習レートは、フィードバック信号に応答してＡＮＮの重みの変化率を管理することができる。

決定ロジックジェネレータは、第１の終了基準に応答して修正された機械学習モデルアーキテクチャを選択するように動作することができる。

決定ロジックジェネレータは、所定の機械学習モデルアーキテクチャのセットから新しい機械学習モデルアーキテクチャを選択することができる。

決定ロジックジェネレータは、生成される決定ロジックと類似または同一の機能を遂行する他の決定ロジックを生成するプロセスの結果を使用して、転移学習によって新しい機械学習モデルアーキテクチャを選択することができる。

決定ロジックジェネレータは、以前に訓練が遂行された機械学習モデルアーキテクチャとは異なる新しい機械学習モデルアーキテクチャを選択することができる。

決定ロジックジェネレータは、ハイパーパラメータ空間内で探索を遂行して、新しい機械学習モデルアーキテクチャを選択することができる。

決定ロジックジェネレータは、以前に訓練された機械学習モデルアーキテクチャと同一の機械学習モデルアーキテクチャを選択することができ、本方法は、システムシミュレーションを遂行することと、その間に他の機械学習モデルアーキテクチャの性能を低下させると判定されたシナリオに基づいて性能を評定することとを含むことができる。

システムシミュレーションは、電力システムの１次装置および／または２次装置の挙動をシミュレートすることを含むことができる。

電力システムは、発電システム、送電システム、または配電システムであってもよい。
システムシミュレーションは、電力潮流シミュレーション、短絡計算、電磁過渡現象計算、最適電力潮流計算、ユニットコミットメント解析のうちの１つまたはいくつかを含むことができる。

他の実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するためのコンピューティングシステムは、（ｉ）決定ロジック候補、および（ｉｉ）決定ロジック候補のためのシナリオ、を生成する敵対的生成ネットワークＧＡＮを実行し、生成されたシナリオに対するシステムシミュレーションにおける決定ロジック候補の性能に基づいて、決定ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

コンピューティングシステムは、任意の実施形態による方法を遂行するように動作することができる。

他の実施形態によれば、少なくとも１つの集積回路によって実行されると、コンピューティングシステムに一実施形態による方法を遂行させる機械可読命令コードが提供される。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、システムシミュレーションの結果に応答して少なくとも１つの決定ロジック候補が反復的に修正される反復プロセスであって、反復プロセスは、決定ロジック候補のうちの少なくともいくつかを低性能にする困難なシナリオを特定することを含む、反復プロセスを遂行することと、決定ロジック候補のうちの１つをコントローラの決定ロジックとして選択して出力することと、を含む。

困難なシナリオを特定することは、少なくとも１つの決定ロジック候補の性能を判定することを含むことができる。

性能は、アクティブシナリオのバッチにおけるシステムのシステム挙動をシミュレートするシステムシミュレーションにおける決定ロジック候補について判定することができる。

バッチ内のシナリオの一部は、シナリオ作成ロジックによって自動的に作成されてもよい。

シナリオの他の部分は、シナリオデータリポジトリから検索されてもよい。シナリオデータリポジトリは、専門家によって指定されたシナリオおよび／または過去のシナリオを含むことができる。

困難なシナリオは、困難なシナリオリポジトリに記憶され得る。
シナリオ提供モジュールは、シミュレーションが遂行されるアクティブシナリオのバッチを自動的に出力することができる。

シナリオ提供モジュールは、決定ロジック候補が反復的に修正されるときに、アクティブシナリオのバッチを連続的に調整することができる。

シナリオ提供モジュールは、特定された困難なシナリオのうちの少なくともいくつかがアクティブシナリオのバッチに再帰的に再導入されるように、アクティブシナリオのバッチを調整することができる。

アクティブシナリオのバッチへの困難なシナリオの再導入は、決定ロジック候補の機械学習モデルアーキテクチャの変更によってトリガされ得る。

シナリオ作成ロジックは、決定ロジックを生成するプロセスにおいて継続的に修正されてもよい。

シナリオ作成ロジックの学習レートは変更されてもよい。
シナリオ作成ロジックの学習レートは、システムシミュレーションにおける少なくとも１つの候補決定ロジックの性能および／またはシステムシミュレーションにおける少なくとも１つの候補決定ロジックの性能の変化に応答して自動的に変更することができる。

少なくとも１つの決定ロジック候補は、パラメータおよび／またはアーキテクチャを変更することによって修正することができる。

少なくとも１つの決定ロジック候補を修正することは、決定ロジックジェネレータによって自動的に遂行されてもよく、決定ロジックジェネレータは、本明細書に開示された機能のいずれか１つを有してもよい。

他の実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するためのコンピューティングシステムは、システムシミュレーションの結果に応答して少なくとも１つの決定ロジック候補が反復的に修正される反復プロセスであって、反復プロセスは、決定ロジック候補のうちの少なくともいくつかを低性能にする困難なシナリオを特定することを含む、反復プロセスを遂行し、決定ロジック候補のうちの１つをコントローラの決定ロジックとして選択して出力するように動作する１つまたはいくつかの集積回路を備える。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、決定ロジックのためのいくつかの決定ロジック候補を自動的に生成するために決定ロジックジェネレータを実行することと、いくつかのシナリオに対してシステムシミュレーションを遂行することによっていくつかの異なる決定ロジック候補の性能を計算することと、決定ロジックジェネレータおよび／またはいくつかのシナリオを出力するシナリオ提供モジュールを制御することと、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

本方法は、シナリオ提供モジュールのシナリオ作成ロジックによって、いくつかのシナリオの少なくとも一部を生成することをさらに含むことができる。

シナリオ作成ロジックおよび決定ロジックジェネレータは、ＧＡＮによって実装されてもよい。

決定ロジックジェネレータおよび／またはシナリオ提供モジュールを制御することは、決定ロジックジェネレータおよびシナリオ作成モジュールの敵対的機械学習モデルを制御することを含むことができる。

決定ロジックジェネレータおよび／またはシナリオ提供モジュールを制御することは、決定ロジックジェネレータの学習レートを制御すること、および／またはシナリオ提供モジュールのシナリオ作成ロジックの学習レートを制御することを含むことができる。

コーディネータは、決定ロジックジェネレータおよび／またはシナリオ提供モジュールを制御するために実行されてもよい。

コーディネータは、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練がいつ終了するかを制御することができる。

シナリオ作成ロジックおよび／または決定ロジックジェネレータは、本明細書に開示される他の実施形態のいずれかに記載されるように実装されてもよい。

他の実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するためのコンピューティングシステムは、決定ロジックのためのいくつかの決定ロジック候補を自動的に生成するために決定ロジックジェネレータを実行し、いくつかのシナリオに対してシステムシミュレーションを遂行することによっていくつかの異なる決定ロジック候補の性能を計算し、決定ロジックジェネレータおよび／またはいくつかのシナリオを出力するシナリオ提供モジュールを制御し、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、いくつかのシナリオに対するシステムシミュレーションにおける決定ロジック候補の性能を計算することと、さらなる決定ロジック候補を生成するためにＡＮＮのアーキテクチャを変更することと、いくつかのシナリオに対するシステムシミュレーションにおけるさらなる決定ロジック候補の性能を計算することを含む、さらなる決定ロジック候補を訓練することと、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

アーキテクチャを変更するステップと、さらなる決定ロジック候補を訓練するステップと、さらなる決定ロジック候補の性能を計算するステップとは、終了基準が満たされるまで反復的に繰り返されてもよい。

アーキテクチャを変更することは、ＡＮＮの層の数および／またはノードの数を変更することを含み得る。

アーキテクチャを変更することは、ＡＮＮの層の数および／またはノードの数を増加させることを含み得る。

アーキテクチャを変更することは、漸進的ニューラルアーキテクチャ探索を含み得る。
決定ロジック候補を訓練することと、さらなる決定ロジック候補を訓練することとは、システムシミュレーションにおける性能を改善するためにＡＮＮの重みを変更することを含み得る。

本方法は、いくつかのシナリオの少なくとも一部を自動的に生成することを含み得る。
決定作成ロジックを実行して、いくつかのシナリオの少なくとも一部を自動的に生成することができる。

重みの変化率を管理することができる学習レートは、訓練中に自動的に調整することができる。

学習レートは、フィードバック信号に応答して重みの変化率を管理することができる。
学習レートは、決定ロジックジェネレータによって以前に生成された決定ロジック候補について判定された性能に依存するフィードバック信号に応答して、重みの変化率を管理することができる。

学習レートは、決定ロジックジェネレータによって以前に生成された候補決定ロジックの出力と教師あり学習で既知の正しい出力とに依存するフィードバック信号に応答して、重みの変化率を管理することができる。

重みは、勾配技術を使用して変更することができる。
勾配技術は、勾配降下法であってもよい。

勾配降下法は、確率的勾配降下法であってもよい。
重みは、試行錯誤探索、モデルベース探索、教師あり学習、または強化学習に基づいて変更されてもよい。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するためのコンピューティングシステムは、いくつかのシナリオに対するシステムシミュレーションにおける決定ロジック候補の性能を計算することを含む、ＡＮＮである決定ロジック候補を訓練し、さらなる決定ロジック候補を生成するためにＡＮＮのアーキテクチャを変更し、いくつかのシナリオに対するシステムシミュレーションにおけるさらなる決定ロジック候補の性能を計算することを含む、さらなる決定ロジック候補を訓練し、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

一実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するコンピュータ実装方法は、決定ロジックのためのいくつかの決定ロジック候補であって、決定ロジック候補のうちの少なくとも１つのアーキテクチャが転移学習を使用して判定される、いくつかの決定ロジック候補を自動的に生成することと、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる決定ロジック候補の性能を計算することと、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

決定ロジック候補のうちの少なくとも１つのアーキテクチャは、ＩＡＣＳの他のコントローラの他の決定ロジックのための機械学習手順において取得された決定ロジックアーキテクチャに基づいて判定され得る。

本方法は、データリポジトリからＩＡＣＳの他のコントローラの他の決定ロジックのための機械学習手順において取得された決定ロジックアーキテクチャに関する情報を検索することを含むことができる。

本方法は、決定ロジックによって遂行される機能に基づいて、および任意選択的に、システムトポロジに基づいて、データリポジトリ内の他の決定ロジックを特定することを含むことができる。

他の決定ロジックは、生成される決定ロジックと同一または類似の機能を有してもよい。

他の決定ロジックは、類似度メトリックを使用するときに、コントローラが展開されるネットワークトポロジと同一または類似であると判定されるシステムトポロジに展開された他のコントローラによって実行されてもよい。

本方法は、決定ロジック候補のうちの少なくとも１つのパラメータを修正して他の決定ロジック候補を生成する決定ロジックジェネレータを実行することを含むことができる。

決定ロジックジェネレータは、任意選択的に、転移学習によって判定されたアーキテクチャと比較して、アーキテクチャ（例えば、ＡＮＮの層および／またはノードの数）を修正することができる。

決定ロジックジェネレータは、任意選択的に、アーキテクチャの複雑さを増加させて（例えば、ＡＮＮの層および／またはノードの数を増やすことによって）、反復プロセスにおける候補決定ロジックの性能を改善することができる。

本方法は、システムシミュレーションで使用されるシナリオの少なくとも一部を生成するためにシナリオ作成ロジックを実行することを含むことができる。

シナリオ作成ロジックおよび決定ロジックジェネレータは、敵対的ロジックであってもよい。

ＧＡＮが、シナリオ作成ロジックおよび決定ロジックジェネレータを実装するように実行されてもよい。

他の実施形態による産業用オートメーション制御システム（ＩＡＣＳ）のコントローラのための決定ロジックを生成するためのコンピューティングシステムは、決定ロジックのためのいくつかの決定ロジック候補であって、決定ロジック候補のうちの少なくとも１つのアーキテクチャが転移学習を使用して判定される、いくつかの決定ロジック候補を自動的に生成し、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる決定ロジック候補の性能を計算し、計算された性能に基づいて決定ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

一実施形態による電力システムのコントローラのための閉ループ制御ロジックを生成するコンピュータ実装方法は、制御ロジックのためのいくつかの制御ロジック候補を自動的に生成することと、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる制御ロジック候補の性能を計算することと、計算された性能に基づいて制御ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

コントローラは、送電システムのためのコントローラであってもよい。
コントローラは、予防的安全性のためのコントローラであってもよい。

コントローラは、補正的安全性のためのコントローラであってもよい。
シナリオは、電力システムの動作点をそれぞれ定義することができる。

動作点は、電源（発電機および／またはエネルギー貯蔵）のＰおよびＱ注入、ノードでのＰおよびＱ消費、ＨＶＤＣ変換器ステーションのＰおよびＱ注入、ＦＡＣＴＳ装置、分路構成要素（コンデンサ、リアクトル）の設定、移相器、ＬＶＲおよびＯＬＴＣ、スイッチのステータス、結果として生じるグリッド分岐（例えば、ライン、ケーブル、変圧器、変換器ステーションなど）におけるＰおよびＱ電力潮流のうちの任意の１つまたは任意の組合せを含むことができる。

システムシミュレーションで使用されるシナリオは、動作点を定義するパラメータを含むことができる。

代替的または追加的に、システムシミュレーションで使用されるシナリオは、偶発事故または事象（例えば、ラインの障害）を含むことができる。

代替的または追加的に、システムシミュレーションで使用されるシナリオは、外因性変数を含むことができる。外因性変数は、発電または電力消費に影響を与える周囲条件を含むことができる。外因性変数は、温度、風速、太陽放射照度、時間、季節のうちの１つまたはいくつかを含むことができる。

代替的または追加的に、システムシミュレーションで使用されるシナリオは、負荷予測および／または再生可能発電予測などの予測を含むことができる。

性能を計算することは、システムシミュレーションにおいて、制御ロジック候補によって提案されたアクションから生じる動作点を判定することと、提案されたアクションから生じる動作点が許容可能であるかどうかを判定することとを含むことができる。

提案されたアクションから生じる動作点が許容可能であるかどうかを判定することは、動作点が不安定性をもたらすかどうかを判定することを含むことができる。不安定性は、固有値解析によって定量化することができる。提案されたアクションから生じる動作点が許容可能であるかどうかを判定することは、最も近い許容可能な動作点からの距離を判定することを含むことができる。

性能を計算することは、少なくとも提案されたアクションから生じる動作点が許容可能である場合、コストを計算することを含むことができる。コストは、送電損失および／または再生可能エネルギー源によって生産される総電力に依存し得る。コストは財務コストであってもよい。コストは、制御アクションのコストであってもよい。コストは、シミュレートされた偶発事故の前の動作点のコストを含むことができる。シミュレートされた偶発事故前の動作点のコストは、ルックアップテーブルを使用して、または市場清算最適化を使用して判定することができる。

システムシミュレーションは、制御ロジック候補によってトリガされる動作を含む、電力システムの動的挙動をシミュレートするように動作することができる、時間ドメインおよび／または周波数ドメインにおける電力システムシミュレーションを含むことができる。

システムシミュレーションは、再生可能エネルギー発電の予測および／または需要の予測を含むことができる。

システムシミュレーションは、ＡＣ電力潮流解析を含むことができる。
システムシミュレーションは、市場清算シミュレーションを含むことができる。

シナリオ作成ロジックは、機械学習モデルであってもよい。
シナリオ作成ロジックは、制御ロジック候補のうちの少なくとも１つのパラメータが更新されている間、および／または異なる機械学習モデルアーキテクチャを有する制御ロジック候補がシステムシミュレーションにおけるシナリオによってチャレンジされている間に、反復的に学習することができる。

シナリオ作成ロジックは、他の制御ロジック候補を生成するためにシミュレーション結果の性能評価に応答して制御ロジック候補を自動的に修正する決定ロジックジェネレータに対する敵対的ロジックであってもよい。

シナリオ作成ロジックは、電力システムのシステム仕様内にあるシナリオのみを生成するように制約され得る。

本方法は、第１の機械学習モデルアーキテクチャを有する制御ロジック候補の性能を低下させる１つまたはいくつかの困難なシナリオを記憶することをさらに含むことができる。

以前に試験された制御ロジック候補の性能を低下させる（例えば、性能閾値未満の性能を有するようにする）困難なシナリオは、システムシミュレーションが遂行されるアクティブシナリオのバッチに再帰的に再導入され得る。

１つまたはいくつかの困難なシナリオをアクティブシナリオのバッチに再導入することは、制御ロジック候補のアーキテクチャの変更（例えば、ＡＮＮの層の数および／またはノードの数の変更）によってトリガすることができる。

アクティブシナリオのバッチは、アクティブシナリオのバッチにおいて、制御ロジック候補の性能が計算されるにつれて、シナリオ作成ロジックによって生成されたシナリオの一部が任意選択的に単調に増加するように、動的に調整することができる。

制御ロジック候補の複雑さ（例えば、ノードおよび／または層の数）は、制御ロジックを生成するプロセスにおいて新しい制御ロジック候補が生成されるにつれて増大し得る。

制御ロジック候補を修正することは、本明細書に開示された実施形態のいずれか１つによる決定ロジックジェネレータを使用して遂行することができる。

シナリオ作成ロジックは、本明細書に開示された実施形態のいずれか１つに関連して説明したように動作することができる。

コーディネータを使用して、決定ロジックジェネレータおよびシナリオ作成ロジックの動作を協調させることができ、これは、本明細書に開示された実施形態のいずれか１つに関連して説明したように動作することができる。

決定ロジックジェネレータおよび／またはシナリオ作成ロジックの学習レートは、計算された性能の発展に依存して動的に調整することができる。

制御ロジック候補が、シナリオ作成モジュールによって生成されたシナリオのシステムシミュレーションにおいて性能品質基準を満たす性能を一貫して示す場合、任意選択的に決定ロジックジェネレータを凍結することによって、決定ロジックジェネレータの学習レートを減少させることができる。

制御ロジック候補が、シナリオ作成モジュールによって生成されたシナリオのシステムシミュレーションにおいて性能品質基準を満たす性能を一貫して示す場合、任意選択的にシナリオ作成ロジックを凍結することによって、シナリオ作成ロジックの学習レートを減少させることができる。

本方法は、生成された制御ロジックを電力システムのコントローラに展開することをさらに含むことができる。

本方法は、コントローラによって、選択された制御ロジックを実行することを含むことができる。

本方法は、コントローラによって実行された選択された制御ロジックの監視された現場挙動に応答して制御ロジックを自動的に修正することをさらに含むことができる。

他の実施形態による電力システムのコントローラのための閉ループ制御ロジックを生成するためのコンピューティングシステムは、制御ロジックのためのいくつかの制御ロジック候補を自動的に生成し、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる制御ロジック候補の性能を計算し、計算された性能に基づいて制御ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

一実施形態による電力システムのコントローラのための保護ロジックを生成するコンピュータ実装方法は、保護ロジックのためのいくつかの保護ロジック候補を自動的に生成することと、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる保護ロジック候補の性能を計算することと、計算された性能に基づいて保護ロジック候補のうちの少なくとも１つを選択して出力することと、を含む。

コントローラは、送電システムのためのコントローラであってもよい。
コントローラは、配電システムのためのコントローラであってもよい。

コントローラは、保護リレーであってもよい。
システムシミュレーションで使用されるシナリオは、以下のうちの任意の１つまたは任意の組合せを含むことができる：
－限定しないが、送電／配電ラインに沿った単相－接地、相間、三相の障害と、バスバー障害と、発電機／負荷スイッチングを含み得る、障害のタイプ（アクションを必要とする）またはスイッチング事象（アクションを必要としない）；
－障害開始角度（すなわち、障害発生時点：障害がゼロ交差で発生するか電流の最大値で発生するか）；
－システム内の負荷レベル
－送電／配電ラインに沿った障害位置
－従来型発電により負荷が支配的に供給されるとき、または変換器インターフェース型発電により負荷が支配的に供給されるときのシステムにおける発電パターン
－システムの通常動作中に遭遇する可能性があるトポロジ。

異なるシナリオは、上記のうちの１つまたは複数において互いに異なり得る。
すべてのシナリオは、電力システムのシステム仕様内にあり得る。

性能を計算することは、システムシミュレーションにおける保護ロジック候補の計算速度、信頼性、および安全性を含むことができる。

性能は、速度、信頼性、および安全性の重み付き和として計算することができる。
システムシミュレーションは、ＡＣ短絡解析を含むことができる。

システムシミュレーションは、ＡＣ電力潮流解析を含むことができる。
システムシミュレーションは、制御ロジック候補によってトリガされる動作を含む、電力システムの動的挙動をシミュレートするように動作することができる、時間ドメインおよび／または周波数ドメインにおける電力システムシミュレーションを含むことができる。

シナリオ作成ロジックは、機械学習モデルであってもよい。
シナリオ作成ロジックは、保護ロジック候補のうちの少なくとも１つのパラメータが更新されている間、および／または異なる機械学習モデルアーキテクチャを有する保護ロジック候補がシステムシミュレーションにおけるシナリオによってチャレンジされている間に、反復的に学習することができる。

シナリオ作成ロジックは、他の保護ロジック候補を生成するためにシミュレーション結果の性能評価に応答して保護ロジック候補を自動的に修正する決定ロジックジェネレータに対する敵対的ロジックであってもよい。

本方法は、第１の機械学習モデルアーキテクチャを有する保護ロジック候補の性能を低下させる１つまたはいくつかの困難なシナリオを記憶することをさらに含むことができる。

以前に試験された保護ロジック候補の性能を低下させる（例えば、性能閾値未満の性能を有するようにする）困難なシナリオは、システムシミュレーションが遂行されるアクティブシナリオのバッチに再帰的に再導入され得る。

１つまたはいくつかの困難なシナリオをアクティブシナリオのバッチに再導入することは、保護ロジック候補のアーキテクチャの変更（例えば、ＡＮＮの層の数および／またはノードの数の変更）によってトリガすることができる。

アクティブシナリオのバッチは、アクティブシナリオのバッチにおいて、保護ロジック候補の性能が計算されるにつれて、シナリオ作成ロジックによって生成されたシナリオの一部が任意選択的に単調に増加するように、動的に調整することができる。

保護ロジック候補の複雑さ（例えば、ノードおよび／または層の数）は、保護ロジックを生成するプロセスにおいて新しい保護ロジック候補が生成されるにつれて増大し得る。

保護ロジック候補を修正することは、本明細書に開示された実施形態のいずれか１つによる決定ロジックジェネレータを使用して遂行することができる。

保護ロジック候補が、シナリオ作成モジュールによって生成されたシナリオのシステムシミュレーションにおいて性能品質基準を満たす性能を一貫して示す場合、任意選択的に決定ロジックジェネレータを凍結することによって、決定ロジックジェネレータの学習レートを減少させることができる。

保護ロジック候補が、シナリオ作成モジュールによって生成されたシナリオのシステムシミュレーションにおいて性能品質基準を満たす性能を一貫して示す場合、任意選択的にシナリオ作成ロジックを凍結することによって、シナリオ作成ロジックの学習レートを減少させることができる。

本方法は、生成された保護ロジックを電力システムのコントローラに展開することをさらに含むことができる。

本方法は、コントローラによって、選択された保護ロジックを実行することを含むことができる。

本方法は、コントローラによって実行された選択された保護ロジックの監視された現場挙動に応答して保護ロジックを自動的に修正することをさらに含むことができる。

一実施形態による電力システムのコントローラのための保護ロジックを生成するためのコンピューティングシステムは、保護ロジックのためのいくつかの保護ロジック候補を自動的に生成し、システムシミュレーションを遂行することを含む、シナリオに応答していくつかの異なる保護ロジック候補の性能を計算し、計算された性能に基づいて保護ロジック候補のうちの少なくとも１つを選択して出力するように動作する１つまたはいくつかの集積回路を備える。

実施形態による方法、コンピューティングシステム、コントローラ、およびシステムによって、様々な効果が達成される。

例示のために、実施形態による方法およびシステムは、決定ロジックを設計するプロセスの自動化を容易にする。人間の専門技術者は、例えば、学習に使用されるラベル付き訓練データを選択することによって、または性能メトリックを指定することによって、プロセスに影響を与えることができる。

実施形態による方法およびシステムはまた、現場動作におけるロバスト性を提供する決定ロジックの生成を容易にする。決定ロジックの現場動作中にまれに発生し、したがって過去のデータまたは専門家定義データに含まれない可能性のあるシナリオを含む多種多様なシナリオが、決定ロジックをもたらすコンピュータ実装プロセス中に決定ロジックの性能を評価するために生成され得る。

実施形態による方法、コンピューティングシステム、コントローラ、およびシステムは、限定されることなく、発電、送電、または配電システムのコントローラに使用することができる。

図面の簡単な説明
本発明の主題は、添付の図面に示される好ましい例示的な実施形態を参照してより詳細に説明される。

決定ロジックを生成するためのコンピューティングシステムを備えるシステムの概略図である。システムの概略図である。決定ロジックを生成するためのシステムのブロック図である。フローチャートである。決定ロジックを生成するためのシステムのブロック図である。決定ロジックを生成するためのシステムのブロック図である。方法のフローチャートである。方法のフローチャートである。決定ロジックジェネレータのブロック図である。方法のフローチャートである。決定ロジックを生成するためのシステムのブロック図である。決定ロジックを生成するためのシステムの動作を説明するための図である。決定ロジックを生成するためのシステムの動作を説明するための図である。決定ロジックを生成するためのシステムの動作を説明するための図である。決定ロジックを生成するためのシステムの動作を説明するための図である。決定ロジックを生成するためのシステムの動作を説明するための図である。シナリオ提供モジュールのブロック図である。シナリオ提供モジュールのブロック図である。シナリオ作成ロジックの動作を説明するための図である。シナリオ作成ロジックの動作を説明するための図である。決定ロジックを生成するためのシステムのブロック図である。コーディネータのブロック図である。シナリオパラメータによって張られる空間を通る断面の概略図である。コーディネータの動作を説明するための概略図である。方法のフローチャートである。方法のフローチャートである。方法のフローチャートである。方法のフローチャートである。

実施形態の詳細な説明
本発明の例示的な実施形態は、同一または類似の参照符号が同一または類似の要素を示す図面を参照して説明される。いくつかの実施形態が、発電システムまたは配電システムの文脈で説明されるが、以下に詳細に説明する方法および装置は、多種多様なシステムで使用することができる。

実施形態の特徴は、特に明記しない限り、互いに組み合わせることができる。
本発明の実施形態によれば、機械学習（教師あり機械学習または強化学習など）は、電力システムなどの産業用オートメーション制御システム（ＩＡＣＳ）のコントローラの決定ロジックを生成するために使用される。電力システム（発電または送電システムなど）における保護機能は、そのような決定ロジックの例である。例示のために、本明細書に開示された技術は、機械学習技術を使用して、デジタル保護リレーの決定ロジックを生成するために使用され得るが、これに限定されない。

図１は、一実施形態によるシステムの概略図である。
システムは、コントローラ３０と総称される、１つまたはいくつかのコントローラ３１、３２、３３を備える。コントローラ３１、３２、３３は、センサ、合流ユニット、インテリジェント電子装置（ＩＥＤ）、またはＩＡＣＳ、発電システム、送電システム、もしくは配電システムの動作に関するデータを提供する他の装置からの信号に応答して、保護機能などの機能を遂行するようにそれぞれ動作することができる。例示のために、コントローラ３１、３２、３３のうちの１つまたはいくつかは、回路遮断器（ＣＢ）がトリップするかどうか、およびトリップが即時トリップか遅延トリップかを判定するデジタル保護リレーであってもよい。

コンピューティングシステム２０は、コントローラ３１によって実行される決定ロジックまたはいくつかのコントローラ３１～３３によって実行されるいくつかの決定ロジックを自動的に生成するように動作する。訓練されたＭＬモデルは、ＩＡＣＳのライブ動作、例えば電力システムの動作中に実行するために、それぞれのコントローラ３１、３２、３３に展開することができる。

決定ロジックは、それが展開されるコントローラおよびそのようなコントローラによって遂行される機能のために特に設計される。コントローラが複数の異なる機能を遂行する場合、複数の異なる決定ロジックをそのコントローラに展開することができる。

一般に、第１のコントローラ３１は、その中に展開された第１の決定ロジックを有してもよい。

第２のコントローラ３２は、その中に展開された第２の決定ロジックを有してもよく、第２の決定ロジックは、第１の決定ロジックとは異なって動作してもよい。例示のために、第２の決定ロジックの決定ロジック入力および／または決定ロジック出力は、第１の決定ロジックの決定ロジック入力および／または決定ロジック出力と異なっていてもよい。代替的または追加的に、第１および第２の決定ロジックが同じ決定ロジック入力を受信し、および／または同じタイプの決定ロジック出力信号を生成する場合であっても、第２の決定ロジックの決定境界は、第１の決定ロジックの決定境界と異なっていてもよい。代替的または追加的に、第２の決定ロジックのアーキテクチャ（例えば、第２の決定ロジックとして動作するために使用される人工ニューラルネットワーク（ＡＮＮ）の層、ノード、および／またはリンクの重みの数）は、第１の決定ロジックのアーキテクチャと異なっていてもよい。

第３のコントローラ３３は、その中に展開された第３の決定ロジックを有してもよく、第３の決定ロジックは、第１および第２の決定ロジックとは異なって動作してもよい。例示のために、第３の決定ロジックの決定ロジック入力および／または決定ロジック出力は、第１および第２の決定ロジックの決定ロジック入力および／または決定ロジック出力と異なっていてもよい。代替的または追加的に、第１、第２、および第３の決定ロジックが同じ決定ロジック入力を受信し、および／または同じタイプの決定ロジック出力信号を生成する場合であっても、第３の決定ロジックの決定境界は、第１および第２の決定ロジックの決定境界と異なっていてもよい。代替的または追加的に、第３の決定ロジックのアーキテクチャ（例えば、第３の決定ロジックとして動作するために使用される人工ニューラルネットワーク（ＡＮＮ）の層、ノード、および／またはリンクの重みの数）は、第１および第２の決定ロジックのアーキテクチャと異なっていてもよい。

本明細書で使用する場合、「決定ロジック」という用語は、特に、電力システムの（または他のＩＡＣＳの）コントローラ３１、３２、３３によって実行されると、コントローラに、１つまたはいくつかのデータソース（センサ、合流ユニットなど）によって提供される信号に応答してどの制御アクションを行うべきかを判定させるロジックを指すことができる。決定ロジックは、これに限定されることなく、制御アクションの離散的なセットのうちの１つを出力する分類器であってもよい。

コントローラ３１、３２、３３は、決定ロジック３５が展開される１つまたはいくつかのローカルコントローラを含むことができる。本発明による監督システムによって監視されるローカルコントローラは、保護リレー、発電機の制御システム（例えば、ガバナおよびエキサイタ／自動電圧レギュレータ）、高電圧直流（ＨＶＤＣ）装置の制御システム、フレキシブル交流送電システム（ＦＡＣＴＳ）装置の制御システム、スイッチドキャパシタおよび／またはリアクトルの決定ロジック、アンダー周波遮断リレー、およびアンダー電圧負荷遮断リレーからなる群から選択することができるが、これらに限定されない。

コントローラ３１、３２、３３は、コンピューティングシステム２０によって生成された決定ロジックが展開される１つまたはいくつかの中央コントローラを含むことができる。監督システムによって監視される中央コントローラは、エネルギー管理システム（ＥＭＳ）／配電管理システム（ＤＭＳ）、例えば、２次周波数制御のための決定ロジック、発電再配分のための決定ロジック、需要柔軟性を利用するための決定ロジック、再閉成動作のための決定ロジック、無効電力再配分による２次電圧制御のための決定ロジック、通常は外乱後に作動させる必要があるシステム保護方式または是正措置方式の場合のようにグリッド全体にわたるアクションを協調させる決定ロジックからなる群から選択することができるが、これに限定されない。

制御可能な量は、すべての発電機およびエネルギー貯蔵システムの有効（Ｐ）および無効（Ｑ）電力注入、ＤＣリンクまたは連続ＤＣのＰ／Ｑ注入、静的ＶＡＲ補償器（ＳＶＣ）または静的同期補償器（ＳＴＡＴＣＯＭ）などのＦＡＣＴＳ装置のＱ注入、電力潮流制御装置、キャパシタバンク、リアクトルおよびＯＬＴＣのタップ位置、需要量、ｅ－ｆｌｅｅｔによるＰ／Ｑ注入、スイッチ／リクローザなどのステータスからなる群から選択することができるが、これに限定されない。

エネルギー貯蔵装置、電気自動車および様々な分散エネルギー資源（ＤＥＲ）などの構成要素は、局所的および／または集中的に制御することができる（例えば、様々なグリッド制御可能性サービスを提供する、ＤＥＲの集約的な使用または電気自動車のフリートの制御）。本明細書に記載の技術は、ＤＥＲおよび／またはエネルギー貯蔵装置の監視コントローラに適用可能であるが、これに限定されない。

決定ロジックは、これに限定されるものではないが、以下のうちのいずれか１つであってもよい：（ｉ）ＦＡＣＴＳまたはＨＶＤＣ装置または発電機の制御システム内のロジック、（ｉｉ）リレー内の保護ロジック、（ｉｉｉ）キャパシタ／リアクトルのスイッチングのため、または負荷を遮断するための決定ロジック、（ｉｖ）例えば周波数／電圧制御、再閉成動作、発電再配分または需要柔軟性の利用のためのＳＣＡＤＡ／ＥＭＳ／ＤＭＳレベルの決定ロジック、（ｖ）サイト（建物、工場、マイクログリッドなど）のＥＭＳ／ＢＭＳにおける決定ロジック、（ｖｉ）ＰＶまたはエネルギー貯蔵などのリソースをインターフェース接続するコンバータの制御ロジックなど。

コントローラに展開された決定ロジックは、入力に応答して決定を行う。入力は、システム可観測量に依拠することによって得られる。場合に応じて、可観測量は、局所的（例えば、フレキシブル交流送電システム（ＦＡＣＴＳ）装置が接続されるバスにおける電圧および電流）、領域的、またはシステム全体（例えば、ネットワークバスのセットからの同期フェーザ測定値）であり得る。電気的測定値に加えて、決定ロジックによって入力として受信される可観測量は、デバイスのステータス（スイッチのステータス、または様々な制御設定点など）、またはより一般的には動的ネットワークトポロジを含むことができる。決定ロジックによって入力として受信される可観測量は、観測または予測される天候、電力価格、日付、時間、トラフィック条件など、電力システムから外因性の入力を含むことができる。コントローラ３１、３２、３３は、複数の設定グループを備えてもよく、コントローラは、観測される環境の条件の変化に関してこれらの設定を自動的に切り替える。

しばしば、ローカルコントローラは、ローカルに利用可能な測定値に基づいて決定を行い、中央コントローラは、システム全体の可観測量に基づいて決定を行い、電力システム全体にあるアクチュエータを制御する。しかしながら、ローカルコントローラがシステム内の遠隔位置から来る入力信号に基づいて動作するか、またはシステム全体の制御アクションがローカル測定に基づいて開始される場合があり得る。第１の場合の一例は、遠隔測定（それらが最良の可観測量を提供する場所に位置する）に基づく電気機械振動減衰のためのＦＡＣＴＳコントローラの作動である。第２の場合の例は、発電再配分によるライン／変圧器の輻輳緩和である。本明細書で開示される決定ロジックの動作を監視する技術は、これらの場合のすべてに適用可能である。

コントローラ３１、３２、３３の決定ロジックは、新しいコントローラが委託されるときに開発される。設計段階中に、障害、スイッチング事象、変化する負荷などの電力網内の様々な条件のシミュレーションが遂行されて、決定ロジックの性能を評定および改良する。このプロセスは、コンピューティングシステム２０によってコンピュータ実装方式で遂行される。

コンピューティングシステム２０は、コンピュータ、サーバ、または分散コンピューティングシステムによって実装されてもよい。コンピューティングシステム２０は、少なくとも１つの集積回路２１を含む。少なくとも１つの集積回路２１は、プロセッサ、マイクロプロセッサ、マイクロコントローラ、および特定用途向け集積回路（ＡＳＩＣ）、またはそれらの任意の組合せを備えることができる。

少なくとも１つの集積回路２１は、決定ロジック生成システム４０を実行するように動作することができる。決定ロジック生成システム４０は、教師あり機械学習または強化学習を実行して、決定ロジックのパラメータを判定し、任意選択的に、決定ロジックのアーキテクチャおよびパラメータの両方を判定するように動作することができる。

本明細書で使用される場合、決定ロジックまたは決定ロジック候補を「訓練する」ことは、決定ロジックまたは決定ロジック候補のパラメータのパラメータ値を決定するプロセスを指す。例示のために、決定ロジック候補を訓練することは、ＡＮＮの重みを判定することを含み得る。

決定ロジック生成システム４０は、決定ロジックのパラメータを判定するだけでなく、決定ロジックのアーキテクチャ（例えば、決定ロジックとして展開されるべきＡＮＮの層および／またはノードの数）を判定するように動作することができる。

決定ロジック生成システム４０によって使用されるデータは、データリポジトリに記憶されてもよく、データリポジトリは、記憶装置２２内でローカルであっても、ＩＣ（単数または複数）２１からリモートであってもよい。データリポジトリ２３は、（以前の動作条件および制御アクションを表す）過去のデータまたは人間の技術者によって定義されたデータを含むことができる。データリポジトリ２３内のデータは、教師あり機械学習を遂行するためのラベル付きデータを含むことができる。かなりの量の適切なラベル付きデータ２５が過去の記録から利用可能であることが理解されよう。

データリポジトリ２３はまた、訓練されるために選択することができる可能な決定ロジックアーキテクチャのセットをその中に記憶することができる。可能な決定ロジックアーキテクチャのセットは、データ記憶装置２２にローカルに、またはリモートに記憶されてもよい。コンピューティングシステム２０は、訓練のために可能な決定ロジックアーキテクチャのうちの１つまたはいくつかを自動的に選択することができる。例えば発電、配電、または送電システムなどの電力システムのトポロジに関する情報は、訓練のための可能な決定ロジックアーキテクチャを選択するために使用することができる。集積回路２１は、複数の可能な決定ロジックアーキテクチャのうちのどのアーキテクチャが訓練されるべきかを決定するために、電力システムの、ＳＣＤファイルなどの標準化された構成記述を解析するように適合されてもよい。

可能な決定ロジックアーキテクチャは、例えば、そこで使用される異なる人工ニューラルネットワーク、層、またはノードの配置および数、人工ニューラルネットワークのフィードフォワード機能、層の数などにおいて互いに区別することができる。

コンピューティングシステム２０は、ユーザインターフェース２５を有する。ユーザインターフェース２５は、光出力装置を含むことができる。コンピューティングシステム２０は、ユーザインターフェース２５を介して、人間のオペレータが、所望の性能特性を有する決定ロジック生成システム４０によって判定された決定ロジックがどのように挙動するかをチェック、検証、またはさもなければ評価することを可能にする情報を出力するように動作することができる。例示のために、コンピューティングシステム２０の集積回路２１は、生成された決定ロジックがどのように挙動するかを示すために、ユーザインターフェース２５を介してグラフィックを生成および出力するように適合されてもよい。

コンピューティングシステム２０は、生成された決定ロジックを出力するためのインターフェース２４を有することができる。インターフェース２４は、例えば通信ハブ１９を介して、コントローラ３１、３２、３３に通信可能に結合することができる。

各コントローラが使用される発電、配電、または送電システムの構成およびトポロジに依存して、コントローラ３１、３２、３３の各々に異なる決定ロジックが出力される。

コンピューティングシステム２０は、生成された決定ロジックの性能に加えて、ＭＬモデルの中間信号をＭＬモデル入力および／またはＭＬモデル出力に関連付ける情報の複雑さもまた、生成された決定ロジックがコントローラのうちの１つに展開されるのに適している和の基準と見なされ得るように適合され得る。このようにして、解釈性基準を満たしつつ、高い性能を有する生成された決定ロジックのみを出力することができる。

発電、配電、または送電ネットワークの動作中、コントローラ３１、３２、３３は、その上に展開された決定ロジックを実行することができる。コントローラ３１、３２、３３のうちの１つまたはいくつかは、その決定ロジックを使用して信号（例えば、時間ドメインまたは周波数ドメインにおける電流、電圧、またはそれらから導出される量など）を処理して、どの制御または他のアクションが遂行されるべきかを判定することができる。コントローラ３１、３２、３３の所望の用途に依存して、回路遮断器（ＣＢ）トリップまたは他の制御アクションを遂行することができる。

任意選択的に、コントローラ３１、３２、３３は、コンピューティングシステム２０に動作データを提供することができる。動作データは、性能評価を遂行するために、および／またはデータ記憶装置２２に記憶するために使用することができる。ラベル付けされている場合、このデータは、将来の決定ロジック生成プロセスで使用することができる。

図２は、電力システムの構成要素と共に使用される、コンピューティングシステム２０およびコンピューティングシステム２０によって自動的に生成された決定ロジックを実行するコントローラ３１を示す概略図である。例示のために、変電所のベイは、スイッチＱＢ１、ＱＢ２、ＱＣ２、ＡＱ１、ＱＢ９、およびＱＣ９、電流感知用の変圧器ＢＣ１、ＢＣ２、および電圧感知用の変圧器ＢＡ１を含むことができる。センサ装置は、任意選択的に合流ユニット、ゲートウェイ、または他のユニットを介してコントローラ３１に提供され得る未処理信号を生成するように展開される。

コンピューティングシステム２０は、本明細書でより詳細に説明するように、コントローラ３１によって遂行される決定ロジックを自動的に生成し、任意選択的に自動的に展開するように適合される。

現場動作では、コントローラ３１によって実行される決定ロジックは、周波数ドメインの時間において未処理信号として電流および電圧を受信することができる。任意選択的に、前処理が遂行されてもよい。例示のために、未処理の電圧および電流の測定に加えて、またはその代わりに、決定ロジック生成システム４０は、求められる保護のタイプ（例えば、距離リレー、（アンダー／オーバー）周波数リレーなど）に応じて、異なるタイプの入力信号に依拠することができる。入力信号のソースは、局所計装に限定される必要はなく、広域計装ならびに中央ＳＣＡＤＡとすることができる。これは、それぞれのコントローラ３１、３２、３３内の決定ロジックの教師あり機械学習および現場動作の両方に適用される。

図４は、決定ロジック生成システム４０の可能な実装形態を示すブロック図である。
決定ロジック生成システム４０は、決定ロジックジェネレータ４１を備えることができる。決定ロジックジェネレータ４１は、いくつかの異なる決定ロジック候補を生成するように動作する。いくつかの異なる決定ロジック候補は、パラメータ（例えば、ＰＩＤ閉ループコントローラの係数またはＡＮＮの重み）において互いに区別され得る。いくつかの異なる決定ロジック候補は、決定ロジックアーキテクチャ（例えば、ＡＮＮ、サポートベクターマシン（ＳＶＭ）、他の機械学習モデル、ＰＩＤコントローラなど）において互いに区別することができる。決定ロジックジェネレータは、いくつかの異なる決定ロジック候補のうちの決定ロジック候補をシミュレーションエンジン４３に出力することができる。

決定ロジック生成システム４０は、シナリオ提供モジュール４２を備えることができる。シナリオ提供モジュール４２は、システムシミュレーションが遂行されるアクティブシナリオのバッチを自動的に出力するように動作することができる。アクティブシナリオのバッチは、以下でより詳細に説明するように、新しいシナリオを生成するシナリオ作成ロジックを含むことができる。

決定ロジック生成システム４０は、決定ロジックジェネレータ４１およびシナリオ提供モジュール４２に結合されたシミュレーションエンジン４３を備えることができる。シミュレーションエンジン４３は、アクティブシナリオのバッチに含まれるシナリオのシステムシミュレーションを遂行するように動作することができる。

シミュレーションエンジン４３によって遂行されるシステムシミュレーションは、特定のシナリオに対する候補決定ロジックの応答を判定することに限定されず、システムシミュレーションにおいて候補決定ロジックによってとられたアクションに対してシステム（例えば、発電、配電、または送電システム）がどのように応答するかをシミュレートすることを含む。システムシミュレーションは、システムシミュレーションにおける候補決定ロジックによって行われた決定から生じる電力システム内の電流、電圧、フェーザ、同期フェーザなどを計算することを含むことができる。

シミュレーションエンジン４３は、アクティブシナリオのバッチに対してそれぞれいくつかの候補決定ロジックの各々についてシステムシミュレーションを遂行するように動作することができる。本明細書の他の箇所でより詳細に説明されるように、アクティブシナリオのバッチは反復的に修正されてもよい。

決定ロジック生成システム４０は、性能評価器４４を備えることができる。性能評価器は、アクティブシナリオのバッチに含まれるシナリオの各決定ロジック候補の性能を計算するように動作することができる。

性能評価器４４は、ユーザ指定可能な１つまたはいくつかのＫＰＩを計算することができる。１つまたはいくつかのＫＰＩは、スカラー値であり得る性能値に組み込まれてもよい。１つまたはいくつかのＫＰＩは、シナリオのアクティブバッチ内のシナリオの各々について計算することができる。いくつかのシナリオが他のシナリオよりも現場動作においてより頻繁に発生することを考慮に入れるために、（例えば、ＫＰＩまたは性能値の重み付き和によって）重み付けが遂行されてもよい。

決定ロジック生成システム４０は、コーディネータを備えることができる。コーディネータは、性能評価器の出力に応じて、決定ロジックジェネレータ４１およびシナリオ提供モジュール４２の動作を協調させるように動作することができる。

決定ロジック生成システム４０は、自動化されるべき１つまたはいくつかのコントローラのための決定ロジックを生成するプロセスを可能にする。これは、電力システムの動作計画、制御、および保護の複雑なタスクにおいて人間の専門家を支援する。決定ロジック生成システム４０は、自律的であってもよく、決定ロジックの自己設計を実装してもよい。

決定ロジック生成システム４０は、コントローラ３１、３２、３３によって個別に遂行される決定ロジックを生成するために、または異なるコントローラ３１、３２、３３内の様々な意思決定ブロック間の相互作用を考慮する協調制御ロジックを生成するために使用することができる。

決定ロジック生成システム４０は、（限定はしないが）以下のような様々な異なる目的に使用することができる：
－様々な先読み時間区域におけるグリッド動作限界を特定し、それらの限界を緩和することを可能にする決定ロジックを生成する（決定ロジックは、外乱制御前および外乱制御後のアクションを含むことができる）
－保護システム、ならびにＳＩＰＳ（システム完全性保護方式）を生成する、
－新しい保護機能の必要性を特定し、新しい保護機能を生成する、
－ローカルＦＡＣＴＳ／ＨＶＤＣコントローラのためのロジックを生成する、
－グリッド全体にわたって多くの装置の協調制御（ＦＡＣＴＳ、ＨＶＤＣ、発電機有効需要、貯蔵など）を生成する、
－ＤＥＲの（直接的に、またはアグリゲータもしくは配電システム事業者を介して）制御を生成する、
－グリッドにおける分散制御を生成する、
－資産の保守／交換をスケジュールするためのロジックを生成する、
－電力システム復旧のためのロジックを生成する、
－電力システムのアップグレードおよび拡張を提案するためのロジックを生成する。

制御ロジックはまた、デバイスの１次コントローラに設定点を提供する２次レベルで作用することもできる。

決定ロジック生成システム４０はまた、必要な可観測量（すなわち、制御ロジックに利用可能な入力信号）を特定するように動作することができ、または利用可能な可観測量は、決定ロジック生成システム４０によって入力として受信された仕様の一部とすることができる。

決定ロジック生成システム４０は、決定ロジックの現場動作の前に、オフラインで実行されてもよい。決定ロジック生成システム４０は、現場動作中にコントローラ内に展開された決定ロジックの性能に関するフィードバックを受信することができる。フィードバックは、コントローラに展開するための決定ロジックの再生成をトリガすることができ、および／または他の決定ロジックを生成するプロセスを改善するために使用することができる。

決定ロジック生成システム４０は、２つのタスクを並列に遂行することができる。決定ロジック生成システム４０は、以下のように、すなわち、
－所望の決定ロジック（すなわち、そのパラメータおよび、任意選択的に、アーキテクチャ）を特定する、および
－代表的かつ困難なシナリオ、すなわち、制御ロジックが故障または性能低下となるシナリオを特定することによって決定ロジックのロバスト性を保証する、ように動作することができる。

決定ロジック生成システム４０は、反復プロセスにおいて決定ロジックを生成するように動作することができる。

図４は、決定ロジック生成システム４０によって遂行され得る方法５０のフローチャートである。

ステップ５１で、決定ロジック生成システム４０は、システム仕様内の特定の決定ロジック候補を定義するすべてのパラメータに値を割り当てることができる。例示のために、選択されたコントローラがＰコントローラである場合、利得に値が割り当てられるべきであり、コントローラがニューラルネットワークである場合、特定のアーキテクチャが選択されるべきであり、すべての伝達関数および重みが特定の値に設定されるべきである。決定ロジック生成システム４０は、候補アーキテクチャのセットまたはそれらの組合せの中からアーキテクチャを選択することができることに留意されたい。仕様に依存して、決定ロジック生成システム４０はまた、入力信号および被制御アクチュエータを選択することもできる。

ステップ５２で、決定ロジック生成システム４０は、選択された決定ロジック候補の挙動をシミュレート（したがって、試験）するためのシナリオまたはシナリオのバッチを選択または作成することができる。一般的な場合、性能メトリックを最適化する決定ロジックを最終的に設計するためにどのシナリオを考慮すべきかを特定することは、決定ロジック生成システム４０次第である。シナリオの一部またはすべては、人間の専門家によって事前に提供されてもよい。この手法の欠点は、どのシナリオを評定するかを事前に決定することが非常に困難な作業であることが多いことである。この問題を軽減するために、決定ロジック生成システム４０は、システムシミュレーションが実行される新しいシナリオを作成することができるシナリオ作成ロジックを備えることができる。

ステップ５３において、決定ロジック生成システム４０は、性能メトリックに従って、試験された決定ロジックの性能を定量化することができる。性能メトリックは、ユーザ入力によって定義されてもよい。

性能を計算することは、例えばシミュレーション、機械学習モデルの使用などによって、シナリオの決定ロジック候補を試験することを含むことができる。性能メトリックは、決定ロジックの制御目標を含んでもよく、またはそれと異なっていてもよい。

ステップ５３からの情報（および、一般に、前の反復からの性能情報）に基づいて、ステップ５４で終了基準が満たされないと判定された場合、決定ロジック生成システム４０はステップ５１および５２に戻ることができる。ステップ５１、５２に戻ると、試験されるべき新しい決定ロジック候補、およびそれぞれシミュレートすべき新しいシナリオが選択される。

「新しい決定ロジック候補」は、パラメータ（例えば、ＡＮＮの利得および／または重みの値）またはアーキテクチャにおいて以前の決定ロジック候補とは異なる決定ロジック候補を指すことができる。

プロセスは、ステップ５４で終了基準に従って終了する。終了基準の例は、許容範囲内で改善しない性能、最大反復回数到達などの任意の１つまたは任意の組合せを含む。

これらの技術は、互いに相互作用する２つのサブシステムを使用する。一方のサブシステムは、所望の決定ロジック候補（すなわち、そのパラメータおよび、任意選択的に、アーキテクチャ）を特定する役割を担い、他方のサブシステムは、困難なシナリオを特定することによって決定ロジックのロバスト性を保証する役割を担う。両方のサブシステムは、ユーザ入力によって指定され得る性能メトリックによって駆動され得る。決定ロジック生成システム４０は、これら２つのサブシステムを協調させる。

一実装形態において、互いに競合する２つのサブシステムは、敵対的生成ネットワーク（ＧＡＮ）によって実装されてもよい。

図５に示すように、決定ロジック生成システム４０は、様々な方法で人間の技術者と対話することができる。

決定ロジック生成システム４０は、設計されるべき決定ロジックの仕様、潜在的な境界条件、ならびに決定ロジックの性能を測定する方法（例えば、主要業績評価指標ＫＰＩのセット）を定義する入力を受信することができる。性能メトリックまたは性能メトリックのセットは、決定ロジックを生成する自律プロセスを導く。仕様および境界条件は、制御可能な装置、可制御性限界、決定ロジックによって使用される入力信号、利用可能な可観測量および通信限界、利用可能な計算リソースなどを含むことができる。受信された仕様の一部は、決定ロジックのアーキテクチャ（例えば、ＰＩＤコントローラ、最適化ベースの意思決定、ニューラルネットワークなど）を指定することができる。

人間の技術者は、決定ロジック生成システム４０にシミュレーションエンジンを提供することができる。これは、（ｉ）説明されるべき様々な構成要素および現象のモデル、（ｉｉ）シナリオをシミュレートするためのソフトウェアツール、ならびに（ｉｉｉ）制御ロジックの最適な性能が実行される必要がある過去のデータおよびシナリオを含むことができる。

「シミュレーション」という用語は、より広い意味で解釈されるものとする。それは、決定ロジック（例えば、数値シミュレーション、微分方程式または最適化問題の解、統計的および／またはデータ駆動モデルの使用、ベンチマークとの比較など）の性能を定量化するために使用することができる任意の方法論を含むものとする。

決定ロジック生成システム４０は、シミュレーションエンジンを利用して、仕様に従属する性能品質基準（例えば、性能閾値を超える性能）に従った性能（すなわちＫＰＩ）を有する決定ロジックを自律的に生成する。これは、一般に、生成された決定ロジックのロバスト性を評価するために使用され得る情報（新しいシナリオなど）または他の新しいデータの生成を伴う。

決定ロジック生成システム４０は、ユーザインターフェースを介して、生成された決定ロジックに関する情報を出力することができる。人間の技術者は、結果を確認することができる。決定ロジック生成システム４０は、（ｉ）生成された決定ロジックが受け入れられることを示すユーザ入力、または（ｉｉ）仕様、ＫＰＩ、またはモデルを修正または追加するユーザ入力を受信し、決定ロジック生成システム４０による再設計を要求することができる。

図６は、決定ロジック生成システム４０の一実装形態の全体的なアーキテクチャを示す。

決定ロジック生成システム４０は、決定ロジックジェネレータ６０、シナリオ提供モジュール７０、性能評価器９０、およびコーディネータ１００を備えることができる。決定ロジック生成システム４０は、シミュレーションエンジン８０をさらに備えるか、またはそれと対話することができる。決定ロジックジェネレータ６０、シナリオ提供モジュール７０、性能評価器９０、およびシミュレーションエンジン８０は、図３を参照して説明したように動作することができる。

コーディネータ１００は、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０の動作を協調させることができる。コーディネータ１００は、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０に実装された機械学習モデルの学習レートを調整するように動作することができる。代替的または追加的に、コーディネータ１００は、所与のアーキテクチャを有する決定ロジック候補のための訓練プロセスの終了を制御することができ、それによってアーキテクチャの変更をもたらし、決定ロジック生成プロセスの終了を制御することができ、および／または第１の決定ロジック候補にとって困難であると判定されたシナリオを、異なるアーキテクチャを有し得る第２の決定ロジック候補の性能計算に再導入させることができる。

決定ロジック生成システム４０は、決定ロジックを生成するプロセスにおいて生成されたデータを記憶する履歴部１１０を備えることができる。履歴部１１０は、ローカル記憶媒体、リモート記憶システム、または分散記憶システムに実装されてもよい。

以下、決定ロジック生成システム４０の各種ブロックの特徴について詳細に説明する。特徴は、組み合わせて使用されるだけでなく、単独で使用されてもよい。

性能評価器およびシミュレーションエンジン
性能評価器９０は、現在アクティブな決定ロジック候補の性能を定量化するように動作する。性能は、アクティブシナリオまたはアクティブシナリオのバッチ７９に対するシミュレーション（のバッチ）の結果に基づいて、１つまたはいくつかのメトリックに従って計算される。決定ロジックジェネレータ６０は、性能が改善され、理想的な場合には最大化されるように決定ロジック候補を漸進的に設計する一方、シナリオ提供モジュール７０は、性能メトリックのロバスト性を保証するためのシナリオ（テストケース）を考案する。両方のサブシステムは、以下で説明される。

性能メトリック（および任意選択的にそれを計算する手段）は、人間の技術者による入力によって定義されてもよい。性能メトリックは、「関数」、すなわちシミュレーションエンジン８０の出力に対して遂行される計算のセットからなるものとすることができる。

性能メトリックは、（これに限定されないが）以下のもの、すなわち、「動作コスト」、「サービスされていないエネルギー」、「電力価格」、「システム安定性」、「利用可能な電力伝送容量」、「選択性および信頼性」、「コントローラ安定性」などのうちの１つまたは組合せのいずれかであってもよい。

異なる性能メトリックは、異なるタイプのシミュレーションを必要とし得る。これらはシミュレーションエンジン８０によって遂行される。シミュレーションエンジン８０は、グリッドおよび関連する構成要素の数学的モデル８２を使用する。一例として、発電機の高次の動的モデルは、周波数安定性シミュレーションのために時間ドメインで必要とされるが、発電機の単純化された定電力モデルは、経済的給電シミュレーションに十分である。これらのモデルは、人間の技術者によって定義することができ、または決定ロジック生成システム４０によって生成することができる。

シミュレーションエンジン８０は、シミュレーションモデル８２を使用してシステムシミュレーションを遂行するシミュレーションロジック８１を含むことができる。

シミュレーションエンジン８０は、性能メトリックを計算するために必要な情報を提供するように選択される。例えば、シミュレーションエンジン８０は、以下のように動作することができる：
－電力市場を清算し、したがってノード電力価格を提供する、
－短絡分析を行い、したがって保護リレーによって使用されるすべての信号を計算する、
－外乱（時間ドメインまたは周波数ドメイン）をシミュレートし、したがってコントローラまたはシステム全体の安定性を推定することを可能にする。

「シミュレーション」という用語は、本明細書ではそのより広い意味で使用される。シミュレーションエンジン８０は、数値シミュレーションを遂行することができるが、必ずしも遂行する必要はない。シミュレーションエンジン８０は、決定ロジック候補６９およびシナリオ７９（のセット）を入力として受け取り、性能評価器９０が決定ロジック候補６９を評定するために必要な情報を生成する任意のプロセスから構成することができる。例えば、シミュレーションエンジン８０は、統計モデル、または以前に解かれた例のデータセットを備えることができ、またはそれから構成することができる。

シミュレーションエンジン８０は、時間／周波数ドメインにおける数値シミュレーション（例えば、電力潮流、短絡計算、電磁過渡現象）、（ｉｉ）最適化問題の解（例えば、最適な電力潮流、ユニットのコミットメント）、または（ｉｉｉ）制御ロジックの性能を定量化することを可能にする任意の他の数学的／アルゴリズム計算（例えば、固有値解析など）のために動作することができる。

平衡負荷潮流などの技術を使用して様々なシナリオの下で電流、電圧、フェーザ、同期フェーザを計算することを含むシステムシミュレーションを遂行するシミュレーションエンジン８０が利用可能である。そのようなシミュレーションエンジン８０は、人間の専門家によって設定された決定ロジックを試験するために従来使用されている。実施形態によれば、そのようなシミュレーションエンジン８０は、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０に関連して使用されて、コンピュータ生成された候補決定ロジック６９を試験し、これを様々な候補決定ロジック６９およびアクティブシナリオ７９の様々なバッチに対して反復的に行うことができる。

システムシミュレーションが実行されるアクティブシナリオ７９のバッチ内のアクティブシナリオは、発電、需要および天候のパターン、障害（すなわち短絡）、計画停電、トポロジ構成、新しい構成要素の追加、需要の発展、貯蔵および再生可能発電など、決定ロジックが直面する様々な動作条件および事象に対応することができる。

図７は、シミュレーションエンジン８０によって遂行することができる方法１２０のフローチャートである。

ステップ１２１で、システムトポロジに関する情報を検索することができる。特にトポロジ情報を含むことができる電力ネットワークに関する情報は、ユーザインターフェース（ＵＩ）２５を介して受信することができる。代替的または追加的に、コンピューティングシステム２０またはネットワークトポロジ分析システムは、構成記述（変電所構成記述（ＳＣＤ）ファイルなど）を処理して、電力システムトポロジを判定し、電力システム構成要素、および／または監督されたコントローラに関連する電力システムの一部における様々な１次装置および／または２次装置を特定することができる。

ステップ１２２で、システムシミュレーションが遂行される。システムシミュレーションは、電力システムの１次構成要素および２次構成要素の挙動をシミュレートすることを含むことができる。システムシミュレーションは、電力システムのライン、ケーブル、バスバーにおける電流、電圧、フェーザ、同期フェーザなどをシミュレートすることを含むことができる。システムシミュレーションは、周波数および／または時間ドメインにおけるリアクトルまたは変圧器の応答をシミュレートすることを含むことができる。システムシミュレーションは、シナリオ７９のアクティブバッチに含まれる様々なシナリオに応答して候補決定ロジック６９によって行われた決定に応答してこれらの量をシミュレートすることを含むことができる。

図８は、方法１３０のフローチャートである。方法１３０は、性能評価器９０によって遂行することができる。

ステップ１３１で、性能評価器９０は、１つまたはいくつかのＫＰＩを計算する。１つまたはいくつかのＫＰＩは、動作コスト」、「サービスされていないエネルギー」、「電力価格」、「システム安定性」、「利用可能な電力伝送容量」、「選択性および信頼性」、「コントローラ安定性」を含む、またはこれらからなる群から選択することができるが、これに限定されない。

１つまたはいくつかのＫＰＩは、シミュレーションエンジン８０によってシミュレートされるように、候補決定ロジック６９によって行われた決定によって引き起こされるシステム応答にそれぞれ依存することができる。１つまたはいくつかのＫＰＩはまた、システムシミュレーションにおいて、決定ロジック６９が展開されるコントローラおよびＩＡＣＳ内の他のコントローラによって行われるシミュレートされた制御アクションにそれぞれ依存してもよい。

ステップ１３２で、いくつかのＫＰＩは、例えば、ＫＰＩの重み付き和を計算することによって組み合わせることができ、それによって、性能メトリックに従って性能の値を計算することができる。

例示のために、シナリオに対する候補決定ロジックの性能は、以下のように計算することができる：

式（１）において、ｍ＝１，．．．Ｍに対するｄｉｐは、候補決定ロジックのパラメータを表す。候補決定ロジックのパラメータは、ＰコントローラまたはＰＩＤコントローラの利得、ＡＮＮの重み、ＳＶＭの決定境界、または他のパラメータを含むことができる。

式（１）において、ｊ＝１，．．．Ｊに対するＫＰＩ_ｊは、異なる主要業績評価指標を表し、ｗ_{ＫＰＩ，ｊ}は、重み付き和における重み係数である。重みは、ＫＰＩに依存して変化し得る。例示のために、短い応答時間、信頼性、および／またはロバスト性を反映するＫＰＩは、比較的高い重みで重み付けされてもよく、財務コストを反映するＫＰＩは、比較的低い重みで重み付けされてもよい。

ＫＰＩは、システム応答パラメータ（例えば、電圧、電流、フェーザ、同期フェーザ、インピーダンス、リアクタンスなど）ｓｐ_ｎのセットによって定義され得るシステム応答に依存する。ＫＰＩは、シナリオパラメータ（例えば、シミュレートされた障害または事象が発生したときの電力システムの動作条件、シミュレートされた消費または発電または天候状態などの周囲条件、障害または事象の位置など）ｐ_ｎのセットによって定義され得るシナリオに依存し得る。

簡潔にするために、パラメータセットは以下ではベクトル表記で書かれ、パラメータは任意の順序付きタプルで組み合わせることができることが理解される。

性能は、シナリオのバッチのシステムシミュレーションに基づいて計算することができる。例示のために、性能は、以下のように計算することができる：

式（２）において、ｐｖ（・）は、パラメータのＭタプルによって定義される候補決定ロジックに対するアクティブシナリオのバッチに対して判定された性能値を表す。

は、バッチ内のｉ番目のシナリオについて判定された性能を示し、これはシナリオパラメータのＫタプルによって定義することができる。異なるシナリオはｉでラベル付けされている。重み係数w_scen，_iは、シナリオに依存した重み付けに使用される重み係数である。

異なるシナリオは、発電、需要および天候のパターン、障害（すなわち短絡）、計画停電、トポロジ構成、新しい構成要素の追加、需要の発展、貯蔵および再生可能発電など、制御ロジックが直面する様々な動作条件および事象に対応することができる。

重み係数w_scen，_iは、生成された決定ロジックがそれぞれのシナリオにどの程度面するか、および／またはそれぞれのシナリオに対して誤った決定の結果がどの程度厳しいかに依存し得る。例示のために、重みw_scen，_iは、現場動作中に時折発生しているシナリオの第１の数値範囲内にあってもよい。重みw_scen，_iは、現場動作中に頻繁に発生しているシナリオについて、第１の数値範囲内のすべての値を超える数値からなる第２の数値範囲内にあってもよい。

重みw_scen，_iは、現場動作中にまれにしか発生していないが困難なシナリオの場合、第１および第２の数値範囲とは異なり得る第３の数値範囲内にあってもよい。

式（１）および（２）は、パラメータ化によって定義された決定ロジック候補の性能を計算するための例を提供するが、式（１）および（２）は、パラメータだけでなく、決定ロジック候補のアーキテクチャ（例えば、ハイパーパラメータ）も決定ロジックを生成するプロセス全体にわたって変化し得る場合に同様に適用可能なままである。後者の場合、性能は、決定ロジック候補のパラメータだけでなく、そのアーキテクチャにも依存する。

性能メトリックは関数（数値、またはアルゴリズムステップからなる）であってもよいが、性能メトリックは他の方法で指定されてもよい。例示のために、決定ロジック生成システム４０は、決定ロジックがどのように挙動すると予想されるかの例のセットを受信するように動作することができる。次いで、性能メトリックは、所与のシナリオにおける決定ロジック候補６９の挙動が、決定ロジック生成システム４０によって受信された例における決定ロジックの挙動とどの程度類似しているかを推定することからなることができる。

性能メトリックは、現場使用における決定ロジックの実際の目標に対応する必要はない。性能メトリックは、決定ロジックを生成する目的のためにのみ使用されてもよい。性能メトリックは、決定ロジックを生成するプロセス中に固定される必要さえなく、それは動的に変更することができる。例示のために、本明細書の他の箇所でより詳細に説明するように、性能メトリックは、劣った大域的解に過ぎない局所最適解における早期ストールを防止しながら、設計プロセスを最適解に導くようにコーディネータ１００によって調整されてもよい。決定ロジックの実際の制御目標はまた、性能メトリックとして使用されてもよい。

性能を計算することに加えて、性能評価器９０は、バッチ７９内のどのシナリオがアクティブな決定ロジック候補６９にとって最も困難であるか（すなわち、それらは、性能メトリックに従って計算された性能の著しい低下を引き起こす）を特定することができる。性能評価器９０は、そのような「決定ロジック候補－困難なシナリオ」のペアをタグ付けしてから、それらを履歴部１１０に記憶することができる。この情報は、本明細書の他の箇所で説明されるように、コーディネータおよび／またはシナリオ提供モジュール７０によって使用され得る。

決定ロジックジェネレータ
この決定ロジックジェネレータ６０は、性能を強化または最終的に最適化することを目標として決定ロジック候補６９を連続的に生成するように動作することができる。この目的を達成するために、決定ロジックジェネレータ６０は、シミュレーションエンジン８０に供給されるアクティブな決定ロジック候補６９を反復的に修正するように動作する。最終的に、決定ロジック候補６９は、性能（スカラー値であってもよい）を計算する性能評価器９０によって評価される。

決定ロジックジェネレータ６０は、様々な構成を有してよい。決定ロジックジェネレータ６０は、固定された所定のアーキテクチャ（例えば、ＰまたはＰＩＤコントローラの利得、または固定数の層およびノードを有するＡＮＮの重み）を有する決定ロジックの１つまたはいくつかのパラメータを判定するように動作することができる。代替的または追加的に、決定ロジックジェネレータ６０は、決定ロジックのアーキテクチャを（例えば、候補アーキテクチャのセットから選択することによって、および／または、ＡＮＮの層および／またはノードの数などのハイパーパラメータを調整することによって）判定するように動作することができる。

決定ロジックジェネレータ６０は、システムシミュレーションに基づいて性能評価器によって計算された性能を改善することを目指して、シミュレーションエンジン８０に供給されるパラメータ、および任意選択で決定ロジック候補６９のアーキテクチャを調整するように動作することができるＧＡＮのジェネレータネットワークを含むことができる。

決定ロジックのための異なる構造が適応され得る。技術は、単一のコントローラのための単一の決定ロジックを設計することに限定されず、それは、複数のコントローラのための決定ロジックを協調的に設計することができる。説明のために：
－ユーザ入力によって決定ロジックに特定のアーキテクチャが規定されない。決定ロジックジェネレータ６０は、意思決定タスクを遂行するためのパラメータ（例えば、ＰまたはＰＩＤコントローラの利得、またはＡＮＮを訓練することによってＡＮＮの重みを判定すること）およびアーキテクチャを判定する。

－ユーザ入力によって決定ロジックに特定のアーキテクチャが規定される。決定ロジックジェネレータ６０は、アーキテクチャを変えることなくパラメータの値を判定する。

－集中制御：決定ロジックジェネレータ６０は、単一のコントローラに展開される決定ロジックを設計し、ＩＡＣＳ内の他のコントローラの決定ロジックは既知であり、生成プロセスで使用される。

－分散制御：決定ロジックジェネレータ６０は、いくつかのローカルコントローラが協調して動作するように、それらの決定ロジックを同時に設計する。

例：決定ロジック候補はＡＮＮである
決定ロジックジェネレータ６０は、ＡＮＮまたは任意の他のデータ駆動機械学習モデルを訓練するように動作する訓練モジュール６２を含むことができる。訓練されたＡＮＮは、決定ロジックとして現場使用のために展開される。

ＡＮＮのアーキテクチャは、人間の技術者によって事前に選択され得るか、または生成プロセスの一部として決定ロジックジェネレータ６０によって特定され得る。後者の場合、現在の「アクティブ」な（すなわち、ＡＮＮを訓練する）ＡＮＮアーキテクチャの重みの更新を続けるか、または、他のアーキテクチャを試みるかを判定することは、決定ロジックジェネレータ６０および／またはコーディネータ１００次第である。

ＡＮＮのアーキテクチャは、隠れ層の数、各層内のノードの数、再帰ループ、ゲート、または任意の他の構造要素のうちの任意の１つまたは任意の組合せによって定義され得る。これらの要素の数、相互接続、およびインターフェースは、「ハイパーパラメータ」と呼ばれる、階層的により上位のレベルの「パラメータ」によって表される。ハイパーパラメータのうちの１つまたはいくつかは、決定ロジックジェネレータ６０によって自動的に調整されてもよい。

図９は、決定ロジックジェネレータ６０の一実装形態を示す。決定ロジックジェネレータ６０は、アーキテクチャスーパーバイザ６１および訓練モジュール６２の２つのモジュールを備えてもよい。多くの成功したＡＮＮアプリケーションが固定アーキテクチャで動作するため、アーキテクチャスーパーバイザ６１は任意選択である。

アーキテクチャスーパーバイザ６１は、ＡＮＮアーキテクチャを選択する役割を担う。このタスクは、本質的に、ハイパーパラメータのセットの値を選択することにある（ボックス５）。アーキテクチャスーパーバイザ６１の目標は、最も適切なハイパーパラメータ値を特定すること、すなわち、適切に訓練されると（すなわち、その対応する重みが最適化されている場合）、性能メトリックを最大化することを可能にするアーキテクチャを特定することである。典型的には、この「アーキテクチャ適切性」メトリックは、「アーキテクチャの複雑さが小さい」などの基準と組み合わされるべきであり、その結果、ＡＮＮは、訓練フェーズ中に見られない事例、および「計算効率」によく一般化することができ、その結果、ＡＮＮは、十分に速く訓練され得る。

アーキテクチャスーパーバイザ６１は、例えばハイパーパラメータを特定することによって、適切なアーキテクチャを特定するためにパラメータ探索を遂行することができる。アーキテクチャスーパーバイザ６１によって採用され得る技術は、以下の「パラメータ探索」セクションでより詳細に説明される。

アーキテクチャスーパーバイザ６１は、ハイパーパラメータ値が数回の反復にわたって一定に保たれることを保証することができる。アーキテクチャスーパーバイザ６１は、「アクティブな」ＡＮＮアーキテクチャが、パラメータを変更することによって訓練されているとき、ＡＮＮアーキテクチャの性能の発展を観察し得る。アーキテクチャスーパーバイザ６１は、この情報を使用して、アクティブなアーキテクチャの訓練を継続（したがって、改善）するか、またはハイパーパラメータ値を修正することによって他のアーキテクチャを試行するかを選択することができる。

決定ロジックジェネレータ６０は、以下のうちの１つまたは２つのループを実行することができる（外側ループは任意選択である）：
－ＡＮＮアーキテクチャが一定に保たれ、ＡＮＮ重みが反復的に更新される「内部ループ」と、
－ＡＮＮハイパーパラメータを修正すること、すなわち、アクティブなＡＮＮアーキテクチャを変更することからなる、アーキテクチャスーパーバイザ６１によって制御される、任意選択の「外部ループ」。

最終的に訓練されたＡＮＮをもたらすいくつかの内部ループ反復は、以下では「完全な訓練サイクル」と呼ぶことができる。

図１０は、方法１４０のフローチャートである。方法１４０は、決定ロジック生成システム４０によって、特に決定ロジックジェネレータ６０によって遂行することができる。

ステップ１４１で、ＭＬモデルアーキテクチャが選択される。ＭＬモデルアーキテクチャを選択することは、ＭＬモデルアーキテクチャまたはＭＬモデルアーキテクチャのタイプ（ＡＮＮまたはＳＶＭなど）を指定する入力に基づくことができる。ＭＬモデルアーキテクチャを選択することは、データストレージからいくつかの候補アーキテクチャのうちの１つを選択することを含み得る。ＭＬモデルアーキテクチャを選択することは、他のコントローラのための他の決定ロジックを自動的に生成するプロセスのために得られた結果を使用して、転移学習に基づくことができる。

ステップ１４２および１４３で、選択されたアーキテクチャを有するＭＬモデルが最初の終了基準が満たされるまで訓練される内部ループが遂行される。これは、アーキテクチャの以前のパラメータ化について判定された性能に応じて、ＭＬモデルの１つまたはいくつかのパラメータを反復的に変化させることを含み得る。選択されたアーキテクチャでＭＬモデルを訓練することは、ステップ１４３で第１の終了基準が満たされたと判定されるまで継続され得る。

ステップ１４４で、第１の終了基準が満たされると、本方法は、他のＭＬモデルアーキテクチャが試験されるべきかどうか判定することができる。これは、第２の終了基準が満たされているかどうかを判定することを含むことができる。第２の終了基準が満たされない場合、ステップ１４５で他のＭＬモデルアーキテクチャが選択され、方法はステップ１４２および１４３に戻り、他のＭＬモデルアーキテクチャを有するＭＬモデルを訓練する。

第２の終了基準が満たされる場合、ステップ１４６で、候補決定ロジックのうちの１つが選択されて出力される。これは、システムシミュレーションにおいて最良の性能を示した訓練されたＭＬモデルのうちの１つを選択することを含むことができる。

ステップ１４６で決定ロジックを出力することは、任意選択的にＵＩ２５で受信したユーザ確認に応じて、ＵＩ２５を介して決定ロジックに関する情報を提供すること、および／またはインターフェース２４を介して決定ロジックをコントローラに展開することを含むことができる。

ステップ１４３における第１の終了基準は、固定機械学習モデルアーキテクチャを有する決定ロジック候補を訓練するときに計算される性能の変化に依存し得る。

代替的または追加的に、ステップ１４３における第１の終了基準は、訓練決定ロジック候補が性能品質基準、例えば性能閾値基準を満たすときに計算される性能に依存し得る。

代替的または追加的に、ステップ１４３における第１の終了基準は、アーキテクチャによって与えられるパラメータ空間を適切にカバーするパラメータ（重みなど）を有する生成されたいくつかの決定ロジック候補が生成されたかどうか（例えば、パラメータ空間内の試験された決定ロジックパラメータの密度が閾値を超えるか、および／または決定ロジックパラメータがパラメータ空間内の所定の領域のセットの各々に含まれるか）に依存してもよい。

代替的または追加的に、ステップ１４３における第１の終了基準は、シナリオが第２のカバレッジ基準を満たすかどうかに依存し得る。第２のカバレッジ基準は、第２の閾値比較を含むことができ、例えば、シミュレーションで使用されるシナリオが、システム仕様内にあるシナリオパラメータ空間の少なくとも第２の閾値百分率であるエリアをカバーすることを示すことができる。第２のカバレッジ基準は、ユーザ入力に応答して設定されてもよく、固定されてもよく、または計算された性能に基づいて動的に調整されてもよい。

ステップ１４４における第２の終了基準は、まだ訓練されていないさらなる決定ロジックアーキテクチャが利用可能であるかどうかに依存し得る。ステップ１４４における第２の終了基準は、ＭＬモデルアーキテクチャを以前に変更したときに得られた性能の変化の閾値比較に依存し得る。

代替的または追加的に、ステップ１４４における第２の終了基準は、訓練決定ロジック候補が性能品質基準、例えば性能閾値基準を満たすときに計算される性能に依存し得る。

代替的または追加的に、ステップ１４４における第２の終了基準は、ハイパーパラメータ空間を適切にカバーするハイパーパラメータ（層および／またはノードの数など）を有する生成されたいくつかの決定ロジック候補が生成されたかどうか（例えば、ハイパーパラメータ空間内の試験された決定ロジックハイパーパラメータの密度が閾値を超えるか、および／または決定ロジックハイパーパラメータがハイパーパラメータ空間内の所定の領域のセットの各々に含まれるか）に依存してもよい。

本明細書の他の箇所でより詳細に説明されるように、他のＭＬモデルアーキテクチャがステップ１４５で選択されると、これは、訓練されたＭＬモデルの性能を低下させると以前に判定された困難なシナリオをアクティブシナリオのバッチ７９に再導入させる可能性がある。

上述したように、ステップ１４４、１４５を有する外側ループは、図１０の方法において任意選択である。

決定ロジックジェネレータ６０は、以前のパラメータ化（内側ループ）および／またはアーキテクチャ（外側ループ）について判定された性能値ＰＶを入力として受信することができる。決定ロジックジェネレータ６０は、受信した性能またはいくつかの前の反復にわたる性能の発展に応じて新しいパラメータ化を生成することができる。

一般に、決定ロジックジェネレータ６０は、所与のアーキテクチャについての訓練の（ｓ＋１）回目の反復のためのパラメータの新しいセット(dlp_{１，s＋１’}，…，dlp_M，s＋１)を、少なくともｓ回目の反復の前のパラメータの以前のセットについて、および任意選択で（ｓ＋１）回目の反復に先行するいくつかの反復について得られた性能に基づいて判定することができる。以下では、簡潔にするためにベクトル表記が使用される（

は反復ｓに対するパラメータのＭタプルを指定するなど）が、任意の他の順序付きＭタプルが使用されてもよいことが理解される。

決定ロジックジェネレータ６０は、以下に従って新しい決定ロジック候補のパラメータの新しいセットを判定することができる。

学習レートは、学習レートマネージャによって制御されてもよい。学習レートマネージャ１０１は、図１１に示すように、コントローラ１００に含まれてもよい。学習レートマネージャは、性能の発展を監視することができ、図１０の方法のいくつかの反復にわたる性能の発展に応じて決定ロジックジェネレータ６０の学習レート（および／または任意選択的に、シナリオ作成ロジックの学習レート）を調整すべきかどうかを判定することができる。

ＡＮＮを訓練する
各内側ループ反復ごとに、ＡＮＮ重みが更新され得る。訓練モジュール６２は、更新のために勾配技術、特に勾配降下を利用することができる。

ＡＮＮ重みに関するＡＮＮのいくつかの出力基準の勾配が利用され得る。勾配は、訓練データのバッチに適用される（確率的）勾配降下法で使用することができる。

図１２は、勾配ベースの技術がＭＬモデルパラメータを更新するために使用される場合の決定ロジックジェネレータ６０の動作を示す。ＭＬモデルパラメータは、ＡＮＮ重みであり得る。

教師あり学習設定では、出力基準は、図１２の出力誤差ＥｒｒｏｒＡＮＮであり得る。出力誤差ＥｒｒｏｒＡＮＮは、シミュレーションにおける出力ＣＬ_{ｏｕｔｐｕｔ}として提供されるその現在のパラメータ化を有するＡＮＮと、その出力が理想的に有するべきものとの間の差であることができ、以後「正しいＡＮＮ出力」（例えば、「グランドトゥルース」）と呼ばれる。この「正しいＡＮＮ出力」は教師あり学習信号として働き、性能評価器９０によって提供され得る。

このような場合の一例は、保護システムの生成であり、シミュレーションに従って、各保護リレーがとるべき適切な決定（トリップ／トリップなし、または直接トリップ／遅延トリップ／トリップなし）を判定することができる。

教師あり学習が常に可能であるとは限らない。図１３に示すように、ＭＬモデルパラメータを更新するために、決定ロジックジェネレータ６０によってパラメータ探索を遂行することができる。

性能評価器９０は、必ずしもその出力を明示的に評価することなく、システムに与えた影響（例えば、電力システムが外乱後に安定していたかどうか）を評価することによって、決定ロジック候補の性能を定量化することができる。ＭＬモデル出力誤差がない場合、以下の「パラメータ探索」のセクションで説明するように、性能メトリック（図１３）の値に基づいてＭＬモデル訓練（すなわち、その重みの値を更新する）を導く方法を使用して、ＡＮＮ重みなどのＭＬモデルパラメータを更新することができる。

ＡＮＮ訓練の場合、特定され得るパラメータは、ＡＮＮ重みを含み得るか、または、ＡＮＮ重みからなり得る。

ＡＮＮ訓練プロセスへの入力は、最後の訓練サンプルがＡＮＮ重みの更新に及ぼす影響に対応する学習レートであり得る。学習レートが高いほど、最新のサンプル（のセット）によって計算された勾配に従ってＡＮＮ重みがより多く修正される。

学習レートは、決定ロジックを生成するプロセス中に動的に変更されてもよく、その結果、ＭＬモデルパラメータ化は、大きな学習レートを使用することによって良好に機能しない解からより速く遠ざかるか、またはＭＬモデルパラメータ化訓練は、小さな学習レートを使用することによって見かけ上良好に機能する解をさらに改善するためにより多くの反復を費やす。

代替的または追加的に、ＭＬモデルのパラメータ化を、訓練プロセスにおいてこれまで有効であると評価された解で（またはその周りで）固定することにより、シナリオ提供モジュール７０は、現在有効な決定ロジックにチャレンジすることができるシナリオを特定することができる。この新しい情報は、（それに応じて重みを微調整することによって）現在のＭＬモデルのパラメータ化のロバスト性を最終的に高めるために、またはそれが効果的でないことを証明し、したがって決定ロジックジェネレータ６０が大きな学習レートを使用してより良好に実行されるＭＬモデルのパラメータ化を特定する新しい反復セットをトリガするために使用することができる。

図１１に示すように、コーディネータ１００は、決定ロジックを生成するプロセス中に学習レートを動的に修正するように動作することができ、それにより、可能な限り少ない計算労力（例えば、必要なシミュレーションおよび／または計算リソースに費やされる時間）で最適な決定ロジックが得られる。コーディネータ１００の特徴は、本明細書の他の箇所でより詳細に説明される。

ＡＮＮアーキテクチャを特定する
アーキテクチャスーパーバイザ６１は、全訓練サイクル内で、アクティブなＡＮＮ性能の発展を監視し、訓練サイクルをいつ停止するか、すなわち、ＡＮＮ解のさらなる改善をいつ停止するかを決定し得る。ＡＮＮ性能がもはや大幅に改善していない場合、または、アクティブなＡＮＮアーキテクチャが、望ましい性能レベルに到達できないと思われる場合（例えば、観測された性能が他のアーキテクチャによって既に取得された性能より明らかに劣っており、訓練がその性能に近く収束していないように見える場合）、訓練サイクルが停止され得る。

訓練サイクルの終わりに（例えば、図１０の方法のステップ１４２、１４３を含む反復プロセスの終わりに）、（ｉ）訓練されたＡＮＮは、必要に応じて、履歴部１１０に記憶され、（ｉｉ）アーキテクチャスーパーバイザ６１は、新たなハイパーパラメータ値のセットを用いて、転送学習によって、または、データリポジトリから他の候補決定ロジックを選択することによって、新たなアーキテクチャを選択し得る。加えて、決定ロジック生成プロセスが進行しているとき、アーキテクチャスーパーバイザ６１は、既に訓練されたアーキテクチャを再選択し、それをさらに微調整することができる。

プロセスは、第２の終了基準（例えば、十分に良好な性能メトリックへの収束、訓練サイクルの最大数に到達など）に従って終了することができ、そのパラメータ化と組み合わせた決定ロジックのための最良のアーキテクチャが履歴部１１０から選択される。

アーキテクチャスーパーバイザ６１は、新しいアーキテクチャを選択するように動作することができる。これは、ハイパーパラメータ空間および／または可能な候補アーキテクチャのセットを効率的に探索するために、様々な方法で行うことができる。

一様サンプリングと比較して計算負荷を低減するために、アーキテクチャスーパーバイザ６１は、以下のうちの任意の１つまたは任意の組合せを遂行することができる：
－問題のサイズを縮小する：アーキテクチャの選択は、より単純でより小さいターゲット問題を考慮することによって行うことができ、その結果、サイクルをより速く実行することができる。次いで、選択されたアーキテクチャを有するＡＮＮは、元のより大きな問題を用いて訓練され得る。適切な「より小さい」（しかし、代表的な）問題の特定は、アプリケーションに依存し得る。例えば、決定ロジックを訓練するために電力システム数値シミュレーションが必要とされる場合、問題の縮小は、構成要素のモデリングおよび／またはトポロジの簡略化を行うことにあり得る。

－以下の「パラメータ探索」で提示されるパラメータ探索方法のうちの１つを利用する。

－ＭＬモデルの複雑さ（例えば、ＡＮＮアーキテクチャ）を漸進的に拡大する：第１の訓練サイクルは、決定ロジック候補を比較的低い計算労力で訓練することができるように、小さいＡＮＮアーキテクチャを使用することができる。これらの小さなアーキテクチャの中で（性能メトリックに関して）最も有望なものは、さらなるアーキテクチャ拡大（すなわち、ノード、層、および動作が、小さなアーキテクチャに付加される）のために選択され得る。Ｃ．Ｌｉｕらによる「ＰｒｏｇｒｅｓｓｉｖｅＮｅｕｒａｌＡｒｃｈｉｔｅｃｔｕｒｅＳｅａｒｃｈ」、ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ（ＥＣＣＶ）、ミュンヘン、ドイツ、２０１８年１０月、に提案されているような、漸進的ニューラルアーキテクチャ探索が使用されてもよい。

アーキテクチャスーパーバイザ６１は、ｉ）手元のタスクのために異なるＡＮＮアーキテクチャの中から選択することができ、またはｉｉ）手元のタスクの適切なハイパーパラメータを特定するために、類似のタスクの過去の解からの転移学習に依拠することができる。これについての詳細は、この文書の後半で提供される。

図１４および図１５は、決定ロジックのアーキテクチャおよびパラメータの両方を判定するように動作する決定ロジックジェネレータ６０の動作を示す。アーキテクチャスーパーバイザ６１は、ＡＮＮのハイパーパラメータなどのアーキテクチャを判定するために、パラメータ探索を遂行することができる。試行錯誤探索、モデルベース探索、教師あり学習、または強化学習が使用され得る。

訓練モジュール６２は、（ＡＮＮの重みなどの）決定ロジック候補のパラメータを更新するために、教師あり学習（図１４）を使用し得るか、または、パラメータ探索（図１５）を遂行し得る。

完全および部分的にデータ駆動のシナリオ作成および／または決定ロジック生成
シナリオ作成ロジックおよび／または決定ロジックジェネレータは、完全にデータ駆動であってもよい。しかしながら、他の実装形態が提供されてもよい。

例示のために、シナリオ提供モジュール（例えば、シナリオ作成ロジック）および／または決定ロジックジェネレータは、部分的にのみデータ駆動されてもよい。シナリオ提供モジュール（例えば、シナリオ作成ロジック）および／または決定ロジックジェネレータは、モデルベースであってもよく、それぞれのモデルのパラメータは、上述したように判定されてもよい。

例示のために、シナリオ提供モジュール（例えば、シナリオ作成ロジック）および／または決定ロジックジェネレータは、（システム）シミュレーションによってシナリオを生成するように動作することができる。システムシミュレーションは、システムシミュレーションパラメータでパラメータ化することができる。システムシミュレーションパラメータの値は、決定ロジック候補（単数または複数）の性能を低下させるように判定することができる。システムシミュレーションパラメータの値は、予め定義され得る範囲から選択することができる。シナリオ作成ロジックの訓練は、決定ロジック候補（例えば、決定エージェント）の性能を低下させることを目標として遂行されてもよい。

代替的または追加的に、決定エージェントなどの決定ロジック候補は、決定ロジックパラメータを有するパラメータ化を有するモデルベースであってもよく、決定ロジックパラメータの値は、決定ロジック候補の性能を改善するために判定され得る。決定ロジック候補は、最適化によって増分的に調整することができる。モデルベースの決定ロジック候補は、モデル予測制御（ＭＰＣ）コントローラであってもよい。決定ロジック候補の基礎となるモデルはパラメータ化されてもよく、決定ロジック候補の訓練は、より良い性能に向けて基礎となるモデルパラメータを最適化することによって遂行されてもよい。

決定ロジック候補を改善するプロセスでは、マルチシナリオ最適化を使用することができる。例示のために、複数の基礎となるモデルを使用することができる。出力され得る決定ロジックに向かって決定ロジック候補を反復的に改善するために、ロバストまたは確率的最適化が実行され得る。

基礎となるモデルは、コントローラとなるシステムのすべての関連する態様をカバーすることができる。例示のために、基礎となるモデルは、システムダイナミクス、確率的外乱、および／または非確率的外乱をカバーすることができるが、これに限定されない。

例：固定アーキテクチャのための決定ロジック生成
決定ロジックジェネレータ６０は、アーキテクチャが固定された状態で、決定ロジックのパラメータを判定するように動作することができる。

様々なタイプのコントローラについて、業界は、特定の用途に依存する決定ロジックのための従来の構造に収束している。そのような構造の例は、（ｉ）送電網運用におけるリアルタイム意思決定のための最適電力潮流（ＯＰＦ）制御を行うこと、（ｉｉ）過電流、距離、アンダー周波数などの保護機能をチューニングすること、（ｉｉｉ）自動電圧レギュレータ（ＡＶＲ）、ガバナ、ＦＡＣＴＳ装置およびＨＶＤＣなどの電力システム構成要素の伝達関数ベースのコントローラである。

この場合、決定ロジックジェネレータ６０の目標は、決定ロジック構造に関連するパラメータのセットの値を特定することである。

所与のアーキテクチャを有する決定ロジック候補の様々なパラメータは、システムシミュレーション（単数または複数）（のバッチ）後に性能評価器９０によって計算された性能メトリックに基づいて更新することができる。決定ロジックパラメータに関する性能メトリックの勾配を計算することは困難であり得るので、以下のセクション「パラメータ探索」で提案されるように、パラメータ探索方法を利用することができる。

例示のために、ＯＰＦ制御は、グリッドおよびその構成要素に関連する制約に従って運用コストが最小化される最適化問題であり、すなわち、ＯＰＦはグリッドの第１原理モデリングに依拠する。完全に代表的な解析的電力システムモデルをＯＰＦに埋め込むこと（例えば、定常状態および動的状態の挙動を表す電磁気および電気機械モデルを組み込むこと）は、そのようなモデルが高度に非線形であり、非常に大きいため、実際には不可能である。結果として、従来のＯＰＦは、通常、定常状態の挙動のみを考慮する。さらに、ＯＰＦは、通常、動作点、すなわちＤＣ－ＯＰＦの周りのグリッドモデルの線形化に基づいてさらに単純化され、したがって、大型システムのためのより高速な計算を可能にする。この場合、ＯＰＦは動的挙動を考慮しないだけでなく、無効電力が定式化において完全に無視されるため、電圧レギュレーションにも不適切である。

ＯＰＦモデリングの欠陥を克服する一方で、その計算効率を維持するために、Ｒ．Ｚ．Ｍｉｎａｎｏらによる「ＳｅｃｕｒｉｎｇＴｒａｎｓｉｅｎｔＳｔａｂｉｌｉｔｙＵｓｉｎｇＴｉｍｅ－ＤｏｍａｉｎＳｉｍｕｌａｔｉｏｎｓｗｉｔｈｉｎａｎＯｐｔｉｍａｌＰｏｗｅｒＦｌｏｗ」、ＩＥＥＥＴｒａｎｓ、ＰｏｗｅｒＳｙｓｔｅｍｓ、第２５巻、第１号、２０１０年２月、およびＦ．Ｃａｐｉｔａｎｅｓｃｕらによる「ＣｏｕｐｌｉｎｇＯｐｔｉｍｉｚａｔｉｏｎａｎｄＤｙｎａｍｉｃＳｉｍｕｌａｔｉｏｎｆｏｒＰｒｅｖｅｎｔｉｖｅ－ＣｏｒｒｅｃｔｉｖｅＣｏｎｔｒｏｌｏｆＶｏｌｔａｇｅＩｎｓｔａｂｉｌｉｔｙ」、ＩＥＥＥＴｒａｎｓ．ＰｏｗｅｒＳｙｓｔｅｍｓ、第２４巻、第２号、２００９年５月、では、関連する一連の動的現象に対してロバストであるようにＯＰＦ解を強制するように選択された一連の制約条件で元のＯＰＦ定式化を拡張することが提案されている。これらの技術は、決定ロジックがＯＰＦを解くことを含むかまたはそれからなる場合に使用され得る。

図１６は、決定ロジックがＯＰＦを遂行する場合を示す。ＯＰＦを解くことは、上記で引用された参考文献に従って定式化され得る制約付き最適化問題であり得る。パラメータ探索は、図２１を参照して説明するように、代理モデルを利用することができる。

制約は、ＯＰＦで使用されるモデルの明示的な部分ではないものを取り込むようなものであってもよい。本明細書に開示された技術は、正しい制約を自動的に特定するために使用され得る。制約のセットをパラメータ化することができ、次いで、それらのパラメータの適切な値を決定ロジックを生成する自律プロセスの一部として特定することができる。そのようなパラメータ化された制約の例は、w_１P_１＋w_２P_２＋w_３P_３＜＝Pとすることができ、ここで、P_iはi番目のライン上のアクティブな電力潮流であり、w_１、w_２，w_３，Pは制約パラメータであり、ライン１、２、および３は２つの相互接続されたエリア間のフローゲートを構成する。したがって、決定ロジックジェネレータ６０のタスクは、これらのパラメータを特定するように動作することができる。

例：分散制御システムのための決定ロジック生成
決定ロジック生成システム４０は、分散決定ロジック、すなわちグリッド全体の装置／機器のセットの決定ロジックを生成することができ、各装置はそれ自体の決定ロジックを有する。

複数の決定ロジックを同時に生成するために集中手順を使用する利点は、コントローラ間の相互運用性が協調的方法で考慮されることである。決定ロジック生成システム４０はまた、その環境内の他のコントローラの挙動が生成プロセスにおいて、特にシミュレーションエンジン８０によってモデル化され考慮される場合、コントローラのうちの１つのみの決定ロジックを生成するときに、コントローラ間相互運用性を考慮することができる。

分散決定ロジックの協調生成は、１つの単一の決定ロジックの設計と同様の方法で実行することができる。シミュレーション（単数または複数）（のバッチ）ごとに計算された性能メトリックの値に基づいて、本明細書の他の箇所で説明するように、様々な異なるコントローラに展開された様々な決定ロジックのパラメータが反復的に更新される。単一の決定ロジックの生成と同様に、各コントローラは、ＡＮＮとすることができるか、または人間の技術者によって指定された（例えば、ＰＩＤタイプのコントローラ）、または転移学習によって確立された構造を有することができる決定ロジックアーキテクチャを有することができる。

異なるコントローラは、異なるアーキテクチャを有する決定ロジックを有することができるが、決定ロジック生成システム４０によって依然として同時に生成することができる。例示のために、決定ロジックジェネレータ６０の複数のインスタンスが展開されてもよく、各インスタンスは、非集中型制御システムの決定ロジックのうちの異なるものに関連付けられる。

決定ロジック生成システム４０は、どのコントローラが性能メトリックに対してより大きな影響を有するか（すなわち、可制御性）に依存して、分散制御システムの決定ロジックの重み付けを遂行することができる。決定ロジック生成システム４０は、様々な制御装置のよりバランスのとれた寄与の仕様に関する情報を受け取ることができる。これは、そのような要件を性能メトリックに反映することによって実施することができる。

決定ロジック生成システム４０によって生成することができる協調分散決定ロジックの例は、以下を含む（ただし、これに限定されない：
－保護システム（観測された電圧および電流測定値に基づいていくつかの保護リレーの各々で動作する決定ロジック）を生成すること
－ＦＡＣＴＳまたはＨＶＤＣ装置の協調制御（ローカルまたはシステム全体の測定値に基づいて各ＦＡＣＴＳコントローラ内で動作する決定ロジック）を生成すること
－分散型エネルギーリソースに埋め込まれているか、またはＭＶ／ＬＶグリッド内のサイト管理システムによって動作する装置の決定ロジックを生成すること。この協調設計プロセスは、今日の運用慣行、ならびにＭＶ／ＬＶグリッドの運用が完全に自律的であり、小売レベルのエネルギー取引を可能にする異なるパラダイムを考慮に入れることができる。

シナリオ提供モジュール
シナリオ提供モジュール７０は、決定ロジック候補の性能が評価されるシナリオをシミュレーションエンジン８０に供給するように動作する。適切なシナリオに対するシステム応答をシミュレートすることは、展開時に様々な条件下で良好に機能する決定ロジックを設計するために重要である。

一般に、２つのクラスのシナリオを考慮する必要がある。
－決定ロジックが定期的に直面すると予想されることをカバーするシナリオ（例えば、通常の電力システム動作に対応するシナリオ）。

－決定ロジックがロバストであるべきである、まれにしか発生しないが困難なシナリオ。

通常の動作条件に対応するシナリオは、性能メトリックのコスト成分として反映することができる。最も可能性の高いシナリオは、性能メトリックの計算においてより高い重みを有し得る。これは、式（２）を参照して説明した重み付けを用いて達成されてもよく、これに限定されない。

まれにしか発生しないが困難なシナリオは、性能評価器９０によってバイナリ方式で評定され得る。実例として、性能評価器９０は、決定ロジック候補が依然として正しい決定を下すことができるかどうかに依存して、まれにしか起こらないが困難なシナリオを評価することができる。例示のために、決定ロジックがそのようなシナリオ（例えば、外乱に対する決定ロジックの不安定な挙動）の下で試験に不合格になることは許容できない場合がある。

シナリオのバッチを作成するための一技術は、シナリオが自律的な決定ロジック生成プロセスの前に人間の技術者によって選択され、決定ロジック生成システム４０が、制御目標がそれらのシナリオに最適になるように決定ロジックを構築することである。アクティブシナリオ６９のバッチは、決定ロジックを生成する自律プロセス全体を通して一定のままであることができ、唯一のアクティブサブシステムは、決定ロジックジェネレータ６０であり得る。

どのシナリオをシミュレートするか、および／または決定ロジックのロバスト性または有効性のより完全な評価を確実にするかを人間の技術者が事前に判定することは困難であるため、人間の技術者によって定義または選択されていない追加のシナリオを利用することができる。

理論的にすべての可能性をカバーする大きなシナリオセットを選択することから生じる計算の非効率性と、より小さな選択されたシナリオのセットを使用することから生じるロバスト性を達成する困難性との間にはトレードオフがある。決定ロジック生成システム４０が性能評価に従ってシナリオを生成および変更することを可能にする能動学習手法を使用することができる。

シナリオ提供モジュール７０は、シミュレーションエンジン８０においてシミュレーションを遂行するために使用されるアクティブシナリオ７９のバッチを維持し、動的に調整するように動作することができる。シナリオ提供モジュール７０は、アクティブシナリオ７９のバッチに含めるために、２つ以上の異なるソース７１～７３からのシナリオを使用することができる。ソース７１～７３は、過去の、および／またはユーザ定義のシナリオのリポジトリを含むことができる。ソース７１～７３は、過去のデータに含まれず、人間の専門家によって定義されないコンピュータ生成シナリオを生成したロジックを含むことができる。

シナリオ提供モジュールは、アクティブシナリオ７９のバッチにおいて、決定ロジックを生成する反復プロセスにおいて、過去の、および／またはユーザ定義のシナリオの一部が任意選択的に単調に減少するように、アクティブシナリオ７９のバッチを調整することができる。

シナリオ提供モジュールは、アクティブシナリオ７９のバッチにおいて、決定ロジックを生成する反復プロセスにおいて、シナリオ作成ロジックによって生成されたシナリオの一部が任意選択的に単調に増加するように、アクティブシナリオのバッチを調整することができる。

図１７は、シナリオ提供モジュール７０の一実装形態を示す。シナリオ提供モジュール７０は、以下の３つのソースからのシナリオを組み合わせることができる：
－外因性シナリオ７１：重大および／または最も可能性が高いと考えられるシナリオのセットは、自律的な決定ロジック生成プロセスを実行する前に人間の技術者によって提供され、および／または過去のデータから選択される。

－シナリオ作成ロジック７２：新しいシナリオは、能動学習手法の一部として継続的に生成することができる。

－再訪するシナリオ７３：決定ロジックを試験するために既に使用されている困難な、または重大なシナリオは、新しい決定ロジックが試験されているときに再帰的に使用することができる。これらの困難なシナリオは、履歴部１１０から検索することができる。

シナリオ提供モジュール７０は、３つのソース７１～７３からシナリオを選択することができ、得られたバッチをシミュレーションエンジン８０に供給することができる。この選択は、様々な方法で遂行することができる。例えば：
－決定ロジックを生成するプロセスの開始時に、シナリオ提供モジュール７０は、外因性シナリオ７１の中から選択されたシナリオバッチをシミュレーションエンジン８０に供給することができる。

－決定ロジックを生成するプロセスの間、シナリオ提供モジュール７０は、コーディネータ１００から信号を受信することができ、決定ロジックジェネレータ６０によってこれまでのところ良好に機能する決定ロジックが達成されたかどうかを示す。これに応答して、シナリオ提供モジュール７０は、アクティブな決定ロジック６９にチャレンジするために、シナリオ作成ロジック７２によって作成されたさらなるシナリオを選択することができる。

－シナリオ提供モジュール７０は、特にアーキテクチャの決定ロジック候補の更新をトリガした困難なシナリオを追跡し続けることができる。これらのシナリオは、再訪するシナリオとしてラベル付けすることができる。シナリオ提供モジュール７０は、決定ロジック候補が発展しているときに、それらが依然として以前に特定された困難なシナリオに取り組むことができることを保証するために、そのシナリオのリストからシナリオを再帰的に選択して再訪することができる。

シナリオ提供モジュール７０は、ランダム化された方法で、または特定の選択基準を使用して再訪するために、困難なシナリオのセットからシナリオを選択することができる。例示のために、シナリオ提供モジュール７０は、困難なシナリオのリスト内のどのシナリオが決定ロジックに影響を及ぼす可能性が最も高いかを学習するように漸進的に訓練されてもよく、アクティブシナリオ７９のバッチに含めるためにそのようなシナリオをより頻繁に選択する。

シナリオ作成ロジック
シナリオ作成ロジック７２は、アクティブな決定ロジック６９にチャレンジするように、すなわち、決定ロジック候補の性能を低下させる正当なシナリオを特定するように動作する。

本明細書で使用される場合、決定ロジック候補は、性能評価器９０によって判定された性能が性能ベースの品質基準を満たさない場合、例えば、性能閾値試験に不合格である場合、性能が低いと見なされ得る。

シナリオ作成ロジック７２の出力は、需要および発電のレベル／パターン、偶発事故、障害、トポロジなどのシナリオを定義するすべてのパラメータに割り当てられた値からなることができる。これらのパラメータは、シナリオベクトルまたはシナリオパラメータの任意の他のタプルと考えることができる。

図１８に示すように、シナリオ作成ロジック７２は、概略的に、ＡＮＮなどのＭＬモデル７４（または、一般に、任意の他のＭＬモデル）を含むことができ、またはそれによって実装することができる。

ＭＬモデル７４は、パラメータ値のセット（パラメータベクトルなど）を生成するように動作することができる。シナリオ作成ロジック７２の出力は、決定ロジックを生成するプロセス全体にわたって連続的に変化することができる。ＭＬモデル７４は、有用に困難なシナリオを生成するように動作することができる。ＭＬモデル７４は、その出力が正当なシナリオ、すなわち電力システムのシステム仕様内のシナリオに対応するように設定される。

シナリオ作成ロジック７２のＭＬモデル７４は、図１９および図２０に示すように、様々な方法で実装することができる。

ＭＬモデル７４は、ＧＡＮのディスクリミネータであってもよく、ＧＡＮのジェネレータは決定ロジックジェネレータ６０に設けられる。

図１９は、ＭＬモデル７４が入力からシナリオパラメータのセットへの（場合によっては確率的な）関数マッピングとして機能するシナリオ作成ロジック７２の一実装形態を示す。

入力は、現在の決定ロジックの記述（および、場合によっては、履歴部１１０から取得された以前の反復の記述）を含むことができる。

シナリオ作成ロジック７２のＭＬモデル７４は、生成されたシナリオが、決定ロジック候補が予測可能に低い性能を示す困難なシナリオになるように、決定ロジック生成プロセス中に学習することができる。シナリオ作成ロジック７２は、そのアーキテクチャおよびそのパラメータ値（例えば、ＡＮＮ重み）によって内部的に記述され、自律的な決定ロジック生成プロセスの一部として、以前にシミュレートされたシナリオおよび対応するコントローラ性能（履歴部１１０から受信することができる）を利用することによって訓練することができる。

学習プロセスの目標は、シナリオ作成ロジック７２のＭＬモデル７４を、所与の決定ロジック候補６９の困難なシナリオを作成することができる訓練済みモデルに収束させることである。シナリオ作成ロジック７２を定義するパラメータ値は、良好に機能するシナリオ作成ロジック７２に収束するまで、自律的な決定ロジック生成プロセスの開始時により速く変化する。自律的な決定ロジック生成プロセスが進行するにつれて、シナリオ作成ロジック７２のＭＬモデル７４のパラメータは、たとえあったとしても最小限だけ変化し得る。

図２０は、決定ロジック生成プロセス中にＭＬモデル７４がそれ自体を継続的に更新している（例えば、ＡＮＮ重みは連続的に変化している）シナリオ作成ロジック７２の一実装形態を示す。上記のオプション１とは対照的に、この手法はパラメータのセットに収束することを目指していない。パラメータは、設計プロセスの各インスタンスにおいて、シナリオ作成ロジック７２が「有用に困難な」シナリオを作成しているように、絶えず変化している。

この場合、シナリオ作成ロジック７２への入力は、決定ロジック生成プロセスからのものではない。予め選択された入力ベクトルが使用されてもよく、これはかなり小さくてもよい。この入力ベクトルは、静的（すなわち、定数）または（統計的分布内で）ランダムに変化することができる。例示のために、シナリオ作成ロジック７２がＡＮＮである場合、この入力ベクトルがＡＮＮ内部動作および隠れ層を介してＡＮＮ出力層におけるシナリオベクトルに変換される方法は、ＡＮＮ重みが更新されるにつれて変化し得る。

シナリオ作成ロジック７２のアーキテクチャ（および図２０のアーキテクチャの場合に必要とされる入力ベクトル）は、決定ロジック生成プロセスの前に人間の技術者によって提供されてもよく、または決定ロジックジェネレータ６０を参照して説明したようにアーキテクチャスーパーバイザに頼ることによって生成プロセス中に自動的に特定されてもよい。

パラメータ探索方法論
決定ロジックジェネレータ６０および／またはシナリオ作成ロジック７２は、パラメータのセット（場合によってはハイパーパラメータを含む）の良好な値または最適な値を特定するように動作することができる。そのようなパラメータ／ハイパーパラメータは、以下を含むことができるが、これらに限定されない：
－ＡＮＮの重み、
－決定ロジックアーキテクチャのハイパーパラメータ（例えば、隠れ層の数、各層内のノードの数、再帰ループ、ゲート、または任意の他の構造要素）、または
－予め定義された構造（例示のために、上で説明したように、ＯＰＦ制御のための制約の特定）を有する決定ロジック候補のパラメータ。

決定ロジックを生成する自律プロセスの一部として、例えば決定ロジックジェネレータ６０および／またはシナリオ作成ロジック７２によって、以下の技術のいずれかを使用することができる。最適なパラメータ値の探索は、本質的に最適化問題である。

最適化の対象となる離散的または連続的な決定変数（または両方の種類の混合）が存在し得る。決定変数の種類および数（すなわち、探索空間の次元）は、最適化問題の難易度、最良の最適化方法、および期待される最適化結果の品質に影響を与える。低次元または凸状の連続的な高次元問題の場合、大域的最適化が達成可能であるが、他の場合には、局所的最適化のみが可能であることが多い。

パラメータ空間の探索を導くためにいかなる解析的情報（勾配など）も必要としないので、試行錯誤探索は常に適用することができる。パラメータセットの性能を評定できることのみが必要であり、これは、シミュレーションエンジン８０の結果を使用することによって（例えば、アクティブシナリオ６９のバッチのシミュレーションによって）、評定を遂行することが性能評価器９０の役割であるため、本明細書に開示された技術では常に当てはまる。パラメータのセットの評定は、「報酬信号」と呼ばれることがある。確立された試行錯誤探索方法は、進化的および遺伝的アルゴリズム、山登り法、擬似アニーリング、および他のヒューリスティックを含む。試行錯誤探索方法の欠点は、時間効率が低いことである。この欠点に対処または軽減するために、以下で説明するように、場合に依存して他の方法を使用することができる。

モデルベースの探索は、パラメータの選択の予想される性能を推定するモデル（解析または機械学習ベース）の利用可能性に依拠し、したがって、性能メトリックを計算するためにシナリオ（のバッチ）をシミュレートする必要性を回避する。このモデルがシナリオのバッチのいくつかのシミュレーションから事前に特定される場合、モデルは代理モデルと呼ばれる。代理モデルが解析的である場合、形式的な最適化方法を採用して最適パラメータを特定することができる。問題のパラメータ空間が低次元である場合、代理モデルベースの最適化が好ましい手法であり得る。

自律的な決定ロジック生成プロセス中に（機械学習ベースの）代理モデルをどのように特定および利用できるかの例を、図６９を参照して以下に提供する。

ＡＮＮのパラメータを最適化するために、以下に説明するような教師あり学習および強化学習（ＲＬ）を使用することができる。

教師あり学習は、（確率的）勾配降下によって、ＡＮＮのパラメータを最適化するために使用され得る。それは、教師あり学習信号、すなわち「正しいＡＮＮ出力」が利用可能であることを必要とする。決定ロジックが教師あり学習を介して訓練される場合、これは、意思決定者が他の意思決定者を模倣することを学習するので、模倣学習と呼ばれる。教師あり学習の利用は、性能評価器９０またはシミュレーションエンジン８０が「正しいＡＮＮ出力」を判定することができる場合にのみ適用可能であり、これがベンチマーク決定として機能する。模倣学習を成功させるために、困難なシナリオが訓練データに含まれるべきである。これは、シナリオ提供モジュール７０、具体的にはそのシナリオ作成ロジック７２によって遂行される。

教師あり学習信号は利用できないが、報酬信号は利用できる場合、強化学習（ＲＬ）を適用できる。すなわち、教師あり／模試学習の場合とは逆に、性能評価器９０は、あるシナリオにおいて制御アクションがどのようなものであったかを判定することはできないが、制御アクションの結果を評定する（すなわち、性能メトリックを計算する）ことはできる。報酬信号は、性能メトリックに基づいて定義することができ、したがって、常に利用可能であり得る。ＲＬを利用することは、試行錯誤探索よりも時間効率的であり得る。

特にＡＮＮベースの決定ロジックを学習するために、多種多様なＲＬアルゴリズムが利用可能である。最新技術の性能を有し、したがって様々な実施形態にとって好ましい現代のＲＬ手法は、以下の特性を有する：
－決定ロジックは、現在の状態およびアクションを考慮した（割り引かれた）累積期待将来報酬である価値関数の推定器で補完することができる。したがって、勾配は、実際の報酬に基づく近視眼的勾配ではなく、決定ロジックの長期性能を改善する方向に決定ロジックパラメータを移動させる。

－パラメータの更新は、観測（決定ロジックへの入力）および決定を含むデータの過去の軌跡に対して遂行される。そのような軌跡では、わずかな訓練エポックしか実行されず、これにより、計算労力が削減されると同時に、訓練の安定性に必要である。

図２１は、（機械学習ベースの）代理モデル６５がどのようにＯＰＦベースの決定ロジックのパラメータと共存し、それを更新することができるかの例示的な一例を示す。

同様に、代理モデル６５は、例えば、図９～図１６および図１８～図２０を参照して説明されたように、設計プロセス中に訓練され、ＡＮＮの重みおよび／またはハイパーパラメータを更新するために利用され得る。

例えば、ＡＮＮハイパーパラメータ更新のために、訓練エポックを実行することによってアクティブなＡＮＮアーキテクチャの性能を評定する代わりに、ハイパーパラメータのセットの期待される性能を推定するために、代理モデル６５が訓練され得る。代理モデル６５は、ハイパーパラメータベクトルを入力として受け取り、対応するアーキテクチャの性能を予測するように訓練されうる他のＡＮＮであり得る。これは、最も有望なアーキテクチャを特定するためにアーキテクチャスーパーバイザ６１によって使用され、その結果、これらのアーキテクチャのみが時間のかかる完全な訓練エポックを介して試験される。

代理モデル６５は、既に訓練された様々なアーキテクチャの性能メトリック評価を使用して、決定ロジック生成プロセス中に漸進的に構築することができる。プロセスは、そのような代理モデル６５が利用できない状態で開始することができ、あるいは、以前に解かれた決定ロジック生成プロセスで訓練された代理モデル６５で開始することができる。

決定ロジックジェネレータ６０は、（例えば、ＲＬを用いて）代理モデル６５の訓練を導くために、能動学習手法に従うことを保証するように動作する監督モジュールを備えることができる。

コーディネータ
決定ロジック生成システム４０が決定ロジックジェネレータ６０および敵対的目標を有するシナリオ提供モジュール７０を含む場合、時間効率的な方法で所望の解への収束を保証するために協調が行われるべきである。

図６および図１１に示すように、コーディネータ１００は、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０（特にシナリオ作成ロジック７２）を制御するように動作することができる。コーディネータ１００は、シミュレーション結果に応じることができる。コーディネータ１００は、制御信号を生成し、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０（特にシナリオ作成ロジック７２）に出力することができる。コーディネータ１００は、制御信号を生成し、決定ロジックジェネレータ６０およびシナリオ提供モジュール７０（特に、シナリオ作成ロジック７２）に出力して、決定ロジック候補および決定ロジック候補にチャレンジするためのシナリオを生成するプロセスを協調させ、統制することができる。

コーディネータ１００は、フィードバック信号に応答してパラメータが変更されるレートを判定する決定ロジックジェネレータ６０および／またはシナリオ作成ロジック７２の学習レートを制御することができる。

決定ロジック生成システム４０によって遂行される決定ロジックを生成する自律的な処理は、動的な処理である。そのようなプロセスは、
－平衡、すなわち、シナリオ作成ロジック７２によって生成されたシナリオがアクティブな決定ロジック候補６９にチャレンジしておらず、同時に、決定ロジックジェネレータ６０によって生成された決定ロジック更新が性能メトリックを著しく改善しない状況に収束するか、または
－適時に平衡に収束するのではなく、代わりに、決定ロジックジェネレータおよびシナリオ提供モジュールは、決定ロジック更新および新しいシナリオを継続的に生成する。

の役割
第１の場合、この平衡に対応する決定ロジックが所望のものであることが可能であるが、保証されない。しかしながら、収束が速すぎる場合、制御ロジックおよびシナリオの実現可能なオプションを適切に探索しないと、プロセスは望ましくない平衡状態（当技術分野における「モード崩壊」および「勾配減少」問題など）でストールする可能性がある。

例えば、決定ロジック候補６９は、生成プロセスが平衡に駆動されるほど迅速に良好になる可能性があり、シナリオ作成ロジック７２は、決定ロジックに目に見える形でチャレンジする、すなわち、適度に異なる性能メトリックをもたらすシナリオを生成することができない。そのような状況の影響は、シナリオ作成ロジック７２の訓練ループにおける勾配情報が、より困難なシナリオを作成するための十分なガイダンスを提供しないこと、すなわち、シナリオ作成ロジック７２は、そのようなシナリオが依然として存在し、最終的に所望の決定ロジックで終了するために決定ロジック生成プロセスを特定する必要がある場合でも、新たな困難なシナリオを生成する方法を学習することができないことである。

コーディネータ１００は、以下のように、すなわち、
－決定ロジック候補およびシナリオの実現可能なオプションを適切に探査することなく、自律的な決定ロジック生成プロセスが早期平衡でストールしないことを保証する、
－（平衡時に、または平衡に達することなく）自律的な決定ロジック生成プロセスを終了させる、ように動作することができる。

コーディネータ１００は、決定ロジック候補および／またはシナリオの実現可能なオプションを適切に探査することなく、自律的な決定ロジック生成プロセスが早期平衡でストールしないことを保証するために、決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の動作を能動的に制御することができる。

例示のために、コーディネータ１００は、以下のうちの任意の１つまたは任意の組合せを遂行するように動作することができる：
－決定ロジックジェネレータ６０の学習レートを駆動すること、
－シナリオ提供モジュール７０のシナリオ選択戦略を更新（例えば、継続的に更新）すること（これは、シナリオ提供モジュール７０をトリガして、アクティブシナリオ７９のバッチ内のシナリオ作成ロジックによって作成されたコンピュータ生成シナリオの数を増やすことを含むことができる）、
－他のプロセスが発展し得るように、決定ロジックジェネレータ６０および／またはシナリオ作成ロジック７２の学習レートを（例えば、凍結することによってさえも）減速させること、および／または加速させること、および／または、シナリオ作成ロジックによって作成された新しいシナリオをアクティブシナリオ７９のバッチに追加するプロセスを（例えば、凍結することによってさえも）減速させること、および／または加速させること、
－性能評価器９０によって使用される性能メトリックが修正される必要があるかどうか判定し、修正される必要がある場合、性能メトリックを修正すること、および
－決定ロジック生成プロセス全体が準最適解でストールしているかどうかを特定し、プロセスがストールしている場合、ストールした状況が回避されるように学習プロセスを再配置および／または再方向付けすること。

コーディネータ１００は、以下の基準の任意の１つまたは任意の組合せに従って、決定ロジック生成プロセスを終了させることができる：
－ＵＩ２５において人間の技術者から受信することができる入力によって定義される性能閾値が満たされる（例えば、グリッド運用コストが所望の値を下回る、偶発事故前後の運用上の制約が満たされる、保護ＫＰＩが満たされる、など）
－性能はもはや改善していないか、またはそれはわずかに改善している（例えば、グリッド運用コストは、決定ロジック更新によってもはや減少しない）
－決定ロジックアーキテクチャおよび／またはパラメータ化の空間が十分に探査されている。探査のレベルは、試験された決定ロジックインスタンスの統計的カバレッジを評価し、それを設計オプションの空間にマッピングすることによって測定することができる。

－可能性のあるシナリオの空間は十分にカバーされている。探査のレベルは、試験されたシナリオインスタンスの統計的カバレッジを評価し、それを設計オプションの空間にマッピングすることによって測定することができる。

図２２は、一実施形態によるコーディネータ１００のブロック図である。コーディネータ１００は、性能処理モジュール１０２を含むことができる。性能処理モジュール１０２は、性能評価器によって判定された性能の変化を監視するように動作することができる。性能処理モジュール１０２は、性能の変化率を判定するように動作することができる。

コーディネータ１００は、終了制御モジュール１０３を含むことができる。終了制御モジュール１０３は、例えば反復生成プロセスにおける性能の計算された変化率に応じて、性能処理モジュール１０２の出力に応じることができる。

終了制御モジュール１０３は、選択されたアーキテクチャを有する決定ロジック候補の訓練がいつ終了され、他のアーキテクチャが選択されるべきかを制御するように動作することができる。終了制御モジュール１０３は、例えばハイパーパラメータを変更することによって、他の決定ロジックアーキテクチャを選択するように決定ロジックジェネレータ６０をトリガすることができる。

代替的または追加的に、終了制御モジュール１０３は、異なる決定ロジックアーキテクチャを試験し、これらのアーキテクチャを訓練するプロセス全体をいつ終了させるかを制御するように動作することができる。

終了制御モジュール１０３は、性能が評定された決定ロジック候補の数に依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止することができる。

終了制御モジュール１０３は、性能が評定された決定ロジック候補の数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止することができる。性能が評定された決定ロジック候補の数が閾値未満である場合、訓練を継続してもよい。代替的または追加的に、性能が評定された決定ロジック候補がパラメータ空間またはハイパーパラメータ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

代替的または追加的に、終了制御モジュール１０３は、シナリオ作成モジュールによって既に生成されているシナリオに依存して、決定ロジックジェネレータおよび／またはシナリオ作成モジュールの訓練の終了を防止することができる。

終了制御モジュール１０３は、システムシミュレーションが遂行されたシナリオの数の閾値比較に依存して、決定ロジックジェネレータおよび／またはシナリオ作成ロジックの訓練の終了を防止することができる。システムシミュレーションが遂行されたシナリオの数が閾値未満である場合、訓練を継続することができる。代替的または追加的に、システムシミュレーションが遂行されたシナリオが、シナリオ空間内の少なくとも異なる領域のセットを適切にカバーしない場合、訓練を継続することができる。

図２３は、シナリオパラメータ空間における平面を示す。シナリオ１５１、１５２は、決定ロジック候補６９のうちの少なくとも１つに対するアクティブシナリオ６９のバッチに含まれているシナリオを表す。空間の探査のレベルは、試験されたシナリオインスタンスの統計的カバレッジを評価し、それを可能なシナリオの空間にマッピングすることによって測定することができる。代替的または追加的に、シナリオパラメータ空間は、カバーされる必要がある領域１５３を含むことができる。決定ロジック生成プロセスの終了は、そのような領域１５３内の少なくともいくつかのシナリオが試験されるまで防止され得る。コーディネータ１００は、その領域１５３内にシナリオを作成するようにシナリオ作成ロジック７２にアクティブに指示することができる。

図２４は、終了制御１０３によって処理され得る入力を示す。終了制御は、決定ロジックパラメータ空間または決定ロジックハイパーパラメータ空間におけるカバレッジを定量化することができる、達成された性能１６１、性能の変化率１６２、シナリオ空間カバレッジ１６３、および／または決定ロジックカバレッジ１６４に依存して、決定ロジック候補アーキテクチャの訓練の終了またはあるアーキテクチャもしくは他のアーキテクチャからの変更をトリガおよび／または防止することができる。

コーディネータ１００は、以下のやり方のうちの任意の１つまたは任意の組合せを使用して、収束プロセスを導くように動作することができる：
１．決定ロジック候補ジェネレータ６０が良好な性能を有する決定ロジック候補６９を特定した場合、コーディネータ１００は、決定ロジック候補ジェネレータ６０の学習レートを低下させることができる（または決定ロジック候補ジェネレータ６０を完全に凍結することさえできる）。これにより、シナリオ提供モジュール７０、特にシナリオ作成ロジック７２は、適切なシナリオを選択または生成することによってこの決定ロジック候補６９に十分にチャレンジすることができる。加えて、または代替的に、コーディネータ１００は、例えばシナリオ作成ロジック７２によって作成されたシナリオの一部を増やすことによって、バッチ７９内のアクティブなシナリオの混合を変更するために、シナリオ提供モジュール６０に統制信号を送信することができる。

２．シナリオ提供モジュール７０、特にシナリオ作成ロジック７２が、決定ロジック候補６９の性能を低下させる困難なシナリオのセットを特定した場合、コーディネータ１００は、決定ロジック候補ジェネレータ６０の学習レートを高めて、決定ロジック候補６９をより効率的に修正できるようにしてもよい。

３．シナリオ作成ロジック７２が決定ロジック候補６９に首尾よくチャレンジするシナリオのセットを作成したとき、コーディネータ１００は、決定ロジックジェネレータ６０がアクティブバッチ内のシナリオに取り組むことができる新しい決定ロジック候補６９を構築しようと試みることができるように、新しいシナリオを生成するプロセスを凍結することができる。

例示のために、決定ロジックジェネレータ６０が所与のシナリオ７９のセットの下で良好に機能している決定ロジック候補６９を生成したとき、プロセスは凍結されてもよく、決定ロジック候補は「アクティブ」とみなされ、シナリオ作成モジュール７２は、アクティブな制御ロジック６９にチャレンジするシナリオのバッチを特定することを目標として動作し続けてもよい。これは、シナリオ生成ＡＮＮ７４のさらなる訓練を含み得る。

他の反復中に、シナリオ作成モジュール７２がアクティブ決定ロジック候補６９に首尾よくチャレンジするシナリオのセットを作成したとき、そのようなシナリオを「アクティブシナリオバッチ」７９とみなして、新しいシナリオを生成するプロセスを凍結することができる。決定ロジックジェネレータ６０は、アクティブバッチ７９内のシナリオに取り組むことができる新しい決定ロジック候補６９を構築することを目標として動作する。

４．コーディネータ１００は、以前に試験された決定ロジック候補の性能を低下させた以前に特定された困難なシナリオを、シナリオ提供モジュール７０によってアクティブシナリオバッチに再帰的に再導入させることができる。コーディネータ１００は、自律的な決定ロジック生成プロセス中に、以前は困難であったシナリオのうちのどれに再訪すべきかを決定するために、規則を評定するか、または実行することができる。そのような決定を行うやり方は、アクティブな決定ロジック候補６９が、性能評価器によって以前に特定され、履歴部１１０に記憶された、対応する決定ロジック候補－困難なシナリオのペアにおける決定ロジック候補６９と比較して著しく変化したときはいつでも、困難なシナリオを再導入することである。

以前に試験されたシナリオは、類似度メトリックに基づいてクラスタ化することができる。この情報は、異なるクラスタからのシナリオが再訪されることを確実にするためにコーディネータ１００によって利用することができる。

５．適時に所望の決定ロジックに到達するために、自律的生成プロセスは、（シナリオおよび決定ロジック候補６９のオプションの）探査と活用（または利用可能時間、コンピューティングインフラストラクチャ、ソフトウェアライセンスなどのリソース）との間のトレードオフを含むことができる。

決定ロジックジェネレータ６０およびシナリオ提供モジュール７０は、以下を目指す。
ｉ．すべてのオプションが十分にカバーされることを保証するために、決定ロジック候補６９の設計およびシナリオ７９の空間をそれぞれ探索し、一方で
ｉｉ．利用可能なリソースを最も有望な決定ロジック候補６９の設計および最も有用なシナリオ（すなわち、困難で代表的なもの）を使用した試験に集中させる。

決定ロジックジェネレータ６０およびシナリオ提供モジュール７０は、探査対活用のトレードオフをバランスさせるための固有のメカニズムを有することができる。代替的または追加的に、トレードオフを達成することができるのは、コーディネータ１００が性能評価器９０に信号を送信して、性能メトリックの一部であるいくつかの制約の重みを減らすことができることである。

６．自律的な決定ロジック生成プロセスがストールすることを防止するために、コーディネータ１００は、決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の改善率を監視することができる。決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の改善率の比較に基づいて、決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の学習レートを調整することができる。例示のために、決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の一方が他方よりもはるかに速く改善する場合、コーディネータ１００は、その学習レートを低下させて、他方のサブシステムも同様にそれ自体を改善することを可能にする。

図２５は、方法１７０のフローチャートである。方法１７０は、コーディネータ１００によって遂行することができる。

ステップ１７１で、性能発展を監視することができる。これは、決定ロジック候補が訓練され（すなわち、そのパラメータが変更され）、および／または決定ロジック候補のアーキテクチャが変更される反復プロセスにおいて、性能評価器９０によって判定された性能の発展を監視することを含むことができる。

ステップ１７２で、決定ロジックジェネレータ６０またはシナリオ作成ロジック７２の学習レートは、性能の発展に基づいて選択的に減少させることができる。例示のために、決定ロジックジェネレータ６０およびシナリオ作成ロジック７２の一方が他方よりもはるかに速く改善する場合、コーディネータ１００は、その学習レートを低下させて、他方のサブシステムも同様にそれ自体を改善することを可能にする。シナリオ作成ロジック７２と比較した決定ロジックジェネレータ６０の改善は、性能評価器によって判定されるように、シナリオ７９の下でのアクティブな決定ロジック候補６９の性能の改善によって反映され得る。決定ロジックジェネレータ６０と比較したシナリオ作成ロジック７２の改善は、性能評価器によって判定されるように、シナリオ７９の下でのアクティブな決定ロジック候補６９の性能の改善によって反映され得る。

ステップ１７３で、性能発展を監視し続けることができる。
ステップ１７４で、以前に減少させた学習レートを再び増大させることができる。これは、ステップ１７３で監視された性能発展の関数として行うことができる。例えば、決定ロジックジェネレータ６０が減少した学習レートで動作する場合、シナリオ作成ロジック７２は決定ロジックジェネレータ６０よりもはるかに速く改善し、性能評価器９０によって判定される性能は低下する。コーディネータ１００は、性能評価器９０によって判定された性能が（例えば、閾値以下に）低下した場合、決定ロジックジェネレータ６０の学習レートを再度増大させてもよい。

学習レートを減少させることは、決定ロジックジェネレータ６０またはシナリオ作成ロジック７２を凍結することを含むことができる。

例示のために、決定ロジックジェネレータ６０が所与のシナリオ７９のセットの下で良好に機能している決定ロジック候補６９を生成したとき、決定ロジック候補６９を「アクティブ」とみなして、決定ロジック候補６９を修正するプロセスは凍結されてもよい。シナリオ作成ロジック７２は、アクティブな決定ロジック候補６９にチャレンジするためのシナリオ７９のセットを特定するように動作する。これは、シナリオ生成ＡＮＮ７４のさらなる訓練を含み得る。

シナリオ作成ロジック７２が決定ロジック候補６９に首尾よくチャレンジするシナリオ７９のセットを作成したとき、新しいシナリオを生成するプロセスおよび／またはシナリオ作成ロジック７２を学習によって改善するプロセスを凍結することができる。現在のアクティブシナリオは、「アクティブシナリオバッチ」７０として使用され得る。決定ロジックジェネレータ６０は、アクティブバッチ７９内のシナリオに取り組むことができる新しい決定ロジック候補６９を生成するように動作する。

図２６は、方法１８０のフローチャートである。方法１８０は、コントローラ１００によって自動的に遂行されてもよい。

ステップ１８１で、コントローラ１００は、使用されている候補決定ロジックの少なくともアーキテクチャ、および任意選択的に、性能評価器１００によって判定された性能を監視することができる。

ステップ１８２で、決定ロジックジェネレータ６０によって訓練された決定ロジック候補のアーキテクチャが変化したかどうかが判定される。そのようなアーキテクチャの変化は、コントローラ１００自体および／または性能評価器９０によってトリガされ得る。

ステップ１８３で、決定ロジックジェネレータ６０によって訓練された決定ロジック候補の変化に応答して、コーディネータ１００は、困難なシナリオをアクティブなシナリオのバッチに再帰的に再導入するようにシナリオ提供モジュール６０をトリガすることができる。これらの困難なシナリオは、履歴部１１０から検索することができる。これらの困難なシナリオは、訓練後であっても、他の決定ロジックアーキテクチャの性能を低下させると判定されたシナリオであり得る。

履歴部
履歴部１１０は、記憶装置または記憶システムであってもよい。履歴部１１０は、例えば分散ストレージシステムとして、ローカルまたはリモートで提供されてもよい。

履歴部１１０は、決定ロジック生成プロセス中に生成されたデータを記憶するように動作することができる。データの一部は、最良性能の決定ロジック候補を特定するために、および／または他の決定ロジック候補を訓練する際に使用するために検索されてもよい。

履歴部１１０内のエントリは、決定ロジック候補、決定ロジック候補が試験されたシナリオ（のバッチ）、および結果として得られる性能メトリック値に関する情報を含むことができる。

例示のために、履歴部１１０内の各エントリは、以下を含み得る：
－シナリオベクトル（またはシナリオベクトルのバッチ）
－１つの特定の決定ロジック候補（すなわち、決定ロジックアーキテクチャおよびその関連パラメータを定義するすべての特定の値）
－性能メトリックの対応する値。

タグが、任意選択的に履歴部１１０に含まれてもよい。例示のために、エントリのいくつかは、それぞれの決定ロジック候補の性能を低下させた１つまたはいくつかの困難なシナリオを含むことを示すためにラベル付けされてもよい。

転移学習
異なる事例（例えば、異なる送電網または配電網、異なるプロジェクトなど）について、類似または同一の決定ロジック生成タスク（例えば、保護ロジックまたはＦＡＣＴＳ／ＨＶＣ決定ロジックの生成）に遭遇する可能性がある。

各新しい決定ロジック生成プロセスは、以前に設計された決定ロジックからの知識に基づいて構築され、決定ロジック生成プロセスを促進し、場合によっては、さらに優れた性能の新しい決定ロジックをもたらすことができる。この改善は、生成された決定ロジック、ならびに決定ロジックジェネレータ６０および／またはシナリオ作成ロジック７２の両方に関連し得る。

以前の決定ロジック生成プロセスで生成されたデータの利用は、転送学習技術を含むことができる。例示のために、所与のシステムトポロジ、コントローラ仕様、および決定ロジック目的について、決定ロジック、決定ロジックジェネレータ６０、および／またはシナリオ作成ロジック７２のアーキテクチャは、転移学習によって事前に定義することができる。自律的な決定ロジック生成プロセスは、関連するパラメータを定義することのみに集中することができる。

例：電力システム閉ループ制御の自己設計
決定ロジック生成システム４０は、送電システムに使用することができる。例示のために、決定ロジック生成システム４０は、送電システム事業者（ＴＳＯ）によって使用されるコントローラを構成または委託することを可能にする。決定ロジック生成システム４０は、グリッド制約のボトルネック効果を低減または最小化することを可能にする制御方式を生成するために使用することができる。これにより、電力網をその限界近くで動作させることができる。より安価でより環境に優しい発電を、様々な時間先行区域（例えば、前日、１時間前など）でスケジュール／ディスパッチすることができる。

現場動作では、設計された決定ロジック（単数または複数）は、電力網を監視し、適切な制御アクションを生成および発行することができる。制御方式は、様々なグリッド構成要素が１つの意思決定エンティティ（通常は制御センタ）によって制御される集中型のもの、またはローカルコントローラが共通の目標に向かって独立して動作する分散型のものとすることができる。他のオプションは、制御方式が、ＴＳＯに対する人工知能（ＡＩ）アシスタントとして作用する仮想のものであることである。アクションは、現場動作中にリアルタイムでＴＳＯに提案され得るが、自動的に作動される必要はない。制御方式は、電力網の有効動作点の修正を提案および／または発行する。

制御アクションは、補正アクションに（例えば、監視された熱過負荷を軽減するために、または電圧を所望の限界内にするために）限定されず、予防的であること、すなわち候補偶発事故のセットのうちのいずれか１つに耐えることができる動作点を保証することもできる。

例示のために、送電システムでは、利用可能な送電容量は、Ｎ－１基準、すなわち、任意の偶発事故（すなわち、Ｎ－１安全である）に耐えることができる電力システムの要件によって制約される。これは、Ｎ－１安全性の追加の制御目標をもたらす。後者は、「予防的」または「補正的」のいずれかであり得る。本明細書で使用される場合、考慮される外乱が、設計下の意思決定ロジック（装置の１次コントローラが作用している可能性がある）からのアクションなしに、実現可能で安定した新しい実現可能な動作点への動的軌跡をもたらす場合、動作点は「予防的に安全」である。本明細書で使用される場合、動作点は、設計下の意思決定ロジックが、（装置の１次コントローラも、設計中の意思決定ロジックと並行して作用している可能性がある）実現可能で安定した新たな動作点までの動的軌跡が保証されるように、任意の考慮された外乱に続いて制御アクションを行うことができる場合、「補正的に安全」である。

「動作点」は、発電機およびエネルギー貯蔵のＰおよびＱ注入、様々なノードでのＰおよびＱ消費、ＨＶＤＣ変換器ステーションのＰおよびＱ注入、ＦＡＣＴＳ装置、分路構成要素（コンデンサ、リアクトル）の設定、移相器、ＬＶＲおよびＯＬＴＣ、スイッチのステータス、ならびに結果として生じるグリッド分岐（ライン、ケーブル、変圧器、変換器ステーションなど）におけるＰおよびＱ電力潮流によって（典型的に、ただし網羅的ではなく）定義され得る。制御方式は、上記のすべてまたはサブセット（例えば、発電再配分のみ、またはＦＡＣＴＳ制御のみ）の修正を計算するように動作することができる。アクションを決定するために、制御方式はグリッド可観測量のレベルに基づいてもよい。上述の制御可能な構成要素のステータスに加えて、典型的には、可観測量はまた、ノードからＶおよびＩ測定値（時間同期されている、またはされていない）を受信することを含む。

このような制御方式には様々な利点がある。リアルタイム現場動作では、グリッドの信頼性が向上し、負荷損失の可能性が低減し、および／またはグリッドの運用コストを削減することができる。先読み使用では、先読み（例えば前日）で電力取引をスケジュールするとき、すなわち、より高いグリッド転送能力を電力市場に利用可能にするときに依拠することができる。

決定ロジック生成システム４０は、そのような制御方式を生成するために使用することができる。決定ロジック生成システム４０によって生成される決定ロジックは、制御方式である。

シナリオ
シナリオは、以下のパラメータの全部または一部によって定義することができるが、それに限定されない：
－（上で定義した）動作点を定義するすべての変数、
－１つ（または複数またはなし）の偶発事故／事象（例えば、ラインの障害）、
－温度、風速、日射量、時間、季節などの外因性変数、
－負荷または再生可能発電量予測などの予測。

性能メトリック
目標は、常に実現可能で安定した／安全な動作点を保証する制御方式を開発することであり、そのような動作点は可能な限り低いコストで達成される。

所与のシナリオで制御方式によって提案された動作から生じる動作点は、以下に説明するようにシミュレーションエンジンで計算される。

性能評価器１００は、「許容度」および「コスト」を組み合わせて、決定ロジックジェネレータ６０、シナリオ提供モジュール７０、およびコーディネータ１００によって使用される１つの性能メトリックにすることができる。

決定ロジック生成システム４０は、この性能メトリックの極値（以下の例の場合：最小値）を見つけるように動作することができる。

１）動作点が許容可能でない場合（例えば、不安定、または電圧もしくは電流が限界内ではない）、「非許容度」は、例えば、動作点が許容可能にどれだけ近いかを測定することによって定量的に決定することができる。

例示のために、制御方式がシミュレートされた外乱に続いて安定性を維持できない場合、シミュレーションに不安定性が現れるのにかかる時間が短いほど、「非許容度」の程度は高くなる。非許容度は、外乱後に不安定性に達するまでの時間を定量化することができる。不安定性の「外観」の定義は、場合によって異なり得る。例えば、振動が閾値を超えて成長する瞬間、またはネットワーク方程式の解が特定の時間量（不可能性／特異点への近さを示す）を超えてかかる瞬間とすることができる。

不安定性は、例えば固有値解析によって解析的に測定することができる。
決定ロジック候補のシミュレートされた決定から生じる動作点において、１つ（または複数）のノード電圧または分岐電流が許容閾値外である場合、「非許容度」は、最も近い許容値からの距離（例えば、ユークリッド距離）として測定することができる。

「非許容度」の値（通常は十分に大きいスケーリング係数で乗算される）は、性能メトリックの１つの加数であり得る。

２）動作点が許容可能である場合、対応する「コスト」を他の加数として性能メトリックに追加することができる。コストは、何らかの動作上の特徴（例えば、送電損失、または再生可能エネルギーによって生成される総電力）によって測定することができ、または実際の金銭的コストとすることができる。コストは、以下の任意の１つまたは任意の組合せに対応することができるが、これに限定されない：
－制御アクションは、発電再配分または負荷低減などの何らかのコストに関連付けられてもよい。そのような制御アクションのコストは、例えば、１日内および補助的なサービス市場の以前の清算に頼ることによって推定することができる。

－制御方式の成功は、より経済的な動作点を達成することを可能にする。例示のために、制御方式は、偶発事故後の電力システムの実現可能性および／または安定性を保証するために、障害／事象の後に発行される補正アクション（上述のような）を首尾よく引き受けることができる。偶発事故後の対策のコストは、上記項目ａによってカバーされる。しかしながら、性能メトリックは、補正アクションに依拠することによって、以下に説明するように、より多くの経済的な動作点をスケジュールすることができるという事実を反映するものとする。

したがって、偶発事故がシミュレートされ、制御方式によってうまく対処される場合、性能メトリックは、偶発事故前の動作点のコストを含むことができる。これは、シミュレートされた動作点（すなわち、シミュレートされた発電注入および負荷引き出し）をもたらす市場清算の総コストであり得る。市場清算の総コストは、例えば、以下のうちの１つまたは組合せを使用して決定することができる：
－過去のデータに基づいて、自律的な決定ロジック生成プロセスの前にルックアップテーブルを作成し、性能評価器９０に提供することができる。ルックアップテーブルは、動作点をその対応するコストにマッピングすることができる。

－シナリオの定義は、市場清算最適化に提供される入力を含むように修正することができる。例示のために、シナリオは、市場参加者（発電機、エネルギー貯蔵参加者、大型消費者、負荷アグリゲータ）の入札を含むことができる。市場清算は、アクティブシナリオ７９に対応する偶発事故前動作ポイントに従ってシミュレーションエンジン８０において遂行されてもよい。

シミュレーションエンジン
シミュレーションエンジン８０は、上述の性能メトリックを計算するように動作するすべてのツール、ソフトウェア、およびアルゴリズムを含むことができる。例示のために、シミュレーションエンジン８０は、以下のうちの任意の１つまたは任意の組合せを含むことができる：
－市場清算シミュレータ（任意選択、上述の通り）
－様々なシナリオで発展をシミュレートすることを可能にする、風力／太陽光／需要予測技術。

－過去の動作点／市場清算のデータセット、および後者を前者にマッピングし、および／または所与の動作点の尤度を（この尤度が性能メトリックに反映されるように）計算することができるアルゴリズム
－継続電力潮流を含むＡＣ電力潮流解析。ＡＣ電力潮流解析は、制御方式によって発行されるアクションを含む、電力システムの定常状態の挙動（偶発事故前または偶発事故後）をシミュレートすることを可能にする。

－電力システム数値シミュレーション（時間ドメインまたは周波数ドメイン）モジュール。電力システム数値シミュレーションモジュールは、制御方式によって発行されたアクションを含む電力システムの動的挙動（偶発事故前および偶発事故後）のシミュレート、および／または安定性解析の遂行を可能にすることができる。

例：電力システム保護
決定ロジック生成システム４０は、所与の送電網または配電網の保護システムを設計するために、公益企業、送電システム事業者（ＴＳＯ）、コンサルタント、およびサービスプロバイダによって使用することができる。これは、関連するシミュレーションのためのグリッドおよび構成要素モデルを判定および作成することと、所与のグリッドのトポロジカルな、ならびに生成および需要のシナリオを特定および作成することと、数値シミュレーションを遂行することと、保護機能および保護アルゴリズムのタイプの選択と、リレーの協調と、リレー設定の特定と、選択された保護機能およびアルゴリズムの試験とを含むことができる。

リアルタイム動作では、変圧器、架線、地下ケーブル、直列／分路要素などを含む送配電システム機器は、測定システム（電圧、電流）、デジタルリレー、および回路遮断器によって保護される。デジタルリレーに配置された制御ロジックは、測定された信号を処理することができ、システム機器への損傷を回避するためにクリアされるべき深刻な障害があるかどうかを特定し、最後に回路遮断器に開くための信号を出力することができる。障害の迅速な特定および除去は、システム全体の信頼性および安全性にとって不可欠である。

各リレーの制御ロジック、ならびに複数のリレー間の協調方式は、予想されるグリッドシナリオの下で設計および試験され得る。従来の発電機に取って代わる時間的および空間的により多くの確率論的性質を電力供給に導入する変換器インターフェース式発電、および需要に対してより多くの確率論的性質を導入するｅモビリティの普及により、グリッドがその限界に近く動作するにつれて、保護システムを生成することはますます複雑なタスクになっている。加えて、変換器インターフェース式発電機によって提供される短絡電流容量の欠如および異なる性質のために、保護システムは、それらが適応的であることを必要とする変化する環境に適応することが期待され得る。

設計された保護ロジックが、観測された電力システム状態に基づいてオンラインモードで適応する能力は、制御ロジック設計仕様の一部とすることができる。

決定ロジック生成システム４０は、そのような保護システムを設計するために使用することができる。

シナリオ
シナリオは、以下のパラメータの全部または一部によって定義することができるが、それに限定されない：
－限定しないが、送電／配電ラインに沿った単相－接地、相間、三相の障害と、バスバー障害と、発電機／負荷スイッチングを含む、障害のタイプ（アクションを必要とする）またはスイッチング事象（アクションを必要としない）
－異なる障害開始角度（すなわち、障害発生時点：障害がゼロ交差で発生するか電流の最大値で発生するか）
－システム内の異なる負荷レベル
－送電／配電ラインに沿った異なる障害位置
－従来型発電により負荷が支配的に供給されるとき、または変換器インターフェース型発電により負荷が支配的に供給されるときのシステムにおける異なる発電パターン
－システムの通常動作中に遭遇する可能性がある異なるトポロジ。

シナリオベクトルの各エントリは、トリッピングまたは非トリッピングとしてリレーの期待されるアクションの情報を含むことができる。

性能メトリック
目標は、保護ロジックを開発することであり、保護ロジックは、
－速い（すなわち、障害を特定し、１サイクル内でアクションを開始する）、
－信頼できる（すなわち、作用すべきときに作用する）、
－安全（すなわち、作用すべきでないときに作用しない）である。

性能メトリックは、これら３つの要件を反映することができる。例えば、性能メトリックは、速度、信頼性および安全性の重み付き和からなることができる。性能評価器９０が信頼性および安全性を評定するために、シナリオのバッチがシミュレートされる。

シミュレーションエンジン
シミュレーションエンジン８０は、上述の性能メトリックを計算することを可能にするすべてのツール、ソフトウェア、およびアルゴリズムを含むことができる。これらは、以下を含み得る：
－ＡＣ短絡解析：このモジュールは、障害後の短絡電流を計算するように動作することができる。

－ＡＣ電力潮流解析：このモジュールは、保護方式によって発行されるアクションを含む、電力システムの定常状態の挙動（障害前または障害後）をシミュレートするように動作する。このソフトウェアは、短絡解析ソフトウェアの一部とすることができる。

－電力システム数値シミュレーション（時間ドメインまたは周波数ドメイン）：このモジュールは、保護方式によって発行されたアクションを含む、電力システムの動的挙動（障害前および障害後）をシミュレートするように動作することができる。それはまた、安定性分析を遂行するように動作することもできる。電力システム数値シミュレーションツールは、短絡時の変換器インターフェース発電の挙動を正確にシミュレートすることができる。短絡電流の大きさのみを提供するＡＣ短絡解析とは異なり、電力システム数値シミュレーションツールは、保護設計が変換器インターフェース発電の存在下での短絡電流のパターンの変化を考慮に入れるように、短絡電流の正確な発展を提供するように動作することができる。

現場使用のための展開および／または現場使用後の修正
決定ロジック生成システム４０によって生成される決定ロジックは、現場使用のためにコントローラに展開される。現場使用中の展開された決定ロジックの動作を監視することができる。現場使用における決定ロジックの挙動に応じて、および／または決定ロジックが使用されるトポロジの変化に応じて、修正された決定ロジックを自動的に生成するプロセスをトリガすることができる。

図２７は、方法１９０のフローチャートである。方法１９０は、決定ロジック生成システム４０によって遂行され得る。

ステップ１９１で、決定ロジックが生成される。
ステップ１９２で、決定ロジックの任意選択のさらなる試験を遂行することができる。決定ロジックを試験することは、履歴部１１０に記憶されたデータの一部を使用することができる。生成された決定ロジックは、決定ロジックをさらに修正することなく、シミュレーションエンジン８０および／またはシナリオ提供モジュール６０を使用して、追加のシナリオの下で試験することができる。これにより、ロバスト性に関する追加情報を得ることができる。

ステップ１９３で、生成された決定ロジックの性能が許容可能であるかどうかが判定される。この判定は、少なくとも部分的に、履歴部１１０に記憶されたデータに基づいてもよい。任意の追加の基準を考慮に入れることができる。例示のために、生成された決定ロジックに関する情報は、ＵＩ２５を介して人間の技術者に出力されてもよい。拒否／受容決定に応じて、本方法は、ステップ１９１に戻るか（生成された決定ロジックが拒否された場合）、またはステップ１９４に進む（生成された決定ロジックが受容された場合）ことができる。方法がステップ１９１に戻ると、決定ロジックを生成するプロセスは、決定ロジックの異なる性能メトリックおよび／または異なるアーキテクチャを使用して再実施されてもよい。

ステップ１９４で、決定ロジックが展開される。決定ロジックは、決定ロジックが生成されたコントローラの１つまたはいくつかのＩＣによって実行される機械可読命令として展開することができる。

ステップ１９５で、生成された決定ロジックのロバスト性に関する情報を生成して出力することができる。

図２８は、方法２００のフローチャートである。方法２００は、現場に展開された監視装置に関連して決定ロジック生成システム４０によって遂行することができる。

ステップ２０１で、決定ロジックが生成され展開される。
ステップ２０２で、電力システムのコントローラは、生成された決定ロジックを実行する。生成された決定ロジックを実行することは、コントローラによって、センサ、合流ユニット、またはゲートウェイから入力信号を受信することと、決定ロジックに従って入力信号を処理することと、処理に基づいて出力を生成および出力することとを含むことができる。

ステップ２０３で、現場使用における決定ロジックの性能を監視することができる。監視は、１つまたはいくつかの現場監視装置によって遂行されてもよい。現場使用において決定ロジックを監視することは、決定ロジックを実行するコントローラによって生成された出力および電力システムに対するそれらの影響を処理することを含むことができる。監視装置は、決定ロジック生成システム４０と通信可能に結合することができる。

ステップ２０４で、決定ロジックを再生成するためのトリガ基準が遂行されるかどうかが判定される。生成された決定ロジックの性能は許容可能である。決定ロジックを再生成するためのトリガ基準は、現場使用中の決定ロジックの性能劣化を含み得る。そのような性能低下は、予期しない周囲条件および／またはトポロジ変化などの様々な理由を有する可能性がある。決定ロジックを再生成するためのトリガ基準である場合、監視はステップ２０３で継続される。

ステップ２０５で、決定ロジックを再生成するためのトリガ基準が満たされた場合、決定ロジックを生成するプロセスを再び開始することができる。決定ロジックの現場使用中に収集されたデータは、決定ロジックを再生成するときに使用することができる。

本発明により、様々な効果および利点が達成される。例示のために、決定ロジックを生成するためのコンピュータ実装プロセスは、電力システムまたはその変電所を構成する複雑なタスクにおいて人間の専門技術者を支援する。決定ロジックのロバスト性が向上する。決定ロジックの現場動作中にまれに発生し、したがって過去のデータまたは専門家定義データに含まれない可能性のあるシナリオを含む多種多様なシナリオが、決定ロジックをもたらすコンピュータ実装プロセス中に決定ロジックの性能を評価するために生成され得る。

実施形態は、保護リレーまたは他の電力システムコントローラの文脈で説明されているが、方法およびコンピュータシステムは、発電、配電、または送電システムの保護リレーの決定ロジックを生成することに限定されない。むしろ、開示された方法およびコンピュータシステムを使用して、ＩＡＣＳのコントローラまたはいくつかのコントローラの決定ロジックを生成することができる。

本発明は、図面および前述の説明において詳細に例示および説明されているが、そのような例示および説明は、例示的または例示的かつ非限定的であると見なされるべきである。開示された実施形態の他の変形は、図面、開示、および従属請求項の研究から、特許請求された発明を実施する際に当業者によって理解および達成され得る。特許請求の範囲において、「含む（ｃｏｍｐｒｉｓｉｎｇ）」という語は他の要素またはステップを排除せず、不定冠詞「ａ」または「ａｎ」は複数を排除しない。特定の要素またはステップが別個の特許請求の範囲に記載されているという単なる事実は、これらの要素またはステップの組合せを有利に使用することができないことを示すものではなく、具体的には、実際の特許請求の範囲の従属性に加えて、任意のさらなる意味のある特許請求の範囲の組合せが開示されていると見なされるべきである。

Claims

産業用オートメーション制御システムＩＡＣＳのコントローラ（３１、３２、３３）、特に電力システム保護または電力システム制御のためのコントローラ（３１、３２、３３）のための決定ロジックを生成するコンピュータ実装方法であって、前記方法は、
前記決定ロジックのための決定ロジック候補（６９）を自動的に生成することと、
シナリオ（７９）に応答して前記決定ロジック候補（６９）の性能を計算することであって、前記性能を計算することはシステムシミュレーションを遂行することを含む、計算することと、
をそれぞれ含む複数の反復を含む反復プロセスと、
前記計算された性能の結果に基づいて前記決定ロジック候補（６９）のうちの少なくとも１つを選択して出力することと、
を含む、方法。
シナリオ作成ロジック（７２）が、前記反復プロセスで使用される前記シナリオ（７９）の少なくとも一部を作成するために実行される、請求項１に記載の方法。
前記シナリオ作成ロジック（７２）は、前記反復プロセスで前記決定ロジック候補（６９）を自動的に生成する決定ロジックジェネレータ（４１；６０）に対する敵対的ロジックであり、および／または、前記シナリオ作成ロジック（７２）は、機械学習モデル（７４）であるか、もしくは機械学習モデル（７４）を備える、請求項２に記載の方法。
前記シナリオ作成ロジック（７２）は、前記決定ロジック候補（６９）のうちの少なくとも１つのパラメータが更新されている間、および／または、異なる機械学習モデルアーキテクチャを有する決定ロジック候補（６９）が前記システムシミュレーションにおける前記シナリオ（７９）によってチャレンジされている間に、反復的に学習し、および／または、
前記シナリオ作成ロジック（７２）は、性能メトリックまたはいくつかの性能メトリックに従って前記決定ロジック候補（６９）のうちの少なくとも１つの性能を低下させることを目標として学習する、請求項２または３に記載の方法。
前記シナリオ作成ロジック（７２）は、前記ＩＡＣＳのシステム仕様内にあるシナリオ（７９）のみを生成するように制約される、請求項２～４のいずれか１項に記載の方法。
第１の機械学習モデルアーキテクチャを有する決定ロジック候補（６９）の性能を低下させるシナリオ（７９）を記憶することと、
前記記憶されたシナリオのうちの少なくともいくつかを検索することと、
前記検索されたシナリオに応答して、前記第１の機械学習モデルアーキテクチャとは異なる第２の機械学習モデルアーキテクチャを有する少なくとも１つのさらなる決定ロジック候補の性能を判定することと、
をさらに含む、先行する請求項のいずれか１項に記載の方法。
前記性能を計算することは、シナリオ（７９）のバッチに対する決定ロジック候補について判定された少なくとも１つの性能メトリックの計算された値を組み合わせることを含み、任意選択的に、前記計算された値を組み合わせることは、前記ＩＡＣＳの現場動作中に前記バッチ内の前記シナリオ（７９）の発生の頻度に基づいて前記計算された値に重み付けすることを含む、先行する請求項のいずれか１項に記載の方法。
前記決定ロジック候補（６９）を生成することは、機械学習モデルを訓練することを含み、
任意選択的に、前記反復プロセスで使用される前記シナリオ（７９）の少なくとも一部が、シナリオ作成ロジック（７２）によって作成され、前記シナリオ作成ロジック（７２）および前記決定ロジックジェネレータ（４１；６０）は、敵対的生成ネットワークＧＡＮである、先行する請求項のいずれか１項に記載の方法。
前記反復プロセスで生成される前記決定ロジック候補（６９）は、２つ以上の異なる機械学習モデルアーキテクチャを有する機械学習モデルを備え、任意選択的に、前記２つ以上の異なる機械学習モデルアーキテクチャは、ノードの数および／または層の数において互いに異なる人工ニューラルネットワークアーキテクチャを備える、請求項８に記載の方法。
前記反復プロセスで決定ロジック候補（６９）を生成することは、
機械学習モデルアーキテクチャを選択することと、
第１の終了基準が満たされるまで前記機械学習モデルアーキテクチャを有する決定ロジック候補を訓練することと、
前記機械学習モデルアーキテクチャを有する前記訓練された決定ロジック候補について計算された前記性能を記憶することと、
第２の終了基準が満たされない場合、異なる機械学習モデルアーキテクチャを有する異なる決定ロジック候補について前記訓練ステップおよび記憶ステップを繰り返すことと、
第２の終了基準が満たされる場合、前記記憶された性能に基づいて前記決定ロジック候補（６９）のうちの１つを選択して出力することと、
を含む、請求項８または９に記載の方法。
決定ロジック候補として使用される機械学習モデルの複雑さは、前記決定ロジックを生成する前記プロセスにおいて新しい決定ロジック候補が生成されるにつれて増大する、先行する請求項のいずれか１項に記載の方法。
前記決定ロジック候補（６９）を生成する決定ロジックジェネレータ（４１；６０）が前記システムシミュレーションにおいてより良好に機能する決定ロジック候補を生成することを目指して学習している間に、前記決定ロジックジェネレータ（４１；６０）の学習レートを調整することをさらに含む、先行する請求項のいずれか１項に記載の方法。
前記性能は、性能メトリックまたはいくつかの性能メトリックに従って計算される、先行する請求項のいずれか１項に記載の方法。
インターフェース（２５）を介して、前記性能メトリックまたは前記いくつかの性能メトリックを指定する入力を受信することと、
前記決定ロジックを生成する前記方法の間に前記性能メトリックまたはいくつかの性能メトリックを動的に変更することと、
をさらに含む、請求項１３に記載の方法。
前記性能メトリックまたはいくつかの性能メトリックは、電力コストの最小化、グリッド電力伝送制限の増加、グリッド安定性の保証、セキュリティおよび信頼性の保護目標の最大化、電圧および電流の制限内の維持、経済的利益の最大化のうちの１つまたはいくつかを含む、請求項１３または１４に記載の方法。
前記システムシミュレーションを遂行することは、電力システムの１次装置および／または２次装置の挙動をシミュレートすることを含み、任意選択的に、前記システムシミュレーションを遂行することは、電力潮流シミュレーション、短絡計算、電磁過渡現象計算、最適電力潮流計算、ユニットコミットメント解析のうちの１つまたはいくつかを含む、先行する請求項のいずれか１項に記載の方法。
前記システムシミュレーションは、電力システムのライン、ケーブル、バスバーにおける電流、電圧、フェーザ、同期フェーザを含む、先行する請求項のいずれか１項に記載の方法。
前記方法は、
前記決定ロジック候補（６９）を生成して出力する決定ロジックジェネレータ（４１；６０）と、
アクティブシナリオ（７９）のバッチを出力するシナリオ提供モジュール（４２；７０）であって、前記シナリオ提供モジュール（４２；７０）はシナリオ作成ロジック（７２）を備える、シナリオ提供モジュール（４２；７０）と、
前記決定ロジックジェネレータ（４１；６０）および前記シナリオ提供モジュール（４２；７０）に結合され、前記決定ロジック候補を使用して前記アクティブシナリオ（７９）のバッチに含まれるシナリオ（７９）について前記システムシミュレーションを遂行するように動作するシミュレーションエンジン（４３；８０）と、
前記アクティブシナリオ（７９）のバッチに含まれる前記シナリオ（７９）について前記決定ロジック候補（６９）の前記性能を計算する性能評価器（４４；９０）と、
前記性能評価器（４４；９０）の出力に応じて前記決定ロジックジェネレータ（４１；６０）および前記シナリオ提供モジュール（４２；７０）の動作を調整するコーディネータ（１００）であって、任意選択的に、前記コーディネータは、前記決定ロジックジェネレータ（４１；６０）および前記シナリオ提供モジュール（４２；７０）の敵対的機械学習モデルを制御するように動作し、さらに任意選択的に、前記コーディネータ（１００）は、前記決定ロジックジェネレータ（４１；６０）および前記シナリオ提供モジュール（４２；７０）の前記敵対的機械学習モデルの学習レートを制御する、コーディネータ（１００）と、
を実行する１つまたはいくつかの集積回路によって遂行される、先行する請求項のいずれか１項に記載の方法。
前記ＩＡＣＳの前記コントローラ（３１、３２、３３）によって、前記選択された決定ロジックを実行することをさらに含み、
任意選択的に、前記コントローラ（３１、３２、３３）によって実行される前記選択された決定ロジックの監視された現場挙動に応答して、前記選択された決定ロジックを自動的に修正することをさらに含む、先行する請求項のいずれか１項に記載の方法。
産業用オートメーション制御システムＩＡＣＳのコントローラ（３１、３２、３３）、特に電力システム保護または電力システム制御のためのコントローラ（３１、３２、３３）のための決定ロジックを生成するためのコンピュータシステムであって、
前記決定ロジックのための決定ロジック候補（６９）を自動的に生成することと、
シナリオ（７９）に応答して前記決定ロジック候補（６９）の性能を計算することであって、前記性能を計算することはシステムシミュレーションを遂行することを含む、計算することと、
をそれぞれ含む複数の反復を含む反復プロセスを遂行し、
前記計算された性能の結果に基づいて前記決定ロジック候補（６９）のうちの少なくとも１つを選択する、
ように動作する１つまたはいくつかの集積回路と、
前記選択された少なくとも１つの決定ロジックを出力するように動作する出力インターフェース（２４）と、
を備える、コンピュータシステム。