JP2023545098A - 高分解能電気測定データ処理 - Google Patents

Abstract

機械学習技法を用いることによって、電力網又は他の電気装置に関連した測定データを処理し、電気測定データからの異常事象検出をもたらすための、方法及びシステムが提供される。第１の態様によれば、高分解能電気測定データを処理する方法は、電力網システム又は他の電気装置から測定された、電気的又は他のパラメータの時系列データに関連した、高分解能電気測定データを取得することを含むことができ、時系列データは、データ点の第１のセットを備える。時系列データは、特徴ベクトル形式データに変換されることができ、時系列データは、複数のデータセットにグループ化され、各データセットは、データ点の第１のセットのサブセットを表す。統計データクラスタ化方式は、特徴ベクトル形式データからのクラスタ化されたデータとして、相異なるクラスタ・パターンを生成するように行われることができ、クラスタ化されたデータは、第１の電気的傾向に関する第１のクラスタと、第１の電気的傾向とは異なる第２の電気的傾向に関する第２のクラスタとを備え、クラスタ化されたデータは、第１又は第２のクラスタの一部である外れ値データ・パターンを備え、外れ値データ・パターンは、それのそれぞれのクラスタ中心から遠くにある。異常事象検出は、外れ値データに少なくとも部分的に基づくことができる。

Description

本発明は、機械学習技法を用いることによって、電力網又は他の電気装置に関連した測定データを処理し、電気測定データからの異常事象検出をもたらすための、方法及び装置を提供する。

気候変動を止めることは、非再生可能供給源と比べてずっと小さいカーボン・フットプリントを有する、風力又は太陽光などの再生可能エネルギー源の実施の動機を与える。しかし、再生可能供給源の挙動は不規則であり、配電システムにおける一貫した動作に対して挑戦をもたらし得る。実用規模（＞１ＭＷ）の太陽光発電所の所有者は、著しいプラント故障率、短縮された機器寿命、無計画の停電、及び交換オーバーヘッドに見舞われ得る。これらの問題は、問題を自動的に理解し、問題が起きる前にそれを予測するために、より良い条件監視データ収集、及び知識発見を通して対処され得る。

監視ツールは、正確なタイミング情報と共に、より粒度の細かい及びより高精度のデータ捕捉をもたらすことができる。しかし、データを処理する、及び異常な挙動、障害、及び故障モードを検出する能力において、問題があり得る。

国際特許出願第ＰＣＴ／ＧＢ２０１９／０５１４１３号

第１の態様によれば、本発明は、請求項１による高分解能電気測定データを処理する方法を提供する。第２の態様によれば、本発明は、添付の請求項１５による高分解能電気測定データを処理するためのシステムを提供する。他の任意選択の特徴は、添付の従属請求項において提供される。

本発明の発明者らは、マイクロ同期フェーザ測定ユニット（Ｍｉｃｒｏ－ｓｙｎｃｈｒｏｐｈａｓｏｒ Ｍｅａｓｕｒｅｍｅｎｔ Ｕｎｉｔ：μＰＭＵ）データなどの、センサから受信され得る高分解能データは、電力品質モニタ（Ｐｏｗｅｒ Ｑｕａｌｉｔｙ Ｍｏｎｉｔｏｒ：ＰＱＭ）などの別のセンサから受信され得る電力品質測定データと共に、収集され及び分析され得ると判断し、光電池（太陽）発電所などの発電アレイの最も近くに配置された、μＰＭＵ及びＰＱＭの両方、及び１つ又は複数の機械学習技法は、遠隔及び自動的異常検出のためのデータの処理のために用いられ得る。分解能は、測定の正確さを決定し得る。高分解能データを測定することができ、高い正確さをもたらすようになる。分解能の変動は、性能及び処理（時間及び計算上の複雑さ）に影響を及ぼし得るが、本明細書で述べられる実例は、異なる分解能のデータを用いて働くように適合されることができ、本発明は、情報が例えば、マイクロ同期フェーザ測定ユニットから取得される場合、高分解能での特に効果的な結果をもたらすことが見出された。

マイクロ同期フェーザ測定ユニットと、電力品質モニタとは、高分解能、高い正確さ、タイム・スタンプ付けされたデータをもたらすことができる電力網データ・ユニットに統合され得る。マイクロ同期フェーザは、電気信号を処理し、データ点の第１のセットを収集するように、周波数領域で動作するように構成されることができ、電力品質モニタは、電気信号を処理し、データ点の第２のセットを収集するように時間領域で動作するように構成され得る。電力網データ・ユニットは、同じ同期されたタイム・スタンプを、収集されたデータ点の第１及び第２のセットに適用するように構成され得る。時系列データベースは、好ましくは安全な遠隔計測を通じて、高分解能データを受信し得る。時系列データベースは、リレーショナル・データベースと比べて、このような大量の測定値に、より適している。データベースは、構造化又は非構造化データを含むことができるデータレイクとすることができる。このより効率的及び効果的電力網データ・ユニット装置は、適切な取り扱い及び記憶能力を有して、データ収集の量（予想では、ペタバイトに達する１０００兆個のデータ点）、及び速度に適合する。電力網データ・ハードウェアと、データベース／データレイクとは、他方とは独立に動作し得るが、それらは一緒に、必要な機器の量が低減されて、より優れた性能を提供する統合化されたソリューションをもたらす。

機械学習技法は、配電システムに接続され得る太陽光発電所から、異常な電気的事象を検出するように、マイクロ同期フェーザ・ユニットから受信されたデータの、データ駆動型教師なし学習を含むことができる。

機械学習技法は、電力網データ・ユニットによって生成され得る大量のデータを処理するために、ランダム化検索に基づくクラスタリング・ラージ・アプリケーション（ＣＬＡＲＡＮＳ）などの、分割ベースのクラスタ化方法を用い得る。クラスタ化は、データのクラスタを識別し、データ内で生じるデータ・パターンを明確に分離することができる。異常性、又は外れ値事象は、図式的に表示され及びその後に自動的に分析され得る、クラスタ化されたデータから識別可能になり得る。マイクロ同期フェーザ測定ユニットからのデータと比べて低い頻度で収集され得る、電力品質モニタ・デバイスからの電力品質モニタ・データは、データのタイム・スタンプ付けはμＰＭＵデータとＰＱＭとの間で一貫性があるので、クラスタ化されたデータ内で生じる検出された外れ値事象を認証するために用いられ得る。電圧及び電流フェーザ・データは次いで、時間の特定のウィンドウ内で電圧低下事象などの障害事象が存在したかどうかなど、外れ値事象に関するさらなる情報を決定するようにさらに分析され得る。

システム及び方法は、添付の図面を参照して、例のみとして以下で詳しく述べられる。

一例によるデータ収集及び処理システムの概略図である。 図１の実例において用いられ得る、データ収集ユニットの概略図である。 一例によるデータ収集及び処理の方法を示す図である。 一例によって行われ得る、データセット変換を示す図である。 一例による、電力網に関しての高分解能電気測定データを処理する方法を示す図である。 実例の実験でのクラスタ化結果のグラフィック表示を示す図である。 実例の実験による、テストされた日での、μＰＭＵデータの電圧低下のグラフィック表示を示す図である。

太陽電池パネルなどの再生可能電源は、光電池を用いて太陽光を吸収し、直流（ＤＣ）エネルギーを生成し、次いでそれをインバータ技術を活用して使用可能な交流（ＡＣ）エネルギーに変換することによって働く。ＡＣエネルギーは、次いで電気バスバーを通って流れ、それに従って配電される。電源から生成された電力、及び負荷の電気的特性及びパラメータは、収集され、処理され得る。

図１を参照すると、一例において、データ収集及び処理システム１００は、データ収集ユニット１１０と、記憶ユニット１２０と、データ処理ユニット１３０と、ユーザ・インターフェース１４０とを備える。データ収集ユニット１１０は、以下で図２を参照してより詳しく述べられる。記憶ユニット１２０は、例えば、クラウド内に、データ収集ユニット１１０から遠隔に配置されたサーバ内にあるものとすることができる。処理ユニット１３０も、データ収集ユニットから遠隔に配置されることができ、データ収集ユニット１１０によって収集され、記憶ユニット１２０によって受信された時系列データを処理することができる。処理ユニット１３０は、処理機能を遂行するようにいくつかのデバイスにわたって分散されることができ、又は複数の処理モジュールが異なる場所に存在し得る。処理は、欠測データを含むエントリを除去するように、データ収集ユニットからデータをクリーニングすることと、時系列データを圧縮又はサンプリングすることと、データを、時系列データのサブセットを表す複数のデータセットに、時系列データを表すベクトルに変換することとを含み得る。プロセッサ・ユニット１３０による処理は、データを２つ以上のクラスタに隔離するためのクラスタ化技法を行うことと、隔離されたデータの表示を生成することとをさらに含み得る。ユーザ・インターフェース１４０は、隔離されたデータの生成された表示に関する情報を表示し得る。クラスタ化技法に従って生成されたデータの隔離された形である、クラスタ化されたデータは、クラスタの一部である外れ値データを含み得るが、それが一部である特定のクラスタのメドイドから比較的離れている。このような外れ値データは、特定のクラスタ間メドイド又は幾何中心又はクラスタの中心から最も遠い、又は遠く隔たっている場合があり、生成された表示の検査を通して手動で、又はそれより上又は下は外れ値を表す閾値を用いて自動的に、外れ値データとして識別可能とすることができる。クラスタ間メドイド又は幾何中心は、より高密度のデータ・パターン及びクラスタの中心を表すものとなり得る。外れ値データは、異常事象に関連したものであり得る。外れ値データの認証は、ベクトル表示からの外れ値データの時間及び大きさ情報を識別し、外れ値データを正確に識別することと、関連した異常事象を検出するように、電力網データ・ユニットから前に取得された時系列データを用いてマッピングすることとによって遂行され得る。ユーザ・インターフェース１４０は、様々なユニット１１０、１２０、１３０とのユーザ対話のための手段をもたらし、及びユニットのそれぞれにはそれ自体のユーザ・インターフェースがもたらされることができ、又は単一のユーザ・インターフェースがユニット１１０、１２０、１３０の１つ又は複数と対話し得る。ユーザ・インターフェースは、ユーザと、例えば、視像、グラフ、結果を表示するなどによってデータをユーザに伝達することによって、及びユーザ入力を受信することによって、対話することができる。システムは、発電システム及びネットワークの一部とすることができ、発電機器及び電力ネットワークの状態についての高精度の情報をもたらすことができる。このような情報は、発電プラントの利用率を最大化するように動作決定を行うために用いられ得る。いくつかの実例では、システムは、太陽光発電所、風力タービン、電気負荷、送配電システム、若しくはエネルギー貯蔵プラント、又は他の電気設備の、利用率を最適化するために用いられ得る。

図２を参照して、データ収集ユニット１１０の一例が、より詳しく述べられる。例において、データ収集ユニットは、光電池（ＰＶ）から生成された電力の電流及び電圧などの電気的特性を収集するために、太陽電池パネル・サイトに設置され得る、電力網データ・ユニット（Ｇｒｉｄ Ｄａｔａ Ｕｎｉｔ：ＧＤＵ）１１０である。マイクロ同期フェーザ（μＰＭＵ又はマイクロＰＭＵ）機器１１１は、ＧＤＵ１１０に統合される。マイクロＰＭＵは、フェーザ測定ユニット（Ｐｈａｓｏｒ Ｍｅａｓｕｒｅｍｅｎｔ Ｕｎｉｔ：ＰＭＵ）の高分解能の変形体である。各ＧＤＵは、電力品質モニタ（ＰＱＭ）ユニット１１２をさらに備え得る。μＰＭＵ機器１１１と、ＰＱＭユニット１１２とは、信号分析器の動作ペアとして働き得る。ＧＤＵ１１０は、μＰＭＵ機器１１１とＰＱＭ１１２とによって共有され得る、機械的保護、機器電力、及びデータ・バックホールのための通信機器をもたらす。代替として、μＰＭＵ及びＰＱＭのそれぞれは、それ自体の、別個であり共有されない電源、データ記憶、及び遠隔計測機器を有する。さらに、ＧＤＵ１１０は、他の構成要素１１３を備えることができ、これは１００ｎｓ未満の精密タイム・スタンプ付けのための全地球測位システム（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ：ＧＰＳ）受信機と、データ・バッファのための固体メモリと、サイクル当たり２回（１００／１２０Ｈｚ）のデータ報告速度を有する安全な双方向性３Ｇ／４Ｇセルラ・データ遠隔計測機器とを含み得る。波形Ａ／Ｄコンバージョンは、２５．６ｋＨｚのサンプリング周波数を有して４ＭＨｚで生じ、ＧＰＳクロックによって統制され、電圧周波数（英国では５０Ｈｚ）の各半サイクルに対して、電圧及び電流フェーザが計算され、結果として１００Ｈｚのデータ報告速度を生じる。これは、必要な場合その後に、標準の後処理技法を用いることによって、行われる分析に適するように必要なデータ転送速度にダウン・サンプリングされ得る。μＰＭＵ機器のフェーザ振幅及び位相角精度は、それぞれ±０．０５％及び±０．０１％とすることができ、±０．０１％の合計ベクトル誤差を生じるが、実際的な測定不確実性は、上流の電圧及び電流トランスジューサによって決定される。

μＰＭＵ１１１は、周波数領域で動作し、１０ミリ秒の報告周期（英国では１００Ｈｚ）で、半サイクル毎に、電圧及び電流フェーザ測定データを収集するように用いられる。μＰＭＵ１１１は、電気信号を処理し、データ点の第１のセットを収集するように構成され得る。μＰＭＵ１１１は、タイム・スタンプを用いてデータの測定値を記録し、測定データは、３相電圧、３相電圧位相角、３相電流、３相電流位相角、中心周波数オフセット、ｃ３７周波数、基本波電力、基本波皮相電力、全地球測位システムによる無効電力の基本波、緯度、経度のうちの１つ又は複数とすることができる。ＰＱＭ１１２は、電気信号を処理し、データ点の第２のセットを収集するように、時間領域で動作するように構成され得る。ＰＱＭ１１２は、ＩＥＣ ６１０００－４－３０ Ｅｄ ３ Ｃｌａｓｓ Ａ標準及び２～１５０ＫＨｚの範囲内の超高調波による、高精度測定値の配列を含んだ、電力品質機能をもたらし得る。ＰＱＭ１１２は、例えば、１分毎に収集されるデータの、より低い時間分解能を有することができ、瞬時電圧降下又はフリッカなどの異常事象が検出されたときに、ユーザに警告を送るように構成され得る。ＧＤＵ１１０は、同じ同期されたタイム・スタンプを、収集されたデータ点の第１及び第２のセットに適用するように構成され得る。μＰＭＵ１１１からの１日のデータは、それぞれ１０ミリ秒のデータを表す、６千個の行からなる、分毎のファイルを含むことができる。従って、測定データは、高い時間分解能となり、各パラメータに対して１日で８６４万個のデータ点を含むことができる。国際特許出願第ＰＣＴ／ＧＢ２０１９／０５１４１３号は、電気データを感知、監視、及び収集するための、μＰＭＵ及びＰＱＭを含んだ電力網データ・ユニットの使用を述べている。

電力網データ・ユニット及び特にμＰＭＵ１１１によって収集される太陽データの量は、非常に大きく、高速で、複雑（太陽光発電所に関連したいくつかの電力パラメータをもたらす）になり得るので、従来の方法又は手動での分析を用いて処理するのは困難になり得る。しかし、ＰＶから生成された電力の不規則な（又は異常な）電気的特性は、配電システムにおける一貫した動作、著しいプラント故障、機器寿命の短縮、無計画の停電、及び交換オーバーヘッドの増加に関する、挑戦をもたらす。電気的パラメータの増大する速度及び多様性に加えて、太陽光及び風力発電所データ・ストリーム・フローは、大きさが大きく変動する、突然の環境変化（しばしば生じる）により予測不可能であり、関連付けられた電気機器を損傷し得る。又、事象及び階層の間の相関を見出すために、複数のシステムにわたって太陽データをリンクする、整合させる、清浄化する、及び変換することが困難になり得る。従って、電力（及び関連したパラメータ）傾向、並びに、太陽光発電所、風力タービン、電気負荷、送配電システム、エネルギー貯蔵プラント、又は他の電気設備を維持するために、毎日又は定期的に、季節的及びイベント駆動型のピーク・データ負荷をどのように管理するかを理解することは、難易度が高い。

図３は、図１との関連で論じられたものなどのシステムを用い得る一例による、データ収集及び処理の方法を示す。２０１で、データは、図２との関連で述べられた電力網データ・ユニットなどの感知ユニットによって監視され、及び収集される。このようなデータは、ＰＶシステムなどの、再生可能エネルギー源とすることができる電源から生成された、電気信号の特性に関連し得る。特性は、電圧、電流、及び周波数のうちの１つ又は複数を含み得る。具体的には、特性は、３相電圧、３相電圧位相角、３相電流、３相電流位相角、中心周波数オフセット、ｃ３７周波数、基本波電力、基本波皮相電力、及び／又は全地球測位システムによる無効電力の基本波、緯度、経度とすることができる。

電気信号の特性が監視され、特性に関するデータは、報告周期において収集される。一例では、及び図２でμＰＭＵとの関連で述べられたように、データは、１０ミリ秒の報告周期で各半サイクルの間、収集される。１０ミリ秒の代わりに、高い時間分解能データを収集するために代替の報告周期がもたらされ得ることが理解されるであろう。ＰＱＭからのデータも定期的に収集されることができ、μＰＭＵからのデータに対して異なる、より低い時間分解能とすることができる。電源からの電気信号は、時間領域データ点及び周波数領域データ点を収集するように、μＰＭＵを通じて周波数領域で、及びＰＱＭを用いて時間領域で、同時に監視される。一致するタイム・スタンプが、収集された時間領域データ点及び周波数領域データ点に適用される。いくつかの実例では、収集された時間領域データ点及び周波数領域データ点に適用されるタイム・スタンプは、同じ方法によって導き出される。各特性は、別々に監視され及び収集され得るので、１０ミリ秒ごとに監視される各特性は、結果として、その特性に対して１日で収集される、８６４万個のデータ点の未加工データを生じることができる。

２０２で、未加工データは、記憶のために、電力網データ・ユニットから遠隔に配置されたサーバに送られ得る。次いでμＰＭＵからの高分解能データは、さらに処理され得る。データの処理は、（ａ）データ及びその記憶の取り扱いと、（ｂ）電気的傾向検出のための自動的データ処理とを、含むことができる。電圧源変換器及びその挙動は、ＰＶ太陽光発電所の中核であるので、説明を容易にするように、一例において太陽データのデータ不規則性（又は異常性）処理を識別するために、電圧が考察されたが、処理は、収集された他の特性に対しても遂行され得ることが理解されるであろう。

（ａ）データの取り扱い及びその記憶
２０３で、未加工データは、未加工データから欠落している、いずれのタイム・スタンプが付けられたデータも、データセットから除去されるという点で、クリーニングされ得る。これは後続の処理から、何らの有用な情報ももたらさないことになる欠測データを除去することによって、データセットのサイズを低減することができる。μＰＭＵからの未加工データは、量において大きくなる場合があり、事実上構造化されていない。２０４で、無損失データ圧縮が遂行され得る。一例では、行ベースの記憶形式（ＣＳＶなど）とは対照的に、列ベースの記憶形式が用いられる。列ベースの記憶形式の一例は、アパッチ・パーケット（オープン・ソース・ファイル）形式であり、これはさらなる処理のために、圧縮された、効率的なコラム形太陽データ表示を提供するデータレイク又はデータ・ウェアハウスを作り出すために用いられ得る。アパッチ・パーケットを用いて、データセット・サイズにおける実質的な低減を得ることができ、ＣＳＶなどの行ベースの記憶形式と比較して、ファイル・サイズにおいて、一例では８３％の低減が達成され得る。未加工データのクリーニング及び圧縮は、自動的な電気的傾向検出のためには必要でなくてもよいことが理解されるであろう。

（ｂ）電気的傾向検出のための自動的データ処理
データの手動の分割及び注釈付けは、過大なリソースを必要とし、異常（又は不規則なデータ挙動）を探すのに不可能ではないが困難である。従って、ここで目標は、２つのグループ、規則的／正常な電気的傾向と、不規則な電気的傾向とを分離することを規定する。この目標を達成するためのベスト・プラクティスは、クラスタ化のような統計的アルゴリズムを作成し、マッピングすることである。高速な処理及び意思決定に留意することによって、ＣＬＡＲＡＮＳ（Ｃｌｕｓｔｅｒｉｎｇ Ｌａｒｇｅ Ａｐｐｌｉｃａｔｉｏｎｓ ｂａｓｅｄ ｏｎ ＲＡＮｄｏｍｉｚｅｄ Ｓｅａｒｃｈ）に基づいて、クラスタ化手法が用いられ得る。他のクラスタ化手法と比較して、ＣＬＡＲＡＮＳの特質である、ランダム化された検索、及び入力データからのサンプルのランダム化された選択は、フェーザ測定ユニット（ＰＭＵ）からなどの大量のデータがある場合に、効果的及び効率的技法をもたらすことが見出された。

２０５で、データセット変換又はコンバージョンが実行されることができ、変換の範囲の選択は次いで、このデータがＣＬＡＲＡＮＳを用いて分析されようになるので、ＣＬＡＲＡＮＳクラスタ化に影響する。変換の一例は図４に示され、μＰＭＵによって２４時間で収集された電圧値の、８６４万個の時系列データ点を含んだデータセットは、８６４００個のインデックスＩｄｘを用いて特徴ベクトル・テーブルに変換され、各行は、１秒間で収集された１００個の電圧サンプルを表す。例えば、Ｉｄｘ：１に関係する第１の行は、電圧値Ｖ１からＶ１００までを含む。Ｉｄｘ：２に関係する第２の行は、電圧値Ｖ１０１からＶ２００までを含み、Ｖ８６３９９００からＶ８６４００００までを含むＩｄｘ：８６４００００に関する最後の行まで、以下同様である。異なる、行当たりのインデックスの数と電圧値の数とが選択され得るが、図４で選択されたような変換は、ＣＬＡＲＡＮＳを用いた演算に対して効果的であることが見出されることが理解されるであろう。

２０６で、変換されたデータセットに対して、ＣＬＡＲＡＮＳなどのクラスタ化技法が遂行され得る。図５を参照すると、遂行され得る例示のプロセスは、３０１で、それぞれがデータのサブセットを含む複数の行を含んだ、変換された特徴ベクトル・データ形式での高分解能電気測定データ（例えば、２０５において生成されたような）を、受信することを含む。３０２で、データを相異なるクラスタ・グループに分離するために、高分解能の電気的未加工測定データから変換された特徴ベクトル・データに対して、統計的クラスタ化が遂行される。第１のグループは、同様な電気的傾向（大きさ）のグループを備え、第２のグループは、第１のグループとは分離された異なる電気的傾向のグループを備える。各クラスタ・グループは、複数のデータ点を有し、それぞれは、特徴ベクトル・テーブルの行（例えば、図４のＩｄｘ）に対して行われたクラスタ化技法から導き出されたパターンに対応する。各クラスタ・グループは、この実例では同様な電気的傾向に関する、同様なパターンを有するようになる。第１及び第２のクラスタ・グループのそれぞれはまた、それぞれのクラスタ・グループの幾何中心又はメドイドから遠く隔たっている又は最も遠い１つ又は複数のデータ点又はパターンを備えることができ、このようなデータ点は、外れ値として識別可能となり得る。両方のグループは、それら自体の外れ値を有し得るが、各外れ値は、それのパターンに基づく１つの特定クラスタの一部であるので、同じ外れ値を共有しない。第１の表示は、クラスタ化されたグループから生成され得る。３０３で、第１の表示は、異常事象に関する外れ値を識別するために、分析され得る。ＣＬＡＲＡＮＳが知られているが、電気エネルギー生成及び配電システムの分野での高分解能電気測定データでのそれの使用は、特にマイクロ同期フェーザ又はフェーザ測定ユニットなどの装置からの高分解能電気測定データに関連したビッグ・データに対する、処理速度における改善など、この分野での利点をもたらすことができる。ＣＬＡＲＡＮＳは、極小及び極大隣接値の２つの値を計算する。後者の値が大きいほど、ＣＬＡＲＡＮＳは、メドイドの周りの分割（Ｐａｒｔｉｔｉｏｎｉｎｇ Ａｒｏｕｎｄ Ｍｅｄｏｉｄｓ：ＰＡＭ）などの、他の分割方法により近くなり、極小値の各検索を行うのに、より時間がかかるようになる。これは、極小値の品質はより高くなり、最終結果として最良の局所最適を返す、より少ない数の極小値が発見されるので、利点である。ＣＬＡＲＡＮＳは、従来のＣＬＡＲＡＮＳ技法に従って反復が遂行される前に、ランダムに特徴ベクトル・テーブルの行からメドイドを選択することができる。

ＣＬＡＲＡＮＳクラスタ化技法の応用の一例は、図４に示されるデータセットとの関連で以下でより詳しく述べられる。

入力パラメータ
ａ）問題を解くための反復の量（我々の場合では実験的に１００が選択される）
ｂ）調べられる隣接値／挙動パターンの最大数：隣接値のパーセンテージ×サイズ（変換されたデータセット、１内の行の数）
＝（０．００１％×８６４００）
＝｜８６．４｜＝８６
ｃ）目標はここで、異なる電気的傾向に関し得る２つのクラスタ・グループを分離することであり、従って我々が求めるクラスタの数は２つである（初期ランダム・メドイドは２となる）。

処理
１．反復ｉ＝１から１００まで
２．ユークリッド・コストを用いた最小距離＝０
３．最適メドイド＝０
４．ここで２つのランダム・データ点が現在メドイドとして選択され、これらのデータ点を用いてクラスタが形成され、クラスタを形成するために最も近いメドイドを見出すためにユークリッド距離が用いられる。
ａ．反復ｊ＝１：ｊ≦８６
ｂ．ランダム現在メドイドが選択され、ランダム候補（ランダム隣接値）データ点が、現在メドイドとの置き換えのために選択される。
ｃ．候補データ点の置き換えが、現在メドイドより低い総コスト（これはそれらのそれぞれのメドイドによるクラスタ内のすべての点の間の距離の総和である）を生じる場合、置き換えが行われる。置き換えがなされた場合はｊはインクリメントされず、そうでなければｊ＝ｊ＋１。
５．ｊ＞８６となった後、現在メドイドが取られ、それらの総コストが最小コストと比較される。総コストが最小コスト未満である場合、最良ノードが現在メドイドとして更新される。
６．ｉはその後にインクリメントされ、それが１００より大きい場合は、最良ノードが出力として与えられ、そうでなければプロセス全体が繰り返される。

クラスタ化技法を用いて、高分解能電気測定データは、第１の電気的傾向を表す第１のクラスタと、別の電気的傾向を表す第２のクラスタとを含む、クラスタ化されたデータに分離され得る。他の実例では、高分解能電気測定データを隔離するための、より多くのクラスタが存在し得る。

戻って図３を参照すると、２０７で、生成されたクラスタ化されたデータは、異常検出の検査のためにグラフィック形式での第１の表示としてもたらされ得る。第１の表示は、収集された電気データに関する異常事象を示す、外れ値データを含むことができ、外れ値事象情報は、検査によって表示から識別可能となり得る。代替として又は追加として、クラスタ化された情報が外れ値データを含むかどうかを自動的に決定するように、閾値が設定され得る。例えば、クラスタ化されたデータが一定のパーセンテージ、例えば、６パーセントだけ、ある値より低い又は高い場合、これはデータが外れ値データでることを示し得る。

１日の間にμＰＭＵによって受信された電気信号は、ＰＱＭによっても収集されたとすると、次いで認証が生じ得る。クラスタ化されたデータから検出された外れ値事象は、異常事象が検出されたときに警告を生成したであろうＰＱＭデータを、マッピングする又は互いに関係付けることによって認証され得る。警告は、異常事象を示す、高分解能でのＰＱＭデータのグラフィック表示を含み得る。

次に、例示の実験に従って、クラスタ化手法が述べられる。実例では、クラスタ化手法は、その機能的挙動を分類し、配電システム上の異常を検出するために、連続の１０日間（２０２０年５月１日から５月１０日まで）の、３相電圧フェーザ・データに対して実験が行われた。毎日、相当たり８６４万個の電圧フェーザ・データ点が集められた。２０２０年５月１日に対する結果が、図６に示される。図６は、送電線１（第１相）、送電線２（第２相）、及び送電線３（第３相）電圧のＣＬＡＲＡＮＳ結果を表す。この図から、各図における両方のクラスタの形状は、それぞれが中心を有する球状であることが分かり、従って分割ベースの方法は、データ・パターンを明確に分離するように良好に働くであろうことを示す。図６（ａ）、６（ｂ）、及び６（ｃ）は、それぞれ送電線１パターン、送電線２パターン、及び送電線３パターンを示し、外れ値は、２つの相異なるクラスタ・タイプＣ１（説明のために第１の陰影で示される）と、Ｃ２（第２の陰影で示される）とに明瞭に見える。外れ値は、クラスタＣ１又はＣ２の一部であるが、より高い密度のクラスタ中心から、十分に遠く隔たっている。例えば、図６（ｂ）を参照すると、外れ値Ｏ１及びＯ２は、外れ値Ｏ１は、クラスタＣ１の一部であるが遠く隔たっており、外れ値Ｏ２は、クラスタＣ２の一部であるが遠く隔たって示される。このクラスタ化は、１日を通しての大きさの変化に基づいて、データがグループ化されるようにし、示される実例では、それぞれ、一方のグループは、約１．８５と約１．８６ｋＶとの間の電圧振幅を有し、他方のグループは、約１．８７から約１．８８ｋＶを含む。クラスタ化されたデータからの検出された外れ値事象は、電力品質測定データによって認証され、突然の事象の例は、図７に示される。図７は、１．５時間のデータを示すウィンドウであり、厳密な電圧低下事象が、その時間及び振幅と共に表示されている。この期間の間に２回、電圧低下（午前１１：１５頃及び午後１２：５６頃）Ｄ１、Ｄ２が生じ、１．７６ｋＶの振幅に達し、クラスタ化手法によって正確に捕捉されたことが見出された。述べられたようなクラスタ化手法は、外れ値検出のための、高分解能μＰＭＵデータの、有用な性能のグループ化をもたらすことができることが理解され得る。

Claims (29)

1. 高分解能電気測定データを処理する方法であって、
   電力網システム又は他の電気装置から測定された、電気的又は他のパラメータの時系列データに関連した、高分解能電気測定データを取得することであって、前記時系列データは、データ点の前記第１のセットを備える、取得することと、
   前記時系列データを特徴ベクトル形式データに変換することであって、前記時系列データは、複数のデータセットにグループ化され、各データセットは、データ点の前記第１のセットのサブセットを表す、変換することと、
   前記特徴ベクトル形式データからのクラスタ化されたデータとして、相異なるクラスタ・パターンを生成するように、統計データクラスタ化方式を遂行することであって、前記クラスタ化されたデータは、第１の電気的傾向に関する第１のクラスタと、前記第１の電気的傾向とは異なる第２の電気的傾向に関する第２のクラスタとを備え、前記クラスタ化されたデータは、前記第１又は第２のクラスタの一部である外れ値データ・パターンを備え、前記外れ値データ・パターンは、それのそれぞれのクラスタ中心から遠くにある、遂行することと、
   前記外れ値データに少なくとも部分的に基づいて、異常事象を検出することと
   を含む方法。
2. 前記統計的クラスタ化方式は、教師なし機械学習技法である、請求項１に記載の方法。
3. 前記統計的クラスタ化方式は、分割ベースのクラスタ化方法である、請求項１又は２に記載の方法。
4. 前記統計的クラスタ化方式は、ランダム化検索に基づくクラスタ化・ラージ・アプリケーション、ＣＬＡＲＡＮＳである、請求項１、２、又は３に記載の方法。
5. 前記クラスタ化されたデータは、第１のグラフィック表示として生成される、請求項１から４までのいずれか一項に記載の方法。
6. 前記外れ値データを識別することをさらに含み、前記外れ値データは、前記外れ値データの値を閾値と比較することによって、自動的に識別される、請求項１から５までのいずれか一項に記載の方法。
7. 取得する前に、電力網内で測定された前記電気的パラメータの前記時系列データを圧縮することをさらに含む、請求項１から６までのいずれか一項に記載の方法。
8. 前記圧縮することは、列ベースの記憶形式での、無損失データ圧縮を含む、請求項７に記載の方法。
9. 前記無損失データ圧縮は、アパッチ・パーケット形式でのものである、請求項８に記載の方法。
10. 前記高分解能電気測定データは、前記電力網システム内に配置され、周波数領域で動作する、マイクロ同期フェーザ・ユニットによって測定される、請求項１から９までのいずれか一項に記載の方法。
11. 電力品質モニタは、時間領域で動作し、データ点の前記第１のセットに対する同期されたタイム・スタンプを用いて、電力網システムから測定された電気的パラメータのデータ点の第２のセットを生成する、請求項１から１０までのいずれか一項に記載の方法。
12. 前記電力品質モニタからのデータ点の前記第２のセットによって、前記外れ値データをマッピングすることによって、前記クラスタ化された外れ値データを認証することをさらに含む、請求項１１に記載の方法。
13. 前記検出することは、時間の特定のウィンドウ内に障害事象があるかどうかを含む、前記外れ値データに関するさらなる情報を決定することをさらに含む、請求項１から１２までのいずれか一項に記載の方法。
14. 前記電力網システムは、太陽光発電所、風力タービン、電気負荷、送配電システム、若しくはエネルギー貯蔵プラント、又は他の電気設備のうちの少なくとも１つを含む、請求項１から１３までのいずれか一項に記載の方法。
15. 高分解能電気測定データを処理するためのシステムであって、処理ユニットを備え、前記処理ユニットは、
    電力網システムから測定された、電気的又は他のパラメータの時系列データに関連した、高分解能電気測定データを取得することであって、前記時系列データは、データ点の前記第１のセットを備える、取得することと、
    前記時系列データを特徴ベクトル形式データに変換することであって、前記時系列データは、複数のデータセットにグループ化され、各データセットは、データ点の前記第１のセットのサブセットを表す、変換することと、
    前記特徴ベクトル形式データから、相異なるクラスタ・パターンを生成するように、統計データクラスタ化方式を遂行することであって、第１の電気的傾向に関する第１のクラスタ・タイプと、第２の又は異なる電気的傾向に関する第２のクラスタ・タイプと、前記第１又は第２のクラスタ・タイプの一部を形成し、その一部であるそれぞれのクラスタ・タイプのクラスタ間メドイドから離れた外れ値データとを備える、生成することと、
    前記外れ値データに少なくとも部分的に基づいて、異常事象を検出することと
    を行うように動作可能である、システム。
16. 前記統計的クラスタ化方式は、教師なし機械学習技法である、請求項１５に記載のシステム。
17. 前記統計的クラスタ化方式は、分割ベースのクラスタ化方法である、請求項１５又は１６に記載のシステム。
18. 前記統計的クラスタ化方式は、ランダム化検索に基づくクラスタ化・ラージ・アプリケーション、ＣＬＡＲＡＮＳである、請求項１５から１７までのいずれか一項に記載のシステム。
19. 前記クラスタ化されたデータは、第１のグラフィック表示として生成され、前記システムは、前記グラフィック表示を表示するための表示ユニットをさらに備える、請求項１５から１８までのいずれか一項に記載のシステム。
20. 前記処理ユニットは、前記外れ値データを識別するように動作可能であり、前記外れ値データは、前記外れ値データの値を閾値と比較することによって、自動的に識別される、請求項１５から１９までのいずれか一項に記載のシステム。
21. 前記処理ユニットは、測定された前記電気的パラメータ、又は取得する前に前記電力網などの電気装置から取り出された他の測定された値の、前記時系列データを圧縮するように動作可能である、請求項１５から２０までのいずれか一項に記載のシステム。
22. 前記圧縮することは、列ベースの記憶形式での、無損失データ圧縮を含む、請求項２１に記載のシステム。
23. 前記無損失データ圧縮は、アパッチ・パーケット形式でのものである、請求項２２に記載のシステム。
24. 周波数領域で動作可能であるマイクロ同期フェーザ又はフェーザ測定ユニットをさらに備え、前記マイクロ同期フェーザ測定ユニットによって、高分解能電気フェーザ測定データが測定可能である、請求項１５から２３までのいずれか一項に記載のシステム。
25. 時間領域で動作可能であり、電力網システムから測定された電気的パラメータのデータ点の第２のセットを生成するように動作可能である、電力品質モニタをさらに備え、データ点の前記第２のセットは、データ点の前記第１のセットと同じ同期されたタイム・スタンプを備える、請求項１５から２４までのいずれか一項に記載のシステム。
26. 請求項２４に従属するとき、前記マイクロ同期フェーザ測定ユニットと、前記電力品質モニタとは、電力網データ・ユニットに統合され、信号分析器の動作ペアとして動作する、請求項２５に記載のシステム。
27. 前記処理ユニットは、前記電力品質モニタからのデータ点の前記第２のセットによって、前記外れ値データをマッピングすることによって、前記クラスタ化された外れ値データを認証するように動作可能である、請求項２５又は２６に記載のシステム。
28. 前記検出することは、時間の特定のウィンドウ内に障害事象があるかどうかを含む、前記外れ値データに関するさらなる情報を決定することをさらに含む、請求項１５から２７までのいずれか一項に記載のシステム。
29. 前記電力網システムは、太陽光発電所、風力タービン、電気負荷、送配電システム、若しくはエネルギー貯蔵プラント、又は他の電気設備のうちの少なくとも１つを含む、請求項１５から２８までのいずれか一項に記載のシステム。