JP3220606B2 - 送電線雪害警報システム - Google Patents
送電線雪害警報システムInfo
- Publication number
- JP3220606B2 JP3220606B2 JP520895A JP520895A JP3220606B2 JP 3220606 B2 JP3220606 B2 JP 3220606B2 JP 520895 A JP520895 A JP 520895A JP 520895 A JP520895 A JP 520895A JP 3220606 B2 JP3220606 B2 JP 3220606B2
- Authority
- JP
- Japan
- Prior art keywords
- weather data
- transmission line
- predicted
- snow damage
- snow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、気象条件から送電線に
雪害が発生するかどうかを予測する送電線雪害警報シス
テムに係り、特に、気象データに予測誤差があっても精
度の高い雪害予測ができる送電線雪害警報システムに関
するものである。
雪害が発生するかどうかを予測する送電線雪害警報シス
テムに係り、特に、気象データに予測誤差があっても精
度の高い雪害予測ができる送電線雪害警報システムに関
するものである。
【０００２】
【従来の技術】送電線は苛酷な自然環境に晒されてお
り、種々の自然災害を被る危険がある。特に、冬期の降
雪時には送電線への着雪により送電線の荷重が過大とな
って断線事故或いは鉄塔倒壊事故に至ることもある。
り、種々の自然災害を被る危険がある。特に、冬期の降
雪時には送電線への着雪により送電線の荷重が過大とな
って断線事故或いは鉄塔倒壊事故に至ることもある。
【０００３】近年、複雑なパターンをうまく分類するニ
ューラルネットが、そのパターン分類能力の高さや、汎
化能力といった観点から注目されており、雪害の予測を
行うためのニューラルネットが提案されている。即ち、
過去の雪害の事例における気象データを用いて、気象デ
ータをニューラルネットに入力すれば「事故有り」また
は「事故無し」の事象を出力するように学習させる。こ
のニューラルネットに対して予測気象データを入力すれ
ば、「事故有り」または「事故無し」のいずれかの事象
に分類して予測することができる。
ューラルネットが、そのパターン分類能力の高さや、汎
化能力といった観点から注目されており、雪害の予測を
行うためのニューラルネットが提案されている。即ち、
過去の雪害の事例における気象データを用いて、気象デ
ータをニューラルネットに入力すれば「事故有り」また
は「事故無し」の事象を出力するように学習させる。こ
のニューラルネットに対して予測気象データを入力すれ
ば、「事故有り」または「事故無し」のいずれかの事象
に分類して予測することができる。
【０００４】一方、降雪時の送電線の着雪量を定量的に
推定することも、事故の未然防止の観点から重要であ
る。着雪量の推定値は、気温、風速、降水量等の数値か
らなる気象データから演算して求められているが、その
演算手法としては以下のような様々な着雪量推定式が提
案されている。
推定することも、事故の未然防止の観点から重要であ
る。着雪量の推定値は、気温、風速、降水量等の数値か
らなる気象データから演算して求められているが、その
演算手法としては以下のような様々な着雪量推定式が提
案されている。
【０００５】１）Admirat の式；「日本とフランスでの
実例に基づく雪堆積モデルの測定；１９８８年９月，構
造物の大気による着氷に関する第４回国際会議」 ２）Ervik の式；「実験室と実地の観測へ応用される伝
送線路の着氷のための広範囲測定モデル；１９８８年９
月，構造物の大気による着氷に関する第４回国際会議」 ３）Makkonenの式；「構造物上での湿った雪の成長の概
算；寒冷地科学技術」 ４）坂本の式；電力中央研究所の研究 これらの演算式を気温、風速、降水量等の予測値からな
る予測気象データに適用することにより、着雪量が予測
できる。
実例に基づく雪堆積モデルの測定；１９８８年９月，構
造物の大気による着氷に関する第４回国際会議」 ２）Ervik の式；「実験室と実地の観測へ応用される伝
送線路の着氷のための広範囲測定モデル；１９８８年９
月，構造物の大気による着氷に関する第４回国際会議」 ３）Makkonenの式；「構造物上での湿った雪の成長の概
算；寒冷地科学技術」 ４）坂本の式；電力中央研究所の研究 これらの演算式を気温、風速、降水量等の予測値からな
る予測気象データに適用することにより、着雪量が予測
できる。
【０００６】また、ニューラルネットによる雪害の判定
と着雪量の推定とを併用するシステムとして、ニューラ
ルネットが「事故有り」の判断し、かつ上記着雪量推定
式により算出された推定着雪量が所定値を越えたときに
警報を出力するシステムが考案されている。
と着雪量の推定とを併用するシステムとして、ニューラ
ルネットが「事故有り」の判断し、かつ上記着雪量推定
式により算出された推定着雪量が所定値を越えたときに
警報を出力するシステムが考案されている。
【０００７】
【発明が解決しようとする課題】雪害警報の対象となる
地域は、万一の雪害発生に備えた準備或いは雪害を未然
に防ぐための対策を行うことを考えると、できるだけ狭
い領域に限定できることが望ましい。このためには小領
域を対象とした予測気象データが必要になる。
地域は、万一の雪害発生に備えた準備或いは雪害を未然
に防ぐための対策を行うことを考えると、できるだけ狭
い領域に限定できることが望ましい。このためには小領
域を対象とした予測気象データが必要になる。
【０００８】小領域を対象とした予測気象データとして
は、６Ｋｍ四方の網目領域（メッシュ）を単位とした３
時間先までの気温・風速・降水量の数値予報データ（以
下、３時間先予報データという）や、約４０Ｋｍ間隔の
格子点における２４時間先までの１時間単位での気温・
風速・降水量の数値予報データ（以下、２４時間先予報
データという）が提供されている。
は、６Ｋｍ四方の網目領域（メッシュ）を単位とした３
時間先までの気温・風速・降水量の数値予報データ（以
下、３時間先予報データという）や、約４０Ｋｍ間隔の
格子点における２４時間先までの１時間単位での気温・
風速・降水量の数値予報データ（以下、２４時間先予報
データという）が提供されている。
【０００９】２４時間先予報データは格子点の間隔が広
いために局所的な気象条件を十分に反映していない恐れ
があり、雪害発生の予測に適用するのは困難である。そ
の点、３時間先予報データは６Ｋｍメッシュの気象デー
タであるから雪害発生の予測に適している。
いために局所的な気象条件を十分に反映していない恐れ
があり、雪害発生の予測に適用するのは困難である。そ
の点、３時間先予報データは６Ｋｍメッシュの気象デー
タであるから雪害発生の予測に適している。
【００１０】ところが、３時間先予報データでは、気温
と風速については持続性予測値を使用している。持続性
予測値とは、６Ｋｍメッシュの気象データは３時間以内
ではほぼ一定であると想定し、現況値をもって３時間先
までの予測値に代用したものである。このため、ときに
は気温や風速が短時間のうちに変動するなどして大きな
予測誤差が生じることがある。予測気象データの予測精
度は、雪害警報システムの雪害予測の精度に直接影響す
るので、予測誤差が大きくなることは問題となる。
と風速については持続性予測値を使用している。持続性
予測値とは、６Ｋｍメッシュの気象データは３時間以内
ではほぼ一定であると想定し、現況値をもって３時間先
までの予測値に代用したものである。このため、ときに
は気温や風速が短時間のうちに変動するなどして大きな
予測誤差が生じることがある。予測気象データの予測精
度は、雪害警報システムの雪害予測の精度に直接影響す
るので、予測誤差が大きくなることは問題となる。
【００１１】また、ニューラルネットの入力データとな
る予測気象データは、ある程度の予測誤差を持ってい
る。過去の実測の気象データを基に「事故有り」と「事
故無し」とを学習しているニューラルネットは、入力デ
ータに予測誤差があると、判断を誤る可能性が高い。
る予測気象データは、ある程度の予測誤差を持ってい
る。過去の実測の気象データを基に「事故有り」と「事
故無し」とを学習しているニューラルネットは、入力デ
ータに予測誤差があると、判断を誤る可能性が高い。
【００１２】そこで、本発明の目的は、上記課題を解決
し、気象データに予測誤差があっても精度の高い雪害予
測ができる送電線雪害警報システムを提供することにあ
る。
し、気象データに予測誤差があっても精度の高い雪害予
測ができる送電線雪害警報システムを提供することにあ
る。
【００１３】
【課題を解決するための手段】気温、風速、降水量等の
気象データを基にして送電線の雪害を予測し警報を発す
る送電線雪害警報システムにおいて、警報の対象となる
６Ｋｍ四方のメッシュ（以下、小領域という）毎の気象
データ及び約４０Ｋｍ間隔の格子点（以下、大領域とい
う）での時間毎の予測気象データを受信するデータ受信
装置と、上記小領域の持続性予測値からなる気象データ
を当該小領域に最寄りの大領域の予測気象データの時間
毎の予測値と現況値との差からなる補正項を加えること
により小領域の時間毎の予測値からなる予測気象データ
に補正する予測気象データ補正装置と、この補正した予
測気象データを基に送電線への着雪量を計算する着雪量
計算装置と、上記補正した予測気象データからニューラ
ルネットにより雪害発生の有無を判定する雪害判定装置
と、この有無判定と上記着雪量とから警報を発するか否
かを判定する警報判定装置とを備えたものである。
気象データを基にして送電線の雪害を予測し警報を発す
る送電線雪害警報システムにおいて、警報の対象となる
６Ｋｍ四方のメッシュ（以下、小領域という）毎の気象
データ及び約４０Ｋｍ間隔の格子点（以下、大領域とい
う）での時間毎の予測気象データを受信するデータ受信
装置と、上記小領域の持続性予測値からなる気象データ
を当該小領域に最寄りの大領域の予測気象データの時間
毎の予測値と現況値との差からなる補正項を加えること
により小領域の時間毎の予測値からなる予測気象データ
に補正する予測気象データ補正装置と、この補正した予
測気象データを基に送電線への着雪量を計算する着雪量
計算装置と、上記補正した予測気象データからニューラ
ルネットにより雪害発生の有無を判定する雪害判定装置
と、この有無判定と上記着雪量とから警報を発するか否
かを判定する警報判定装置とを備えたものである。
【００１４】
【００１５】
【００１６】予め１日の時刻毎における気温等の平均変
化量をある期間にわたって求め、この平均変化量を上記
時間毎の予測値に加えてもよい。
化量をある期間にわたって求め、この平均変化量を上記
時間毎の予測値に加えてもよい。
【００１７】
【００１８】
【作用】上記構成により、警報の対象となる小領域の気
象データがそれよりも大領域の予測気象データを用いて
小領域の予測気象データに補正される。これは小領域で
の気象条件の変化が、大領域での気象条件の変化に概ね
従っているとの知見に基づくものである。このようにし
て補正した小領域の予測気象データを基にして雪害を予
測することにより、精度の高い雪害予測ができる。
象データがそれよりも大領域の予測気象データを用いて
小領域の予測気象データに補正される。これは小領域で
の気象条件の変化が、大領域での気象条件の変化に概ね
従っているとの知見に基づくものである。このようにし
て補正した小領域の予測気象データを基にして雪害を予
測することにより、精度の高い雪害予測ができる。
【００１９】
【００２０】
【実施例】以下本発明の一実施例を添付図面に基づいて
詳述する。
詳述する。
【００２１】図１に示されるように、本発明に係る送電
線雪害警報システムは、３時間先予報データ及び２４時
間先予報データを受信するデータ受信装置１と、２４時
間先予報データによって３時間先予報データを補正する
予測気象データ補正装置２と、補正した３時間先予報デ
ータを基に送電線への着雪量を計算する着雪量計算装置
４と、補正した３時間先予報データからニューラルネッ
トにより雪害発生の有無を判定する雪害判定装置３と、
この有無判定と上記着雪量とから警報を発するか否かを
判定する警報判定装置５とを備えている。
線雪害警報システムは、３時間先予報データ及び２４時
間先予報データを受信するデータ受信装置１と、２４時
間先予報データによって３時間先予報データを補正する
予測気象データ補正装置２と、補正した３時間先予報デ
ータを基に送電線への着雪量を計算する着雪量計算装置
４と、補正した３時間先予報データからニューラルネッ
トにより雪害発生の有無を判定する雪害判定装置３と、
この有無判定と上記着雪量とから警報を発するか否かを
判定する警報判定装置５とを備えている。
【００２２】次に実施例の作用を述べる。
【００２３】データ受信装置１には、３時間先予報デー
タ、即ち、６Ｋｍ四方のメッシュ単位での気温・風速・
降水量の現況値及び３時間先までの予測値と、２４時間
先予報データ、即ち、約４０Ｋｍ間隔の格子点での気温
・風速・降水量の現況値及び２４時間先までの１時間毎
の予測値とが入力される。
タ、即ち、６Ｋｍ四方のメッシュ単位での気温・風速・
降水量の現況値及び３時間先までの予測値と、２４時間
先予報データ、即ち、約４０Ｋｍ間隔の格子点での気温
・風速・降水量の現況値及び２４時間先までの１時間毎
の予測値とが入力される。
【００２４】予測気象データ補正装置２には、上記デー
タ受信装置１で受信した気象データが入力される。３時
間先予報データのうち、持続性予測値を用いている気温
と風速とについては、対象となる６Ｋｍメッシュに最も
近い格子点における２４時間先予報データの気温・風速
の予測値を使用して以下の補正を行う。
タ受信装置１で受信した気象データが入力される。３時
間先予報データのうち、持続性予測値を用いている気温
と風速とについては、対象となる６Ｋｍメッシュに最も
近い格子点における２４時間先予報データの気温・風速
の予測値を使用して以下の補正を行う。
【００２５】まず、ｔ時間先の予測値をＤ（ｔ）で示す
と、式（１）が得られる。
と、式（１）が得られる。
【００２６】 ＤOUT （ｔ）＝ＤIN（ｔ）＋Ｅ（ｔ） （１） ただし、 ｔ ；補正する気象データの予測時間（ｔ＝
１，２，３） ＤIN（ｔ） ；補正前のｔ時間先の気温（又は風速）予
測値 ＤOUT （ｔ）；補正後のｔ時間先の気温（又は風速）予
測値 Ｅ（ｔ） ；補正項 ここで、Ｅ（ｔ）の補正項は最寄りの格子点での２４時
間先予報データＳ（ｔ）における現時刻からｔ時間先ま
での気温（又は風速）の変化量を表しており、式（２）
で求められる。
１，２，３） ＤIN（ｔ） ；補正前のｔ時間先の気温（又は風速）予
測値 ＤOUT （ｔ）；補正後のｔ時間先の気温（又は風速）予
測値 Ｅ（ｔ） ；補正項 ここで、Ｅ（ｔ）の補正項は最寄りの格子点での２４時
間先予報データＳ（ｔ）における現時刻からｔ時間先ま
での気温（又は風速）の変化量を表しており、式（２）
で求められる。
【００２７】 Ｅ（ｔ）＝Ｓ（ｔ）−Ｓ（０） （２） ただし、 Ｓ（ｔ）；ｔ時間先の気温（又は風速）予測値 Ｓ（０）；現時刻の気温（又は風速） このようにして、気温・風速等の持続性予測値が時間毎
の予測値に補正される。２４時間先までの時間毎の数値
予報データは、数値の大きさについては精度は高くない
ものの、気象条件の時間毎の変化パターンをよく表して
いる。例えば、図２は、平成６年１月２８日から１月２
９日にかけて、２４時間先予報データの予測値と３時間
先予報データの現況値とを比較したものである。横軸は
時刻を表し、縦軸は気温を表す。実線は、あるメッシュ
の気温現況値を示し、鎖線はそのメッシュに最も近い格
子点における２４時間先予報データの気温予測値を示し
ている。この図を見るとそれぞれの値の変化パターンが
互いに類似していることが分かる。従って、２４時間先
予報データにおける気温予測値の変化量に基づいて補正
を行うと、単に持続性予測値を使用するよりも、より実
際に近い気温予測値を得ることができる。
の予測値に補正される。２４時間先までの時間毎の数値
予報データは、数値の大きさについては精度は高くない
ものの、気象条件の時間毎の変化パターンをよく表して
いる。例えば、図２は、平成６年１月２８日から１月２
９日にかけて、２４時間先予報データの予測値と３時間
先予報データの現況値とを比較したものである。横軸は
時刻を表し、縦軸は気温を表す。実線は、あるメッシュ
の気温現況値を示し、鎖線はそのメッシュに最も近い格
子点における２４時間先予報データの気温予測値を示し
ている。この図を見るとそれぞれの値の変化パターンが
互いに類似していることが分かる。従って、２４時間先
予報データにおける気温予測値の変化量に基づいて補正
を行うと、単に持続性予測値を使用するよりも、より実
際に近い気温予測値を得ることができる。
【００２８】このように、気温・風速等が時間毎の予測
値に補正される。時間毎の予測値は現況値をそのまま用
いた持続性予測値よりも予測誤差が小さい。予測誤差の
小さい予測気象データを使って雪害を予測することにな
るので精度の高い雪害予測ができることになる。
値に補正される。時間毎の予測値は現況値をそのまま用
いた持続性予測値よりも予測誤差が小さい。予測誤差の
小さい予測気象データを使って雪害を予測することにな
るので精度の高い雪害予測ができることになる。
【００２９】雪害判定装置３には、予測気象データ補正
装置２で補正された予測気象データが入力される。雪害
判定装置３は、ニューラルネットを有し、予め気象デー
タを入力として、過去の事故発生時の気象データに対し
てはニューラルネットに「事故有り」という教師信号を
与え、過去の事故が無かったときの気象データに対して
はニューラルネットに「事故無し」という教師信号を与
えて学習させたものであり、新たに予測気象データを入
力すると、予測時間、例えば３時間先に事故が起きるか
どうかを予測して、「事故有り」又は「事故無し」の予
測を出力することができる。従って、上記のように補正
されて実際に近い予測気象データが入力されることによ
り、確度の高い判定が得られる。
装置２で補正された予測気象データが入力される。雪害
判定装置３は、ニューラルネットを有し、予め気象デー
タを入力として、過去の事故発生時の気象データに対し
てはニューラルネットに「事故有り」という教師信号を
与え、過去の事故が無かったときの気象データに対して
はニューラルネットに「事故無し」という教師信号を与
えて学習させたものであり、新たに予測気象データを入
力すると、予測時間、例えば３時間先に事故が起きるか
どうかを予測して、「事故有り」又は「事故無し」の予
測を出力することができる。従って、上記のように補正
されて実際に近い予測気象データが入力されることによ
り、確度の高い判定が得られる。
【００３０】着雪量計算装置４には、予測気象データ補
正装置２で補正された予測気象データが入力される。ま
た、着雪量計算装置４には、送電線の径や抵抗などの送
電線パラメータが入力される。着雪量計算装置４は、予
測気象データや送電線パラメータから予測時間、例えば
３時間先の送電線の着雪量を計算する。ここでも上記の
ように補正されて実際に近い予測気象データが入力され
ることにより、正確な着雪量が得られる。
正装置２で補正された予測気象データが入力される。ま
た、着雪量計算装置４には、送電線の径や抵抗などの送
電線パラメータが入力される。着雪量計算装置４は、予
測気象データや送電線パラメータから予測時間、例えば
３時間先の送電線の着雪量を計算する。ここでも上記の
ように補正されて実際に近い予測気象データが入力され
ることにより、正確な着雪量が得られる。
【００３１】警報判定装置５は、ＡＮＤ回路等から構成
され、雪害判定装置３の雪害判定結果と、着雪量計算装
置４の計算結果が予め設定されている閾値を越えている
かどうかとの論理積を演算する。そして、雪害判定結果
が「事故有り」で、かつ着雪量計算結果が閾値以上の場
合には、警報を出力する。
され、雪害判定装置３の雪害判定結果と、着雪量計算装
置４の計算結果が予め設定されている閾値を越えている
かどうかとの論理積を演算する。そして、雪害判定結果
が「事故有り」で、かつ着雪量計算結果が閾値以上の場
合には、警報を出力する。
【００３２】次に他の実施例を説明する。
【００３３】気温の変化は、１日を通して考えると、朝
から昼にかけて上がり、その後は夜にかけて下がるとい
うサイクルになっている。そこで、式（１）の補正項Ｅ
（ｔ）を求める際に、時刻Ｔに関するパラメータを加え
ることが考えられる。即ち、ある時刻からの時間毎の予
測値を、その時刻における平均変化量を加えることによ
って補正するものである。時刻Ｔにおける補正項Ｅ
（ｔ）は、式（２）に時刻パラメータを加えた式（３）
で求められる。
から昼にかけて上がり、その後は夜にかけて下がるとい
うサイクルになっている。そこで、式（１）の補正項Ｅ
（ｔ）を求める際に、時刻Ｔに関するパラメータを加え
ることが考えられる。即ち、ある時刻からの時間毎の予
測値を、その時刻における平均変化量を加えることによ
って補正するものである。時刻Ｔにおける補正項Ｅ
（ｔ）は、式（２）に時刻パラメータを加えた式（３）
で求められる。
【００３４】 Ｅ（ｔ）＝Ｓ（ｔ）−Ｓ（０）＋α（ｔ） （３） ただし、 Ｓ（ｔ）；ｔ時間先の気温予測値 Ｓ（０）；現時刻の気温 α（ｔ）；時刻Ｔにおける時刻パラメータ ここで、α（ｔ）には、ある期間にわたって時刻Ｔにお
ける気温の平均変化量を調査等により予め求めた結果を
使用する。
ける気温の平均変化量を調査等により予め求めた結果を
使用する。
【００３５】
【００３６】図３に示されるように、本発明に係る送電
線雪害警報システムは、外部からの気象現況や気象予報
からなる気象データを受信するデータ受信装置３１と、
この気象データを基に送電線への着雪量を計算する着雪
量計算装置３４と、上記気象データからニューラルネッ
トにより雪害発生の有無を判定する雪害判定装置３３
と、この有無判定と上記着雪量とから警報を発するか否
かを判定する警報判定装置３５とを備えている。
線雪害警報システムは、外部からの気象現況や気象予報
からなる気象データを受信するデータ受信装置３１と、
この気象データを基に送電線への着雪量を計算する着雪
量計算装置３４と、上記気象データからニューラルネッ
トにより雪害発生の有無を判定する雪害判定装置３３
と、この有無判定と上記着雪量とから警報を発するか否
かを判定する警報判定装置３５とを備えている。
【００３７】データ受信装置３１には、３時間先予報デ
ータ、即ち、６Ｋｍ四方のメッシュ単位での気温・風速
・降水量の現況値及び３時間先までの予測値からなる予
測気象データが入力される。
ータ、即ち、６Ｋｍ四方のメッシュ単位での気温・風速
・降水量の現況値及び３時間先までの予測値からなる予
測気象データが入力される。
【００３８】雪害判定装置３３は、ニューラルネットを
有し、予め気象データを入力として、過去の事故発生時
の気象データに対してはニューラルネットに「事故有
り」という教師信号を与え、過去の事故が無かったとき
の気象データに対してはニューラルネットに「事故無
し」という教師信号を与えて学習させたものであり、新
たに予測気象データを入力すると、予測時間、例えば３
時間先に事故が起きるかどうかを予測して、「事故有
り」又は「事故無し」の予測を出力することができる。
有し、予め気象データを入力として、過去の事故発生時
の気象データに対してはニューラルネットに「事故有
り」という教師信号を与え、過去の事故が無かったとき
の気象データに対してはニューラルネットに「事故無
し」という教師信号を与えて学習させたものであり、新
たに予測気象データを入力すると、予測時間、例えば３
時間先に事故が起きるかどうかを予測して、「事故有
り」又は「事故無し」の予測を出力することができる。
【００３９】この実施例では、上記ニューラルネットの
学習に際して、式（４）により入力データである気象デ
ータに誤差を重畳している。
学習に際して、式（４）により入力データである気象デ
ータに誤差を重畳している。
【００４０】 ＡOUT ＝ＡIN＋ＲＮＤ（ＳＴ） （４） ただし、 ＡIN ；誤差重畳前の入力データ ＡOUT ；誤差重畳後の入力データ ＲＮＤ（Ｘ）；−Ｘ〜Ｘの範囲の一様乱数 ＳＴ ；予測気象データの予測誤差の標準偏差 もしも、降水量又は風速に関して、ＡOUT の値が負にな
った場合には、現実にはそのようなことは有り得ないの
でＡOUT の値をゼロとする。
った場合には、現実にはそのようなことは有り得ないの
でＡOUT の値をゼロとする。
【００４１】式（４）を使用する際に、予測気象データ
の予測誤差の標準偏差ＳＴについては、予め調査した結
果を用いる。調査結果の一例として平成５年１月を対象
として標準偏差ＳＴを調べた結果を表１に示す。表１の
各欄には標準偏差が記入されている。
の予測誤差の標準偏差ＳＴについては、予め調査した結
果を用いる。調査結果の一例として平成５年１月を対象
として標準偏差ＳＴを調べた結果を表１に示す。表１の
各欄には標準偏差が記入されている。
【００４２】
【表１】
【００４３】着雪量計算装置３４には、上記データ受信
装置１が受信した気象データが入力される。また、着雪
量計算装置３４には、送電線の径や抵抗などの送電線パ
ラメータが入力される。着雪量計算装置３４は、予測気
象データや送電線パラメータから予測時間、例えば３時
間先の送電線の着雪量を計算する。
装置１が受信した気象データが入力される。また、着雪
量計算装置３４には、送電線の径や抵抗などの送電線パ
ラメータが入力される。着雪量計算装置３４は、予測気
象データや送電線パラメータから予測時間、例えば３時
間先の送電線の着雪量を計算する。
【００４４】警報判定装置３５は、ＡＮＤ回路等から構
成され、雪害判定装置３３の雪害判定結果と、着雪量計
算装置３４の計算結果が予め設定されている閾値を越え
ているかどうかとの論理積を演算する。そして、雪害判
定結果が「事故有り」で、かつ着雪量計算結果が閾値以
上の場合には、警報を出力する。
成され、雪害判定装置３３の雪害判定結果と、着雪量計
算装置３４の計算結果が予め設定されている閾値を越え
ているかどうかとの論理積を演算する。そして、雪害判
定結果が「事故有り」で、かつ着雪量計算結果が閾値以
上の場合には、警報を出力する。
【００４５】この実施例について、実施しない場合との
比較を行った。警報を出力したものの、実際には雪害が
発生しなかった事例を空振りと呼ぶ。この空振りの件数
を比較した。平成５年１月１４日から２月１４日の１か
月の過去の予測気象データにより空振りの発生件数を調
査したところ、本発明を実施しない場合、４３９件の空
振りが発生するのに対し、本発明の上記実施例によれば
空振りを２４６件に低減することができた。
比較を行った。警報を出力したものの、実際には雪害が
発生しなかった事例を空振りと呼ぶ。この空振りの件数
を比較した。平成５年１月１４日から２月１４日の１か
月の過去の予測気象データにより空振りの発生件数を調
査したところ、本発明を実施しない場合、４３９件の空
振りが発生するのに対し、本発明の上記実施例によれば
空振りを２４６件に低減することができた。
【００４６】なお、ニューラルネットの学習時の誤差重
畳方法としては、本実施例の式（４）に用いた一様乱数
の他に、様々な乱数生成方法を採用することができる。
例えば、正規乱数を用いることにより、現実の予測気象
データの誤差発生確率に近い誤差重畳を行うことができ
る。
畳方法としては、本実施例の式（４）に用いた一様乱数
の他に、様々な乱数生成方法を採用することができる。
例えば、正規乱数を用いることにより、現実の予測気象
データの誤差発生確率に近い誤差重畳を行うことができ
る。
【００４７】また、降水量の予測値は離散的であるの
で、同様の方法でポアソン乱数列を利用することも可能
である。
で、同様の方法でポアソン乱数列を利用することも可能
である。
【００４８】
【発明の効果】本発明は次の如き優れた効果を発揮す
る。
る。
【００４９】（１）警報の対象となる小領域の気象デー
タをそれよりも大領域の予測気象データを用いて小領域
の予測気象データに補正したので、予測誤差の小さい小
領域の予測気象データが得られ、確度の高い送電線雪害
予測が可能となる。
タをそれよりも大領域の予測気象データを用いて小領域
の予測気象データに補正したので、予測誤差の小さい小
領域の予測気象データが得られ、確度の高い送電線雪害
予測が可能となる。
【００５０】（２）予測気象データの予測誤差に対応し
た雪害判定ができるので、空振り件数が低減され、より
実用的な送電線雪害予測が可能になる。
た雪害判定ができるので、空振り件数が低減され、より
実用的な送電線雪害予測が可能になる。
【図１】本発明の一実施例を示す送電線雪害警報システ
ムのブロック図である。
ムのブロック図である。
【図２】気温及び気温予測値の１日の変化の実例を示す
折れ線グラフの図である。
折れ線グラフの図である。
【図３】本発明の他の実施例を示す送電線雪害警報シス
テムのブロック図である。
テムのブロック図である。
１ データ受信装置 ２ 予測気象データ補正装置 ３ 雪害判定装置 ４ 着雪量計算装置 ５ 警報判定装置
フロントページの続き (72)発明者 伊地知 良雄 茨城県日立市日高町５丁目１番１号 日 立電線株式会社オプトロシステム研究所 内 (56)参考文献 特開 平６−105428（ＪＰ，Ａ) 特公 平４−76637（ＪＰ，Ｂ２) 特公 昭53−43432（ＪＰ，Ｂ２) 山本敏行、金丸公春、狩野均、伊地知 良雄、近野好文、“ニューラルネットを 利用した送電線着雪情報判定手法”、電 気学会論文誌Ｂ、社団法人電気学会、平 成４年、第112巻、第７号、ｐ．585− 592 田中輝彦、大坪芳次、大窪寛和、村上 真史、馬場邦彦、長谷美達雄、“送電線 着雪予測システムの開発”、雪氷、日本 雪氷学会、平成４年、第54巻、第３号、 ｐ．245−257 飯田健二、金丸公春、伊地知良雄、北 川博朗、近野好文、“ニューラルネット を利用した送電線雪害警報システムの試 験運用評価”、電気学会電力・エネルギ ー部門大会論文集（論文２）、社団法人 電気学会、平成６年、ｐ．620−621 山本敏行、金丸公春、狩野均、伊地知 良雄、近野好文、“ニューラルネットに よる送電線着雪情報判定手法”、電気学 会全国大会講演論文集、社団法人電気学 会、平成４年、ｐ．10．88−10．89 (58)調査した分野(Int.Cl.7，ＤＢ名) G01W 1/00 - 1/18 G06F 17/00 - 17/60 G08B 21/00 - 21/24 G05B 13/00 - 13/04 G06F 15/00 - 15/82 ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (2)
- 【請求項１】 気温、風速、降水量等の気象データを基
にして送電線の雪害を予測し警報を発する送電線雪害警
報システムにおいて、警報の対象となる６Ｋｍ四方のメ
ッシュ（以下、小領域という）毎の気象データ及び約４
０Ｋｍ間隔の格子点（以下、大領域という）での時間毎
の予測気象データを受信するデータ受信装置と、上記小
領域の持続性予測値からなる気象データを当該小領域に
最寄りの大領域の予測気象データの時間毎の予測値と現
況値との差からなる補正項を加えることにより小領域の
時間毎の予測値からなる予測気象データに補正する予測
気象データ補正装置と、この補正した予測気象データを
基に送電線への着雪量を計算する着雪量計算装置と、上
記補正した予測気象データからニューラルネットにより
雪害発生の有無を判定する雪害判定装置と、この有無判
定と上記着雪量とから警報を発するか否かを判定する警
報判定装置とを備えたことを特徴とする送電線雪害警報
システム。 - 【請求項２】 予め１日の時刻毎における気温等の平均
変化量をある期間にわたって求め、この平均変化量を上
記時間毎の予測値に加えることを特徴とする請求項１記
載の送電線雪害警報システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP520895A JP3220606B2 (ja) | 1995-01-17 | 1995-01-17 | 送電線雪害警報システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP520895A JP3220606B2 (ja) | 1995-01-17 | 1995-01-17 | 送電線雪害警報システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08194070A JPH08194070A (ja) | 1996-07-30 |
| JP3220606B2 true JP3220606B2 (ja) | 2001-10-22 |
Family
ID=11604782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP520895A Expired - Fee Related JP3220606B2 (ja) | 1995-01-17 | 1995-01-17 | 送電線雪害警報システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3220606B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4514632B2 (ja) * | 2005-03-29 | 2010-07-28 | 大阪瓦斯株式会社 | 気象予測支援システム |
| WO2014006708A1 (ja) * | 2012-07-04 | 2014-01-09 | 中国電力株式会社 | 送電設備における雪害事故発生リスクの評価方法及び情報処理装置 |
| US20150262110A1 (en) * | 2014-03-11 | 2015-09-17 | General Electric Company | Systems and methods for utility crew forecasting |
| JP6600033B2 (ja) * | 2018-04-09 | 2019-10-30 | 株式会社東芝 | 気象予測補正装置、気象予測補正方法及びプログラム |
| JP7144843B2 (ja) * | 2018-10-23 | 2022-09-30 | 国立研究開発法人防災科学技術研究所 | 着雪予測装置及び着雪予測プログラム |
-
1995
- 1995-01-17 JP JP520895A patent/JP3220606B2/ja not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| 山本敏行、金丸公春、狩野均、伊地知良雄、近野好文、"ニューラルネットによる送電線着雪情報判定手法"、電気学会全国大会講演論文集、社団法人電気学会、平成４年、ｐ．１０．８８−１０．８９ |
| 山本敏行、金丸公春、狩野均、伊地知良雄、近野好文、"ニューラルネットを利用した送電線着雪情報判定手法"、電気学会論文誌Ｂ、社団法人電気学会、平成４年、第１１２巻、第７号、ｐ．５８５−５９２ |
| 田中輝彦、大坪芳次、大窪寛和、村上真史、馬場邦彦、長谷美達雄、"送電線着雪予測システムの開発"、雪氷、日本雪氷学会、平成４年、第５４巻、第３号、ｐ．２４５−２５７ |
| 飯田健二、金丸公春、伊地知良雄、北川博朗、近野好文、"ニューラルネットを利用した送電線雪害警報システムの試験運用評価"、電気学会電力・エネルギー部門大会論文集（論文２）、社団法人電気学会、平成６年、ｐ．６２０−６２１ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08194070A (ja) | 1996-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021129680A1 (zh) | 融雪性洪水预测方法、装置、电子设备和存储介质 | |
| CN115096373A (zh) | 一种基于传感器的桥梁工程健康检测系统 | |
| CN114354106B (zh) | 基于risc-v桥梁智能监测预警分析系统 | |
| CN114611778A (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
| CN108764550A (zh) | 基于输电线路信息数据的雷电预警方法及系统 | |
| CN210486953U (zh) | 户外广告牌状态监控装置 | |
| JP3220606B2 (ja) | 送電線雪害警報システム | |
| Guan et al. | Traffic incident duration prediction based on artificial neural network | |
| CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN109471205A (zh) | 一种基于网格化气象数据在电网运行中的监测预警方法 | |
| CN112418529A (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
| JP3172647B2 (ja) | 送電線雪害予測方法及び装置 | |
| JP3316368B2 (ja) | 送電線雪害警報システム | |
| CN113283125B (zh) | 一种基于实测数据的内转塔系泊系统疲劳分析方法 | |
| Anuar et al. | Early prediction system using neural network in Kelantan River, Malaysia | |
| CN112949920B (zh) | 一种基于观冰代表站数据的区域覆冰预测及预警方法 | |
| JPH06148349A (ja) | 路面凍結検知装置自己診断方法 | |
| JPH08211161A (ja) | 気象災害予測方式 | |
| CN112464536A (zh) | 输电线路覆冰故障预测的方法、装置、计算机设备和介质 | |
| JP2875944B2 (ja) | 送電線への推定着雪量算出装置 | |
| CN116561705B (zh) | 一种三个雨量传感器数据融合计算方法、系统及终端 | |
| JP2787645B2 (ja) | 路面凍結予測方法 | |
| CN110598177B (zh) | 一种基于环境相依失效的输电线路联合故障概率计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |