JP6759157B2 - ウィンドファームの異常監視装置および異常監視方法 - Google Patents

Description

本開示は、ウィンドファームの異常監視装置および異常監視方法に関する。

近年、環境保全の観点から風力発電装置の導入が進んでおり、複数の風力発電装置を同じ地域に集中して設置した集合型の風力発電所であるウィンドファームが建設されている。こうした風力発電の経済性を確保するためには各風力発電装置が安定して運転を続ける必要があり、風力発電装置の異常を早期に発見することが重要である。このため、例えば、遠隔監視装置（ＳＣＡＤＡ）などを用いることで、ウィンドファームの各風力発電装置の遠隔地からの監視なども行われる。

例えば、特許文献１の風車群の監視システムは、ウィンドファームを構成する複数の風車（風力発電装置）の一部または全体の状態監視を通して、ウィンドファームを構成する複数の風車のうち、他と異なる特性値を示している風車を異常として判定することで、風車の監視精度を高めようとしている。

同様に、特許文献２には、ウィンドファームを構成する複数の風力タービン（風力発電装置）の全てまたは一部のサブセットからのデータをグループに対する正常性の決定に用いることが開示されている。具体的には、同じ地域の風力タービンセットの性能パラメータを比較することで不必要な異常アラームを防止することや、主成分分析（ＰＣＡ）による各風力タービンのデータ分析を通して異常を検出すること、複数の風力タービンの各々からのＰＣＡ分析や他の収集されたデータを使用して、より低い誤検出率で風力タービンの故障のより良い異常予測を行うとの記載がある。

他方、例えば特許文献３には、風車翼（根元部など）に設置した光ファイバセンサによる歪量の計測を通して風力発電装置の状態を監視する手法が開示されており、センサ部（ＦＧＢ）からの反射光の波長の変動量を示す波長変動指標に基づいて、風車翼の損傷の有無の監視を行う。また、風車に設置された複数の翼でそれぞれ計測された波長の変動量を相互に比較し、予め設定した閾値を越えたとき、異常が発生したと判断する。

特開２００９−２４３４２８号公報 米国特許出願公開第２０１１／０３１３７２６号明細書 特開２０１６−１５６６７４号公報

上述の通り、特許文献１〜２では、ウィンドファームを構成する複数の風力発電装置の一部または全部からなる監視グループに対して異常監視を行うことによって、監視精度を高めようとしている。異常判定の誤判定は、異常判定がなされた後に行われる詳細な調査により明らかになる場合が多く、風力発電による経済性を低下させる原因になる。よって、監視精度のさらなる向上が望まれる。

上述の事情に鑑みて、本発明の少なくとも一実施形態は、複数の風力発電装置からなる監視グループの異常監視を精度良く行うことが可能なウィンドファームの異常監視装置を提供することを目的とする。

（１）本発明の少なくとも一実施形態に係るウィンドファームの異常監視装置は、
ウィンドファームが有する複数の風力発電装置の２以上からなる監視グループの異常監視を行うウィンドファームの異常監視装置であって、
前記複数の風力発電装置の２以上から、それぞれ、前記風力発電装置の発電に関する発電パラメータ、および、前記風力発電装置の風車翼に設置されたセンサによって計測される歪パラメータを取得するパラメータ取得部と、
前記パラメータ取得部によって取得された２以上の前記風力発電装置の相互の前記発電パラメータの相関が第１所定値以上であり、かつ、相互の前記歪パラメータの相関が第２所定値以上となる２以上の前記風力発電装置を前記監視グループのメンバ候補として抽出するメンバ候補抽出部と、
前記メンバ候補のうちの少なくとも２つの前記風力発電装置を前記監視グループのメンバとして設定する監視グループ設定部と、
前記監視グループ設定部によって設定された前記監視グループの異常監視を行うグループ監視部と、を備える。

例えば歪量を計測するために風車翼に設置されたセンサの計測値は、風車翼へのセンサの取付状態や外部環境などの影響を受けるが、本発明者らは、この影響の度合いはセンサ間に違いがあり、個体差があることを見出している。例えば、光ファイバセンサは、センサ部を構成する回折格子（ＦＢＧ）の屈折率や格子間隔が歪量に応じて変化するのに応じて、回折格子からの反射光における光の性質が変化することを利用して歪量を計測するが、回折格子の屈折率や間隔は歪量のみならず周囲の温度によっても変化し、例えば温度による変化の程度に個体差が存在することを見出している。

上記（１）の構成によれば、監視グループは、発電パラメータの相関（例えば相関係数）が強いのみならず、歪パラメータの相関も強い２以上の風力発電装置によって構成される。この発電パラメータは例えば風速、ロータ回転数、発電量などの発電状況に強い相関性を示す指標である。歪パラメータは、風車翼の歪量に強い相関性を示す指標である。つまり、監視グループは、発電状況の相関が強いのみならず、センサ間で生じている個体差の相関も強いセンサが取り付けられている２以上の風力発電装置によって形成されており、監視グループ内でのセンサの個体差も類似するようになっている。これによって、監視グループ内において、例えば外部環境の変化によって個体差の大きいセンサの計測値が正常値から逸脱するなどにより異常を誤検出するような事態を抑制することができ、２以上の風力発電装置からなる監視グループの異常監視の精度を高め、その信頼性を向上させることができる。

（２）幾つかの実施形態では、上記（１）の構成において、
前記メンバ候補抽出部は、
前記複数の風力発電装置のうちの２以上からなる第１メンバ候補群を選択する第１メンバ候補群選択部と、
前記第１メンバ候補群に属する前記風力発電装置の前記発電パラメータの相互の相関をそれぞれ求める発電パラメータ相関演算部と、
前記発電パラメータ相関演算部によって求められた相関が前記第１所定値以上である２以上の前記風力発電装置からなる第２メンバ候補群を前記第１メンバ候補群の中から選択する第２メンバ候補群選択部と、
前記第２メンバ候補群に属する前記風力発電装置の前記歪パラメータの相互の相関をそれぞれ求める歪パラメータ相関演算部と、
前記第２メンバ候補群の中から前記歪パラメータ相関演算部によって求められた相関が前記第２所定値以上である前記風力発電装置を前記メンバ候補として決定するメンバ候補決定部と、を有する。
上記（２）の構成によれば、発電パラメータの相関を評価した後に、歪パラメータの相関を評価する。これによって、発電パラメータの相関および歪パラメータの相関が強い２以上の風力発電装置を効率的に抽出することができる。

（３）幾つかの実施形態では、上記（１）〜（２）の構成において、
前記グループ監視部による前記異常監視を行う前の学習時において、前記監視グループに属する前記風力発電装置の前記発電パラメータと前記歪パラメータとの正準相関を求める正準相関学習部を、さらに備え、
前記グループ監視部は、前記正準相関学習部によって求められた前記正準相関に基づいて、前記監視グループの前記異常監視を行う。
上記（３）の構成によれば、グループ監視部による異常監視の判定基準を、機械学習により設定することができる。

（４）幾つかの実施形態では、上記（３）の構成において、
前記グループ監視部は、
前記学習時に求めた前記正準相関が、前記異常監視時において取得された監視時発電パラメータと監視時歪パラメータとの間で保たれているか否かの判定を行う正準相関逸脱判定部と、
前記正準相関逸脱判定部によって保たれていないと判定された場合を異常と判定する異常判定部と、を有する。
上記（４）の構成によれば、監視グループに属する風力発電装置の学習時における発電パラメータと歪パラメータとの正準相関が、異常監視時において保たれていない場合を異常と判定する。これによって、監視グループに異常状態となっている風力発電装置が存在することを検出することができる。

（５）幾つかの実施形態では、上記（４）の構成において、
前記正準相関逸脱判定部は、
前記監視時発電パラメータに基づく監視値を算出する監視値算出部と、
前記学習時に求めた前記正準相関を用いて、前記監視時歪パラメータから前記監視値の予測値を算出する予測値算出部と、
前記監視値と前記予測値との比較に基づいて、前記学習時に求めた前記正準相関が保たれているか否かの判定を行う逸脱判定部と、を有する。
上記（５）の構成によれば、異常監視時おいて取得される発電パラメータに基づいて算出される監視値と、歪パラメータ（監視時歪パラメータ）に基づいて算出される上記の監視値の予測値との比較に基づいて、学習時の正準相関が監視時において保たれているか否かを容易に判定することができる。

（６）幾つかの実施形態では、上記（３）〜（５）の構成において、
前記監視グループに属する前記風力発電装置の各々の前記発電パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記発電パラメータの主成分である発電パラメータ主成分を取得する発電パラメータ主成分分析部を、さらに備え、
前記正準相関学習部は、前記発電パラメータ主成分と前記監視グループに属する前記風力発電装置の各々の前記歪パラメータとの前記正準相関を求める。
上記（６）の構成によれば、監視グループに属する風力発電装置の発電パラメータの主成分（発電パラメータ主成分）と歪パラメータとの正準相関が求められる。このように正準相関を求めるのに発電パラメータの主成分を用いることで、監視グループに属する複数の風力発電装置からの複数の発電パラメータのばらつきの成分の影響を低減することができ、異常監視の精度の向上を図ることができる。

（７）幾つかの実施形態では、上記（６）の構成において、
前記監視グループに属する前記風力発電装置の各々の前記歪パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記歪パラメータの主成分である歪パラメータ主成分を取得する歪パラメータ主成分分析部を、さらに備え、
前記正準相関学習部は、前記発電パラメータ主成分と前記歪パラメータ主成分との前記正準相関を求める。
上記（７）の構成によれば、監視グループに属する風力発電装置の発電パラメータの主成分（発電パラメータ主成分）と歪パラメータの主成分（歪パラメータ主成分）との正準相関が求められる。このように正準相関を求めるのに歪パラメータの主成分を用いることで、監視グループに属する複数の風力発電装置からの複数の歪パラメータのばらつきの成分の影響を低減することができ、異常監視の精度の向上を図ることができる。

（８）幾つかの実施形態では、上記（６）〜（７）の構成において、
前記発電パラメータには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータが含まれており、
前記発電パラメータ主成分分析部は、前記発電パラメータの種類毎に前記発電パラメータ主成分を取得する。
上記（８）の構成によれば、発電パラメータには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータが含まれ、種類毎に主成分分析する。風速は風エネルギーの風力発電装置への入力情報に関連する。ロータ回転数は、風力発電装置に入力される風エネルギーの機械（回転）エネルギーへの変換に関する情報に関連する。また、発電量は、風力発電装置の出力情報に関連する。よって、風速、発電量、ロータ回転数の少なくとも１種類を監視することで、風力発電装置の正常性を監視することが可能である共に、複数種類を監視することで異常部位の特定を行うことができる。

（９）幾つかの実施形態では、上記（１）〜（８）の構成において、
前記風車翼に設置された前記センサは、光ファイバセンサが有するセンサ部である。
上記（９）の構成によれば、監視グループに属する風力発電装置の各々に取り付けられた光ファイバセンサ間に個体差が存在している場合でも、監視グループに対する異常監視への影響を抑制することができる。

（１０）本発明の少なくとも一実施形態に係るウィンドファームの異常監視方法は、
ウィンドファームが有する複数の風力発電装置の２以上からなる監視グループの異常監視を行うウィンドファームの異常監視方法であって、
前記複数の風力発電装置の２以上から、それぞれ、前記風力発電装置の発電に関する発電パラメータ、および、前記風力発電装置の風車翼に設置されたセンサによって計測される歪パラメータを取得するパラメータ取得ステップと、
前記パラメータ取得ステップによって取得された２以上の前記風力発電装置の相互の前記発電パラメータの相関が第１所定値以上であり、かつ、相互の前記歪パラメータの相関が第２所定値以上となる２以上の前記風力発電装置を前記監視グループのメンバ候補として抽出するメンバ候補抽出ステップと、
前記メンバ候補のうちの少なくとも２つの前記風力発電装置を前記監視グループのメンバとして設定する監視グループ設定ステップと、
前記監視グループ設定ステップによって設定された前記監視グループの異常監視を行うグループ監視ステップと、を備える。

上記（１０）の構成によれば、上記（１）と同様の効果を有する。

（１１）幾つかの実施形態では、上記（１０）の構成において、
前記メンバ候補抽出ステップは、
前記複数の風力発電装置のうちの２以上からなる第１メンバ候補群を選択する第１メンバ候補群選択ステップと、
前記第１メンバ候補群に属する前記風力発電装置の前記発電パラメータの相互の相関をそれぞれ求める発電パラメータ相関演算ステップと、
前記発電パラメータ相関演算ステップによって求められた相関が前記第１所定値以上である２以上の前記風力発電装置からなる第２メンバ候補群を前記第１メンバ候補群の中から選択する第２メンバ候補群選択ステップと、
前記第２メンバ候補群に属する前記風力発電装置の前記歪パラメータの相互の相関をそれぞれ求める歪パラメータ相関演算ステップと、
前記第２メンバ候補群の中から前記歪パラメータ相関演算ステップによって求められた相関が前記第２所定値以上である前記風力発電装置を前記メンバ候補として決定するメンバ候補決定ステップと、を有する。
上記（１１）の構成によれば、上記（２）と同様の効果を有する。

（１２）幾つかの実施形態では、上記（１０）〜（１１）の構成において、
前記グループ監視ステップによる前記異常監視を行う前の学習時において、前記監視グループに属する前記風力発電装置の前記発電パラメータと前記歪パラメータとの正準相関を求める正準相関学習ステップを、さらに備え、
前記グループ監視ステップは、前記正準相関学習ステップによって求められた前記正準相関に基づいて、前記監視グループの前記異常監視を行う。
上記（１２）の構成によれば、上記（３）と同様の効果を有する。

（１３）幾つかの実施形態では、上記（１２）の構成において、
前記グループ監視ステップは、
前記学習時に求めた前記正準相関が、前記異常監視時において取得された監視時発電パラメータと監視時歪パラメータとの間で保たれているか否かの判定を行う正準相関逸脱判定ステップと、
前記正準相関逸脱判定ステップによって保たれていないと判定された場合を異常と判定する異常判定ステップと、を有する。
上記（１３）の構成によれば、上記（４）と同様の効果を有する。

（１４）幾つかの実施形態では、上記（１３）の構成において、
前記正準相関逸脱判定ステップは、
前記監視時発電パラメータに基づく監視値を算出する監視値算出ステップと、
前記学習時に求めた前記正準相関を用いて、前記監視時歪パラメータから前記監視値の予測値を算出する予測値算出ステップと、
前記監視値と前記予測値との比較に基づいて、前記学習時に求めた前記正準相関が保たれているか否かの判定を行う判定ステップと、を有する。
上記（１４）の構成によれば、上記（５）と同様の効果を有する。

（１５）幾つかの実施形態では、上記（１２）〜（１４）の構成において、
前記監視グループに属する前記風力発電装置の各々の前記発電パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記発電パラメータの主成分である発電パラメータ主成分を取得する発電パラメータ主成分分析ステップを、さらに備え、
前記正準相関学習ステップは、前記発電パラメータ主成分と前記監視グループに属する前記風力発電装置の各々の前記歪パラメータとの前記正準相関を求める。
上記（１５）の構成によれば、上記（６）と同様の効果を有する。

（１６）幾つかの実施形態では、上記（１５）の構成において、
前記監視グループに属する前記風力発電装置の各々の前記歪パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記歪パラメータの主成分である歪パラメータ主成分を取得する歪パラメータ主成分分析ステップを、さらに備え、
前記正準相関学習ステップは、前記発電パラメータ主成分と前記歪パラメータ主成分との前記正準相関を求める。
上記（１６）の構成によれば、上記（７）と同様の効果を有する。

（１７）幾つかの実施形態では、上記（１５）〜（１６）の構成において、
前記発電パラメータには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータが含まれており、
前記発電パラメータ主成分分析ステップは、前記発電パラメータの種類毎に前記発電パラメータ主成分を取得する。
上記（１７）の構成によれば、上記（８）と同様の効果を有する。

（１８）幾つかの実施形態では、上記（１０）〜（１７）の構成において、
前記風車翼に設置された前記センサは、光ファイバセンサが有するセンサ部である。
上記（１８）の構成によれば、上記（９）と同様の効果を有する。

本発明の少なくとも一実施形態によれば、複数の風力発電装置からなる監視グループの異常監視を精度良く行うことが可能なウィンドファームの異常監視装置が提供される。

本発明の一実施形態に係るウィンドファームの監視システム構成を概略的に示す図である。 本発明の一実施形態に係るウィンドファームの異常監視装置を概略的に示す図である。 本発明の一実施形態に係る複数の風力発電装置の相関係数の評価結果のイメージを示す図である。 本発明の一実施形態に係るウィンドファームの異常監視方法を示すフロー図であり、監視グループの設定に関するフローを示す。 本発明の一実施形態に係るメンバ候補抽出部の機能を示すブロック図である。 本発明の一実施形態に係るメンバ候補抽出ステップの詳細を示すフロー図である。 本発明の一実施形態に係るウィンドファームの異常監視装置の異常監視に関連する機能を示すブロック図である。 本発明の一実施形態に係るグループ監視部の機能を示すブロック図である。 本発明の一実施形態に係るグループ監視部の機能を示すブロック図であり、歪パラメータの主成分分析を行う。 本発明の一実施形態に係る監視グループの異常監視のための前処理（図４のＳ４）のフロー図である。 本発明の一実施形態に係るグループ監視ステップ（図４のＳ５）のフロー図である。

以下、添付図面を参照して本発明の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、本発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。

図１は、本発明の一実施形態に係るウィンドファーム９の監視システムを概略的に示す図である。図２は、本発明の一実施形態に係るウィンドファーム９の異常監視装置１を概略的に示す図である。図３は、本発明の一実施形態に係る複数の風力発電装置６の相関係数ｒ_ｘｙの評価結果のイメージを示す図である。また、図４は、本発明の一実施形態に係るウィンドファーム９の異常監視方法を示すフロー図であり、監視グループＧの設定に関するフローを示す。

図１に示すように、ウィンドファーム９の監視システムは複数の風力発電装置６で構成されるウィンドファーム９を監視するシステムであり、少なくとも１台の風力発電装置６に接続される少なくとも１台の遠隔監視制御装置９４（ＳＣＡＤＡサーバ：Ｓｕｐｅｒｖｉｓｏｒｙ Ｃｏｎｔｒｏｌ Ａｎｄ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ）と、ウィンドファーム９の異常監視装置１（以下、適宜、異常監視装置１）と、を備える。図１に示すように、ウィンドファーム９を構成する複数の風力発電装置６の各々には遠隔監視制御装置９４が接続されており、遠隔監視制御装置９４を用いることで、各風力発電装置６の運転状況の遠隔地からの監視が可能とされる。遠隔監視制御装置９４の台数は、例えばウィンドファーム９の規模などに応じて決められても良い。図１に示す実施形態では、複数（７台）の遠隔監視制御装置９４が設けられている。そして、各風力発電装置６がいずれか１台の遠隔監視制御装置９４に通信ネットワークを介して接続されることにより、複数の遠隔監視制御装置９４の各々は、互いに異なる複数の風力発電装置６を監視対象とするようになっている。

また、図１に示す実施形態では、複数の遠隔監視制御装置９４は、それぞれ、インターネット上のクラウド９６に接続されたサーバ９５に運転状況に関する情報（後述する発電パラメータＰｇおよび歪パラメータＰｔなど）を送信するようになっている。また、サーバ９５は、複数の遠隔監視制御装置９４から受信した上記の情報をクラウド９６に保存するようになっている。よって、例えば、ウィンドファーム９（風力発電装置６）のオーナやメーカの事務所からクラウド９６にアクセスすることで、各遠隔監視制御装置９４に関する上記の情報をまとめて確認することが可能となっている。同様に、例えば、遠隔監視制御装置９４にアクセスすれば、アクセスした遠隔監視制御装置９４に接続されている風力発電装置６に関する上記の情報を確認することが可能となっている。

他方、図２に示すように、各風力発電装置６（風車）は、複数枚（図２では３枚）の風車翼６１と、風車翼６１が取り付けられるハブ６２と、を備える風車ロータ６３を備える。風車ロータ６３は、タワー６４の上部に設けられ、タワー６４に支持されるナセル６５に回転自在に支持されており、風車翼６１が風を受けると風車翼６１を含む風車ロータ６３が回転するようになっている。また、図２の拡大図Ａで示すように、ナセル６５には、発電機６６と、風車ロータ６３の回転を発電機６６に伝達するための動力伝達機構とが収容されており、風車ロータ６３から動力伝達機構を介して発電機６６に伝達された回転エネルギーが、発電機６６によって電気エネルギーに変換されるように構成される。なお、ハブ６２に取り付けられる風車翼６１は１枚以上であれば良い。図２に示す実施形態では、動力伝達機構は、ハブ６２に接続された主軸６７と、風車ロータ６３と発電機６６との間において主軸６７および発電機６６に接続されたドライブトレイン６８とを有している。このドライブトレイン６８は、例えば、ギア式増速機であっても良いし、油圧トランスミッションであっても良い。あるいは、風車ロータ６３と発電機６６とが直結された構成（不図示）であっても良い。

また、各風力発電装置６は、発電パラメータＰｇを計測するための発電パラメータ計測用センサ８を備える（図２参照）。発電パラメータＰｇは、例えば風速、ロータ回転数、発電量などの発電状況に強い相関性を示す指標であり、発電パラメータＰｇには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータＰが含まる。図２に示す実施形態では、発電パラメータＰｇに、風速、発電量、ロータ回転数の３種類のパラメータＰを含まれている。よって、図２の拡大図Ａに示すように、これら３種類の各パラメータＰが、それぞれ、各風力発電装置６に設置されている、風車ロータ６３の近傍の風速を計測するための風速センサ８１（風速計）と、風車ロータ６３の回転数（ロータ回転数）を検出するための回転数センサ８２と、発電機６６の発電量を検出するための発電量センサ８３とを利用して計測されている。

なお、他の幾つかの実施形態において、発電パラメータＰｇに翼ピッチ角やその他のパラメータＰを含める場合には、それぞれ、各風力発電装置６に設定されている、風車ロータ６３の風車翼６１のピッチ角を検出するためのピッチ角センサ（不図示）や、その他のパラメータＰを計測するためのセンサを利用して計測される。また、各風力発電装置６は、風力発電装置６あるいはその近傍に設置される外気温センサ（不図示）など、周囲の外部環境を計測するための外部環境計測用のセンサを備えていても良い。

同様に、各風力発電装置６は、歪パラメータＰｔを計測するためのセンサ（以下、適宜、歪パラメータ計測用センサ７ｓ）を備えており、図２に示すように、各風力発電装置６において、風車翼６１の少なくとも１枚には、少なくとも１つの歪パラメータ計測用センサ７ｓが設置される。歪パラメータＰｔは、風車翼６１の歪量に強い相関性を示す指標であり、歪量そのものであっても良いし、後述するような、温度の影響も受け得る光ファイバセンサ７によって歪量として計測された計測値であっても良い。また、歪パラメータＰｔは、風車翼６１の上記の歪量から導かれた荷重、モーメントなど、歪量に基づいて算出されるパラメータであっても良い。上記の歪量や歪量に基づくパラメータは、風車翼６１の回転に応じて周期的に変化するが、歪パラメータＰｔは、周期的に変化するパラメータの振幅値であっても良く、例えば、光ファイバセンサ７のセンサ部からの反射光の波長の変動量を示す波長変動指標であっても良い。波長変動指標は、センサ部からの反射光の波長の経時変化から得られる波長の変動量を示す指標である。より詳細には、異なる２つの時刻ｔ１とｔ２（ｔ１＜ｔ２）との間に、上記の反射光がλ１からλ２に変化した場合、波長の変動量（波長変動指標）はλ２−λ１となる。波長の変動量は歪量に関係しており、通常、反射光の波長はセンサ部に生じる歪や温度に依存するものであるが、風車ロータ６３の回転周期（通常はおよぼ４〜７秒）や上記のサンプリング間隔などのような短い期間においては、センサ部の温度は変化しないと考えて良く、その間（ｔ１〜ｔ２）の歪の変化量は波長の変動量に依存（比例）するものとなる。または、歪パラメータＰｔは、上述したパラメータの少なくとも１つを組み合わせたものであっても良い。

図２に示す実施形態では、１台の風力発電装置６が有する複数の風車翼６１の各々にそれぞれ同数の歪パラメータ計測用センサ７ｓが設置されている。よって、風車翼６１の数をｎ（ｎ≧１）、１枚の風車翼の６１に設置された歪パラメータ計測用センサ７ｓの数をｍ（ｍ≧１）とすると、風力発電装置６にはｎ×ｍの数の歪パラメータ計測用センサ７ｓが設置されることになる。ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、複数の風車翼６１の各々に設置される歪パラメータ計測用センサ７ｓの数は同数でなくても良いし、歪パラメータ計測用センサ７ｓが設置されていない風車翼６１があっても良い。

より詳細には、図２に示す実施形態では、３枚の風車翼６１の各々における略円形状の断面を有する翼根部６１ｒの壁面に、それぞれ４つの歪パラメータ計測用センサ７ｓが９０°ずつ離れて取り付けられている。具体的には、４つの歪パラメータ計測用センサ７ｓは、それぞれ風車翼６１の腹側（ＨＰ側：Ｈｉｇｈ Ｐｒｅｓｓｕｒｅ側）、後縁側（ＴＥ側：Ｔｒａｉｌｉｎｇ Ｅｄｇｅ側）、背側（ＬＰ側：Ｌｏｗ Ｐｒｅｓｓｕｒｅ側）、及び前縁側（ＬＥ側：Ｌｅａｄｉｎｇ Ｅｄｇｅ側）において翼根部６１ｒの壁面に貼り付けられている。そして、翼根部６１ｒに歪が生じると、各歪パラメータ計測用センサ７ｓによって、取り付け位置で生じた歪に応じた歪パラメータＰｔが計測される。なお、他の幾つかの実施形態では、歪パラメータ計測用センサ７ｓは、例えば風車翼６１の先端部６１ｅなど、翼根部６１ｒとは異なる位置に設置されても良い。翼根部６１ｒおよび先端部６１ｅなどの両方にそれぞれ１以上ずつ配置されても良い。

また、図２に示す実施形態では、上述した風車翼６１に設置された歪パラメータ計測用センサ７ｓの各々は、光ファイバセンサ７が備える光ファイバ７１に形成された回折格子（ＦＢＧ：Ｆｉｂｅｒ Ｂｒａｇｇ Ｇｒａｔｉｎｇ）などであるセンサ部で構成されている。一般的に、光ファイバセンサ７は、基本的な構成として、光を発する光源（不図示）と、光源からの光を伝送する光ファイバ７１と、光ファイバ７１に互いに離間して形成された少なくとも１つのセンサ部（歪パラメータ計測用センサ７ｓ）と、光ファイバ７１から光を受光することにより検出した光（光の特性）を電気信号に変換する受光器（不図示）と、を備える。本実施形態では、光ファイバ７１に接続された光源・信号処理ユニット７２に、上記の光源、受光器と共に、受光器から入力される電気信号を処理して異常監視装置１に送る信号処理器（不図示）が格納されている。この信号処理器は、光の到達する時間差や周波数、波長などの外部環境に影響されない情報をもとに受光器からの電気信号を処理することによって、歪パラメータ計測用センサ７ｓによる計測値を取得すると共に、例えば５０ｍｓなどの所定の周期で計測値をデータ化する。なお、他の幾つかの実施形態では、歪パラメータ計測用センサ７ｓの各々は歪ゲージで構成されるなど、他の種類のセンサであっても良い。

そして、上述したように風車翼６１に設置された歪パラメータ計測用センサ７ｓによって計測される歪パラメータＰｔや、上述した発電パラメータ計測用センサ８によって計測さる発電パラメータＰｇ、外気温センサ（不図示）などの外部環境計測用のセンサで取得された計測値は、風力発電装置６の異常監視装置１に入力されるようになっている（図２参照）。図２に示す実施形態では、上述した光源・信号処理ユニット７２が第２通信ライン９２ｂによりＰＬＣ９１（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）に接続されており、各風力発電装置６に設置された歪パラメータ計測用センサ７ｓが同時期（同じ時間タイミング）にそれぞれ計測した全ての計測値を、同時期に計測された発電パラメータＰｇと共に、第１通信ライン９２ａで接続された異常監視装置１に所定の周期（例えば５０ｍｓなど）で送信するようになっている。この際、光源・信号処理ユニット７２からの計測値の入力周期よりも、ＰＬＣ９１から異常監視装置１への送信周期（例えば１００ｍｓなど）を長くすることで、通信処理負荷の低減を図っても良い。なお、図１〜図２に示す実施形態において、異常監視装置１とＰＬＣ９１との間の第１通信ライン９２ａはインターネットなどの通信ネットワークを含んで構成されていても良い。また、第１通信ライン９２ａや第２通信ライン９２ｂは、それぞれ、無線、有線、その両方のいずれかを含んで構成されていても良い。

上述したような構成を有するウィンドファーム９において、ウィンドファーム９の異常監視装置１は、複数の風力発電装置６から送信される運転状況に関する情報に基づいた異常監視を行う。図１に示す実施形態では、異常監視装置１はクラウド９６に接続されているが、他の幾つかの実施形態では、遠隔監視制御装置９４、サーバ９５、クラウド９６のいずれかに接続されても良い。これによって、異常監視装置１には、通信ネットワーク（第１通信ライン９２ａおよび第２通信ライン９２ｂ）を介して複数の風力発電装置６が接続されることになる。したがって、異常監視装置１は、後述するような、２以上の風力発電装置６を監視対象（監視グループＧ）とした異常監視をリアルタイムで実行することが可能となる。

以下、ウィンドファーム９の異常監視装置１について、図２を用いて説明する。
ウィンドファーム９の異常監視装置１は、ウィンドファーム９が有する複数の風力発電装置６の２以上からなる（２以上をメンバとする）監視グループＧの異常監視を行うための装置である。図２に示すように、異常監視装置１は、パラメータ取得部２と、メンバ候補抽出部３と、監視グループ設定部４と、グループ監視部５と、を備える。そして、異常監視装置１は、上記のパラメータ取得部２が取得した情報に基づいて、メンバ候補抽出部３および監視グループ設定部４による処理を通して監視グループＧを設定した後、グループ監視部５によって監視グループＧの監視を行うように構成される。
以下、異常監視装置１が備える上記の各機能部について、それぞれ説明する。

なお、異常監視装置１はコンピュータで構成されており、図示しないＣＰＵ（プロセッサ）や、ＲＯＭやＲＡＭといったメモリや補助記憶装置（記憶装置Ｍ）、外部通信インタフェースを備えている。そして、主記憶装置にロードされたプログラム（異常監視プログラム）の命令に従ってＣＰＵが動作（データの演算など）することで、上記の各機能部を実現する。

パラメータ取得部２は、ウィンドファーム９を構成する複数（Ｎａ台）の風力発電装置６の２以上（Ｎ台）から、それぞれ、風力発電装置６の発電に関する発電パラメータＰｇ（前述）、および、風力発電装置６の風車翼６１に設置された歪パラメータ計測用センサ７ｓによって計測される歪パラメータＰｔ（前述）を取得する。これは、後述するように、上記の２以上の風力発電装置６間における発電パラメータＰｇおよび歪パラメータＰｔの各々の種類毎の相関を評価するためである。図２に示す実施形態では、パラメータ取得部２は、クラウド９６などにアクセスして、過去に計測された２つのパラメータＰ（Ｐｇ、Ｐｔ）の過去データを取得するようになっている。後述する学習用データＬであっても良い。この際、パラメータ取得部２は、２つのパラメータＰを、ウィンドファーム９が備える全ての風力発電装置６（Ｎａ台）からそれぞれ取得しても良いし、あるいは、例えば所定の１台の遠隔監視制御装置９４に接続される風力発電装置６など、ウィンドファーム９が備える全ての風力発電装置６のうちから任意に選択された複数（Ｎ台）の風力発電装置６から取得しても良い。つまり、ウィンドファーム９が有する風力発電装置６の総数をＮａ（Ｎａ≧２）、パラメータ取得部２が取得の対象とする風力発電装置６の総数をＮ（Ｎ≧２）とする、Ｎ≦Ｎａとなる。

より具体的には、例えば、発電パラメータＰｇに、風速、発電量、ロータ回転数の３種類のパラメータＰを含めている場合には、パラメータ取得部２は、各風力発電装置６における風速、発電量、ロータ回転数の各々を、種類毎に、同時刻など風力発電装置６間での計測タイミングが大きくずれないようにしながら、複数の計測タイミングで計測することにより得られる複数のデータ（計測値）を取得する。同様に、歪パラメータＰｔについては、例えば、ＬＰ側やＨＰ側など、設置位置などで分類される歪パラメータ計測用センサ７ｓの種類毎に、同時刻など風力発電装置６間での計測タイミングが大きくずれないようにしながら、複数の計測タイミングですることにより得られる複数のデータを取得する。上記の過去データは、こうして取得された複数のデータで構成される。これらの発電パラメータＰｇおよび歪パラメータＰｔに関する複数のデータ（過去データ）は、それぞれ、例えば、所定の時間数分、日数分、月数分などの、所定期間分のデータで構成されていても良いし、発電パラメータＰｇが最大となる時間帯などの所定の条件で抽出した所定期間分のデータで構成されていても良い。

また、歪パラメータＰｔに関しては、図２に示すような各風力発電装置６がそれぞれ複数の歪パラメータ計測用センサ７ｓで歪パラメータＰｔを計測する場合には、パラメータ取得部２は、風力発電装置６毎に複数の歪パラメータ計測用センサ７ｓでそれぞれ計測された計測値の全てを取得しても良いし、例えば複数の風車翼６１の任意の１枚のＬＰ側での計測値など、複数の歪パラメータ計測用センサ７ｓの一部からの計測値のみを取得しても良い。つまり、１台の風力発電装置６には、上述の通りｎ×ｍの数の歪パラメータ計測用センサ７ｓが設置されているため、パラメータ取得部２が取得する歪パラメータＰｔは、最大でｎ×ｍ×Ｎの計測値の集合となる。複数の歪パラメータ計測用センサ７ｓのうちの一部のみ取得する場合には、最も少ない場合にはパラメータ取得部２は１台の風力発電装置６から１つの計測値（例えば１番翼のＬＰ側の計測値）のみを取得するので、歪パラメータＰｔは最小でＮの計測値の集合となる。

メンバ候補抽出部３は、パラメータ取得部２によって取得された２以上（Ｎ台）の風力発電装置６の相互の発電パラメータＰｇの相関が第１所定値以上であり、かつ、相互の歪パラメータＰｔの相関が第２所定値以上となる２以上の風力発電装置６を監視グループＧのメンバ候補ｇ_ａとして抽出する。上記の第１所定値および第２所定値は同じ値であっても良いし、異なる値であっても良い。つまり、メンバ候補抽出部３は、パラメータ取得部２が取得した過去データを用いて、上記の相関を求める。これは、監視グループＧを、発電パラメータＰｇのみならず、歪パラメータＰｔについても強い相関を示す２以上の風力発電装置６で構成することで、センサに生じる個体差による異常監視の異常検出精度への影響を抑制（低減）することが可能であるとの、本発明者らによる新たな知見に基づく。

すなわち、例えば歪量を計測するために風車翼６１に設置された歪パラメータ計測用センサ７ｓの計測値は、風車翼６１へのセンサの取付状態や外部環境などの影響を受けるが、本発明者らは、この影響の度合いはセンサ間に違いがあり、個体差があることを見出している。例えば、光ファイバセンサ７は、センサ部（７ｓ）を構成する回折格子（ＦＢＧ）の屈折率や格子間隔が歪量に応じて変化するのに応じて、回折格子からの反射光における光の性質が変化することを利用して歪量を計測するが、回折格子の屈折率や間隔は歪量のみならず周囲の温度によっても変化し、例えば温度による変化の程度に個体差が存在することを見出している。よって、上記の条件を満たす２以上の風力発電装置６で監視グループＧを形成することにより、監視グループＧ内において、センサの個体差が及ぼす異常監視精度に対する影響を抑制することが可能となる。

ここで、発電パラメータＰｇの相関および歪パラメータＰｔの相関は、相関係数によって評価されても良い。一般に、２つの変量群ｘ、ｙの各々の標準偏差をＳ_ｘ、Ｓ_ｙ、変量群ｘおよびｙの共分散をＳ_ｘｙとすると、相関係数ｒ_ｘｙは、ｒ_ｘｙ＝Ｓ_ｘｙ／（Ｓ_ｘ×Ｓ_ｙ）で計算される。本発明においては、変量群ｘ、ｙは、複数（Ｎ台）の風力発電装置６のうちから任意に選択した２つの風力発電装置６の各々に関する任意の種類のパラメータＰの計測値の集合である。よって、メンバ候補抽出部３は、Ｎ台の風力発電装置６のうちから２台を選択する際の組合せ数である_ＮＣ_２通りの相関係数ｒ_ｘｙを、パラメータＰの種類毎に求める。そして、メンバ候補抽出部３は、発電パラメータＰｇについて、その種類毎にそれぞれ計算した_ＮＣ_２通りの相関係数ｒ_ｘｙの計算結果の全てが第１所定値以上であり、かつ、歪パラメータＰｔについて、歪パラメータ計測用センサ７ｓ毎（種類毎）にそれぞれ計算した_ＮＣ_２通り算出の相関係数ｒ_ｘｙの計算結果の全てが第２所定値以上となった風力発電装置６の集合を、メンバ候補ｇ_ａとして抽出する（図３参照）。

例えば、図３には、過去データにおいて、発電パラメータＰｇには風速、発電量が含まれており、歪パラメータＰｔには１番の風車翼６１（１番翼）のＬＰ側の歪パラメータ計測用センサ７ｓの計測値が含まれているとした場合において、Ｎ台の風力発電装置６の各々の風速、発電量、ＬＰ側の計測値に基づいて算出した歪量のピーク値の各々に関する相関係数ｒ_ｘｙをそれぞれ算出した結果について示されている。また、上記の第１所定値および第２所定値を共に、強い相関を示すものの抽出が可能であるとして決めた所定値Ｖ１（例えば０．８など）としている。そして、図３の例示では、１番目の風力発電装置６ａと３番目の風力発電装置６ｃとの歪パラメータＰｔの相関係数ｒ_ａｃのみが所定値Ｖ１（第２所定値）を下回っており、他の相関係数ｒ_ｘｙは、全て、所定値Ｖ１を上回っている。よって、図３の例示では、監視グループＧのメンバ候補ｇ_ａからは、Ｎ台の風力発電装置６のうち、１番目の風力発電装置６ａまたは３番目の風力発電装置６ｃの少なくとも一方が除外されることになる。

監視グループ設定部４は、メンバ候補抽出部３によって抽出されたメンバ候補ｇ_ａのうちの少なくとも２つの風力発電装置６を監視グループＧのメンバとして設定する。つまり、監視グループＧは、メンバ候補ｇ_ａに含まれる全ての風力発電装置６をメンバとして構成されても良いし、メンバ候補ｇ_ａに含まれる風力発電装置６から任意の条件に合致する風力発電装置６をメンバとして構成されても良い。監視グループＧを構成する風力発電装置６の数をＮ_ｇとすると、Ｎ_ｇ≦Ｎとなる。

一方、グループ監視部５は、上述したようにパラメータ取得部２、メンバ候補抽出部３による処理を経て、監視グループ設定部４によって設定された監視グループＧの異常監視を行う。異常監視の詳細については、後述する。

上述した異常監視装置１の処理に対応するウィンドファーム９の異常監視方法（以下、適宜、異常監視方法という。）を、図４を用いて説明する。
図４に示すように、異常監視方法は、パラメータ取得ステップ（Ｓ１）と、メンバ候補抽出ステップ（Ｓ２）と、監視グループ設定ステップ（Ｓ３）と、グループ監視ステップ（Ｓ５）と、を備えており、上記のパラメータ取得部ステップ（Ｓ１）が取得した情報に基づいて、メンバ候補抽出ステップ（Ｓ２）および監視グループ設定ステップ（Ｓ３）を経て監視グループＧを設定した後、この監視グループＧの監視をグループ監視ステップ（Ｓ５）で行う。本異常監視方法は、異常監視装置１が実行しても良いし、コンピュータを利用するなどして、人手で行っても良い。図４のフローに沿って本異常監視方法を説明する。

図４のステップＳ１において、パラメータ取得ステップを実行する。パラメータ取得ステップ（Ｓ１）は、複数（Ｎａ台）の風力発電装置６の２以上（Ｎ台）から、それぞれ、風力発電装置６の発電に関する発電パラメータＰｇ、および、風力発電装置６の風車翼６１に設置された歪パラメータ計測用センサ７ｓによって計測される歪パラメータＰｔを取得するステップである。本ステップの詳細は、上述したパラメータ取得部２の処理内容と同様であるため、省略する。

ステップＳ２において、メンバ候補抽出ステップを実行する。メンバ候補抽出ステップ（Ｓ２）は、パラメータ取得ステップ（Ｓ１）によって取得された２以上（Ｎ台）の風力発電装置６の相互の発電パラメータＰｇの相関が第１所定値以上であり、かつ、相互の歪パラメータＰｔの相関が第２所定値以上となる２以上の風力発電装置６を監視グループＧのメンバ候補ｇ_ａとして抽出するステップである。本ステップの詳細は、上述したメンバ候補抽出部３の処理内容と同様であるため、省略する。

ステップＳ３において、監視グループ設定ステップを実行する。監視グループ設定ステップ（Ｓ３）は、メンバ候補ｇ_ａのうちの少なくとも２つの風力発電装置６を監視グループＧのメンバとして設定するステップである。本ステップの詳細は、上述した、監視グループ設定部４の処理内容と同様であるため、省略する。

その後、ステップＳ４において、前ステップで設定した監視グループＧに対して異常監視を行うための前処理（準備）を実行する。この異常監視の前処理は、後述する機械学習などであっても良い。あるいは、単なる監視グループＧの情報の取得であっても良い。
そして、グループ監視ステップ（Ｓ５）において、グループ監視ステップを実行する。グループ監視ステップ（Ｓ５）は、監視グループ設定ステップ（Ｓ３）によって設定された監視グループＧの異常監視を行うステップである。本ステップの詳細は、上記のグループ監視部５の処理内容（後述）と同様であるため、省略する。

上記の構成によれば、監視グループＧは、発電パラメータＰｇの相関（例えば相関係数ｒ_ｘｙ）が強いのみならず、歪パラメータＰｔの相関も強い２以上の風力発電装置６によって構成される。この発電パラメータＰｇは例えば風速、ロータ回転数、発電量などの発電状況に強い相関性を示す指標である。歪パラメータＰｔは、風車翼６１の歪量に強い相関性を示す指標である。つまり、監視グループＧは、発電状況の相関が強いのみならず、センサ（歪パラメータ計測用センサ７ｓ）間で生じている個体差の相関も強いセンサが取り付けられている２以上の風力発電装置６によって形成されており、監視グループＧ内でのセンサの個体差も類似するようになっている。これによって、監視グループＧ内において、例えば外部環境の変化によって個体差の大きいセンサの計測値が正常値から逸脱するなどにより異常を誤検出するような事態を抑制することができ、２以上の風力発電装置６からなる監視グループＧの異常監視の精度を高め、その信頼性を向上させることができる。

次に、上述したメンバ候補抽出部３の処理に関する幾つかの実施形態について、図５〜図６を用いて説明する。図５は、本発明の一実施形態に係るメンバ候補抽出部３の機能を示すブロック図である。また、図６は、本発明の一実施形態に係るメンバ候補ステップ（Ｓ２）の詳細を示すフロー図である。

幾つかの実施形態では、図５に示すように、メンバ候補抽出部３は、第１メンバ候補群選択部３１と、発電パラメータ相関演算部３２と、第２メンバ候補群選択部３３と、歪パラメータ相関演算部３４と、メンバ候補決定部３５と、を備えていても良い。
上述したメンバ候補抽出部３が備える上記の機能部について、それぞれ説明する。

第１メンバ候補群選択部３１は、複数（Ｎａ台）の風力発電装置６のうちの２以上からなる第１メンバ候補群ｇ_１を選択する。つまり、地理的に分散されて配置されたウィンドファーム９を構成するＮａ台の風力発電装置６の中から複数の風力発電装置６を任意に選択して、第１メンバ候補群ｇ_１とする。例えば、第１メンバ候補群ｇ_１は、地理的に近接する風力発電装置６同士で構成されても良いし、地理的に近接していなくても、風力など所定の条件が類似するような風力発電装置６同士で構成されても良い。あるいは、第１メンバ候補群ｇ_１は、Ｎａ以下となる所定数だけランダムに選択された風力発電装置６から構成されていても良い。第１メンバ候補群ｇ_１の数をＮ_ｇ１とすると、Ｎ≦Ｎ_ｇ１≦Ｎａとなる。

発電パラメータ相関演算部３２は、第１メンバ候補群ｇ_１に属する風力発電装置６の発電パラメータＰｇの相互の相関をそれぞれ求める。発電パラメータ相関演算部３２は、上述の通り、相関係数ｒ_ｘｙを算出しても良い（図３参照）。また、図５に示す実施形態では、発電パラメータ相関演算部３２は、第１メンバ候補群選択部３１に接続されることで、第１メンバ候補群選択部３１が選択した第１メンバ候補群ｇ_１の情報が入力されるようになっている。

第２メンバ候補群選択部３３は、発電パラメータ相関演算部３２によって求められた相関が第１所定値以上である２以上の風力発電装置６からなる第２メンバ候補群ｇ_２を第１メンバ候補群ｇ_１の中から選択する。第２メンバ候補群ｇ_２の数をＮ_ｇ２とすると、Ｎ≦Ｎ_ｇ２≦Ｎ_ｇ１となる。図５に示す実施形態では、第２メンバ候補群選択部３３は、発電パラメータ相関演算部３２に接続されることで、発電パラメータ相関演算部３２が求めた発電パラメータＰｇに関する相関（相関係数ｒ_ｘｙ）の情報が入力されるようになっている。

歪パラメータ相関演算部３４は、第２メンバ候補群ｇ_２に属する風力発電装置６の歪パラメータＰｔの相互の相関をそれぞれ求める。上述の通り、相関係数ｒ_ｘｙを算出しても良い（図３参照）。図５に示す実施形態では、歪パラメータ相関演算部３４は、第２メンバ候補群選択部３３に接続されることで、第２メンバ候補群選択部３３が選択した第２メンバ候補群ｇ_２の情報が入力されるようになっている。

メンバ候補決定部３５は、第２メンバ候補群ｇ_２の中から歪パラメータ相関演算部３４によって求められた相関が第２所定値以上である風力発電装置６をメンバ候補ｇ_ａとして決定する。つまり、こうして決定されたメンバ候補ｇ_ａによって、２以上の風力発電装置６からなるメンバ候補群が構成される。このメンバ候補群の数をＮ_ｇａとすると、Ｎ≦Ｎ_ｇａ≦Ｎａとなる。図５に示す実施形態では、メンバ候補決定部３５は、歪パラメータ相関演算部３４に接続されることで、歪パラメータ相関演算部３４が求めた歪パラメータＰｔに関する相関（相関係数ｒ_ｘｙ）の情報が入力されるようになっている。

上述した構成を備えるメンバ候補抽出部３による処理結果を前述した図３を例に説明すると、第１メンバ候補群選択部３１がＮ台の風力発電装置６を選択した場合、発電パラメータＰｇの相関係数ｒ_ｘｙは全て第１所定値（Ｖ１）を満たしているため、第１メンバ候補群ｇ_１と第２メンバ候補群ｇ_２とは同じ集合となる。他方、１番目の風力発電装置６ａと３番目の風力発電装置６ｃとの歪パラメータＰｔの相関係数ｒ_ａｃのみが第２所定値（Ｖ１）を下回っている。よって、メンバ候補決定部３５は、１番目または３番目の風力発電装置６ｃの少なくとも一方を、メンバ候補ｇ_ａから除外して、複数のメンバ候補ｇ_ａ（上記メンバ候補群）を決定する。

また、上述したメンバ候補抽出部３は、幾つかの実施形態では、各機能部による上述した処理を１回行うことでメンバ候補ｇ_ａを決定するように構成されても良い。これによって、多大な時間を費やすことなく、比較的迅速に、メンバ候補ｇ_ａを抽出することが可能となる。なお、この実施形態では、１回の処理でメンバ候補ｇ_ａに風力発電装置６が１台も含まれない場合には、この場合の集合とは異なる第１メンバ候補群ｇ_１を選択し直して、メンバ候補ｇ_ａを決定する。

他の幾つかの実施形態では、メンバ候補抽出部３は、上記の各機能部（３１〜３５）の処理を少なくとも１回繰返すことで、メンバ候補ｇ_ａを決定するように構成されても良い。具体的には、１回目（１ループ目）には、第１メンバ候補群ｇ_１の集合を例えば２台などの比較的少ない数を設定するなどして、上記の各機能部の処理を経て１ループ目のメンバ候補ｇ_ａを決定する。その後、例えば１台などの比較的少ない数の新たな風力発電装置６を１ループ目で決定されたメンバ候補ｇ_ａに加えた集合を２ループ目の第１メンバ候補群ｇ_１として、同様に、２ループ目のメンバ候補ｇ_ａを決定する。

３ループ目以降は、３ループ目なら２ループ目というように、直前の試行回で決定したメンバ候補ｇ_ａに対して、新たな風力発電装置６を加えた集合をその試行回の第１メンバ候補群ｇ_１として、１ループ目と同様な処理を通して、その試行回のメンバ候補ｇ_ａを決定する。この際、第１メンバ候補群ｇ１に加えられたことがない風力発電装置６がウィンドファーム９において存在しない状態になった場合や、メンバ候補ｇ_ａに任意のメンバ数が含まれるようになった場合、試行回数が所定回となった場合などの少なくとも１つの条件を抽出終了条件として、抽出終了条件が満たされた場合に、メンバ候補抽出部３はメンバ候補ｇ_ａの抽出を終了するようにしても良い。これによって、メンバ候補ｇ_ａの比較的大きな集合を得ることができる。

上述したメンバ候補抽出部３の処理に対応するメンバ候補抽出ステップ（Ｓ２）を、図６を用いて説明する。
図６に示すように、上述した異常監視方法が備えるメンバ候補抽出ステップ（Ｓ２）は、上述した第１メンバ候補群ｇ_１を選択する第１メンバ候補群選択ステップ（Ｓ２１）と、この第１メンバ候補群ｇ_１に属する風力発電装置６の発電パラメータＰｇの相互の相関をそれぞれ求める発電パラメータ相関演算ステップ（Ｓ２２）と、上述した第２メンバ候補群ｇ_２を第１メンバ候補群ｇ_１の中から選択する第２メンバ候補群選択ステップ（Ｓ２３）と、この第２メンバ候補群ｇ_２に属する風力発電装置６の歪パラメータＰｔの相互の相関をそれぞれ求める歪パラメータ相関演算ステップ（Ｓ２４）と、第２メンバ候補群ｇ_２の中から歪パラメータ相関演算ステップ（Ｓ２４）によって求められた相関が第２所定値以上である風力発電装置６をメンバ候補ｇ_ａとして決定するメンバ候補決定ステップ（Ｓ２５）と、を備える。なお、上記の各ステップ（Ｓ２１〜Ｓ２５）の詳細は、それぞれ、同様の名前の機能部（３１〜３５）の処理内容と同様であるため、省略する。

図６に示す実施形態について説明すると、ステップＳ２１において第１メンバ候補群選択ステップを実行することによって第１メンバ候補群ｇ_１を選択した後、ステップＳ２２において発電パラメータ相関演算ステップを実行することによって発電パラメータＰｇの相関係数ｒ_ｘｙを算出する（図３参照）。続いて、ステップＳ２３において第２メンバ候補群選択ステップを実行することによって第２メンバ候補群ｇ_２を選択した後、ステップＳ２４において歪パラメータ相関演算ステップを実行することによって歪パラメータＰｔの相関係数ｒ_ｘｙを算出する（図３参照）。その後、ステップＳ２５においてメンバ候補決定ステップを実行し、メンバ候補ｇ_ａを決定する。そして、ステップＳ２６にいて、上述したステップＳ２５で得られたメンバ候補ｇ_ａについて、抽出終了条件を満たすか否かを判定し、満たす場合には本フローを終了し、満たさない場合には、抽出終了条件が満たされるまで、上述したステップＳ２１からステップＳ２５までを繰返し実行する。

ただし、本実施形態のメンバ候補抽出ステップ（Ｓ２）に本発明は限定されない。発電パラメータ相関演算ステップ（Ｓ２２）よりも前のステップで第１メンバ候補群選択ステップ（Ｓ２１）が実行され、歪パラメータ相関演算ステップ（Ｓ２４）の前のステップで第２メンバ候補群選択ステップ（Ｓ２３）が実行されていれば良い。上述したメンバ候補抽出部３が備える各機能部（３１〜３５）の処理順序についても同様である。

上記の構成によれば、発電パラメータＰｇの相関を評価した後に、歪パラメータＰｔの相関を評価する。これによって、発電パラメータＰｇの相関および歪パラメータＰｔの相関が強い２以上の風力発電装置６を効率的に抽出することができる。

なお、上述した幾つかの実施形態では、発電パラメータＰｇの相関を評価した後に、歪パラメータＰｔの相関を評価しているが、他の幾つかの実施形態では、歪パラメータＰｔの相関を評価した後に、発電パラメータＰｇの相関を評価しても良い。この場合には、図示しないメンバ候補抽出部３は、上述した第１メンバ候補群ｇ_１を選択する第１メンバ候補群選択部３１と、第１メンバ候補群ｇ_１に属する風力発電装置６の歪パラメータＰｔの相互の相関をそれぞれ求める歪パラメータ相関演算部と、歪パラメータ相関演算部によって求められた相関が第２所定値以上である２以上の風力発電装置６からなる第２メンバ候補群ｇ_２を第１メンバ候補群ｇ_１の中から選択する第２メンバ候補群選択部と、第２メンバ候補群ｇ_２に属する風力発電装置６の発電パラメータＰｇの相互の相関をそれぞれ求める発電パラメータ相関演算部と、第２メンバ候補群ｇ_２の中から発電パラメータ相関演算部によって求められた相関が第１所定値以上である風力発電装置６をメンバ候補ｇ_ａとして決定するメンバ候補決定部と、を有することなる。これらの機能部は例えば上記の順番で直列に接続される。なお、メンバ候補抽出ステップ（Ｓ２）についても同様であり、上記の機能部をステップとして置き換えたものになる。

以上、監視グループＧの設定に関する実施形態について説明した。以下では、監視グループＧが行う異常監視の具体的な内容に関する幾つかの実施形態について、図７〜図１１を用いて説明する。図７は、本発明の一実施形態に係るウィンドファーム９の異常監視装置１の異常監視に関連する機能を示すブロック図である。図８は、本発明の一実施形態に係るグループ監視部５の機能を示すブロック図である。図９は、本発明の一実施形態に係るグループ監視部５の機能を示すブロック図であり、歪パラメータＰｔの主成分分析を行う。図１０は、本発明の一実施形態に係る監視グループＧの異常監視のための前処理（図４のＳ４）のフロー図である。図１１は、本発明の一実施形態に係るグループ監視ステップ（図４のＳ５）のフロー図である。

幾つかの実施形態では、グループ監視部５（図１参照）は、監視グループＧを全体として見渡すことにより得られる監視グループＧの運転状態が、正常時と異なる状態になったか否かの判定を通して、監視グループＧに属する風力発電装置６のいずれかに発生した異常を検出する。これによって、異常監視の負荷を抑制しつつ、異常検出の早期化が可能となる。また、異常検出がより早期に行えることで、異常が発生している風力発電装置６の特定や対応などもより早期に行うことが可能となる。より具体的には、以下に説明するように、グループ監視部５は、機械学習を通して異常監視を行っても良い。

まず、機械学習について説明すると、幾つかの実施形態では、図７に示すように、異常監視装置１は、グループ監視部５による異常監視を行う前の学習時において、監視グループＧに属する風力発電装置６の発電パラメータＰｇと歪パラメータＰｔとの正準相関を求める正準相関学習部５Ｌを、さらに備える。そして、グループ監視部５は、後述するように、正準相関学習部５Ｌによって求められた正準相関に基づいて、監視グループＧの異常監視を行うように構成されても良い。つまり、正準相関学習部５Ｌによる学習（機械学習）は、グループ監視部５が異常監視を行うための前提となる処理であり、グループ監視部５による異常監視の実行前に取得された発電パラメータＰｇおよび歪パラメータＰｔの計測値が蓄積された学習用データＬを用いて行う。なお、この学習用データＬは、監視グループＧが最初に運用を開始する際、定期的なメンテナンスの際など、監視グループＧに属する風力発電装置６の正常性が確保されていると判断される状況で取得されたデータで構成されていれば、正準相関学習部５Ｌによって求められた正準相関には異常時の影響が排除されているので、より高い異常検出精度が得られる。

詳述すると、上記の正準相関は正準相関分析により求められる。一般に、正準相関分析では、変量群ｘ、変量群ｙの各々について、まずは、各変量群に含まれる全ての変量の一次結合を作成する。具体的には、ｉ番目（ｉ＝１、２、・・・）の各変量群の値をｘ_ｉ、ｙ_ｉ、ｉ番目の係数（正準相関係数）をａ_ｉ、ｂｉ、変量群ｘ、ｙの正準変量をそれぞれｆ（ｘ）、ｇ（ｙ）とすると、変量群ｘの一次結合をｆ（ｘ）＝Σ（ａ_ｉ・ｘ_ｉ）とし、変量群ｙの一次結合をｇ（ｙ）＝Σ（ｂ_ｉ・ｙ_ｉ）として作成する。次に、本正準相関分析に用いる資料数をｑ（ｑ≧２）とすると、ｑ個ある変量群ｘおよび変量群ｙのデータセットを上記の一次結合にそれぞれ代入して、係数ａ_ｉ、ｂ_ｉを決定すべき変数とした複数の等式を作成した上で、正準変量ｆ（ｘ）とｇ（ｙ）との相関係数ｒ_ｘｙが最大となるように、係数ａ_ｉ、係数ｂ_ｉを決定する。これによって、正準相関係数（ａ_ｉ、ｂ_ｉ）が得られる。

本実施形態においては、発電パラメータＰｇを変量群ｘ、歪パラメータＰｔを変量群ｙとすると、学習用データＬは、これらの変量群の各々が異なる計測タイミングで複数回計測されることによって得られる複数からなる例えば所定期間分のデータなどのデータセットを含んでいる。そして、正準相関学習部５Ｌは、学習用データＬを対象として正準相関分析を実行し、発電パラメータＰｇ（変量群ｘ）に関する正準変量ｆ（ｘ）と、歪パラメータＰｔ（変量群ｙ）に関する正準変量ｇ（ｙ）との相関係数ｒ_ｘｙが最大となるように、正準相関係数（ａ_ｉ、ｂ_ｉ）を機械学習により決定する。

例えば歪パラメータＰｔに関して、幾つかの実施形態では、正準相関学習部５Ｌは、学習用データＬのデータそのものを変量群ｙとしても良い。他の幾つかの実施形態では、学習用データＬから特徴量を抽出して、変量群ｙとしても良い。例えば、特徴量は、学習用データＬを構成する所定期間分のデータから例えば分単位などのより小さい時間単位で分割し、その時間単位の各々における最大値や最小値などであっても良いし、平均値などの統計値であっても良い。この場合、所定期間分のデータがＨ分のデータであり、Ｍ分単位で分割する場合、Ｈ÷Ｍ個の最小値あるいは最大値、統計値などが得られるので、変量群ｙは、これらの最小値または最大値、あるいは、最小値および最大値、または、統計値からなっていても良い（後述する図８〜図９参照）。図７に示す実施形態では、正準相関学習部５Ｌは、上述したパラメータ取得部２に接続されており、学習時には、学習用データＬをパラメータ取得部２が取得して、パラメータ取得部２が特徴量を抽出するなどして、正準相関学習部５Ｌに入力するようになっている。

上述したように、正準相関分析は２つの変量群ｘ、ｙを対象に行うが、正準相関学習部５Ｌに入力される２つの変量群（パラメータＰ）は、各パラメータＰの計測値そのものであっても良い。具体的には、発電パラメータＰｇについては、幾つかの実施形態では、風速、発電量、ロータ回転数などの種類毎をそれぞれ変量群ｘとして、正準相関学習部５Ｌに入力しても良い（図８〜図９参照）。この場合には、正準相関学習部５Ｌは、発電パラメータＰｇの種類毎に、歪パラメータＰｔとの正準相関を求める。このように、異なる物理量である発電パラメータＰｇの種類毎に正準相関分析を行うことで、発電パラメータＰｇの種類毎に異常監視を行うことになり、比較的高い精度の異常監視が見込める。また、この場合には、変量群ｘの数を示す上記のｉは、ｉ＝Ｎ_ｇ（監視グループＧに属する風力発電装置６の合計）となる。なお、他の幾つかの実施形態では、風速、発電量、ロータ回転数などの全ての種類を変量群ｘとして、正準相関学習部５Ｌに入力しても良く、この場合には、変量群ｘの数を示す上記のｉは、ｉ＝Ｎ_ｇ×（発電パラメータＰｇの種類数）となる。

同様に、歪パラメータＰｔについては、幾つかの実施形態では、各風力発電装置６が備える歪パラメータ計測用センサ７ｓ毎（計測の種類毎）をそれぞれ変量群ｙとして、正準相関学習部５Ｌに入力しても良い（図８〜図９参照）。この際、正準相関学習部５Ｌには、風力発電装置６が備える全ての歪パラメータ計測用センサ７ｓの計測値を入力しても良いし（図９参照）、そのうちの任意の１以上の歪パラメータ計測用センサ７ｓの計測値を入力しても良い（図８参照）。この場合には、正準相関学習部５Ｌは、歪パラメータＰｔの種類毎に、発電パラメータＰｇとの正準相関を求める。このように、歪パラメータ計測用センサ７ｓ毎に異常監視を行うことにより、他のセンサによる影響を排除できるので、比較的高い精度の異常監視が見込める。この場合には、変量群ｙの数を示す上記のｉは、ｉ＝Ｎ_ｇとなる。なお、他の幾つかの実施形態では、歪パラメータ計測用センサ７ｓの計測値の全てを変量群ｙとしても良く、この場合には、変量群ｙの数を示す上記のｉは、ｉ＝Ｎ_ｇ×（各風力発電装置６が備える歪パラメータ計測用センサ７ｓの数）となる。

あるいは、正準相関学習部５Ｌに入力される２つのパラメータＰは、各々の計測値に種々の演算を加えられたものであっても良い。具体的には、例えば、正準相関学習部５Ｌには、発電パラメータＰｇまたは歪パラメータＰｔの少なくとも一方の主成分ｕ_ｋ（ｋ＝１、２、・・・・）が入力されるように構成されても良い（図８〜図９参照）。

ここで、パラメータＰの主成分を算出するためには、上述した学習用データＬを対象に主成分分析を行う必要がある。主成分分析では、まずは、変量群ｚの一次結合を作成する。具体的には、ｉ番目（ｉ＝１、２、・・・）の変量群の値をｚ_ｉ、ｉ番目の係数をｃ_ｉ、主成分をｕとすると、ｕ_ｋ（ｚ）＝Σ（ｃ_ｉ・ｚ_ｉ）を作成する。なお、本実施形態では変量群ｚは、発電パラメータＰｇ（変量群ｘ）や歪パラメータＰｔ（変量群ｙ）のいずれかである。次に、主成分分析に用いる資料数をｑ（ｑ≧２）とすると、ｑ個ある変量群ｚを上記の一次結合式にそれぞれ代入して、係数ｃ_ｉを決定すべき変数とした複数の等式を作成した上で、主成分ｕ_ｋの分散が最大となるように係数ｃ_ｉを決定する。こうして得られた係数ｃ_ｉを用いることで、上記の一次結合式から変量群ｚの主成分ｕ_ｋ（ｚ）の算出が可能となる。なお、第ｋ主成分を算出するかは、例えば主成分の寄与率に基づいて決定しても良い。

他方、グループ監視部５は、正準相関学習部５Ｌによって求められた正準相関に基づいて監視グループＧの異常監視を行う。したがって、グループ監視部５には、正準相関学習部５Ｌに入力されるのと同じ種類の変量群ｘ、ｙが入力される必要がある。このため、図７に示す実施形態では、グループ監視部５は、パラメータ取得部２に対して正準相関学習部５Ｌと並列に接続されており、パラメータ取得部２が出力する２つのパラメータＰが、正準相関学習部５Ｌおよびグループ監視部５にそれぞれ入力されるようになっている。

上記の構成によれば、グループ監視部５による異常監視の判定基準を、機械学習により設定することができる。

次に、グループ監視部５によって行われる、上述のように学習された正準相関や主成分分析結果に基づいた異常監視について、説明する。
幾つかの実施形態では、図８〜図９に示すように、グループ監視部５は、上述した正準相関学習部５Ｌによって学習時に求めた正準相関が、異常監視時において取得された発電パラメータＰｇ（監視時発電パラメータ）と歪パラメータＰｔ（監視時歪パラメータ）との間で保たれているか否かの判定を行う正準相関逸脱判定部５１と、上述した正準相関逸脱判定部５１によって、学習時に求めた正準相関が監視時発電パラメータと監視時歪パラメータとの間で保たれていないと判定された場合を異常と判定する異常判定部５５と、を有していても良い。なお、異常判定部５５は、異常と判定した場合に、音、表示などによる報知を行うことが可能な報知部（報知装置）にその旨を通知しても良い。

より具体的には、正準相関逸脱判定部５１は、幾つかの実施形態では、監視時発電パラメータに基づく監視値Ｔを算出する監視値算出部５２と、学習時に求めた正準相関を用いて、監視時歪パラメータから上記の監視値Ｔの予測値Ｔｐを算出する予測値算出部５３と、これら監視値Ｔと予測値Ｔｐとの比較に基づいて、学習時に求めた正準相関が保たれているか否かの判定を行う逸脱判定部５４と、を有していても良い。つまり、監視時発電パラメータに基づいて監視値Ｔを算出するための予測式を異常監視の前に生成しておき、予測値算出部５３は、この予測式に基づいて監視値Ｔの算出を行う。

具体的には、予測式の生成は、例えば、発電パラメータＰｇ（変量群ｘ）に関する正準変量ｆ（ｘ）、歪パラメータＰｔ（変量群ｙ）に関する正準変量ｇ（ｙ）、係数をｄ、定数をｅとして、予測式をｆ（ｘ）＝ｄ×ｇ（ｙ）＋ｅと定義し、学習用データＬに含まれる発電パラメータＰｇおよび歪パラメータＰｔの計測値を用いた係数ｄと定数ｅを決定して行っても良い。つまり、この場合には、予測値Ｔｐを算出する予測式は、Ｔｐ＝ｄ×ｇ（ｙ）＋ｅ＝ｄ×Σ（ｂ_ｉ・ｙ_ｉ）＋ｅとなる。また、監視値算出部５２は、監視値Ｔを、Ｔ＝ｆ（ｘ）＝Σ（ａ_ｉ・ｘ_ｉ）として算出する。そして、正準相関逸脱判定部５１は、例えば、監視値Ｔと予測値Ｔｐとを比較し、その差が所定値以上の場合には上述した相関が保たれていないと判定する。逆に、その差が所定値未満の場合には相関が保たれていると判定する。この相関が保たれているか否かを判定する所定値も、機械学習を通して決定しても良い。

上記の構成によれば、異常監視時おいて取得される発電パラメータＰｇに基づいて算出される監視値Ｔと、歪パラメータＰｔ（監視時歪パラメータ）に基づいて算出される上記の監視値Ｔの予測値Ｔｐとの比較に基づいて、学習時の正準相関が監視時において保たれているか否かを容易に判定することができる。

また、幾つかの実施形態では、上述したように、発電パラメータＰｇの主成分ｕ_ｋが正準相関学習部５Ｌに入力されるように構成されているため、図８〜図９に示すように、グループ監視部５にも、発電パラメータＰｇの主成分ｕ_ｋが入力されるようになっている。つまり、本実施形態では、異常監視装置１は、監視グループＧに属する風力発電装置６の各々の発電パラメータＰｇを対象とした主成分分析（後述）の結果を用いて、主成分分析の対象とした発電パラメータＰｇの主成分である発電パラメータ主成分ｕ_ｇｋを取得する発電パラメータ主成分分析部５ｐを、さらに備えている。そして、正準相関学習部５Ｌは、発電パラメータ主成分ｕ_ｇｋと監視グループＧに属する風力発電装置６の各々の歪パラメータＰｔとの正準相関を求めるように構成されている。

図８〜図９に示す実施形態では、図示するように、発電パラメータ主成分分析部５ｐは、パラメータ取得部２とグループ監視部５（正準相関逸脱判定部５１）との間に設けられており、発電パラメータ主成分分析部５ｐの出力（発電パラメータ主成分ｕ_ｇｋ）は、正準相関学習部５Ｌおよびグループ監視部５の両方に入力されるようになっている。なお、本実施形態においては、発電パラメータＰｇの種類毎を、正準相関を算出するための変量群ｘとする場合には、変量群ｘに含まれるデータの数（ｉ）は、ｉ＝（ｋの最大値）であり、発電パラメータＰｇの全ての種類を変量群ｘとする場合には、ｉ＝（ｋの最大値）×（発電パラメータＰｇの種類数）となる。

上記の構成によれば、監視グループＧに属する風力発電装置６の発電パラメータＰｇの主成分（発電パラメータ主成分ｕ_ｋｇ）と歪パラメータＰｔとの正準相関が求められる。このように正準相関を求めるのに発電パラメータＰｇの主成分を用いることで、監視グループＧに属する複数の風力発電装置６からの複数の発電パラメータＰｇのばらつきの成分の影響を低減することができ、異常監視の精度の向上を図ることができる。

また、幾つかの実施形態では、上述したように、歪パラメータＰｔの主成分ｕ_ｌが（ｌ
＝１、２、・・・）正準相関学習部５Ｌに入力されるように構成されている。よって、図９に示すように、グループ監視部５にも、歪パラメータＰｔの主成分ｕ_ｌが入力されるようになっている。つまり、本実施形態では、異常監視装置１は、監視グループＧに属する風力発電装置６の各々の歪パラメータＰｔを対象とした主成分分析（後述）の結果を用いて、主成分分析の対象とした歪パラメータＰｔの主成分である歪パラメータ主成分ｕ_ｔｌを取得する歪パラメータ主成分分析部５ｔを、さらに備えている。そして、正準相関学習部５Ｌは、発電パラメータ主成分ｕ_ｇｋと歪パラメータ主成分ｕ_ｔｌとの正準相関を求める。

図９に示す実施形態では、図示するように、歪パラメータ主成分分析部５ｔは、パラメータ取得部２とグループ監視部５（正準相関逸脱判定部５１）との間に設けられており、歪パラメータ主成分分析部５ｔの出力（歪パラメータ主成分ｕ_ｔｌ）は、正準相関学習部５Ｌおよびグループ監視部５の両方に入力されるようになっている。また、図９に示す実施形態では、歪パラメータＰｔは上述した特徴量が入力されるようになっていると共に、各歪パラメータ計測用センサ７ｓの最大値、最小値の両方（図９では、これらの歪パラメータ主成分ｕ_ｔｌ）がグループ監視部５に入力されるようになっている。なお、本実施形態においては、歪パラメータＰｔの計測値の種類毎を変量群ｙとする場合には、変量群ｙに含まれるデータの数（ｉ）は、ｉ＝（ｌの最大値）であり、歪パラメータＰｔの全ての種類を変量群ｙとする場合には、ｉ＝（ｌの最大値）×（歪パラメータＰｔの計測値の種類数）となる。

上記の構成によれば、監視グループＧに属する風力発電装置６の発電パラメータＰｇの主成分ｕ_ｋ（発電パラメータ主成分ｕ_ｇｋ）と歪パラメータＰｔの主成分（歪パラメータ主成分ｕ_ｔｌ）との正準相関が求められる。このように正準相関を求めるのに歪パラメータＰｔの主成分ｕ_ｌを用いることで、監視グループＧに属する複数の風力発電装置６からの複数の歪パラメータＰｔのばらつきの成分の影響を低減することができ、異常監視の精度の向上を図ることができる。

ただし、本実施形態に本発明は限定されない。他の幾つかの実施形態では、図８に示すように、異常監視装置１は、歪パラメータ主成分分析部５ｔを備えていなくても良い。なお、図８に示す実施形態では、１番翼のＬＰ側に設置された歪パラメータ計測用センサ７ｓの計測値のみグループ監視部５および正準相関学習部５Ｌに入力されるようになっていると共に、その最小値（ＬＰ ｍｉｎ）のみが入力されるようになっている。

次に、上述した異常監視装置１（グループ監視部５）が実行する監視グループＧの異常監視に対応する異常監視方法について、図１０のフロー（監視グループＧの異常監視に関するフロー）に沿って説明する。

まず、上述した機械学習に関する実施形態に対応した方法ついて説明する。図１０に示すように、幾つかの実施形態では、異常監視方法は、グループ監視ステップ（Ｓ５）による異常監視を行う前の学習時において、監視グループＧに属する風力発電装置６の発電パラメータＰｇと歪パラメータＰｔとの正準相関を求める正準相関学習ステップ（Ｓ４１〜Ｓ４５）を、さらに備える。本実施形態においては、グループ監視ステップ（Ｓ５）は、正準相関学習ステップによって求められた正準相関に基づいて、監視グループＧの異常監視を行う。

図１０のステップＳ４１において、上述した監視グループＧに含まれ各風力発電装置６に関する学習用データＬを取得した後、ステップＳ４２において、取得された学習用データＬから、異常監視の対象となる発電パラメータＰｇおよび歪パラメータＰｔを抽出（取得）する。ステップＳ４３において、抽出した２つのパラメータＰのデータ（計測値）の正規化（標準化）を実行する。図１０に示す実施形態では、ステップＳ４３は、以降のステップ（Ｓ４４〜Ｓ４５）への入力データを生成するために行われている。他の幾つかの実施形態ではステップＳ４３は省略されても良い。

ステップＳ４４において、パラメータＰの主成分分析を実行する。幾つかの実施形態では、発電パラメータＰｇまたは歪パラメータＰｔの少なくとも一方に対して主成分分析を実行しても良い。この場合において、風速、発電量など、発電パラメータＰｇに複数種類のパラメータＰが含まれる場合には、種類毎に主成分分析を実行しても良いし、あるいは、複数種類のデータの集合に対して主成分分析を実行しても良い。詳細については、上述した内容と同様であるため、省略する。なお、他の幾つかの実施形態では、ステップＳ４４は省略されても良い。

ステップＳ４５において、２つのパラメータＰの正準相関分析を実行する。本実施形態では、前のステップＳ４４において、監視グループＧに属する風力発電装置６の各々の発電パラメータＰｇを対象とした主成分分析が実行されている。よって、主成分分析が実行されているパラメータＰについてはその結果を用いて算出される主成分が正準相関分析の対象となる。逆に、主成分分析が実行されていないパラメータＰについては、パラメータＰの計測値そのものが正準相関分析の対象となる。詳細については、上述した内容と同様であるため、省略する。

次に、グループ監視ステップ（Ｓ５）に関する実施形態について、図１１を用いて説明する。
図１１に示すように、幾つかの実施形態では、グループ監視ステップ（Ｓ５）は、上述した正準相関学習ステップ（Ｓ４５）によって学習時に求めた正準相関が、異常監視時において取得された発電パラメータＰｇ（監視時発電パラメータ）と歪パラメータＰｔ（監視時歪パラメータ）との間で保たれているか否かの判定を行う正準相関逸脱判定ステップ（Ｓ５０）と、上述した正準相関逸脱判定ステップ（Ｓ５０）によって、学習時に求めた正準相関が監視時発電パラメータと監視時歪パラメータとの間で保たれていないと判定された場合を異常と判定する異常判定ステップ（Ｓ５４）と、を有している。

より具体的には、正準相関逸脱判定ステップ（Ｓ５０）は、幾つかの実施形態では、監視時発電パラメータに基づく監視値Ｔを算出する監視値算出ステップ（Ｓ５１）と、学習時に求めた正準相関を用いて、監視時歪パラメータから上記の監視値Ｔの予測値Ｔｐを算出する予測値算出ステップ（Ｓ５２）と、これらの監視値Ｔと予測値Ｔｐとの比較に基づいて、学習時に求めた正準相関が保たれているか否かの判定を行う判定ステップ（Ｓ５３）と、を有していても良い。上記の予測値Ｔｐの算出は、監視時発電パラメータに基づいて監視値Ｔを算出するための予測式を予め生成しておき、監視時歪パラメータを予測式に代入して行う。詳細については、既に述べているため省略する。

本発明は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。

１ 異常監視装置
２ パラメータ取得部
３ メンバ候補抽出部
Ｍ 記憶装置
３１ 第１メンバ候補群選択部
３２ 発電パラメータ相関演算部
３３ 第２メンバ候補群選択部
３４ 歪パラメータ相関演算部
３５ メンバ候補決定部
４ 監視グループ設定部
５ グループ監視部
５１ 正準相関逸脱判定部
５２ 監視値算出部
５３ 予測値算出部
５４ 逸脱判定部
５５ 異常判定部
５Ｌ 正準相関学習部
５ｐ 発電パラメータ主成分分析部
５ｔ 歪パラメータ主成分分析部
６ 風力発電装置
６１ 風車翼
６１ｅ 先端部
６１ｒ 翼根部
６２ ハブ
６３ 風車ロータ
６４ タワー
６５ ナセル
６６ 発電機
６７ 主軸
６８ ドライブトレイン
７ 光ファイバセンサ
７ｓ 歪パラメータ計測用センサ
７１ 光ファイバ
７２ 光源・信号処理ユニット
８ 発電パラメータ計測用センサ
８１ 風速センサ
８２ 回転数センサ
８３ 発電量センサ
９ ウィンドファーム
９１ ＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）
９２ａ 第１通信ライン
９２ｂ 第２通信ライン
９４ 遠隔監視制御装置
９５ サーバ
９６ クラウド
Ｇ 監視グループ
ｇ_１ 第１メンバ候補群
ｇ_２ 第２メンバ候補群
ｇ_ａ メンバ候補
Ｐ パラメータ
Ｐｇ 発電パラメータ
Ｐｔ 歪パラメータ
Ｌ 学習用データ
Ｖ１ 所定値
Ｔ 監視値
Ｔｐ 予測値
ｘ 変量群
ｙ 変量群
ｚ 変量群
ｒ_ｘｙ 相関係数
ｆ（ｘ） 正準変量
ｇ（ｙ） 正準変量
ｕ_ｋ 主成分
ｕ_ｇｋ 発電パラメータ主成分
ｕ_ｔｌ 歪パラメータ主成分

Claims (18)

1. ウィンドファームが有する複数の風力発電装置の２以上からなる監視グループの異常監視を行うウィンドファームの異常監視装置であって、
   前記複数の風力発電装置の２以上から、それぞれ、前記風力発電装置の発電に関する発電パラメータ、および、前記風力発電装置の風車翼に設置された光ファイバセンサであるセンサによって計測される歪パラメータを取得するパラメータ取得部と、
   前記パラメータ取得部によって取得された２以上の前記風力発電装置の相互の前記発電パラメータの相関が第１所定値以上であり、かつ、相互の前記歪パラメータの相関が第２所定値以上となる２以上の前記風力発電装置を前記監視グループのメンバ候補として抽出するメンバ候補抽出部と、
   前記メンバ候補のうちの少なくとも２つの前記風力発電装置を前記監視グループのメンバとして設定する監視グループ設定部と、
   前記監視グループ設定部によって設定された前記監視グループの異常監視を行うグループ監視部と、を備えることを特徴とするウィンドファームの異常監視装置。
2. 前記メンバ候補抽出部は、
   前記複数の風力発電装置のうちの２以上からなる第１メンバ候補群を選択する第１メンバ候補群選択部と、
   前記第１メンバ候補群に属する前記風力発電装置の前記発電パラメータの相互の相関をそれぞれ求める発電パラメータ相関演算部と、
   前記発電パラメータ相関演算部によって求められた相関が前記第１所定値以上である２以上の前記風力発電装置からなる第２メンバ候補群を前記第１メンバ候補群の中から選択する第２メンバ候補群選択部と、
   前記第２メンバ候補群に属する前記風力発電装置の前記歪パラメータの相互の相関をそれぞれ求める歪パラメータ相関演算部と、
   前記第２メンバ候補群の中から前記歪パラメータ相関演算部によって求められた相関が前記第２所定値以上である前記風力発電装置を前記メンバ候補として決定するメンバ候補決定部と、を有することを特徴とする請求項１に記載のウィンドファームの異常監視装置。
3. 前記グループ監視部による前記異常監視を行う前の学習時において、前記監視グループに属する前記風力発電装置の前記発電パラメータと前記歪パラメータとの正準相関を求める正準相関学習部を、さらに備え、
   前記グループ監視部は、前記正準相関学習部によって求められた前記正準相関に基づいて、前記監視グループの前記異常監視を行うことを特徴とする請求項１または２に記載のウィンドファームの異常監視装置。
4. 前記グループ監視部は、
   前記学習時に求めた前記正準相関が、前記異常監視時において取得された監視時発電パラメータと監視時歪パラメータとの間で保たれているか否かの判定を行う正準相関逸脱判定部と、
   前記正準相関逸脱判定部によって保たれていないと判定された場合を異常と判定する異常判定部と、を有することを特徴とする請求項３に記載のウィンドファームの異常監視装置。
5. 前記正準相関逸脱判定部は、
   前記監視時発電パラメータに基づく監視値を算出する監視値算出部と、
   前記学習時に求めた前記正準相関を用いて、前記監視時歪パラメータから前記監視値の予測値を算出する予測値算出部と、
   前記監視値と前記予測値との比較に基づいて、前記学習時に求めた前記正準相関が保たれているか否かの判定を行う逸脱判定部と、を有することを特徴とする請求項４に記載のウィンドファームの異常監視装置。
6. 前記監視グループに属する前記風力発電装置の各々の前記発電パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記発電パラメータの主成分である発電パラメータ主成分を取得する発電パラメータ主成分分析部を、さらに備え、
   前記正準相関学習部は、前記発電パラメータ主成分と前記監視グループに属する前記風力発電装置の各々の前記歪パラメータとの前記正準相関を求めることを特徴とする請求項３〜５のいずれか１項に記載のウィンドファームの異常監視装置。
7. 前記監視グループに属する前記風力発電装置の各々の前記歪パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記歪パラメータの主成分である歪パラメータ主成分を取得する歪パラメータ主成分分析部を、さらに備え、
   前記正準相関学習部は、前記発電パラメータ主成分と前記歪パラメータ主成分との前記正準相関を求めることを特徴とする請求項６に記載のウィンドファームの異常監視装置。
8. 前記発電パラメータには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータが含まれており、
   前記発電パラメータ主成分分析部は、前記発電パラメータの種類毎に前記発電パラメータ主成分を取得することを特徴とする請求項６または７に記載のウィンドファームの異常監視装置。
9. 前記風車翼に設置された前記センサは、前記光ファイバセンサが有するセンサ部であることを特徴とする請求項１〜８のいずれか１項に記載のウィンドファームの異常監視装置。
10. ウィンドファームが有する複数の風力発電装置の２以上からなる監視グループの異常監視を行うウィンドファームの異常監視方法であって、
    前記複数の風力発電装置の２以上から、それぞれ、前記風力発電装置の発電に関する発電パラメータ、および、前記風力発電装置の風車翼に設置された光ファイバセンサであるセンサによって計測される歪パラメータを取得するパラメータ取得ステップと、
    前記パラメータ取得ステップによって取得された２以上の前記風力発電装置の相互の前記発電パラメータの相関が第１所定値以上であり、かつ、相互の前記歪パラメータの相関が第２所定値以上となる２以上の前記風力発電装置を前記監視グループのメンバ候補として抽出するメンバ候補抽出ステップと、
    前記メンバ候補のうちの少なくとも２つの前記風力発電装置を前記監視グループのメンバとして設定する監視グループ設定ステップと、
    前記監視グループ設定ステップによって設定された前記監視グループの異常監視を行うグループ監視ステップと、を備えることを特徴とするウィンドファームの異常監視方法。
11. 前記メンバ候補抽出ステップは、
    前記複数の風力発電装置のうちの２以上からなる第１メンバ候補群を選択する第１メンバ候補群選択ステップと、
    前記第１メンバ候補群に属する前記風力発電装置の前記発電パラメータの相互の相関をそれぞれ求める発電パラメータ相関演算ステップと、
    前記発電パラメータ相関演算ステップによって求められた相関が前記第１所定値以上である２以上の前記風力発電装置からなる第２メンバ候補群を前記第１メンバ候補群の中から選択する第２メンバ候補群選択ステップと、
    前記第２メンバ候補群に属する前記風力発電装置の前記歪パラメータの相互の相関をそれぞれ求める歪パラメータ相関演算ステップと、
    前記第２メンバ候補群の中から前記歪パラメータ相関演算ステップによって求められた相関が前記第２所定値以上である前記風力発電装置を前記メンバ候補として決定するメンバ候補決定ステップと、を有することを特徴とする請求項１０に記載のウィンドファームの異常監視方法。
12. 前記グループ監視ステップによる前記異常監視を行う前の学習時において、前記監視グループに属する前記風力発電装置の前記発電パラメータと前記歪パラメータとの正準相関を求める正準相関学習ステップを、さらに備え、
    前記グループ監視ステップは、前記正準相関学習ステップによって求められた前記正準相関に基づいて、前記監視グループの前記異常監視を行うことを特徴とする請求項１０または１１に記載のウィンドファームの異常監視方法。
13. 前記グループ監視ステップは、
    前記学習時に求めた前記正準相関が、前記異常監視時において取得された監視時発電パラメータと監視時歪パラメータとの間で保たれているか否かの判定を行う正準相関逸脱判定ステップと、
    前記正準相関逸脱判定ステップによって保たれていないと判定された場合を異常と判定する異常判定ステップと、を有することを特徴とする請求項１２に記載のウィンドファームの異常監視方法。
14. 前記正準相関逸脱判定ステップは、
    前記監視時発電パラメータに基づく監視値を算出する監視値算出ステップと、
    前記学習時に求めた前記正準相関を用いて、前記監視時歪パラメータから前記監視値の予測値を算出する予測値算出ステップと、
    前記監視値と前記予測値との比較に基づいて、前記学習時に求めた前記正準相関が保たれているか否かの判定を行う判定ステップと、を有することを特徴とする請求項１３に記載のウィンドファームの異常監視方法。
15. 前記監視グループに属する前記風力発電装置の各々の前記発電パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記発電パラメータの主成分である発電パラメータ主成分を取得する発電パラメータ主成分分析ステップを、さらに備え、
    前記正準相関学習ステップは、前記発電パラメータ主成分と前記監視グループに属する前記風力発電装置の各々の前記歪パラメータとの前記正準相関を求めることを特徴とする請求項１２〜１４のいずれか１項に記載のウィンドファームの異常監視方法。
16. 前記監視グループに属する前記風力発電装置の各々の前記歪パラメータを対象とした主成分分析の結果を用いて、前記主成分分析の対象とした前記歪パラメータの主成分である歪パラメータ主成分を取得する歪パラメータ主成分分析ステップを、さらに備え、
    前記正準相関学習ステップは、前記発電パラメータ主成分と前記歪パラメータ主成分との前記正準相関を求めることを特徴とする請求項１５に記載のウィンドファームの異常監視方法。
17. 前記発電パラメータには、風速、発電量、ロータ回転数の少なくとも１種類のパラメータが含まれており、
    前記発電パラメータ主成分分析ステップは、前記発電パラメータの種類毎に前記発電パラメータ主成分を取得することを特徴とする請求項１５または１６に記載のウィンドファームの異常監視方法。
18. 前記風車翼に設置された前記センサは、前記光ファイバセンサが有するセンサ部であることを特徴とする請求項１０〜１７のいずれか１項に記載のウィンドファームの異常監視方法。

Images