JP7234071B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関する。

従来、配電系統で生じる事故の原因を特定する方法として、事故時における配電系統の計測結果を学習データとして学習した、学習済みモデルを用いて事故の原因を特定する技術が知られている（例えば、特許文献１）。ところで、機械学習モデルの学習に用いる学習データは、事故時における配電系統の計測結果と、事故原因とが適切に対応付けられたデータであることが求められる。しかしながら、従来の技術では、学習モデルの学習に適切なデータを選別することが困難な場合があった。

特開平１１－１４２４６６号公報

本発明が解決しようとする課題は、配電系統で生じる事故を特定するモデルの学習に適した学習データを適切に選別することが可能な情報処理装置、情報処理方法、およびプログラムを提供することである。

情報処理装置は、事故原因記録情報取得部と、計測結果情報取得部と、特徴量算出部と、事故原因推定部と、判定部と、学習データ選別部とを持つ。前記事故原因記録情報取得部は、対象設備の事故原因が記録された事故原因記録情報を取得する。前記計測結果情報取得部は、前記対象設備において電力に関する計測を行った結果を示す計測結果情報を取得する。前記特徴量算出部は、前記計測結果情報取得部によって取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報に基づいて、特徴量を算出する。前記事故原因推定部は、前記特徴量算出部によって算出された前記特徴量に基づいて、事故原因を推定する。前記判定部は、前記事故原因推定部によって推定された第１事故原因と、前記事故原因記録情報取得部によって取得された前記事故原因記録情報が示す第２事故原因とが一致するか否かを判定する。前記学習データ選別部は、前記判定部により前記第１事故原因と前記第２事故原因とが一致すると判定された場合、前記計測結果情報取得部によって取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報を、計測結果情報に係る情報が入力されると事故原因を示す情報を出力する学習済みモデルを作成するための学習データとして選別する。

実施形態の情報処理装置１０の構成の一例を示す図である。 計測結果情報ＭＲの一例を示す図である。 事故原因記録情報ＡＣの内容の一例を示す図である。 事故データ１５２の内容の一例を示す図である。 学習済みモデル１５８の出力の内容の一例を示す図である。 特徴量のデータセットの内容の一例を示す図である。 簡単な合成波の一例を示す図である。 ２次の高調波ベクトルを複素平面によって表現した図である。 前処理機能部の処理の一連の流れを示すフローチャートである。 学習機能部の学習データを特定する処理の一連の流れを示すフローチャートである。 学習機能部の学習に係る処理の一連の流れを示すフローチャートである。

以下、実施形態の情報処理装置、情報処理方法、およびプログラムを、図面を参照して説明する。

［全体構成］
図１は、実施形態の情報処理装置１０の構成の一例を示す図である。情報処理装置１０は、学習モデルを学習しつつ、当該学習モデルを用いて配電系統ＤＳにおいて生じる事故の原因を特定する装置である。情報処理装置１０は、例えば、一以上の計測装置２０と、事故原因記録装置３０と、表示装置４０とが直接、又はネットワークを介して接続される。ネットワークは、例えば、専用通信回線やインターネット等の通信ネットワークである。以下、配電系統ＤＳが、Ａ相、Ｂ相、及びＣ相を有する３相交流配電系統である場合について説明する。

計測装置２０は、配電系統ＤＳに係る計測結果を取得する。計測結果には、例えば、配電系統ＤＳに係る計測結果であって、零相電圧データ、零相電流データ、Ａ相電圧データ、Ａ相電流データ、Ｂ相電圧データ、Ｂ相電流データ、Ｃ相電圧データ、及びＣ相電流データが含まれる。各データは、例えば、計測結果の取得タイミングからの電圧値、又は電流値を、時系列に示したものである。計測装置２０は、所定の時間間隔毎に計測結果を取得する。所定の時間間隔とは、例えば、数十～数百［ｍｓ］間隔程度である。計測装置２０は、所定の時間（例えば、配電系統ＤＳが供給する電力の１サイクル分の時間）に取得した計測結果をまとめた情報（以下、計測結果情報ＭＲ）を、情報処理装置１０に送信する。

図２は、計測結果情報ＭＲの一例を示す図である。計測結果情報ＭＲは、例えば、取得した計測結果と、計測結果が計測された計測日時と、計測装置２０を識別可能な計測装置識別情報とが互いに対応付けられたレコードを、１サイクル分だけ含む情報である。以下、計測装置２０は、計測結果情報ＭＲを１サイクル分の時間が経過する毎に情報処理装置１０に送信するものとする。つまり、計測結果情報ＭＲは、離散化した零相、及び各相の１サイクル分の波形データである。

なお、計測結果情報ＭＲは、少なくとも零相のデータが含まれていれば、各相のデータが含まれていなくてもよい。

図１に戻り、事故原因記録装置３０は、配電系統ＤＳにおいて事故が発生した場合、事故を復旧した作業員等によって入力された当該事故の原因に係る情報（以下、事故原因記録情報ＡＣ）を記録する。図３は、事故原因記録情報ＡＣの内容の一例を示す図である。事故原因記録装置３０には、例えば、ある事故について、当該事故を識別可能な事故識別情報と、事故原因を示す情報と、当該事故原因を特定した根拠を示す情報と、事故が生じた事故設備を識別可能な事故設備識別情報と、当該事故が生じた際の天候を示す情報とが互いに対応付けられたレコードが入力される。事故原因記録装置３０は、入力されたレコードに基づいて事故原因記録情報ＡＣを生成、或いは更新する。事故原因記録装置３０は、レコードが入力される度、又は所定の時間間隔毎に事故原因記録情報ＡＣを情報処理装置１０に送信する。事故原因記録情報ＡＣに示される事故原因は、「第２事故原因」の一例である。

図１に戻り、表示装置４０は、情報処理装置１０によって特定された配電系統ＤＳの事故原因を示す画像を表示する装置である。

［情報処理装置１０の構成］
以下、情報処理装置１０の構成について説明する。情報処理装置１０は、例えば、制御部１００と、記憶部１５０とを備える。制御部１００は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部１５０に記憶されるプログラム（ソフトウェア）を実行することにより、計測結果情報取得部１０２と、事故原因記録情報取得部１０４と、事故特定部１０６と、高調波補正部１０８と、特徴量算出部１１０と、事故原因推定部１１２と、学習データ選別部１１４と、学習処理部１１６と、事故原因取得部１１８と、事故原因出力部１２０との各機能部を実現する。また、これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１５０は、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）により実現されてもよく、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）により実現されてもよく、ドライブ装置に装着される記憶媒体であってもよい。また、記憶部１５０の一部又は全部は、ＮＡＳや外部のストレージサーバ等、情報処理装置１０がアクセス可能な外部装置であってもよい。記憶部１５０には、例えば、プログラムの他、事故データ１５２、選別学習データ１５４、機械学習モデル１５６、及び学習済みモデル１５８等の情報が記憶される。機械学習モデル１５６は、後述する学習データ選別部１１４によって選別された学習データを用いて、学習処理部１１６によってパラメータ更新が行われるモデルである。学習済みモデル１５８は、学習処理部１１６によってパラメータ更新が完了した時点の機械学習モデル１５６である。事故データ１５２と、選別学習データ１５４との詳細については、後述する。

計測結果情報取得部１０２は、計測装置２０から計測結果情報ＭＲを取得する。事故原因記録情報取得部１０４は、事故原因記録装置３０から事故原因記録情報ＡＣを取得する。

ここで、制御部１００が備える各機能部のうち、事故特定部１０６と、高調波補正部１０８とは、計測結果情報ＭＲに含まれる各種データに対して、事故原因の推定、機械学習モデル１５６への入力、及び学習済みモデル１５８への入力に際して前処理を行う前処理機能部である。また、制御部１００が備える各機能部のうち、特徴量算出部１１０と、事故原因推定部１１２と、学習データ選別部１１４と、学習処理部１１６とは、前処理機能部によって前処理された計測結果情報ＭＲのうち、機械学習モデル１５６の学習に用いる計測結果情報ＭＲを選別し、選別した計測結果情報ＭＲによって機械学習モデル１５６の学習を行う学習機能部である。また、制御部１００が備える各機能部のうち、事故原因取得部１１８と、事故原因出力部１２０とは、前処理機能部によって前処理が行われた各種データと、学習済みモデル１５８とに基づいて、配電系統ＤＳに生じた事故の事故原因を出力する運用機能部である。

［前処理機能部について］
まず、前処理機能部の詳細について説明する。事故特定部１０６は、計測結果情報取得部１０２によって取得された計測結果情報ＭＲに基づいて、配電系統ＤＳに事故が生じている時間帯（以下、事故中の時間帯）を特定する。事故特定部１０６は、計測結果情報ＭＲに含まれる零相電流データに基づいて、零相電流の実効値を算出する。事故特定部１０６は、算出した零相電圧の実効値が零相電流閾値を超える時間帯を、事故中の時間帯として特定する。零相電流閾値は、配電系統ＤＳに事故が生じている際に発生する零相電流と、事故が生じていない際に発生する零相電流とを分類可能な値である。

次に、事故特定部１０６は、計測結果情報ＭＲに各相のデータが含まれている場合には、特定した事故中の時間帯における事故相を特定する。事故特定部１０６は、計測結果情報ＭＲが示す各相の電流データに基づいて、各相の電流実効値を算出する。事故特定部１０６は、算出した各相の電流実効値に基づいて、事故前の時間帯（例えば、配電系統ＤＳに事故が生じる直前の１分間）に係る各相の電流実効値の平均値と、事故中の時間帯の各相の電流実効値の平均値とを算出する。事故特定部１０６は、事故中の時間帯の電流実効値の平均値を事故前の時間帯の電流実効値の平均値で除した値（以下、電流指標値）が、事故相電流閾値より大きい相を特定する。事故相電流閾値は、配電系統ＤＳの事故発生時の事故相において電流指標値がとり得る値と、事故相以外の相において電流指標値がとり得る値とを分類可能な値である。

事故特定部１０６は、計測結果情報ＭＲが示す各相の電圧データに基づいて、各相の電圧実効値を算出する。事故特定部１０６は、算出した各相の電圧実効値に基づいて、事故前の時間帯に係る各相の電圧実効値の平均値と、事故中の時間帯の各相の電圧実効値の平均値とを算出する。事故特定部１０６は、事故中の時間帯の電圧実効値の平均値を事故前の時間帯の電圧実効値の平均値で除した値（以下、電圧指標値）が、事故相電圧閾値より小さい相を特定する。事故相電圧閾値は、配電系統ＤＳの事故発生時の事故相において電圧指標値がとり得る値と、事故相以外の相において電圧指標値がとり得る値とを分類可能な値である。

事故特定部１０６は、電流指標値に基づいて特定した相と、電圧指標値に基づいて特定した相とが一致する場合、当該相を事故相として特定する。また、事故特定部１０６は、計測結果情報ＭＲのうち、事故相として特定された相のデータであり、且つ事故中時間帯の事故相のデータを、事故データ１５２として記憶部１５０に記憶する。事故特定部１０６は、「判定部」の一例である。

図４は、事故データ１５２の内容の一例を示す図である。事故データ１５２は、例えば、事故識別情報と、計測日時と、計測装置識別情報と、事故相のデータ（図示では、Ａ相のデータ）とが互いに対応付けられた情報である。事故は、例えば、事故データベース（不図示）等によって管理されており、事故データベースには、事故識別情報と事故日時とが対応付けられた情報が記憶されている。事故特定部１０６は、例えば、特定した事故中の時間帯に対応する事故の事故識別情報を事故データベースから取得し、取得した事故識別情報と、事故中の時間帯の計測結果情報ＭＲとを互いに対応付けて事故データ１５２を生成（更新）する。なお、事故識別情報は、情報処理装置１０の利用者によって入力されるものであってもよい。

図１に戻り、高調波補正部１０８は、事故特定部１０６によって特定された事故相について、事故データ１５２に含まれる事故相のデータを、事故前の時間帯の事故相のデータによって補正する。具体的には、高調波補正部１０８は、計測結果情報ＭＲに含まれる計測結果のうち、事故前の時間帯における事故相のデータをフーリエ変換して各次高調波成分に分解する。高調波補正部１０８は、分解した各次高調波成分について逆フーリエ変換を行って得られた波形を、事故データ１５２に含まれる事故相のデータから除去する。これにより、高調波補正部１０８は、事故前から存在する高調波を事故中の時間帯の事故相のデータから除去する。

なお、高調波補正部１０８は、事故特定部１０６が事故相を特定できない場合（つまり電流指標値に基づいて特定した相と、電圧指標値に基づいて特定した相とが一致しない場合）、又は計測結果情報ＭＲに各相のデータが含まれていない場合には、事故中の時間帯の零相のデータを、事故前の時間帯の零相のデータによって補正する。補正の処理については、事故相のデータに対する処理と同様であるため、説明を省略する。これにより、高調波補正部１０８は、事故相のデータ、又は零相のデータから、配電系統ＤＳに生じる高調波の影響を除去し、これらのデータをより適した学習データを選別することができる。また、事故相のデータ、又は、零相のデータに係る補正は、事故前の時間帯のデータの高調波成分を正規化し、事故後の時間帯のデータの高調波成分の正規化から差し引くことによって行われてもよい。

［学習機能部について］
次に、学習機能部の詳細について説明する。特徴量算出部１１０は、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータに基づいて、特徴量を算出する。図６は、特徴量のデータセットの内容の一例を示す図である。特徴量算出部１１０によって算出された特徴量は、例えば、図６に示す様に事故相のデータを２次から２５次までの高調波成分によって示したものである。具体的には、特徴量は、高調波の大きさと、基本波に対する同相成分と、と基本波に対する直交成分とが、高調波の次数毎に互いに対応付けられたレコードによって示される。特徴量のデータセットには、特徴量算出部１１０によって算出された特徴量のレコードが格納される。ここで、高調波を含む実波形の一例について、図７を用いて説明する。

図７は、簡単な合成波の一例を示す図である。上図の合成波は、下図に示す基本波と２次の高調波から構成され、基本波の大きさをＡ、２次の高調波の大きさをＲとし、２次の高調波が基本波に対し位相がθだけ進んでいるものとする。基本波は、角速度をω、時間をtとすると、Ａｓｉｎ（ωｔ）と表すことができ、２次の高調波は、Ｒｓｉｎ（２ωｔ＋θ）と表すことができる。ここで、基本波に対してこの２次高調波をベクトル記号法で表現すると、Ｒｃｏｓθ＋ｊＲｓｉｎθと表すことができる。図８は、２次の高調波ベクトルを複素平面によって表現した図である。図８に示した通り、二次高調波の実数部を同相成分、二次高調波の虚数部を直交成分と定義するため、この２次の高調波の同相成分はＲｃｏｓθ，直交成分はＲｓｉｎθとなる。

図１に戻り、事故原因推定部１１２は、特徴量算出部１１０によって算出された特徴量に基づいて、事故相に生じた事故の原因を推定する。事故原因推定部１１２は、特徴量算出部１１０によって算出された特徴量と、予め定められた特徴量に係るルーリングとに基づいて、事故原因を推定してもよく、情報処理装置１０の利用者が特徴量算出部１１０によって算出された特徴量を参照することにより推定した事故原因を、情報処理装置１０に入力することによって事故原因を取得してもよい。事故原因推定部１１２によって推定された事故原因は、「第１事故原因」の一例である。

学習データ選別部１１４は、事故原因記録情報取得部１０４によって取得された事故原因記録情報ＡＣと、事故原因推定部１１２の推定結果とに基づいて、事故原因が一致するか否かを判定する。学習データ選別部１１４は、例えば、事故データ１５２に含まれる事故識別情報を検索キーとして事故原因記録情報ＡＣを検索し、事故原因記録情報ＡＣにおいて同一の事故識別情報が対応付けられている事故原因を特定する。学習データ選別部１１４は、特定した事故原因と、事故原因推定部１１２によって推定された事故原因とが一致する場合に、高調波補正部１０８によって補正された高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを機械学習モデル１５６の学習データとして選別学習データ１５４として記憶部１５０に記憶（更新）する。この場合、事故原因推定部１１２の推定結果は、教師データとして用いられる。また、学習データ選別部１１４は、特定した事故原因と、事故原因推定部１１２によって推定された事故原因とが一致しない場合に、事故データ１５２を機械学習モデル１５６の学習データとして用いないと決定する。

学習処理部１１６は、学習データ選別部１１４によって選別された選別学習データ１５４に基づいて、機械学習モデル１５６を学習する処理を行う。学習処理部１１６は、例えば、機械学習モデル１５６の学習曲線に基づいて、機械学習モデル１５６の学習の進度が所定の進度に至った場合、その時点の機械学習モデル１５６を学習済みモデル１５８とする。

［運用機能部について］
次に、運用機能部の詳細について説明する。事故原因取得部１１８は、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを、学習済みモデル１５８に入力し、事故原因を示す出力を取得する。図５は、学習済みモデル１５８の出力の内容の一例を示す図である。学習済みモデル１５８の出力は、例えば、一以上の事故原因と、事故原因毎の発生確率と、入力された事故相のデータに対応付けられた事故識別情報とが互いに対応付けられた情報である。事故原因出力部１２０は、事故原因取得部１１８によって取得された学習済みモデル１５８の出力を示す情報を表示装置４０に出力し、表示させる。これにより、情報処理装置１０は、利用者に事故原因を提示することができる。

なお、事故原因出力部１２０は、学習済みモデル１５８の出力のうち、最も発生確率が高い事故原因を表示装置４０に出力してもよく、学習済みモデル１５８は、最も発生確率が高い事故原因を出力するように学習されたものであってもよい。

また、上述では、事故原因取得部１１８は、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを学習済みモデル１５８に入力する場合について説明したが、これに限られない。事故原因取得部１１８は、計測結果情報取得部１０２によって取得された計測結果情報ＭＲに含まれる零相のデータ、又は各相のデータを学習済みモデル１５８に入力してもよい。

［動作フロー］
図９は、前処理機能部の処理の一連の流れを示すフローチャートである。図１０は、学習機能部の学習データを特定する処理の一連の流れを示すフローチャートである。まず、計測結果情報取得部１０２は、計測装置２０から計測結果情報ＭＲを取得する（ステップＳ１００）。事故特定部１０６は、計測結果情報取得部１０２によって取得された計測結果情報ＭＲに含まれる零相電流データに基づいて、零相電流の実効値を算出する（ステップＳ１０２）。次に、事故特定部１０６は、算出した零相電圧の実効値が零相電流閾値を超える時間帯を、事故中の時間帯として特定する（ステップＳ１０４）。事故特定部１０６は、計測結果情報取得部１０２によって取得された計測結果情報ＭＲに、各相のデータが含まれているか否かを判定する（ステップＳ１０６）。

事故特定部１０６は、計測結果情報ＭＲに各相のデータが含まれると判定した場合には事故相を特定する処理を行うため、計測結果情報ＭＲが示す各相の電流データに基づいて、各相の電流実効値を算出する（ステップＳ１０８）。次に、事故特定部１０６は、算出した各相の電流実効値に基づいて、事故中の時間帯の電流実効値の平均値と、事故前の時間帯の電流実効値の平均値とを算出する（ステップＳ１１０）。事故特定部１０６は、事故中の時間帯の電流実効値の平均値を事故前の時間帯の電流実効値の平均値で除した値（つまり、電流指標値）が、事故相電流閾値より大きい相を特定する（ステップＳ１１２）。

次に、事故特定部１０６は、計測結果情報ＭＲが示す各相の電圧データに基づいて、各相の電圧実効値を算出する（ステップＳ１１４）。次に、事故特定部１０６は、算出した各相の電圧実効値に基づいて、事故中の時間帯の電圧実効値の平均値と、事故前の時間帯の電圧実効値の平均値とを算出する（ステップＳ１１６）。事故特定部１０６は、事故中の時間帯の電圧実効値の平均値を事故前の時間帯の電圧実効値の平均値で除した値（つまり、電圧指標値）が、事故相電圧閾値より小さい相を特定する（ステップＳ１１８）。事故特定部１０６は、ステップＳ１１２において特定された相と、ステップＳ１１８において特定された相とが一致する場合、当該相を事故相として特定し、特定した事故相の事故中の時間帯のデータを事故データ１５２として記憶させる（ステップＳ１２０）。

高調波補正部１０８は、事故特定部１０６によって特定された事故相について、事故データ１５２に含まれる事故相のデータを、事故前の時間帯の事故相のデータによって補正し、事故前から存在する高調波を事故中の時間帯の事故相のデータから除去する（ステップＳ１２２）。高調波補正部１０８は、事故特定部１０６によって計測結果情報ＭＲに各相のデータが含まれないと判定された場合、事故中の時間帯の零相のデータを、事故前の時間帯の零相のデータによって補正し、事故前から存在する高調波を事故中の時間帯の零相のデータから除去する（ステップＳ１２４）。

次に、特徴量算出部１１０は、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータに基づいて、特徴量を算出する（ステップＳ１２４）。事故原因推定部１１２は、特徴量算出部１１０によって算出された特徴量に基づいて、事故原因を推定する（ステップＳ１２６）。事故原因記録情報取得部１０４は、事故原因記録装置３０から事故原因記録情報ＡＣを取得する（ステップＳ１２８）。事故原因推定部１１２は、特徴量に基づいて推定された事故原因（つまり、第１事故原因）と、事故原因記録情報ＡＣが示す事故原因（つまり、第２事故原因）とが一致するか否かを判定する（ステップＳ１３０）。学習データ選別部１１４は、事故原因推定部１１２によって第１事故原因と第２事故原因とが一致すると判定された場合、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを機械学習モデル１５６の学習データとして選別し、選別したデータを選別学習データ１５４として記憶部１５０に記憶（更新）する（ステップＳ１３２）。学習データ選別部１１４は、事故原因推定部１１２によって第１事故原因と第２事故原因とが一致しないと判定された場合、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを機械学習モデル１５６の学習データとして用いないと決定する（ステップＳ１３４）。

図１１は、学習機能部の学習に係る処理の一連の流れを示すフローチャートである。まず、事故原因取得部１１８は、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータを、学習済みモデル１５８に入力する（ステップＳ２００）。事故原因取得部１１８は、学習済みモデル１５８から出力を取得する（ステップＳ２０２）。事故原因出力部１２０は、事故原因取得部１１８によって取得された学習済みモデル１５８の出力を示す情報を表示装置４０に出力し、表示させる（ステップＳ２０４）。

［情報処理装置１０の他の構成］
なお、上述では、情報処理装置１０が、前処理機能部と、学習機能部と、運用機能部とを備える場合について説明したが、これに限られない。
学習機能部は、情報処理装置１０とは別体の学習装置が備えてもよい。この場合、情報処理装置１０は、前処理機能部である事故特定部１０６、及び高調波補正部１０８と、運用機能部である事故原因取得部１１８、及び事故原因出力部１２０とを備えられる。また、別体の学習装置には、学習機能部である特徴量算出部１１０、事故原因推定部１１２、学習データ選別部１１４、及び学習処理部１１６とが備えられ、高調波補正部１０８によって補正された事故中の時間帯における事故相のデータ、及び事故原因記録情報ＡＣが、学習装置の利用者によって入力される、或いは他の装置から取得する。これにより、学習装置は、配電系統ＤＳにおいて生じた事故の事故原因を迅速に特定することができる。

［高調波補正部１０８について］
また、配電系統ＤＳにおいて、高調波が発生しないような環境（例えば、ＰＶ（Photovoltaic）等の再生可能エネルギーを利用した発電機や、蓄電池が配電系統ＤＳに接続されていない場合、或いは接続されていても計測装置２０の計測結果に影響を及ぼしにくい場合）では、情報処理装置１０は、高調波補正部１０８によって計測結果情報ＭＲに含まれるデータを補正しなくてもよい。この場合、情報処理装置１０は、高調波補正部１０８を備えていなくてもよい。

［実施形態のまとめ］
以上説明した少なくとも一つの実施形態によれば、計測結果情報取得部１０２と、事故原因記録情報取得部１０４と、特徴量算出部１１０と、事故原因推定部１１２と、判定部と、学習データ選別部１１４とを持つことにより、計測装置２０によって計測された計測結果情報ＭＲのうち、機械学習モデル１５６の学習に適した学習データを特定することができ、機械学習モデル１５６を精度良く学習させることができる。

本発明の実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０…情報処理装置、２０…計測装置、３０…事故原因記録装置、４０…表示装置、１００…制御部、１０２…計測結果情報取得部、１０４…事故原因記録情報取得部、１０６…事故特定部、１０８…高調波補正部、１１０…特徴量算出部、１１２…事故原因推定部、１１４…学習データ選別部、１１６…学習処理部、１１８…事故原因取得部、１２０…事故原因出力部、１５０…記憶部、１５２…事故データ、１５４…選別学習データ、１５６…機械学習モデル、１５８…学習済みモデル、ＡＣ…事故原因記録情報、ＭＲ…計測結果情報、ＤＳ…配電系統

Claims (8)

1. 対象設備の事故原因が記録された事故原因記録情報を取得する事故原因記録情報取得部と、
   前記対象設備において電力に関する計測を行った結果を示す計測結果情報を取得する計測結果情報取得部と、
   前記計測結果情報取得部によって取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報に基づいて、事故相または零相のデータを複数の高調波成分によって示した特徴量を算出する特徴量算出部と、
   前記特徴量算出部によって算出された前記特徴量に基づいて、事故原因を推定する事故原因推定部と、
   前記事故原因推定部によって推定された第１事故原因と、前記事故原因記録情報取得部によって取得された前記事故原因記録情報が示す第２事故原因とが一致するか否かを判定する判定部と、
   前記判定部により前記第１事故原因と前記第２事故原因とが一致すると判定された場合、前記計測結果情報取得部によって取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報を、計測結果情報に係る情報が入力されると事故原因を示す情報を出力する学習済みモデルを作成するための学習データとして選別する学習データ選別部と、
   を備える情報処理装置。
2. 前記計測結果情報に係る情報は、前記計測結果情報に基づいて前記特徴量算出部によって算出された特徴量を含む、
   請求項１に記載の情報処理装置。
3. 前記計測結果情報に含まれる零相電流、又は零相電圧の計測結果を用いて、事故中の時間帯を特定する事故特定部と、
   前記事故特定部によって特定された前記時間帯における前記零相電流、又は前記零相電圧に含まれる高調波を、事故前の零相電流、又は事故前の零相電圧に含まれる高調波によって補正する高調波補正部とを更に備え、
   前記特徴量算出部は、前記高調波補正部によって補正された前記時間帯における前記零相電流、又は前記時間帯における前記零相電圧に基づいて、前記特徴量を算出する、
   請求項１または２に記載の情報処理装置。
4. 前記計測結果情報に含まれる各相の電流、又は各相の電圧の計測結果を用いて、事故中の時間帯を特定する事故特定部と、
   前記事故特定部によって特定された前記時間帯における事故相の電流、又は前記事故相の電圧に含まれる高調波を、事故前の前記事故相の電流、又は事故前の前記事故相の電圧によって補正する高調波補正部とを更に備え、
   前記特徴量算出部は、前記高調波補正部によって補正された前記時間帯における前記事故相の電流、又は前記事故相の電圧に基づいて、前記特徴量を算出する、
   請求項１から３のうちいずれか一項に記載の情報処理装置。
5. 前記事故特定部は、前記計測結果情報に含まれる零相電流の計測結果、又は零相電圧の計測結果と、各相電流の計測結果、又は各相電圧の計測結果との少なくとも一方を用いて、事故相を特定する、
   請求項４に記載の情報処理装置。
6. 前記判定部は、零相電流、又は零相電圧に基づく特徴量と、事故相の電流、又は事故相の電圧に基づく特徴量との少なくとも一方に基づいて、前記事故原因推定部が推定した事故原因と、前記事故原因記録情報とが一致するか否かを判定する、
   請求項３又は請求項４に記載の情報処理装置。
7. コンピュータが、
   対象設備の事故原因が記録された事故原因記録情報を取得し、
   前記対象設備において電力に関する計測を行った結果を示す計測結果情報を取得し、
   取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報に基づいて、事故相または零相のデータを複数の高調波成分によって示した特徴量を算出し、
   算出された前記特徴量に基づいて、事故原因を推定し、
   推定された第１事故原因と、取得された前記事故原因記録情報が示す第２事故原因とが一致するか否かを判定し、
   前記第１事故原因と前記第２事故原因とが一致すると判定された場合、取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報を、計測結果情報に係る情報が入力されると事故原因を示す情報を出力する学習済みモデルを作成するための学習データとして選別する、
   情報処理方法。
8. コンピュータに、
   対象設備の事故原因が記録された事故原因記録情報を取得させ、
   前記対象設備において電力に関する計測を行った結果を示す計測結果情報を取得させ、 取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報に基づいて、事故相または零相のデータを複数の高調波成分によって示した特徴量を算出させ、
   算出された前記特徴量に基づいて、事故原因を推定させ、
   推定された第１事故原因と、取得された前記事故原因記録情報が示す第２事故原因とが一致するか否かを判定させ、
   前記第１事故原因と前記第２事故原因とが一致すると判定された場合、取得された前記計測結果情報のうち、前記対象設備の事故時の計測結果情報を、計測結果情報に係る情報が入力されると事故原因を示す情報を出力する学習済みモデルを作成するための学習データとして選別させる、
   プログラム。

Images