JP7257455B2 - コントローラの意思決定論理の性能を監視するための方法および監視システム - Google Patents

コントローラの意思決定論理の性能を監視するための方法および監視システム Download PDF

Info

Publication number
JP7257455B2
JP7257455B2 JP2021116501A JP2021116501A JP7257455B2 JP 7257455 B2 JP7257455 B2 JP 7257455B2 JP 2021116501 A JP2021116501 A JP 2021116501A JP 2021116501 A JP2021116501 A JP 2021116501A JP 7257455 B2 JP7257455 B2 JP 7257455B2
Authority
JP
Japan
Prior art keywords
logic
decision
controller
performance
monitoring system
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.)
Active
Application number
JP2021116501A
Other languages
English (en)
Other versions
JP2022035998A (ja
Inventor
アダマンティオス・マリナキス
ヤマン・カンシン・エブレノスオール
イオアニス・リンペロポウロス
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Energy Ltd
Original Assignee
Hitachi Energy Switzerland AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Energy Switzerland AG filed Critical Hitachi Energy Switzerland AG
Publication of JP2022035998A publication Critical patent/JP2022035998A/ja
Application granted granted Critical
Publication of JP7257455B2 publication Critical patent/JP7257455B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/30—State monitoring, e.g. fault, temperature monitoring, insulator monitoring, corona discharge
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Description

発明の分野
本発明は、産業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、または発電システムのコントローラの意思決定論理の性能を監視するための方法、装置、およびシステムに関する。より具体的には、本発明は、コントローラの現場動作中に意思決定論理が評価されることを可能にする技法に関する。
発明の背景
発電システムまたは送電システム、送電網、または変電所などの現代の産業オートメーション制御システム（ＩＡＣＳ）、および現代の産業システムは、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意思決定論理は、いずれの状況下で様々な措置のうちのいず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が、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備された制御論理は、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クリアされるべき深刻な障害があるか否かを識別し、最後に回路遮断器に信号を送信して開く。障害の迅速な識別および除去は、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。
各リレーの意思決定論理（すなわち、保護論理）、および複数のリレー間の調整方式は、予測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、これは人間の熟練技師によって行われている。設計段階中、技師は、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実行して、保護制御論理の性能を評価および改良する。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。配備されると、保護論理は、その実施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インターフェース発電、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起因して、保護システムの設計はますます複雑になっている。加えて、短絡電流容量がないこと、および、コンバータインターフェース発電機によって供給される短絡電流の種々の性質（例えば、遅延ゼロ交差、歪んだ信号など。）、ならびに、発電の空間パターンの変化による多方向電流に起因して、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、保護論理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価する必要があるため、ますます頻繁に実行する必要がある。
保護論理設計の従来の実践は、特定の設計事例ごとに、熟練技師が、複数の保護機能（過電流、指向性、距離、差動保護など）またはそれらの組み合わせの中から選択し、選択された機能（複数可）に関連する設定（すなわち、関数パラメータ）を決定するというものである。ますます複雑化する送電および／または配電システムの限界に近い動作は、異なる機能の結果の組み合わせを必要とするタスクである。タスクは、現場で同時に配備され得る複数のコントローラの相互作用によって悪化する。
意思決定論理を設定する非常に複雑なタスクにおいて熟練技師を支援するために、コンピュータベースの技法を使用することができる。
生成だけでなく、現場動作中の意思決定論理の監視も複雑なタスクである。これは、特に、意思決定論理が熟練技師によって（のみ）生成されるのではなく、意思決定論理の生成が、例えば機械学習（ＭＬ）技法に基づいてコンピュータ実装方式で行われる場合に当てはまる。例示のために、ＭＬが意思決定論理を生成するために使用される場合、人間の熟練者がコントローラの現場動作中に意思決定論理の性能を評価することは困難になり得る。
典型的なＭＬシステムは、広範囲の機能を学習する能力において強力であるが、人間の技師に対してブラックボックスとして挙動することが多い。これには様々な欠点があり得る。例示として、意思決定ＭＬモデルを訓練することによって得られる意思決定論理が入力信号を様々な可能な制御動作にどのようにマッピングするかを人間の技師が理解することは通常不可能である。これは、電力システムトポロジの変化または電力システムに対する他の更新に応答して意思決定論理を修正する必要がある場合に、人間の技師に困難なタスクを課す。
米国特許出願公開第２００８／０７７３６８号明細書 米国特許出願公開第２０１０／１００２５０号明細書 米国特許第８０１４８８０号明細書
概要
産業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意思決定論理の性能を監視するための改善された技法を提供することが必要とされている。特に、コントローラの現場動作中に意思決定論理を自動的に監視および評価することを可能にする改善された技法が必要とされている。例えば意思決定論理が機械学習（ＭＬ）技法を使用して作成されている場合など、意思決定論理の内部動作が明示的に知られていない場合でも、意思決定論理が自動的に監視および評価されることを可能にする改善された技法が必要とされている。
本発明の実施形態によれば、コントローラの現場動作中に、意思決定論理（例えば、制御論理）が品質基準に従って実行するか否かを継続的に自律的に評価する監視システムを実装する方法およびシステムが提供される。
監視システムは、意思決定論理を更新する必要があるか否かを判定するように動作可能であり得る。
監視システムは、変化する環境における意思決定論理の性能および／または適合性を自律的に評価するように動作可能であり得る。
監視システムによって生成される出力は、ヒューマンマシンインターフェース（ＨＭＩ）を介して出力することができ、および／またはＩＡＣＳのコントローラのための意思決定論理を自動的に生成したシステムにフィードバックすることができる。
意思決定論理の評価を実行するための監視システムは、制御システムの不可欠な部分とすることができ、または例えばクラウドサービスの一部として、外部システムに常駐させることができる。
監視システムは、コントローラの動作ならびに環境を監視することができ、性能メトリック（のセット）に関してコントローラの性能を評価するように動作可能であり得、環境
の変化を識別し、意思決定論理が元々設計されていた目的を満たすか否かを評価するように動作可能であり得る。監視システムは、意思決定論理を再設計または更新する必要性についてオペレータに自動的に通知することができ、任意選択的に、更新の必要性の根本原因に関する洞察および指示を提供することができ、および／または意思決定論理のためのコンピュータ実装設計プロセスの変更を自動的にトリガすることができる。
一実施形態によれば、コントローラの現場動作中に、産業オートメーション制御システム（ＩＡＣＳ）のコントローラ、特に電力システムのコントローラの意思決定論理の性能を監視する方法が提供される。本方法は、コントローラの現場動作中に収集される動作データを受信することを含むことができる。方法は、コントローラの現場動作の前に生成される動作前データおよび／または性能評価論理を使用して、意思決定論理の性能を評価するために動作データの分析を実行することを含むことができ、性能評価論理は、コントローラの現場動作の前に生成され、および／または意思決定論理を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成される。本方法は、分析の結果に基づいて分析出力を生成することを含むことができる。
方法は、監視システムによって自動的に実行されてもよい。
動作データは、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができる。
分析を実行することは、少なくとも１つのメトリックに従って決定出力から１つまたは複数の重要業績評価指標（ＫＰＩ）を計算することを含むことができる。
少なくとも１つのメトリックは、ユーザ入力に依存し得る。
本方法は、ユーザインターフェースにおいて少なくとも１つのメトリックを指定するユーザ入力を受信することをさらに含むことができる。
動作データは、コントローラの動作に影響を及ぼす電力システムデータをさらに含むことができる。
電力システムデータは、コントローラが接続され得るバスにおけるデータ、コントローラが接続され得るバスとは異なるバスからのデータ、システム全体の測定からのデータ、エネルギー管理システム（ＥＭＳ）からのデータ、配電管理システム（ＤＭＳ）からのデータのうちの少なくとも１つ、いくつか、またはすべてを含むことができる。
分析は、動作前データを使用して実行することができる。
本方法は、コントローラの現場動作中にデータベースから動作前データを取り出すことをさらに含むことができる。
動作前データは、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときに実行されるシミュレーションにおける意思決定論理の性能のうちの少なくとも１つ、いくつか、またはすべてを含むことができる。
分析を実行することは、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルの正確度を評価することを含むことができる。
意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルの正確度を評価することは、コントローラの現場動作中のモデル検証、較正、および／もし
くは識別、ならびに／または、コントローラの現場動作中に観察される信号を、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルに従って予測される信号と比較することを含むことができる。
代替的または付加的に、分析を実行することは、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントを評価することを含むことができる。
意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントを評価することは、コントローラの現場動作中に観察された動作点を、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントから生じる動作点と比較することを含むことができる。
代替的または付加的に、分析を実行することは、現場動作中にコントローラによって取られる制御動作と、意思決定論理を生成するときにシミュレートされる制御動作とを比較することを含むことができる。
現場動作中にコントローラによってとられる制御動作と、意思決定論理を生成するときにシミュレートされる制御動作とを比較することは、システム動作条件およびコントローラの現場動作中にコントローラによってとられる制御動作を含むデータセットを作成することと、データセットを、システム動作条件および意思決定論理を生成するときにシミュレートされる結果としての制御動作を含む動作前データと比較することとを含むことができる。
代替的または付加的に、分析を実行することは、現場動作中にコントローラによって行われた決定出力のＫＰＩのうちの少なくとも１つ、いくつか、またはすべての値と、動作前データに格納されたＫＰＩのうちの少なくとも１つ、いくつか、またはすべての値とを比較することを含むことができる。
意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされるシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときにシミュレートされる制御動作、ＫＰＩのうちの１つまたは以下に関する情報は、コントローラの現場動作中に、データベースから監視システムによって取り出すことができる。
意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされるシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときにシミュレートされる制御動作、ＫＰＩのうちの１つまたは以下に関する情報は、現場動作で使用される意思決定論理だけでなく、意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理のためにも取り出され、処理され得る。
現場動作において使用される意思決定論理および意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理は、意思決定論理ＭＬモデル、特に人工ニューラルネットワーク（ＡＮＮ）であってもよい。現場動作において使用される意思決定論理および意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理は、意思決定論理ＭＬモデルトポロジ（例えば、複数の層における）および／またはパラメータ（ＡＮＮの順方向関数のリンクの重みなど）において区別され得る。
代替的または付加的に、監視システムは、性能評価論理を使用して分析を実行すること
ができる。
性能評価論理は、コントローラの現場動作中に、意思決定論理の生成に関する情報を含むデータベースにアクセスする必要なしに、分析を実行するように動作可能であり得る。
性能評価論理は、コントローラの現場動作中に自律的に動作することができる。
性能評価論理は、分類タスクを実行することができる。
性能評価論理は、動作データを入力として受信することができ、複数の離散値を有する分析出力を生成することができる。
複数の離散値は、意思決定論理が性能メトリックベースの基準に従って動作すると考えられるか否かを示す値を含むことができる。
複数の離散値は、意思決定論理が性能メトリックベースの基準に従って動作すると考えられるが、許容不可能な動作レジームに近づいていることを示す少なくとも１つの値を含むことができる。
性能評価論理は、電圧、電流、フェーザおよび／または直交測定値を含むことができる入力を受信することができる。
代替的または付加的に、性能評価論理は、電力システムトポロジを含み得る入力を受信することができる。
代替的または付加的に、性能評価論理は、気象情報を含み得る入力を受信することができる。
代替的または付加的に、性能評価論理は、電力価格を含み得る入力を受信することができる。
性能評価論理は、意思決定論理の適合性を示すフラグであり得る出力を生成することができる。
代替的または付加的に、性能評価論理は、意思決定論理をいつ修正または他の様態で再検討する必要があり得るかを示す予測時間情報を含み得る出力を生成することができる。
代替的または付加的に、性能評価論理は、意思決定論理の性能不足に関する可能性のある根本原因に関する情報を含み得る出力を生成することができる。
代替的または付加的に、性能評価論理は、意思決定論理をどのように改善することができるかを示すことができる根本原因解決に関する情報を含み得る出力を生成することができる。
性能不足に関する可能性のある根本原因に関する情報および／または根本原因解決に関する情報は、シナリオパラメータ、特にシナリオシグネチャ（すなわち、意思決定論理に入力されるパラメータまたはパラメータの組み合わせ）を含むことができる。
性能評価論理は、性能評価ＭＬモデルであってもよい。
性能評価論理は、人工ニューラルネットワークであってもよい。
性能評価論理を実施する性能評価ＭＬモデルは、意思決定論理の生成中に生成されるデータを使用して訓練することができる。
性能評価論理を実施する性能評価ＭＬモデルは、コントローラの現場動作の前かつ意思決定論理が生成される後に訓練することができる。
本方法は、第２のシナリオセットによって機械学習モデルを訓練することを含むことができる。
第２のシナリオセットは、コントローラの動作仕様外であり得るシナリオを含み得る。
第２のシナリオセットは、意思決定論理を訓練するために使用される第１のシナリオセットとは異なり得る。
本方法は、意思決定論理にチャレンジするさらなるシナリオ生成ＭＬモデルを用いて、第２のシナリオセットの少なくともサブセットを生成することをさらに含むことができる。
第１のシナリオセットおよび／または第２のシナリオセットは、シナリオ作成論理を使用して生成することができる。
第１のシナリオセットおよび／または第２のシナリオセットは、さらなる機械学習モデルによって生成することができる。第１のシナリオセットおよび／または第２のシナリオセットは、敵対的生成ネットワークを使用して生成することができる。
方法は、分析の結果の時間依存性の発展を監視または予測することと、時間依存性の発展に基づいて分析出力を生成することとをさらに含むことができる。
時間依存性の発展を予測することは、将来の動作点を予測することと、予測された将来の動作点に対する意思決定論理の決定出力を予測することとを含むことができる。
時間依存性の発展が、性能メトリックベースの基準を満たさない将来のコントローラ性能を示す場合、警報、警告、または他の分析出力を自動的に生成することができる。
意思決定論理の性能の時間依存性の将来の発展を予測することは、監視システムを使用して実行することができる。
性能評価論理が予測を実行することを可能にするために、方法は、シナリオのバッチを使用して性能評価論理を訓練することを含むことができ、各バッチは時系列を表す。
本方法は、シナリオのバッチのコンピュータ実施生成を含むことができ、発展は１つまたは複数の潜在変数によって駆動される。
潜在変数（複数可）は、決定論的にシナリオを定義する実際の変数と関連付けることができる。
潜在変数（複数可）は、確率論的にシナリオを定義する実際の変数と関連付けることができる。
性能評価論理が予測を実行することを可能にするために、監視システムは、代替的にまたは付加的に、少なくとも１つの予測器を実行することができ、予測器の出力は、性能評
価論理に入力として供給される。
監視システムは、複数の予測器および性能評価論理の複数のインスタンスを実行することができ、複数の予測器の各々は、性能評価論理のための入力を生成する。
予測器（複数可）は、動作データを入力として受信することができ、例えば履歴データに基づいて、将来の動作点の予測を生成することができる。
複数の予測器が配備されるとき、複数の予測器は、複数の異なる時点および／または複数の異なる周囲条件の予測を生成することができる。
予測器は、リカレントニューラルネットワークであってもよい。
方法は、分析出力を出力するようにヒューマンマシンインターフェースＨＭＩを制御することをさらに含むことができ、分析出力は、現場動作中のコントローラの過去の、現在の、および／または予測される将来の性能に関する情報を含む。
電力システムの電力システム資産を動作させる方法は、電力システム資産を制御するための決定出力を生成および出力することを含め、コントローラの少なくとも１つの集積回路によって、コントローラの現場動作中に意思決定論理を実行することを含むことができる。
本方法は、コントローラの少なくとも１つの集積回路によって、または少なくとも１つ、いくつか、もしくはすべてのさらなる集積回路によって、先行する請求項のいずれか１項に記載のコントローラの現場動作中にコントローラの意思決定論理を監視するための方法を実行することをさらに含むことができる。
本方法は、ヒューマンマシンインターフェースＨＭＩを介して分析出力を出力すること、および／または分析出力に基づいて制御動作を自動的に実行することをさらに含むことができる。
制御動作は、意思決定論理の再生成または更新をトリガすることができる。
本方法は、現場動作中に意思決定論理の性能不足に関する根本原因識別を実行すること、および／または、現場動作中に意思決定論理を改善するための指示を提供することをさらに含むことができる。
本方法は、根本原因解決を実行することをさらに含むことができる。根本原因解決は、意思決定論理が性能メトリックベースの基準を満たすようにするために、現実の動作シナリオのいずれのシナリオパラメータ（複数可）を修正する必要があるかを識別することを含むことができる。
根本原因解決は、監視システムによって、意思決定論理の性能が性能メトリックベースの基準を満たすようにするシナリオパラメータ空間内のシフトを特定することを含むことができる。
シナリオパラメータ空間内のシフトを特定することは、条件付き最適化を実行することを含むことができる。
条件付き最適化は、シフトのノルムである目的関数を使用することができる。
条件付き最適化は、性能評価論理を使用して、制約が満たされているか否かを判定することができる。
分析を実行することは、監視システムによって、空間的および／または時間的な需要プロファイルおよび／または気象条件などの電力システムの外部に由来する要因に起因して不十分である意思決定論理の性能を識別することを含むことができる。
代替的または付加的に、分析を実行することは、監視システムによって、新たな送電および／または配電線、新たな発電または貯蔵容量、新たなコントローラの設置、スイッチングによって引き起こされ得る、進行中の動作中のトポロジ変化などの電力システムインフラストラクチャの変化に起因して不十分な意思決定論理の性能を識別することを含むことができる。
代替的または付加的に、分析を実行することは、監視システムによって、電力システムの別のコントローラによって実行される別の意思決定論理の変化に起因して不十分である意思決定論理の性能を識別することを含むことができる。
代替的または付加的に、分析を実行することは、監視システムによって、性能メトリックの変化に起因して不十分である意思決定論理の性能を識別することを含むことができる。
意思決定論理は、コントローラ入力を処理することによって決定出力を生成することができ、コントローラ入力は、ローカルで利用可能な測定値、リモートでキャプチャされる測定値、システム全体の観測値のうちの１つ、いくつか、またはすべてを含む。
コントローラは、分散型エネルギー資源（ＤＥＲ）のコントローラであってもよい。
コントローラは、ローカルコントローラであってもよい。
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、ガバナおよび励磁機／自動電圧調整器）、高電圧直流（ＨＶＤＣ）装置（複数可）の制御システム、フレキシブル交流伝送システム（ＦＡＣＴＳ）装置（複数可）の制御システム、スイッチトキャパシタおよび／またはリアクタの決定論理、不足周波数遮断リレー、および不足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。
コントローラは、中央コントローラであってもよい。
中央コントローラは、ＥＭＳ／ＤＭＳ、例えば、二次周波数制御のための意思決定論理、発電再配分のための意思決定論理、需要の柔軟性を利用するための意思決定論理、再閉動作のための意思決定論理、無効電力再配分による二次電圧制御のための意思決定論理、典型的には外乱後に作動させる必要があるシステム保護スキームまたは是正動作スキームの場合などのグリッドにわたる動作を調整する意思決定論理からなる群から選択されてもよい。
コントローラは、１つまたは複数の発電機および／または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リンクまたはバックツーバックＤＣのＰ／Ｑ注入、ＳＶＣまたはＳＴＡＴＣＯＭなどのＦＡＣＴＳ装置のＱ注入、電力潮流制御装置、１つまたは複数のコンデンサバンク、リアクタ、およびＯＬＴＣのタップ位置、需要量、ｅ－ｆｌｅｅｔによるＰ／Ｑ注入、スイッチおよび／またはリクローザのステータスからなる群から選択することができる制御可能なパラメータを制御することができる。
産業オートメーション制御システムＩＡＣＳのコントローラ、特に電力システムのコントローラの現場動作中のコントローラの意思決定論理のための監視システムは、コントローラの現場動作中に収集される動作データを受信するように動作可能な少なくとも１つの
集積回路を備える。少なくとも１つの集積回路は、コントローラの現場動作の前に生成される動作前データおよび／または性能評価論理を使用して、意思決定論理の性能を評価するために動作データの分析を実行するように動作可能であり得、性能評価論理は、コントローラの現場動作の前に生成され、および／または意思決定論理を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成される。少なくとも１つの集積回路は、分析の結果に基づいて分析出力を生成するように動作可能であり得る。
監視システムは、動作データが、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができるように動作可能であり得る。
監視システムは、分析を実行することが、少なくとも１つのメトリックに従って決定出力から１つまたは複数の重要業績評価指標（ＫＰＩ）を計算することを含むことができるように動作可能であり得る。
監視システムは、少なくとも１つのメトリックがユーザ入力に依存し得るように動作可能であり得る。
監視システムは、ユーザインターフェースにおいて少なくとも１つのメトリックを指定するユーザ入力を受信するように動作可能であり得る。
監視システムは、動作データがコントローラの動作に影響を及ぼす電力システムデータをさらに含むことができるように動作可能であり得る。
監視システムは、電力システムデータが、コントローラが接続され得るバスにおけるデータ、コントローラが接続され得るバスとは異なるバスからのデータ、システム全体の測定からのデータ、エネルギー管理システム（ＥＭＳ）からのデータ、配電管理システム（ＤＭＳ）からのデータのうちの少なくとも１つ、いくつか、またはすべてを含むことができるように動作可能であり得る。
監視システムは、動作前データを使用して分析を実行することができるように動作可能であり得る。
監視システムは、コントローラの現場動作中にデータベースから動作前データを取り出すように動作可能であり得る。
監視システムは、動作前データが、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときに実行されるシミュレーションにおける意思決定論理の性能のうちの少なくとも１つ、いくつか、またはすべてを含むことができるように動作可能であり得る。
監視システムは、分析を実行することが、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルの正確度を評価することを含むことができるように動作可能であり得る。
監視システムは、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルの正確度を評価することが、コントローラの現場動作中のモデル検証、較正、および／もしくは識別、ならびに／または、コントローラの現場動作中に観察される信号を、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデルに従って予測される信号と比較することを含むことができるように動作可能であり得
る。
代替的または付加的に、監視システムは、分析を実行することが、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントを評価することを含むことができるように動作可能であり得る。
監視システムは、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントを評価することが、コントローラの現場動作中に観察された動作点を、意思決定論理を生成するときにシミュレートされたシナリオ、テストケース、および／またはイベントから生じる動作点と比較することを含むことができるように動作可能であり得る。
代替的または付加的に、監視システムは、分析を実行することが、現場動作中にコントローラによって取られる制御動作と、意思決定論理を生成するときにシミュレートされる制御動作とを比較することを含むことができるように動作可能であり得る。
監視システムは、現場動作中にコントローラによってとられる制御動作と、意思決定論理を生成するときにシミュレートされる制御動作とを比較することが、システム動作条件およびコントローラの現場動作中にコントローラによってとられる制御動作を含むデータセットを作成することと、データセットを、システム動作条件および意思決定論理を生成するときにシミュレートされる結果としての制御動作を含む動作前データと比較することとを含むことができるように動作可能であり得る。
代替的または付加的に、監視システムは、分析を実行することは、現場動作中にコントローラによって行われた決定出力のＫＰＩのうちの少なくとも１つ、いくつか、またはすべての値と、動作前データに格納されたＫＰＩのうちの少なくとも１つ、いくつか、またはすべての値とを比較することを含むことができるように動作可能であり得る。
監視システムは、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされるシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときにシミュレートされる制御動作、ＫＰＩのうちの１つまたは以下に関する情報を、コントローラの現場動作中に、データベースから受信するように動作可能であり得る。
監視システムは、意思決定論理を生成するときにシミュレーションを実行するために使用されるモデル、意思決定論理を生成するときにシミュレートされるシナリオ、テストケース、および／またはイベント、意思決定論理を生成するときにシミュレートされる制御動作、ＫＰＩのうちの１つまたは以下に関する情報を、現場動作で使用される意思決定論理だけでなく、意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理のためにも取り出し、処理するように動作可能であり得る。
現場動作において使用される意思決定論理および意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理は、意思決定論理ＭＬモデル、特に人工ニューラルネットワーク（ＡＮＮ）であってもよい。現場動作において使用される意思決定論理および意思決定論理作成プロセスにおいて考慮される１つまたは複数の代替的な意思決定論理は、意思決定論理ＭＬモデルトポロジ（例えば、複数の層における）および／またはパラメータ（ＡＮＮの順方向関数のリンクの重みなど）において区別され得る。
代替的または付加的に、監視システムは、性能評価論理を使用して分析を実行するように動作可能であり得る。
性能評価論理は、コントローラの現場動作中に、意思決定論理の生成に関する情報を含むデータベースにアクセスする必要なしに、分析を実行するように動作可能であり得る。
性能評価論理は、コントローラの現場動作中に自律的に動作することができる。
性能評価論理は、分類タスクを実行することができる。
性能評価論理は、動作データを入力として受信することができ、複数の離散値を有する分析出力を生成することができる。
性能評価論理は、複数の離散値が、意思決定論理が性能メトリックベースの基準に従って動作すると考えられるか否かを示す値を含むことができるように動作可能であり得る。
性能評価論理は、複数の離散値が、意思決定論理が性能メトリックベースの基準に従って動作すると考えられるが、許容不可能な動作レジームに近づいていることを示す少なくとも１つの値を含むことができるように動作可能であり得る。
性能評価論理は、電圧、電流、フェーザおよび／または直交測定値を含むことができる入力を受信するように動作可能であり得る。
代替的または付加的に、性能評価論理は、電力システムトポロジを含み得る入力を受信するように動作可能であり得る。
代替的または付加的に、性能評価論理は、気象情報を含み得る入力を受信するように動作可能であり得る。
代替的または付加的に、性能評価論理は、電力価格を含み得る入力を受信するように動作可能であり得る。
性能評価論理は、意思決定論理の適合性を示すフラグであり得る出力を生成するように動作可能であり得る。
代替的または付加的に、性能評価論理は、意思決定論理をいつ修正または他の様態で再検討する必要があり得るかを示す予測時間情報を含み得る出力を生成するように動作可能であり得る。
代替的または付加的に、性能評価論理は、意思決定論理の性能不足に関する可能性のある根本原因に関する情報を含み得る出力を生成するように動作可能であり得る。
代替的または付加的に、性能評価論理は、根本原因解決に関する可能性のある根本原因に関する情報を含み得る出力を生成するように動作可能であり得る。根本原因解決に関する情報は、意思決定論理をどのように改善することができるかを示すことができる。
性能評価論理は、根本原因解決に関する情報がシナリオパラメータ、特にシナリオシグネチャを含むことができるように動作可能であり得る。
性能評価論理は、性能評価ＭＬモデルであってもよい。
性能評価論理は、人工ニューラルネットワークであってもよい。
性能評価論理を実施する性能評価ＭＬモデルは、意思決定論理の生成中に生成されるデ
ータを使用して訓練することができる。
性能評価論理を実施する性能評価ＭＬモデルは、コントローラの現場動作の前かつ意思決定論理が生成される後に訓練することができる。
性能評価論理を実施する性能評価ＭＬモデルは、第２のシナリオセットを用いて訓練することができる。
第２のシナリオセットは、コントローラの動作仕様外であり得るシナリオを含み得る。
第２のシナリオセットは、意思決定論理を訓練する第１のシナリオセットとは異なり得る。
監視システムは、分析の結果の時間依存性の発展を監視または予測することと、時間依存性の発展に基づいて分析出力を生成することとを行うように動作可能であり得る。
監視システムは、時間依存性の発展を予測することが、将来の動作点を予測することと、予測された将来の動作点に対する意思決定論理の決定出力を予測することとを含むことができるように動作可能であり得る。
監視システムは、時間依存性の発展が、性能メトリックベースの基準を満たさない将来のコントローラ性能を示す場合、警報、警告、または他の分析出力を自動的に生成することができるように動作可能であり得る。
監視システムは、意思決定論理の性能の時間依存性の将来の発展を予測することが、監視システムを使用して実行することができるように動作可能であり得る。
性能評価論理は、シナリオのバッチを使用して訓練することができ、各バッチは時系列を表す。
シナリオのバッチは、発展を有することができ、発展は１つまたは複数の潜在変数によって駆動される。
潜在変数（複数可）は、決定論的にシナリオを定義する実際の変数と関連付けることができる。
潜在変数（複数可）は、確率論的にシナリオを定義する実際の変数と関連付けることができる。
監視システムは、代替的にまたは付加的に、少なくとも１つの予測器を実行するように動作可能であり得、予測器の出力は、性能評価論理に入力として供給される。
監視システムは、複数の予測器および性能評価論理の複数のインスタンスを実行するように動作可能であり得、複数の予測器の各々は、性能評価論理のための入力を生成する。
予測器（複数可）は、動作データを入力として受信するように動作可能であり得、例えば履歴データに基づいて、将来の動作点の予測を生成することができる。
複数の予測器が配備されるとき、複数の予測器は、複数の異なる時点および／または複数の異なる周囲条件の予測を生成するように動作可能であり得る。
予測器は、リカレントニューラルネットワークであってもよい。
監視システムは、分析出力を出力するようにヒューマンマシンインターフェースＨＭＩを制御するように動作可能であり得、分析出力は、現場動作中のコントローラの過去の、現在の、および／または予測される将来の性能に関する情報を含む。
監視システムは、電力システムの電力システム資産を動作させるためのコマンドを生成するように動作可能であり得る。
監視システムは、電力システム資産を制御するための決定出力を生成および出力することを含め、コントローラの現場動作中に意思決定論理を実行するように動作可能であるコントローラを備えることができる。
監視システムは、分析出力に基づいて、ヒューマンマシンインターフェースＨＭＩを介して分析出力を出力するように、および／または分析出力に基づいて制御動作を自動的に実行するように動作可能であり得る。
監視システムは、現場動作中に意思決定論理の性能不足に関する根本原因識別を実行すること、および／または、現場動作中に意思決定論理を改善するための指示を提供することを行うように動作可能であり得る。
監視システムは、根本原因解決を実行するように動作可能であり得る。監視システムは、根本原因解決が、意思決定論理が性能メトリックベースの基準を満たすようにするために、現実の動作シナリオのいずれのシナリオパラメータ（複数可）を修正する必要があるかを識別することを含むことができるように動作可能であり得る。
監視システムは、根本原因解決を実施するために、意思決定論理が性能に性能メトリックベースの基準を満たすようにするシナリオパラメータ空間内のシフトを特定するように動作可能であり得る。
監視システムは、シナリオパラメータ空間内のシフトを特定することが、条件付き最適化を実行することを含むことができるように動作可能であり得る。
監視システムは、条件付き最適化が、シフトのノルムである目的関数を使用することができるように動作可能であり得る。
監視システムは、条件付き最適化が、性能評価論理を使用して、制約が満たされているか否かを判定することができるように動作可能であり得る。
監視システムは、分析を実行することが、監視システムによって、空間的および／または時間的な需要プロファイルおよび／または気象条件などの電力システムの外部に由来する要因に起因して不十分である意思決定論理の性能を識別することを含むことができるように動作可能であり得る。
代替的または付加的に、監視システムは、分析を実行することが、監視システムによって、新たな送電および／または配電線、新たな発電または貯蔵容量、新たなコントローラの設置、スイッチングによって引き起こされ得る、進行中の動作中のトポロジ変化などの電力システムインフラストラクチャの変化に起因して不十分である意思決定論理の性能を識別することを含むことができるように動作可能であり得る。
代替的または付加的に、監視システムは、分析を実行することが、監視システムによっ
て、電力システムの別のコントローラによって実行される別の意思決定論理の変化に起因して不十分である意思決定論理の性能を識別することを含むことができるように動作可能であり得る。
代替的または付加的に、監視システムは、分析を実行することが、監視システムによって、性能メトリックの変化に起因して不十分である意思決定論理の性能を識別することを含むことができるように動作可能であり得る。
本発明の別の態様によれば、産業オートメーション制御システムＩＡＣＳのコントローラ、特に電力システムのコントローラの意思決定論理の性能を、コントローラの現場動作中に監視する方法が提供され、本方法は、監視システムの少なくとも１つの集積回路によって実行され、
コントローラの現場動作中に収集される動作データを受信することと、
意思決定論理の性能を評価するために動作データの分析を実行することであって、分析が、意思決定論理の性能低下をもたらす将来のシステム動作条件を識別する予測分析を含む、実行することと、
少なくとも予測分析の結果に基づいて分析出力を生成することと
を含む。
動作データは、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができる。
予測分析は、将来の動作点を予測することと、予測された将来の動作点に対する意思決定論理の決定出力を予測することとを含むことができる。
予測分析は、性能評価論理によって実行することができる。
性能評価論理は、コントローラの現場動作の前に生成することができ、および／または、意思決定論理を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成することができる。
性能評価論理が予測を実行することを可能にするために、方法は、シナリオのバッチを使用して性能評価論理を訓練することを含むことができ、各バッチは時系列を表す。
本方法は、シナリオのバッチのコンピュータ実施生成を含むことができ、発展は１つまたは複数の潜在変数によって駆動される。
潜在変数（複数可）は、決定論的にシナリオを定義する実際の変数と関連付けることができる。
潜在変数（複数可）は、確率論的にシナリオを定義する実際の変数と関連付けることができる。
性能評価論理が予測を実行することを可能にするために、監視システムは、代替的にまたは付加的に、少なくとも１つの予測器を実行することができ、予測器の出力は、性能評価論理に入力として供給される。
監視システムは、複数の予測器および性能評価論理の複数のインスタンスを実行することができ、複数の予測器の各々は、性能評価論理のための入力を生成する。
予測器（複数可）は、動作データを入力として受信することができ、例えば履歴データ
に基づいて、将来の動作点の予測を生成することができる。
複数の予測器が配備されるとき、複数の予測器は、複数の異なる時点および／または複数の異なる周囲条件の予測を生成することができる。
予測器は、リカレントニューラルネットワークであってもよい。
方法は、分析出力を出力するようにヒューマンマシンインターフェースＨＭＩを制御することをさらに含むことができ、分析出力は、現場動作中のコントローラの過去の、現在の、および／または予測される将来の性能に関する情報を含む。
時間依存性の発展が、性能メトリックベースの基準を満たさない将来のコントローラ性能を示す場合、警報、警告、または他の分析出力を自動的に生成することができる。
本発明の別の態様によれば、産業オートメーション制御システムＩＡＣＳのコントローラ、特に電力システムのコントローラの意思決定論理に対する、コントローラの現場動作中の監視システムが提供され、監視システムは、少なくとも１つの集積回路を備え、集積回路は、
コントローラの現場動作中に収集される動作データを受信することと、
意思決定論理の性能を評価するために動作データの分析を実行することであって、分析が、意思決定論理の性能低下をもたらす将来のシステム動作条件を識別する予測分析を含む、実行することと、
少なくとも前記予測分析の結果に基づいて分析出力を生成することと
を行うように動作可能である。
監視システムは、動作データが、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができるように動作可能であり得る。
監視システムは、予測分析が、将来の動作点を予測することと、予測された将来の動作点に対する意思決定論理の決定出力を予測することとを含むことができるように動作可能であり得る。
監視システムは、予測分析を、性能評価論理によって実行することができるように動作可能であり得る。
監視システムは、性能評価論理がコントローラの現場動作の前に、および／または、意思決定論理を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成されるように動作可能であり得る。
性能評価論理は、シナリオのバッチを使用して訓練することができ、各バッチは時系列を表す。
バッチのシナリオの発展は、１つまたは複数の潜在変数によって駆動され得る。
潜在変数（複数可）は、決定論的にシナリオを定義する実際の変数と関連付けることができる。
潜在変数（複数可）は、確率論的にシナリオを定義する実際の変数と関連付けることができる。
監視システムは、代替的にまたは付加的に、少なくとも１つの予測器を実行するように動作可能であり得、予測器の出力は、性能評価論理に入力として供給される。
監視システムは、複数の予測器および性能評価論理の複数のインスタンスを実行するように動作可能であり得、複数の予測器の各々は、性能評価論理のための入力を生成する。
監視システムは、予測器（複数可）が、動作データを入力として受信することができ、例えば履歴データに基づいて、将来の動作点の予測を生成することができるように動作可能であり得る。
監視システムは、複数の予測器が、複数の異なる時点および／または複数の異なる周囲条件の予測を生成することができるように動作可能であり得る。
予測器は、リカレントニューラルネットワークであってもよい。
監視システムは、分析出力を出力するようにヒューマンマシンインターフェース（ＨＭＩ）を制御するように動作可能であり得、分析出力は、現場動作中のコントローラの過去の、現在の、および／または予測される将来の性能に関する情報を含む。
監視システムは、時間依存性の発展が、性能メトリックベースの基準を満たさない将来のコントローラ性能を示す場合、警報、警告、または他の分析出力を自動的に生成することができるように動作可能であり得る。
本発明の別の態様によれば、産業オートメーション制御システムＩＡＣＳのコントローラ、特に電力システムのコントローラの意思決定論理の性能を、コントローラの現場動作中に監視する方法が提供され、本方法は、監視システムの少なくとも１つの集積回路によって実行され、
コントローラの現場動作中に収集される動作データを受信することと、
現場動作中に意思決定論理の性能不足に関する可能性のある根本原因を特定すること、および／または、意思決定論理を改善するために根本原因解決を実行することを含め、意思決定論理の性能を評価するために動作データの分析を実行することと、
分析の結果に基づいて分析出力を生成することと
を含む。
動作データは、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができる。
分析出力は、意思決定論理の性能不足に関する可能性のある根本原因に関する情報を含むことができる。
分析出力は、根本原因解決に関する情報を含むことができる。
監視システムは、性能評価論理を実行することができる。
現場動作中に意思決定論理の性能不足に関する根本原因を特定すること、および／または、現場動作中に根本原因解決のための指示を生成することは、意思決定論理が性能メトリックベースの基準を満たすようにするために、現実の動作シナリオのいずれのシナリオパラメータ（複数可）を修正する必要があるかを特定することを含むことができる。
現場動作中に意思決定論理の性能不足に関する根本原因を特定すること、および／または、現場動作中に根本原因解決のための指示を生成することは、監視システムによって、意思決定論理の性能が性能メトリックベースの基準を満たすようにする、シナリオパラメータ空間内のシフトを特定することを含むことができる。
シナリオパラメータ空間内のシフトを特定することは、条件付き最適化を実行することを含むことができる。
条件付き最適化は、シフトのノルムである目的関数を使用することができる。
条件付き最適化は、性能評価論理を使用して、制約が満たされているか否かを判定することができる。
本発明の別の態様によれば、産業オートメーション制御システムＩＡＣＳのコントローラ、特に電力システムのコントローラの意思決定論理の、コントローラの現場動作中の監視システムが提供され、監視システムは、少なくとも１つの集積回路を備え、少なくとも１つの集積回路は、
コントローラの現場動作中に収集される動作データを受信することと、
現場動作中に意思決定論理の性能不足に関する可能性のある根本原因を特定すること、および／または、意思決定論理を改善するために根本原因解決を実行することを含め、意思決定論理の性能を評価するために動作データの分析を実行することと、
分析の結果に基づいて分析出力を生成することと
を行うように動作可能である。
監視システムは、動作データが、コントローラの現場動作中の意思決定論理の決定出力に関する情報を含むことができるように動作可能であり得る。
監視システムは、分析出力が、意思決定論理の性能不足に関する可能性のある根本原因に関する情報を含むことができるように動作可能であり得る。
監視システムは、分析出力が、意思決定論理をどのように改善することができるかに関する情報を含むことができるように動作可能であり得る。
監視システムは、性能評価論理を実行することように動作可能であり得る。
監視システムは、現場動作中に意思決定論理の性能不足に関する根本原因を特定すること、および／または、現場動作中に意思決定論理を改善するために根本原因解決を実施することが、意思決定論理が性能メトリックベースの基準を満たすようにするために、現実の動作シナリオのいずれのシナリオパラメータ（複数可）を修正する必要があるかを特定することを含むことができるように動作可能であり得る。
監視システムは、現場動作中に意思決定論理の性能不足に関する根本原因を特定すること、および／または、現場動作中に意思決定論理を改善するための指示を生成することが、監視システムによって、意思決定論理の性能が性能メトリックベースの基準を満たすようにする、シナリオパラメータ空間内のシフトを特定することを含むことができるように動作可能であり得る。
監視システムは、シナリオパラメータ空間内のシフトを特定することが、条件付き最適化を実行することを含むように動作可能であり得る。
監視システムは、条件付き最適化が、シフトのノルムである目的関数を使用することができるように動作可能であり得る。
監視システムは、条件付き最適化が、性能評価論理を使用して、制約が満たされているか否かを判定することができるように動作可能であり得る。
産業オートメーション制御システムＩＡＣＳ、特に電力システムは、いずれの制御動作
を行わなければならないかを決定するために意思決定論理を実行するように動作可能であるコントローラと、動作中に意思決定論理を監視するための、一実施形態による監視システムとを備える。
意思決定論理は、コントローラ入力を処理することによって決定出力を生成するように動作可能であり得、コントローラ入力は、ローカルで利用可能な測定値、リモートでキャプチャされる測定値、システム全体の観測値のうちの１つ、いくつか、またはすべてを含む。
コントローラは、分散型エネルギー資源（ＤＥＲ）のコントローラであってもよい。
コントローラは、ローカルコントローラであってもよい。
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、ガバナおよび励磁機／自動電圧調整器）、高電圧直流（ＨＶＤＣ）装置（複数可）の制御システム、フレキシブル交流伝送システム（ＦＡＣＴＳ）装置（複数可）の制御システム、スイッチトキャパシタおよび／またはリアクタの決定論理、不足周波数遮断リレー、および不足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。
コントローラは、中央コントローラであってもよい。
中央コントローラは、ＥＭＳ／ＤＭＳ、例えば、二次周波数制御のための意思決定論理、発電再配分のための意思決定論理、需要の柔軟性を利用するための意思決定論理、再閉動作のための意思決定論理、無効電力再配分による二次電圧制御のための意思決定論理、典型的には外乱後に作動させる必要があるシステム保護スキームまたは是正動作スキームの場合などのグリッドにわたる動作を調整する意思決定論理からなる群から選択されてもよい。
コントローラは、１つまたは複数の発電機および／または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リンクまたはバックツーバックＤＣのＰ／Ｑ注入、ＳＶＣまたはＳＴＡＴＣＯＭなどのＦＡＣＴＳ装置のＱ注入、電力潮流制御装置、１つまたは複数のコンデンサバンク、リアクタ、およびＯＬＴＣのタップ位置、需要量、ｅ－ｆｌｅｅｔによるＰ／Ｑ注入、スイッチおよび／またはリクローザのステータスからなる群から選択することができる制御可能なパラメータを制御することができる。
実施形態による方法、装置、およびシステムによって、様々な効果および利点が達成される。
本発明による方法、装置、およびシステムは、産業オートメーション制御システムＩＡＣＳのコントローラによって実行される意思決定論理が、コントローラの現場動作中に監視されることを可能にする。意思決定論理は、コントローラの現場動作中に自動的に監視および評価することができる。方法、装置、およびシステムは、意思決定論理の内部動作が明示的に知られていない場合、例えば、意思決定論理が機械学習（ＭＬ）技法を使用して作成されている場合にも使用することができる。
本発明による方法、装置、およびシステムは、動作中に自律的に継続的に（すなわち、動作を中断することなく）、様々なグリッド装置および動作レベルにおけるコントローラの意思決定論理の有効性の評価を可能にする。
本発明による方法、装置、およびシステムは、意思決定論理が、その効率／有効性が損なわれないように、変化するグリッド環境に適応し続けることを可能にする。この目的のために、方法、装置、およびシステムは、意思決定論理がもはや適切ではないことを自動
的に認識することができる。典型的には、そのような状況は、コントローラが意思決定論理３５の生成プロセスにおいて予期される環境においてもはや動作しないために生じる。
本発明による方法、装置、およびシステムは、個々のローカルまたは中央コントローラの制御問題、および様々な電力システム構成要素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論理の評価に適用可能である。
図面の簡単な説明
本発明の主題は、添付の図面に例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。
監視システムを備えるシステムの概略図である。 一実施形態による監視システムを備えるシステムの概略図である。 監視システムがコントローラとは別個に設けられているシステムの概略図である。 監視システムがコントローラに統合されているシステムの概略図である。 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。 信号フローチャートである。 方法のフローチャートである。 システムのブロック図である。 監視システムの動作を示す図である。 監視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。 性能評価論理の訓練を示す信号フローチャートである。 訓練シナリオ空間を示す図である。 意思決定論理を訓練するための、または性能評価論理を訓練するためのシナリオ生成を示す図である。 意思決定論理を訓練するためのシナリオ生成を示す図である。 性能評価論理を訓練するためのシナリオ生成を示す図である。 方法のフローチャートである。 性能評価論理の機械学習モデル実施態様の図である。 方法のフローチャートである。 監視システムの動作を示す図である。 監視システムの動作を示す図である。 監視システムの動作を示す図である。 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。 シナリオパラメータ空間を示す図である。 監視システムの動作を示す図である。 監視システムの動作を示す図である。
実施形態の詳細な説明
本発明の例示的な実施形態は、図面を参照して説明され、図面において、同一または類似の参照符号は同一または類似の要素を示す。いくつかの実施形態は、発電システム、送電システム、または配電システムの文脈で説明されるが、下記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に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、監視システムは、電力システムなどの産業オートメーション制御システム（ＩＡＣＳ）のコントローラの意思決定論理の性能を監視および評価するために配備される。
開示されている技法は、産業または電力システムの多種多様なコントローラに適用可能であるが、限定ではなく、送電網および配電網ならびにスマートサイトまたはスマートシティの動作の文脈で本出願に記載されている。
本明細書において使用される場合、「意思決定論理」という用語は、コントローラによって実行される論理を広く包含する。意思決定論理は、限定ではなく、意思決定論理の実行の結果として、制御コマンドなどの制御出力を生成する制御論理であってもよい。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、限定ではなく、そのような意思決定論理の例である。例示のために、本明細書に開示されている技法は、限定ではなく、デジタル保護リレーの意思決定論理を生成するために使用されてもよい。
下記に詳細に説明するように、監視システムは、意思決定論理の現場動作中に実行される性能評価においてコントローラの意思決定論理を生成するコンピュータ実施プロセスにおいて生成または他の様態で使用される情報を使用することができる。
監視システムは、電力システム装置などの様々な産業装置における、および／または様々な動作レベルにおけるコントローラの意思決定論理の有効性の評価を可能にする。性能評価は、監視システムによって自律的に実行することができる。監視システムは、コントローラの現場動作中に継続的に、すなわち電力システムまたは産業システムの動作の中断を必要とせずに、性能評価を実行することができる。
図１および図２は、一実施形態による監視システムを備えるシステムの概略図である。
システムは、コントローラと総称される、１つまたは複数のコントローラ３１、３２、３３を備える。コントローラ３１、３２、３３はそれぞれ、センサ、マージングユニット、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実行するように動作可能であり得る。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）がトリップすべきか否か、およびトリップが即時トリップであるかまたは遅延トリップであるかを判定するデジタル保護リレーであってもよい。
コントローラ３１、３２、３３のうちの１つまたはいくつかによって実行される意思決定論理は、コンピュータによって生成されてもよい。コントローラ３１、３２、３３のうちの１つまたはいくつかによって実行される意思決定論理は、それぞれ訓練された機械学習（ＭＬ）モデルとすることができる。意思決定論理３５は、意思決定論理生成器によって自動的に生成することができ、コントローラ３１の現場使用中に実行するためにコントローラ３１に配備することができる。
本明細書において使用される場合、「意思決定論理」という用語は、特に、電力システム（または別の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つまたは複数のデータソース（センサ、マージングユニットなど）によって提供される信号に応答していずれの制御動作を行うべきかを決定させる論理を指すことができる。
意思決定論理は、それが配備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
て実行される機能（複数可）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実行する場合、複数の異なる決定論理をそのコントローラに配備することができる。
一般に、第１のコントローラ３１は、その中に配備された第１の意思決定論理を有することができる。第１の監視システムが、第１の意思決定論理を監視することができる。
第２のコントローラ３２は、その中に配備された第２の意思決定論理を有することができ、第２の意思決定論理は、第１の意思決定論理とは別様に動作することができる。例示のために、第２の意思決定論理の意思決定論理入力および／または意思決定論理出力は、第１の意思決定論理の意思決定論理入力および／または意思決定論理出力とは異なり得る。代替的または付加的に、第１の意思決定論理および第２の意思決定論理が同じ意思決定論理入力を受信し、および／または同じタイプの意思決定論理出力信号を生成する場合であっても、第２の意思決定論理の決定境界は、第１の意思決定論理の決定境界と異なってもよい。代替的または付加的に、第２の意思決定論理のアーキテクチャ（例えば、第２の意思決定論理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、ノードの数、および／またはリンクの重み）は、第１の意思決定論理のアーキテクチャとは異なっていてもよい。
第３のコントローラ３３は、その中に配備された第３の意思決定論理を有することができ、第３の意思決定論理は、第１の意思決定論理および第２の意思決定論理とは別様に動作することができる。例示のために、第３の意思決定論理の意思決定論理入力および／または意思決定論理出力は、第１の意思決定論理および第２の意思決定論理の意思決定論理入力および／または意思決定論理出力とは異なり得る。代替的または付加的に、第１の意思決定論理、第２の意思決定論理、および第３の意思決定論理が同じ意思決定論理入力を受信し、および／または同じタイプの意思決定論理出力信号を生成する場合であっても、第３の意思決定論理の決定境界は、第１の意思決定論理および第２の意思決定論理の決定境界と異なってもよい。代替的または付加的に、第３の意思決定論理のアーキテクチャ（例えば、第３の意思決定論理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、ノードの数、および／またはリンクの重み）は、第１の意思決定論理および第２の意思決定論理のアーキテクチャとは異なってもよい。
適切な反応を保証するために、様々なコントローラ３１、３２、３３を電力システムのすべての階層レベルに配備することができる。いくつかのコントローラはローカルであってもよく、すなわち、それらは電力システム構成要素の物理的に近くに配置される。他のコントローラは中央にあってもよく、すなわち、意思決定論理は、（時として地域の）制御センター、変電所、またはクラウド内で計算される。本明細書においてより完全に説明されるように監視システムが配備される、本明細書において開示される技法は、ローカルコントローラと中央コントローラの両方に適用可能である。
意思決定論理３５が配備されるコントローラ３１は、少なくとも１つの集積回路を含むことができる。少なくとも１つの集積回路は、意思決定論理３５を実行するように動作可能である、プロセッサ、マイクロプロセッサ、コントローラ、マイクロコントローラ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、またはそれらの任意の組み合わせを含むことができる。
意思決定論理３５が配備されるコントローラは、入力インターフェース３６を有する。意思決定論理３５への入力は、入力インターフェース３５において受信される入力データおよび／または入力信号において受信されるか、またはそれらから導出され得る。
意思決定論理３５が配備されるコントローラは、出力インターフェース３７を有する。
意思決定論理３５の出力またはそれに基づいて生成される出力コマンドは、出力インターフェース３７を介して出力することができる。出力インターフェース３７は、関連する一次または二次電力システム構成要素に対する制御動作をトリガするように動作可能であり得る。出力インターフェース３７は、中央制御システムまたは中央制御センターと動作可能に結合することができる。例示のために、出力インターフェース３７は、コントローラ３１に関連する動作データを変電所制御センターまたは地域もしくは国の制御センターに提供するために、変電所制御センターまたは地域もしくは国の制御センターと動作可能に結合することができる。
コントローラ３１、３２、３３は、意思決定論理３５が配備される１つまたは複数のローカルコントローラを含むことができる。本発明による監視システムによって監視されるローカルコントローラは、限定ではなく、保護リレー、発電機の制御システム（例えば、ガバナおよび励磁機／自動電圧調整器）、高電圧直流（ＨＶＤＣ）装置（複数可）の制御システム、フレキシブル交流伝送システム（ＦＡＣＴＳ）装置（複数可）の制御システム、スイッチトキャパシタおよび／またはリアクタの決定論理、不足周波数遮断リレー、および不足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。
コントローラ３１、３２、３３は、意思決定論理３５が配備される１つまたは複数の中央コントローラを含むことができる。監視システムによって監視される中央コントローラは、限定ではなく、エネルギー管理システム（ＥＭＳ）／配電管理システム（ＤＭＳ）、例えば、二次周波数制御のための意思決定論理、発電再配分のための意思決定論理、需要の柔軟性を利用するための意思決定論理、再閉動作のための意思決定論理、無効電力再配分による二次電圧制御のための意思決定論理、典型的には外乱後に作動させる必要があるシステム保護スキームまたは是正動作スキームの場合などのグリッドにわたる動作を調整する意思決定論理からなる群から選択されてもよい。
制御可能な量は、限定ではないが、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リンクまたはバックツーバックＤＣのＰ／Ｑ注入、静止型ＶＡＲ補償装置（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、コンデンサバンクの、リアクタ、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／リクローザのステータスなどからなる群から選択することができる制御可能なパラメータを制御することができる。
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、ローカルにおよび／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法は、限定ではなく、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。
意思決定論理３５は、限定ではなく、（ｉ）ＦＡＣＴＳもしくはＨＶＤＣ装置または発電機の制御システム内の論理、（ｉｉ）リレー内の保護論理、（ｉｉｉ）コンデンサ／リアクタの切り替えまたは負荷の遮断のための意思決定論理、（ｉｖ）例えば周波数／電圧制御、再閉動作、発電再配分または需要柔軟性の利用のためのＳＣＡＤＡ／ＥＭＳ／ＤＭＳレベルにおける意思決定論理、（ｖ）現場（建物、工場、マイクログリッドなど）のＥＭＳ／ＢＭＳにおける意思決定論理、（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するコンバータの制御論理などのいずれかであってもよい。
意思決定論理３５は、入力に応じて決定を行う。入力は、システム可観測性に依存することによって得られる。場合に応じて、可観測性は、ローカル（例えば、フレキシブル交
流伝送システム（ＦＡＣＴＳ）装置（複数可）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）であり得る。電気的測定に加えて、意思決定論理によって入力として受信される可観測事象は、装置のステータス（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。意思決定論理によって入力として受信される可観測事象は、観測または予測される天候、電力価格、日付、時間、交通状況など、電力システムの外部に由来する入力を含むことができる。コントローラ３１、３２、３３は、コントローラが観測されている環境の状態の変化に関してこれらの設定を自動的に切り替えるように、複数の設定グループを備えることができる。
頻繁に、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性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（複数可）から入来す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動作がローカル測定に基づいて開始される事例があり得る。上記第１の事例の一例は、遠隔測定（それらが最良の可観測性を提供する場所に位置する）に基づく電気機械振動減衰に対するＦＡＣＴＳコントローラの作動である。上記第２の事例の一例は、発電再配分による線／変圧器の輻輳緩和である。本明細書において開示される意思決定論理の動作を監視する技法は、これらの事例のすべてに適用可能である。
コントローラ３１、３２、３３の意思決定論理３５は、新たなコントローラが発注されるときに開発される。設計段階中に、故障、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を実行して、制御論理の性能を評価および改良することができる。意思決定論理を監視する技法は、例えば機械学習（ＭＬ）モデルを訓練することによって、意思決定論理３５がコンピュータ実施方式で生成されるときに適用するのに役立つ。
動作すると、コントローラ３１、３２、３３の性能が低下する可能性がある。これには様々な理由が考えられる。例示のために、コントローラが設計された環境が著しく変化すると、性能が低下する可能性がある。これは、電力システムトポロジの変化、新たな電力システム構成要素、および／または新たなグリッドコードなどがある場合に当てはまり得る。コントローラ３１、３２、３３は、それが設計されたものと比較して異なる条件に直面し得、事象に応答して非効率的または無関係な決定または作動をもたらす。さらに、ネットワーク内の様々な場所（例えば、従来の発電機、および、変換器にインターフェースされる構成要素の）におけるコントローラ３１、３２、３３の相互運用性を理解し、調整することは容易ではない。
監視システム２０は、コントローラの現場動作中にコントローラ３１、３２、３３の意思決定論理３５を監視することができる。１つまたは複数の重要業績評価指標または別の性能メトリックに従って決定することができ意思決定論理３５の劣化は、監視システム２０によって検出することができる。監視システム２０はまた、本明細書においてより詳細に説明するように、システム動作条件の将来の変化を予測し、および／または意思決定論理２０の性能を低下させる電力システムまたは産業システムの変化を特定するための機構を備えることができる。
異なる意思決定論理（例えば、コントローラ３１、３２、３３内の意思決定論理）に対して異なる監視システムを配備することができる。各監視システムは、システムのコントローラ３１、３２、３３内に配備された意思決定論理のうちの異なるものに関連付けることができる。各監視システムは、具体的には、現場動作中にその関連する意思決定論理の性能を監視するように、および／または現場動作中の性能不足に対して根本原因特定およ
び／または根本原因解決を実行するように設定することができる。
異なる意思決定論理に対する異なる監視システム（特に、その中に配備される異なる性能評価論理）は、現場動作中にオンラインでキャプチャされる異なる入力（本明細書においてはシナリオシグネチャとしても参照される）を受信することができ、監視システムが関連付けられた意思決定論理に応じて入力を別様に処理することができ、および／または監視システムが関連付けられている意思決定論理に応じて異なる出力を生成することができる。
監視システム２０によって監視される意思決定論理３５は、現場使用のために配備される前にコンピュータ実施方式で生成される意思決定論理であってもよい。意思決定論理３５を生成するプロセスにおいて生成または他の様態で使用されたデータは、１つまたは複数のデータ記憶装置４０に記憶することができる。このデータは、意思決定論理３５が作成されるとき、すなわち意思決定論理３５の現場動作の前に生成または他の様態で使用される。したがって、意思決定論理３５を生成するプロセスにおいて生成または他の様態で使用されたデータは、簡潔にするために本明細書においては「動作前データ」としても参照される。
本明細書においてより完全に説明するように、監視システム２０は、意思決定論理３５の性能を監視するために「動作前データ」を利用することができる。これは様々な方法で行うことができる。図１に示すように、監視システム２０は、コントローラ３１の現場動作中に動作前データを取り出すことができ、動作前データをコントローラ３１の現場動作中に収集される動作データと組み合わせて使用して、意思決定論理３５の性能を評価することができる。
代替的または付加的に、監視システム２０は、図２に示すように、意思決定論理３５の性能を評価するために性能評価論理２７を実行することができる。性能評価論理２７は、データ記憶装置４０内の動作前データを使用して生成されるが、コントローラ３１の現場動作中にデータ記憶装置４０内の動作前データにアクセスする必要なく自律的に性能評価を実行することができる論理とすることができる。
監視システム２０は、意思決定論理３５の性能を測定するために、１つまたは複数の性能メトリックを受信することができる。性能メトリックは、重要業績評価指標（ＫＰＩ）のセットを定義することができる。この性能メトリックまたは性能メトリックのセットは、評価プロセスに使用することができる。
監視システム２０は、任意選択的に、電力システムトポロジ、電力システム構成要素、ならびに／または監視対象コントローラに関連する電力システムの一部分の様々な一次および／もしくは二次装置のモデルを受信することができる。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この情報は、ユーザインターフェース（ＵＩ）２８を介して受信することができる。代替的または付加的に、監視システム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決定し、電力システム構成要素、ならびに／または監視対象コントローラに関連する電力システムの一部分の様々な一次および／もしくは二次装置を特定することができる。
監視システム２０は、自身が監視するコントローラ３１に関連する電力システムデータを収集して記憶することができる。そのようなデータの例は、（ｉ）コントローラが位置するバスにおける、または、隣接するバスからの電圧および電流信号などのローカルデータ、（ｉｉｉ）システム全体の測定値からのデータ、ならびに（ｉｖ）次の時間ステップ
の単位委託結果、需要および発電予測などのＥＭＳ／ＤＭＳからのデータである。
監視システム２０は、収集されるデータに基づいてモデル識別／較正を実行することができる。複数の監視システム２０がモデルおよびデータを交換することができるように、コントローラ３２のすぐ近くにある他のコントローラ３３、３１との通信フレームワークを使用することができる。
監視システム２０は、シミュレーションまたはデータ駆動型の方法を介して、また重要業績評価指標（ＫＰＩ）を使用して意思決定論理を評価するための分析を実行する。この分析の実施態様は、本明細書においてより完全に説明される。
コントローラ３１の意思決定論理３５が、性能メトリックに従って決定されるように、十分に良好に機能していない場合、監視システム２０は、適切な措置をとることができる。これは、人間の熟練者にフラグを立てることを含むことができる。監視システム２０は、コントローラ３１の意思決定論理３５の性能が、任意選択的に性能メトリックに基づいてもよい所定の基準を満たさない場合に、ヒューマンマシンインターフェース（ＨＭＩ）を介して出力するための警報、警告、または他の出力を生成するように動作可能であり得る。
代替的または付加的に、監視システム２０は、制御動作を行うように動作可能であり得る。例示のために、監視システム２０は、コントローラ３１の意思決定論理３５の性能が、任意選択的に性能メトリックに基づいてもよい所定の基準を満たさない場合に、ダウンタイムをスケジュールし、保守要員の配備をトリガし、予防制御動作をトリガし、または他の措置をとることができる。
制御動作は、コントローラ３１の現場動作中の観測された挙動に基づいて、意思決定論理３５の再設計および新たな配備をトリガすることを含むことができる。監視システム２０は、自律的に配備するために意思決定論理を生成する意思決定論理生成システムとインタラクトするように動作可能であり得る。
監視システム２０は、下記により詳細に説明するように、意思決定論理３５の性能が低下した理由に関する可能性のある根本原因または説明に関する情報を決定し、任意選択的に出力するように動作可能であり得る。
監視システム２０は、人工知能（ＡＩ）監視システムであってもよい。
意思決定論理３１の動作を評価するために、監視システム２０は、以下を使用することができる：
－ 監視システム２０によって管理されるコントローラ３１の意思決定論理３５の作成段階中に生成されるデータ。このデータは様々な方法で使用することができる。例示のために、データは、監視システム２０の動作中およびコントローラ３１の現場動作中に、連続的に、すなわち継続的にアクセスすることができる。代替的または付加的に、監視システム２０は、監視システム２０およびコントローラ３１の現場動作中に作成段階中に生成されるデータにアクセスする必要なしに、意思決定論理の作成中に生成されるデータに基づいて生成される性能評価論理を実行することができる。
－ コントローラが配備された後に現場における測定を介して収集されるデータ（すなわち、オンラインの動作データ）。このデータは、入力インターフェース３６において意思決定論理３５を実行するコントローラ３１によって受信される入力を含むことができる。このデータは、出力インターフェース３７において意思決定論理３５を実行するコントローラ３１によって出力されるコントローラ出力を含むことができる。
監視システム２０は、現場動作中のコントローラの性能を評価するために、意思決定論理３５を生成する段階中に生成された情報を利用して、コントローラ３１の現場動作において動作することができる。これはリアルタイムで行うことができる。
監視システム２０は、現場動作中に観察されている動作条件がコントローラの生成段階におけるシナリオの一部であったか否かを連続的に評価することができ、それに基づいて制御動作をとることができる。
監視システム２０は、図２を参照してより詳細に説明するように、意思決定論理３５と意思決定論理を評価する性能評価論理の両方を生成する複合生成プロセスの一部として、コントローラ３１の現場動作の前に生成することができる。
監視システム２０は、性能の品質だけでなく、性能劣化が観察された場合には、性能劣化に関する可能性のある原因も推定することができる。
監視システム２０は、コンピューティング装置または分散コンピューティングシステムによって実施することができる。監視システム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、コントローラ、マイクロコントローラ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、またはそれらの任意の組み合わせを含むことができる。
監視システム２０は、ユーザインターフェース（ＵＩ）２８を有することができる。ユーザインターフェース２８は、光出力装置を含むことができる。監視システム２０は、ユーザインターフェース２８を介して、性能メトリックに関する情報を受信するように動作可能であり得る。性能メトリックに関する情報は、１つまたは複数のＫＰＩを指定することができる。性能メトリックに関する情報は、意思決定論理３５の性能を定量的に判定するために使用される、いくつかのＫＰＩおよびＫＰＩの相対的な重み付けを指定することができる。
監視システム２０は、意思決定論理３５の性能の分析に基づいて出力を生成することができる。出力は、
－ コントローラ３１の現場動作中に判定される意思決定論理３５の１つまたは複数のＫＰＩに関する情報、
－ 警報、警告、またはそれらから導出される他の情報、および
－ 意思決定論理３５の自動再生成または更新などの動作をトリガする制御コマンドまたは他の制御信号
のうちの１つまたは複数を含むことができる。
監視システム２０は、意思決定論理３５が配備されるコントローラ３１の現場動作中にデータを受信するための少なくとも１つのインターフェース２６を有することができる。少なくとも１つのインターフェース２６を介して受信されるデータは、
－ 意思決定論理３５によって処理される入力に関する情報であって、この情報は、意思決定論理３５が配備されているコントローラ３１から、および／または他のシステム装置から、プッシュメカニズムまたはプルメカニズムを介して監視システム２０によって受信することができる、情報、
－ 任意選択的に、意思決定論理３５によって行われた決定に関する情報であって、この情報は、意思決定論理３５が配備されているコントローラ３１から、および／または他のシステム装置から、プッシュメカニズムまたはプルメカニズムを介して監視システム２０によって受信することができる、情報
を含むことができる。
意思決定論理３５の評価は、必ずしも意思決定論理３５によって行われる決定の知識を必要とせずに実行することができることに留意されたい。例示のために、監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５が遭遇する動作シナリオを、意思決定論理が訓練されたシナリオと比較することができる。代替的または付加的に、監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５が遭遇する電力網トポロジを、意思決定論理３５が訓練された電力網トポロジと比較することができる。代替的または付加的に、監視システム２０は、現場動作中にコントローラ３１がインタラクトする二次または一次装置の仕様を、意思決定論理３５を訓練するときに使用されている仕様と比較することができる。これにより、意思決定論理３５によって出力される決定または決定に基づいてコントローラ３１によって出力される制御コマンドを使用することなく、起こり得る劣化を特定することが可能になる。
監視システム２０はまた、コントローラ３１の現場動作中に意思決定論理３５によって行われる決定に関する情報を取り出して使用することもでき、その情報を性能評価に使用することができる。
コントローラ３１、３２、３３は、通信ネットワーク１９を介して監視システム２０に動作データを提供することができる。動作データは、性能評価を実行するために使用され、任意選択的に、データ記憶装置に記憶するために使用される。動作データは、コントローラ３１の現場動作中に意思決定論理３５が遭遇するシナリオに関する情報を含むことができる。動作データは、意思決定論理３５が配備されるコントローラ３１以外のコントローラ３２、３３によって受信される入力および／またはそれらによって生成される出力に関する情報を含むことができる。コントローラ３２、３３によって受信される入力および／またはそれらによって生成される出力に関するそのような情報は、監視システム２０が、電力システムトポロジ、コントローラ３１の現場動作中に意思決定論理３５が遭遇するシナリオ、ならびに／または意思決定論理３５が配備されているコントローラ３１以外のコントローラ３２、３３に関連する一次および二次装置の機能に関する結論を引き出すことを可能にする。
監視システム２０は、動作中の意思決定論理３５の性能を分析するために、意思決定論理３５を生成するコンピュータ実施プロセスにおいて使用されるデータ（本明細書においては「動作前データ」として参照される）を利用することができる。
意思決定論理３５は、１つまたは複数の機械学習（ＭＬ）モデルを含むプロセスにおいて生成することができる。教師ありＭＬが、意思決定論理ＭＬモデルを訓練するために使用され得る。意思決定論理ＭＬモデルは、１つまたは複数の人工ニューラルネットワーク（ＡＮＮ）を含み得る。
本明細書において使用される場合、「ＭＬモデルを訓練する」とは、ＭＬモデル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、ＭＬモデルを訓練することは、ＡＮＮの重みを決定することを含み得る。
意思決定論理３５を生成するプロセスは、複数の異なる候補意思決定論理ＭＬモデルからの選択を含むことができる。異なる意思決定論理ＭＬモデルは、ＭＬ構成（例えば、隠れ層の数が異なるＡＮＮなど）が異なり得る。意思決定論理３５を生成するプロセスは、試験シナリオのセットに直面したときのそれらの性能に従って、複数の訓練された候補意思決定論理ＭＬモデルから、訓練された意思決定論理ＭＬモデルを選択することを含むことができる。
意思決定論理３５を生成するプロセスにおいて評価された意思決定論理ＭＬモデル４１に関する情報は、データ記憶装置（複数可）４０に記憶することができる。監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５を分析するとき、意思決定論理ＭＬモデル４１に関する情報に応じて動作可能であり得る。これは、監視システム２０がコントローラの現場動作において意思決定論理３５を監視している間に意思決定論理ＭＬモデル４１に関する情報を取り出すことによって、および／または、監視システム２０の性能評価論理を構成するときに意思決定論理ＭＬモデル４１に関する情報を使用することによって行うことができる。
意思決定論理３５を生成するプロセスは、意思決定論理ＭＬモデルを複数の試験シナリオに突き合わせ、それらの性能を判定することを含むことができる。複数の試験シナリオは、意思決定論理３５を生成するプロセス中に候補意思決定論理ＭＬモデルへの入力を定義することを含むことができる。試験シナリオは、コントローラ３１の仕様に応じて（例えば、電力システムトポロジに基づいて、コントローラ３１が実行することが可能でなければならない機能に基づいて、および、コントローラ３１が現場動作においてインタラクトする電力システムの他のコントローラ３２、３３に基づいて）設定することができる。試験シナリオは、シミュレートされた電力システムパラメータ（３相についてシミュレートすることができる電圧、電流、フェーザ、またはインピーダンス測定値など）に関して互いに異なり得る。代替的または付加的に、試験シナリオは、動的電力システムトポロジの変化（回路遮断器（ＣＢ）トリップまたは再閉路に起因する変化など）に関して互いに異なってもよい。代替的または付加的に、試験シナリオは、電力需要および／または発電曲線（これは、例えば、異なるシミュレートされた気象条件に依存し得る）に関して互いに異なっていてもよい。代替的または付加的に、試験シナリオは、ＤＥＲ生成ユニットの障害、送電もしくは配電線の障害、または他の可能性のある事象など、シミュレートされる事象に関して互いに異なっていてもよい。
試験シナリオは、履歴データに基づいてもよく、および／または人間の熟練者によって定義されてもよい外因性試験シナリオのセットを含んでもよい。
試験シナリオは、コンピュータ生成シナリオであってもよい。例示のために、敵対的生成ネットワーク（ＧＡＮ）技法が、意思決定論理３５を生成するプロセス中に意思決定論理３５とシナリオ生成ＡＮＮの両方を生成するために使用される場合、弁別ＡＮＮによって生成される試験シナリオが、データ記憶装置４０に記憶される試験シナリオ４２に含まれ得る。
意思決定論理３５を生成するプロセスにおいて評価されたシナリオ４２に関する情報は、データ記憶装置（複数可）４０に記憶することができる。監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５を分析するとき、シナリオ４２に関する情報に応じて動作可能であり得る。これは、監視システム２０がコントローラの現場動作において意思決定論理３５を監視している間にシナリオ４２に関する情報を取り出すことによって、および／または、監視システム２０の性能評価論理を構成するときにシナリオ４２に関する情報を使用することによって行うことができる。
意思決定論理３５を生成するプロセスは、候補意思決定論理ＭＬモデルによって行われる決定を監視することを含むことができる。候補意思決定論理ＭＬモデルによって行われる決定は、制御動作であり得る。決定は、候補意思決定論理ＭＬモデルが直面したシナリオにそれぞれ関連付けて、様々な候補意思決定論理ＭＬモデルの各々について記録され得る。
例示のために、意思決定論理３５の生成に使用される候補意思決定論理ＭＬモデルは、入力のセットに応答して、可能な出力の事前定義されたセットのうちの１つを出力する分類器であってもよい。異なる出力は、異なる制御動作に対応することができる。
意思決定論理３５を生成するプロセスにおいて候補意思決定論理ＭＬモデルによって行われた決定４３に関する情報は、データ記憶装置（複数可）４０に記憶することができる。監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５を分析するとき、決定４３に関する情報に応じて動作可能であり得る。これは、監視システム２０がコントローラの現場動作において意思決定論理３５を監視している間に決定４３に関する情報を取り出すことによって、および／または、監視システム２０の性能評価論理を構成するときに決定４３に関する情報を使用することによって行うことができる。
意思決定論理３５を生成するプロセスは、候補意思決定論理ＭＬモデル（複数可）の性能を決定することを含むことができる。これは、１つまたは複数のＫＰＩを計算することを含み得る。１つまたは複数のＫＰＩは、性能を定量化することができる。１つまたは複数のＫＰＩは、意思決定論理３５の生成を開始する前に、人間の入力によって選択または他の様態で指定することができる。意思決定論理３５を生成するプロセスにおいて使用される１つまたは複数のＫＰＩは、コントローラ３１の現場動作中に監視システム２０によって決定される１つまたは複数のＫＰＩと同じであってもよいが、同じである必要はない。
例示のために、意思決定論理３５の生成に使用される候補ＭＬモデルは、入力のセットに応答して、可能な出力の事前定義されたセットのうちの１つを出力する分類器であってもよい。異なる出力は、異なる制御動作に対応することができる。ＫＰＩは、意思決定論理３５を生成するプロセスにおいて候補ＭＬモデルによって行われる制御動作を、履歴ラベル付きデータまたはそれから導出される決定境界と比較することができる。
意思決定論理３５を生成するプロセスにおいて候補ＭＬモデルによって行われた決定のＫＰＩ４４に関する情報は、データ記憶装置（複数可）４０に記憶することができる。監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５を分析するとき、ＫＰＩ４４に関する情報に応じて動作可能であり得る。これは、監視システム２０がコントローラの現場動作において意思決定論理３５を監視している間にＫＰＩ４４に関する情報を取り出すことによって、および／または、監視システム２０の性能評価論理を構成するときにＫＰＩ４４に関する情報を使用することによって行うことができる。
コントローラ３１の現場動作中に監視システム２０がデータ記憶装置（複数可）４０にアクセスするか否かにかかわらず、監視システム２０は様々な方法で実施することができる。
監視システム２０は、図３および図４に示すように、現場にある装置／アクチュエータのコンピューティングインフラストラクチャ（例えば、ＳＴＡＴＣＯＭ）、中央／地域制御センターもしくは変電所のコンピュータもしくはサーバ、またはクラウドベースのコンピュータもしくはサーバインフラストラクチャ上で実行することができる。
図３は、配電または発電システムの構成要素と共に使用される、監視システム２０、および、意思決定論理が配備されたコントローラ３１、３２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ＱＢ １、ＱＢ ２、ＱＣ １、ＡＱ １、ＱＢ ９、およびＱＣ ９、電流検知のための変圧器ＢＣ １、ＢＣ ２、ならびに電圧検知のための変圧器ＢＡ １を含むことができる。センサ装置が、任意選択的に合流ユニットまたは任意選択的に前処理を実行することができる他のユニットを介して、コントローラ３１お
よび３２に提供することができる生信号を生成するように配備される。
図３に示すように、監視システム２０は、コントローラ３１、３２とは別個に設けられてもよく、コントローラに通信可能に結合されてもよい。例示のために、監視システム２０は、中央／地域制御センターもしくは変電所のコンピュータもしくはサーバ、またはクラウドベースのコンピュータもしくはサーバインフラストラクチャに配備することができる。
監視システム２０は、監視システムが第１のコントローラ３１の第１の意思決定論理の性能を評価するか、または第２のコントローラ３２の第２の意思決定論理の性能を評価するかに応じて、異なる性能評価論理を実行してもよく、および／またはデータ記憶装置（複数可）４０内の異なるデータ要素にアクセスしてもよい。異なる第１のコントローラ３１および第２のコントローラ３２ならびに／または異なる意思決定論理に対して異なる性能メトリックを定義することができる。
図４は、配電または発電システムの構成要素と共に使用される、意思決定論理が配備されたコントローラ３１、３２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ＱＢ １、ＱＢ ２、ＱＣ １、ＡＱ １、ＱＢ ９、およびＱＣ ９、電流検知のための変圧器ＢＣ １、ＢＣ ２、ならびに電圧検知のための変圧器ＢＡ １を含むことができる。センサ装置が、任意選択的に合流ユニットまたは任意選択的に前処理を実行することができる他のユニットを介して、コントローラ３１および３２に提供することができる生信号を生成するように配備される。
図４に示すように、コントローラ３１、３２は各々、専用の監視システム２０を含む。
第１の監視システム２０は、第１のコントローラ３１上に配備することができる。第１の監視システム２０は、第１のコントローラの現場動作中に第１のコントローラ３１の意思決定論理の性能を評価することができる。
第２の監視システム２０’は、第２のコントローラ３２上に配備することができる。第２の監視システム２０’は、第２のコントローラの現場動作中に第２のコントローラ３２の意思決定論理の性能を評価することができる。
第１の監視システム２０および第２の監視システム２０’は、互いに異なっていてもよく、それらが配備されるコントローラ３１、３２によって実行される機能に従って調整することができる。
図３および図４には２つのコントローラ３１、３２のみが示されているが、本明細書に開示される技法は、任意の数Ｎのコントローラおよび／またはそれによって実行される任意の数Ｍの意思決定論理に適用可能である。
図４に示すように、監視システム２０は、現場にある装置／アクチュエータのコンピューティングインフラストラクチャ（例えば、ＳＴＡＴＣＯＭ）上に実装することができる。
図５は、方法５０のフローチャートである。方法５０は、図１～図４のうちのいずれか１つの監視システム２０によって自動的に実行することができる。
ステップ５１において、動作データが収集される。動作データは、意思決定論理３５の入力に影響を及ぼす産業または電力システムのデータであってもよく、またはそれを含んでもよい。動作データは、任意選択的に、意思決定論理３５の入力に影響を及ぼす産業ま
たは電力システムのデータにそれぞれ関連して、意思決定論理３５の出力に関する情報を含んでもよい。動作データは、産業または電力システムの構成要素のトポロジおよび／または能力を（例えば、構成記述の形態で）定義する産業または電力システムのデータを含むことができる。
ステップ５２において、意思決定論理３５の性能を評価するために分析が実行される。これは、意思決定論理３５が、意思決定論理を訓練するために使用されるシナリオ（例えば、異なる入力ベクトルに適用されるノルムに従って決定されるものとしての）とは著しく異なるシナリオに直面しているか否かを評価することを含むことができる。ステップ５２は、コントローラ３１の現場動作中に判定されている意思決定論理３５のＫＰＩが、意思決定論理３５を生成するプロセスにおいて判定されているＫＰＩと一致するか否かを判定することを含むことができる。ステップ５３は、意思決定論理３５を生成するときに使用されるモデル（トポロジカルモデルまたは負荷フローモデルなど）が電力システムの構成および挙動と一致するか否かを判定することを含むことができる。
ステップ５２における分析は、本明細書においてより完全に説明するように、意思決定論理３５が性能不足である理由に関する可能性のある根本原因を判定すること、および／または性能の予測分析を含むことができる。
ステップ５３において、監視システム２０によって動作が自動的に行われ得る。これは選択的に、ステップ５２における分析が、意思決定論理が現在または将来、それがそのために設計された機能を実行するのにもはや適していないことを示すか否かに応じて行うことができる。
ステップ５３における動作は、以下のような、様々な形態をとることができる。すなわち、動作は、コントローラ３１の意思決定論理３５の性能が、任意選択的に受信されている性能メトリックに基づいてもよい所定の基準を満たさない場合に、ヒューマンマシンインターフェース（ＨＭＩ）を介して出力するための警報、警告、または他の出力を生成することを含むことができる。
代替的または付加的に、ステップ５３の動作は、制御動作を含んでもよい。制御動作は、コントローラ３１の意思決定論理３５の性能が、任意選択的に受信されている性能メトリックに基づいてもよい所定の基準を満たさない場合に、ダウンタイムをスケジュールすること、保守要員の配備をトリガすること、予防制御動作をトリガすること、または他の措置をとることからなる群から選択することができる。
代替的または付加的に、ステップ５３における動作は、コントローラ３１の現場動作中の観測された挙動に基づいて、意思決定論理３５の再設計および新たな配備をトリガすることを含むことができる。監視システム２０は、自律的に配備するために意思決定論理を生成する意思決定論理生成システムとインタラクトするように動作可能であり得る。
図６は、方法６０のフローチャートである。方法６０は、図１～図４のうちのいずれか１つの監視システム２０によって自動的に実行することができる。
ステップ６１において、ＵＩ ２７は、ユーザが性能メトリックを指定することを可能にするように制御することができる。これは、意思決定論理３５の性能を測定するためのメトリックを入力することを可能にするようにＵＩ ２７を制御することを含むことができる。メトリックは、１つのＫＰＩまたはＫＰＩのセットを定義することができる。いくつかのＫＰＩが使用される場合、受信される入力は、ＫＰＩの相対的な重要度を定義する重み係数を含むことができる。例示のために、性能は、ＫＰＩの加重和として定量的に計
算することができ、
Figure 0007257455000001
式中、ＫＰＩは異なる重要業績評価指標であり、ｗｉは関連する重みである。ＫＰＩはメトリックであり得る。例示のために、ＫＰＩが、意思決定論理３５が遭遇するシナリオが、それが訓練されたシナリオにどれだけ近いかを定量化することを意図されている場合、ＫＰＩは、以下のように定義することができる。
Figure 0007257455000002
性能ＫＰＩの他の例は、限定ではなく、電力コストの最小化、グリッド送電制限の増加、安定性の確保、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への維持、経済的利益の最大化を含むことができる。
ステップ６２において、監視システム２０は、任意選択的に、電力システムまたは産業システムに関する情報を取り出すことができる。例示のために、監視システム２０は、監視対象コントローラ３１に関連するグリッドの一部におけるグリッドトポロジ、グリッド構成要素、および／または様々なアクターの第１の原理モデルまたは統計モデルを受信することができる。代替的または付加的に、監視システム２０は、電力システムまたは産業システムに関する関連情報を判定するために構成記述（ＳＣＤファイルなど）を受信および分析することができる。
ステップ６３において、監視システム２０は、監視するコントローラ３１に関連する電力システムまたは産業システムデータを連続的に収集することができる。そのようなデータの例は、（ｉ）コントローラが位置するバスにおける、または、隣接するバスからの電圧および電流信号などのローカルデータ、（ｉｉｉ）システム全体の測定値からのデータ、ならびに（ｉｖ）次の時間ステップの単位委託結果、需要および発電予測などのＥＭＳ／ＤＭＳからのデータである。ステップ６３において、収集されているデータを記憶することができる。これは、監視システム２０においてローカルに、または、例えばクラウドベースのコンピューティングインフラストラクチャ内のデータ記憶システムにおいて監視システム２０から遠隔的に行うことができる。
ステップ６４において、監視システム２０は、任意選択的に、ステップ６３において収集されているデータに基づいてモデル識別および／または較正を実行することができる。監視システム２０は、任意選択的に、モデル識別および／または較正のために監視対象の意思決定論理３５が配備されるコントローラ３１以外のコントローラ３２、３３（またはそれらの関連する監視システム）と通信することができる。
ステップ６５において、監視システム２０は、意思決定論理を評価するための分析を実
行することができる。監視システム２０は、シミュレーションを実行することができ、および／または分析においてデータ駆動型の方法を使用することができる。監視システムは、ＫＰＩに従って性能を定量的に判定することができる。分析ステップの実施態様は、本明細書においてより詳細に説明される。
ステップ６６において、監視システム２０は、ＨＭＩを制御することができ、および／または分析の結果に基づいて別の措置をとることができる。例えば、コントローラ３１内の意思決定論理３５が十分良好に機能していない場合、監視システム２０は、人間の熟練者がこの状況をその者に警報するための出力を生成することができる。監視システム２０はまた、根本原因解決を提供する、すなわち、意思決定論理の性能がなぜ低下したかに関する理由または説明を提案することができる。代替的または付加的に、監視システム２０は、意思決定論理生成器を起動して意思決定論理３５を再生成することによって、自律的再設計プロセスを開始することができる。
図７は、論理生成および／または修正装置７３とインタラクトする監視システム２０を示すブロック図である。監視システム２０は、図１～図４のうちのいずれか１つの監視システム２０であってもよい。
意思決定論理３５は、現場動作中に決定７１を生成する。決定７１は、制御動作を含むか、または制御動作であり得る。
現場動作中に行われる決定７１は、システム応答７２をトリガする。システム応答７２は、意思決定論理３５以外のさらなる意思決定論理（複数可）によって行われる決定（複数可）を含むことができる。さらなる意思決定論理（複数可）は、意思決定論理３５と同じコントローラ３１内に配備された１つもしくは複数のさらなる意思決定論理、および／またはコントローラ３１以外のコントローラ３２、３３内に配備された１つもしくは複数のさらなる意思決定論理を含むことができる。システム応答７２は、電流、電圧、フェーザ、インピーダンス、同期フェーザ、または他の可観測値などの可観測値を含むことができる。システム応答７２は、動的システムトポロジの変化（例えば、決定７１が接続切断または再接続コマンドであるときの）を含み得る。
監視システム２０は、決定７１およびシステム応答７２を受信することができる。監視システム２０は、意思決定論理２０の性能を評価することができる。任意選択的に１つまたは複数のＫＰＩを使用して、性能メトリックを評価して性能を評価することができる。
監視システム２０によって判定された性能が性能基準を満たさない場合（例えば、性能メトリックに従って計算された性能が性能閾値基準を満たさない場合）、監視システム２０は、論理修正および／または生成ユニット７３をトリガして、意思決定論理３５を修正し、および／または修正された意思決定論理３５を生成することができる。修正された意思決定論理３５は、コントローラ３１の交換を必要とせずに、コントローラ３１に配備することができる。
図８は、方法８０のフローチャートである。方法８０は、図１～図４のうちのいずれか１つの監視システム２０によって自動的に実行することができる。
ステップ５１において、動作データが収集される。動作データは、意思決定論理３５の入力に影響を及ぼす産業または電力システムのデータであってもよく、またはそれを含んでもよい。動作データは、任意選択的に、意思決定論理３５の入力に影響を及ぼす産業または電力システムのデータにそれぞれ関連して、意思決定論理３５の出力に関する情報を含んでもよい。動作データは、産業または電力システムの構成要素のトポロジおよび／ま
たは能力を（例えば、構成記述の形態で）定義する産業または電力システムのデータを含むことができる。
ステップ５２において、意思決定論理３５の性能を評価するために分析が実行される。これは、意思決定論理３５が、意思決定論理を訓練するために使用されるシナリオ（例えば、異なる入力ベクトルに適用されるノルムに従って決定されるものとしての）とは著しく異なるシナリオに直面しているか否かを評価することを含むことができる。ステップ５２は、コントローラ３１の現場動作中に判定されている意思決定論理３５のＫＰＩが、意思決定論理３５を生成するプロセスにおいて判定されているＫＰＩと一致するか否かを判定することを含むことができる。ステップ５３は、意思決定論理３５を生成するときに使用されるモデル（トポロジカルモデルまたは負荷フローモデルなど）が電力システムの構成および挙動と一致するか否かを判定することを含むことができる。
ステップ５２における分析は、本明細書においてより完全に説明するように、意思決定論理３５が性能不足である理由に関する可能性のある根本原因を判定すること、および／または性能の予測分析を含むことができる。
ステップ８１において、監視システム２０によって判定された性能が性能基準を満たさない場合（例えば、性能メトリックに従って計算された性能が性能閾値基準を満たさない場合）、監視システム２０は、意思決定論理３５の修正をトリガすることができ、および／または修正された意思決定論理３５の生成および配備をトリガすることができる。修正された意思決定論理３５は、コントローラ３１の交換を必要とせずに、コントローラ３１に配備することができる。
図７のブロック７３または図８のステップ８１における修正された意思決定論理の生成および配備は、自律的に動作する意思決定論理生成器によって実行することができる。
図９は、監視システム２０と意思決定論理生成器とのインタラクションを示すブロック図である。
意思決定論理生成器は、候補意思決定論理のセット８２を使用する。セット８２は、異なる意思決定論理ＭＬモデルのセットであり得る。例示のために、セット８２は、サポートベクターマシン、異なる数の隠れ層を有するＡＮＮ、または他の意思決定論理ＭＬモデルを含んでもよい。
シミュレーションエンジン８３が、様々なシナリオ８４に応答して、および／または異なるモデル８５を使用して、セット８２内のいくつかの候補意思決定論理の挙動をシミュレートするために提供される。
シナリオ８４は、電力システムまたは産業システムにおける異なる動作条件をそれぞれ表すことができる。
モデル８５は、意思決定論理３５によって行われた決定に応答して、コントローラ３１、他のコントローラ３２、３３、および／または電力システムもしくは産業システム内の他の一次装置もしくは二次装置の挙動を表すことができる。様々な処理技法を使用して、システム量に対する候補意思決定論理によって行われる決定の影響をシミュレートすることができる。例示のために、モデル８５は、電力潮流シミュレーション、時間および／もしくは周波数領域におけるシステム応答の数値シミュレーション、過渡の計算、最適電力潮流計算、固有値分析、または他の処理技法を含むことができる。
シミュレーションエンジン８３によってシミュレートされたシナリオ下における候補意思決定論理８２の性能に基づいて、候補意思決定論理８２のうちの１つが配備８６のために選択される。
図９には示されていないが、シミュレーションエンジン８３および評価エンジン８６は、候補決定論理を訓練するために最適化ルーチンを実行することができる。これは、限定ではなく、ラベル付きデータまたは勾配降下技法を使用した教師あり学習を含むことができる。
最適化ルーチンにおいて、意思決定論理の性能が、試験シナリオのセットをシミュレートすることによって評価される。様々なシステム構成要素（コントローラ３１自体、および同じグリッド環境において動作している他のコントローラ３２、３３を含む）のモデル８５が利用される。候補意思決定論理の性能は、ＫＰＩのセットをシミュレーション結果に適用することによって定量化される。このプロセスは、収束が達成されるまで繰り返すことができる。性能ＫＰＩの例は、限定ではなく、電力コストの最小化、グリッド送電制限の増加、安定性の確保、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への維持、経済的利益の最大化を含むことができる。
配備された意思決定論理３５の性能は、意思決定論理３５の現場動作中に監視システム２０によって監視される。監視システム２０によって実行された分析の結果は、意思決定論理生成器にフィードバックすることができる。
例示のために、監視システム２０は、現場動作中に意思決定論理３５が直面するシナリオが、意思決定論理３５の生成中に使用されているシナリオ８４の少なくとも１つと十分に類似しているか否かを判定することができる。現場動作中に、以前に使用されたシナリオ８４のいずれとも類似しないシナリオが識別された場合、シナリオに関する情報（例えば、現場動作中に遭遇した意思決定論理３５の入力ベクトル）を意思決定論理生成器にフィードバックすることができる。
代替的または付加的に、監視システム２０は、意思決定論理３５を生成するときにシステム応答をシミュレートするために使用されるモデル８５が、意思決定論理３５の現場動作中に観察される実際のシステム応答挙動を有効に反映するか否かを判定することができる。モデル（複数可）８５を改善するために、不一致に関する情報をフィードバックすることができる。
図１０は、意思決定論理３５が変更されるようにすることに加えて、またはその代わりに、図１～図４のうちのいずれか１つの監視システム２０によって生成され得る出力を示す図である。
監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５の分析を実行して、インジケータ９１を生成して出力することができる。インジケータ９１は、意思決定論理３５が性能基準（例示のために、性能メトリックに従って計算された性能が閾値比較を満たすか否か）を満たす性能を有するか否かを示すことができる。インジケータ９１は、値の離散的なセットから選択することができる。インジケータ９１は、性能が十分であると考えられるかまたは不十分であると考えられるかを示すバイナリであってもよい。インジケータ９１は、性能が安全であるか、注意を必要とするか、または不十分であるかを示す、３つまたは４つ以上の離散値からなるセットから選択されてもよい。複数の離散値のうちのいずれが出力されるべきかを判定するために、性能メトリックに従って計算された性能について複数の閾値比較が実行され得る。インジケータ９１はまた、値の連続的な範囲から取得されてもよい。値の連続範囲は、例えば０～１などの所定の間隔内の「健
全性」または「劣化」指数を表すことができ、性能メトリックに従って計算することができる。
代替的または付加的に、監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５の分析を実行して、意思決定論理をいつ再検討する必要があり得るかを示す予測時間９２を生成および出力することができる。予測時間９２は、監視システム２０によって観察される性能の時間発展に基づいて計算することができる。代替的または付加的に、１つまたは複数の予測器が使用されてもよく、これは、本明細書においてより詳細に説明するように、リカレントニューラルネットワークによって実装されてもよい。
代替的または付加的に、監視システム２０は、コントローラ３１の現場動作中に意思決定論理３５の分析を実行して、意思決定論理による性能不足に関する可能性のある根本原因を特定する情報９３を生成および出力することができる。情報９３は、本明細書においてより詳細に説明するように、性能評価と条件付き最適化とを組み合わせて、性能メトリックベースの基準に対する不適合の最も可能性の高い根本原因を特定することによって、監視システム２０によって決定することができる。
意思決定論理性能の劣化を引き起こす動作条件は、（インジケータ９１によって示されるように）現在存在しているか、または（予測時間９２によって示されるように）将来の時点について予測されるかにかかわらず、様々な理由を有し得る。
例示のために、意思決定論理の性能は、以下の非網羅的な理由のうちのいずれか１つのために不十分であると考えられ得る。
－ 需要（空間分布および／または時間プロファイル）、気象条件、および／または他の外部要因など、電力システムまたは産業システムのインフラストラクチャの外部に由来する要因、
－ 電力システムまたは産業システムのインフラストラクチャ内に存在する要因であって、例としては、新たな送電および／または配電線、新たな発電および／または貯蔵容量、新たな意思決定装置（ＦＡＣＴＳなど）、スイッチング動作（複数可）に起因するトポロジ変化が挙げられる、要因、
－ 教師付き意思決定論理３５を実行するコントローラ３１以外の装置（例えば、ＦＡＣＴＳ、リレー、バッテリなど）の修正された意思決定論理、
－ 性能メトリックの変化（例えば、新たなグリッドコード、または新たな電力市場規則）。
監視システム２０がコントローラ３１の現場動作中に、および任意選択的にリアルタイムで意思決定論理３５の性能を評価することを可能にする種々の技法を以下に説明する。
オンラインデータと、意思決定論理を生成するためにオフラインで使用されるデータとを比較するように動作可能である監視システム２０
監視システム２０は、コントローラ３１の現場動作中にキャプチャされたデータ（すなわち、オンラインでキャプチャされたデータ）を、意思決定論理３５を生成するときに使用されるデータ（および特に生成されるデータ）と比較するように動作可能であり得る。図１、図１０、および図１１を参照して、例示的な構成を説明する。
意思決定論理３５を生成するプロセス中に作成または他の様態で使用される情報は、図１に示すように、記憶装置（複数可）４０に記憶することができる。監視システム２０は、コントローラ３１の現場動作中に記憶装置（複数可）４０とインターフェースされる。
したがって、意思決定論理３５を生成するプロセスからの以下のデータセットが、監視システム２０に利用可能である。
－ 様々なシミュレーションを実行するために使用されるすべてのモデル４１、
－ シミュレートされたすべてのシナリオ、テストケース（例えば、グリッド環境、トポロジ）および／またはイベント４２、
－ すべてのシミュレートされた事例におけるコントローラの性能４４。
これらのデータは、配備された意思決定論理３５だけでなく、意思決定論理３５を生成するプロセス中に試験された意思決定論理の候補バージョンにも利用可能である。
これらのデータは、コントローラ３１の現場動作中に監視システム２０によって使用することができる。監視システム２０は、コントローラ３１の現場動作中に観察されるものを、意思決定論理３５を生成するプロセス中からのデータと比較するように動作可能であり得る。監視システム２０は、観察された現実が意思決定論理３５を生成するプロセス中に考慮されたか否か、および／またはコントローラ３１が意思決定論理３５を生成するプロセス中に予測通りに動作するか否かを評価するように動作可能であり得る。上述したように、電力もしくは産業システムの外部にあり得る要因に起因して、および／または電力もしくは産業システムに内在し得る要因に起因して、意思決定論理が挙動すると予測される様態と別様に挙動し得る様々な理由があり得る。意思決定論理の不適切な挙動は、意思決定論理３５を生成するプロセス中に行われる誤った仮定および／もしくは単純化、またはコントローラの寿命の間に起こる環境の変化による可能性がある。
監視システム２０は、コントローラ３１の現場動作中にキャプチャされた動作データおよび記憶装置（複数可）４０に記憶された動作前データを使用して、以下を観察および評価するように動作可能であり得る。
ａ）モデル：監視システム２０は、意思決定論理３５を生成するプロセスにおいて使用されるモデルの正確度を評価するように動作可能であり得る。監視システム２０は、リアルタイムモデル検証、較正、または識別を実行するように動作可能であり得る。監視システム２０は、観測された信号を、意思決定論理３５を生成するプロセスにおいて使用されるモデルに従って予測される信号と比較するように動作可能であり得る。監視システム２０は、現実世界の挙動と意思決定論理３５を生成するプロセスにおいて使用されるモデルとの間の不一致を識別するように動作可能であり得る。そのような不一致は、重大であると考えられる場合、意思決定論理３５を修正する必要がある可能性があることを示すことができる。
ｂ）シナリオ：監視システム２０は、意思決定論理３５を生成するプロセスにおいて使用されるシナリオの適用範囲を評価するように動作可能であり得る。監視システム２０は、観察された動作点を、意思決定論理３５を生成するプロセスにおけるオフラインシミュレーションにおいて使用される動作点と比較するように動作可能であり得る。比較は、異常検出（シミュレートされた動作条件に対する、観察された動作条件における「異常」を検出する）および／または密度推定方法（例えば、限定ではなく、ｋ最近傍、ガウス過程、主成分分析、隠れマルコフモデル、自己符号化器などのニューラルネットワーク）などの統計的メトリックによって実行することができる。
ｃ）制御動作：監視システム２０は、動作中に観察されるものと、意思決定論理３５を生成するプロセスにおいてシミュレートされたものとの間の、所与の動作条件に対する制御動作の一貫性を評価するように動作可能であり得る。監視システム２０は、コントローラ３１の現場動作中にデータセットを作成するように動作可能であり得、各サンプルは、
システム動作条件およびコントローラ動作からなる。監視システム２０は、このオンラインデータセットと意思決定論理３５を生成するプロセス中に作成されたデータセットとの間の、同様の動作条件に対する制御動作の類似性をチェックするように動作可能であり得る。不一致は、意思決定論理３５を再検討する必要があることを示唆する。代替的または付加的に、監視システム２０は、様々な同様の観察される動作状態について現場動作中に意思決定論理３５によって行われる決定の一貫性をチェックするように動作することができる。
ｄ）ＫＰＩ：監視システム２０は、リアルタイムで観測されるものと意思決定論理３５を生成するプロセスにおいてシミュレートされたものとの間で、所与の動作条件および制御動作に対する性能メトリックの値の一貫性を評価するように動作可能であり得る。不一致は、意思決定論理３５を再検討する必要があることを示唆する。
（ａ）および（ｂ）を実行することによって、監視システム２０は、意思決定論理３５を生成するプロセスにおいて行われる仮定と比較して、環境の理解を改善するように動作可能である。（ｃ）および（ｄ）を実行することによって、監視システム２０は、コントローラ３１の意思決定論理３５がその仕様および／またはＫＰＩに従って現実世界の環境において機能する能力を評価することができる。したがって、これらの機能のすべてまたはいくつかが組み合わされてもよいが、これらの機能のすべてが監視システム２０によって実行される必要はない。
図１１は、一実施形態による監視システム２０のブロック図である。
監視システム２０の１つまたは複数のＩＣは、意思決定論理３５を実行するコントローラ３１、他のコントローラ３２、３３、および／またはシステム内の他の一次もしくは二次装置のモデル（複数可）を検証、較正、および／または識別するように動作可能であるモデルモジュール１０１を実行するように動作可能であり得る。
代替的または付加的に、監視システム２０の１つまたは複数のＩＣは、現場動作中に遭遇するシナリオ（例えば、動作点）が、意思決定論理３５を生成するときに使用されるすべてのシナリオと著しく異なるか否かを評価するように動作可能であるシナリオモジュール１０２を実行するように動作可能であり得る。
代替的または付加的に、監視システム２０の１つまたは複数のＩＣは、コントローラの現場動作中に意思決定論理３５によって行われる決定が、意思決定論理３５を生成するときに予測される決定と一致するか否かを評価するように動作可能である決定評価モジュール１０３を実行するように動作可能であり得る。
代替的または付加的に、監視システム２０の１つまたは複数のＩＣは、コントローラの現場動作中に意思決定論理３５によって達成されるＫＰＩが、意思決定論理３５を生成するときに予測されるＫＰＩと一致するか否かを評価するように動作可能であるＫＰＩモジュール１０４を実行するように動作可能であり得る。
性能評価論理を実行するように動作可能である監視システム２０
オンライン性能評価のために意思決定論理を生成するときに使用されるデータにアクセスすることに代えて、またはそれに加えて、監視システム２０は、図２に示すように、性能評価論理２７を実行することができる。
性能評価論理２７は、データ記憶装置（複数可）４０内のデータを使用して、オフラインで訓練することができる。コントローラ３１の現場動作中に性能評価論理２７を実行することは、図２に示すように、監視システム２０が記憶装置（複数可）４０内のデータに
アクセスすることを必要としなくてもよい。
性能評価論理は、意思決定論理３５の動作を評価するロバスト性評価器であってもよい。
コントローラ３１の現場動作中、性能評価論理２７は、コントローラ３１の電力システムまたは産業システム環境を監視するように動作可能であり得る。性能評価論理２７は、観測された環境が意思決定論理３５の修正を必要とするか否かを連続的に評価するように動作可能であり得る。修正は、意思決定論理３５が、それが動作するグリッド環境にもはや適していない状況に対応して即座に必要とされ得、または、意思決定論理３５を最終的に不適切にする進行中の傾向（環境の漸進的な変化）の特定に対応して即座ではなくその後に必要とされ得る。
性能評価論理２７による環境の監視は、用途固有である。関連する環境は、意思決定論理の入力に依存し、地理的環境に限定され得るが、限定される必要はない。例示のために、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性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（複数可）から入来す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動作がローカル測定に基づいて開始される事例があり得る。上記第１の事例の一例は、遠隔測定（それらが最良の可観測性を提供する場所に位置する）に基づく電気機械振動減衰に対するＦＡＣＴＳコントローラの作動である。上記第２の事例の一例は、発電再配分による線および／または変圧器の輻輳緩和である。性能評価論理２７によって考慮される関連する環境は、いずれの量が、監視されている意思決定論理３５の動作に影響を及ぼすかに依存する。
性能評価論理２７は、性能評価機械学習（ＭＬ）モデル、例えば人工ニューラルネットワーク（ＡＮＮ）であってもよい。性能評価論理２７は、分類タスクを実行することができる。この目的のために、性能評価論理２７の出力は、コントローラの適合性を示す離散値（例えば、赤色、橙色、緑色に対応する異なるフラグ）であってもよく、または監視対象コントローラ３１の意思決定論理３５を再検討する必要があるという性能評価論理２７の確信度を示す確率値であってもよい。
現在観測されている環境に対するコントローラ３１の意思決定論理３５の適合性を評価することに加えて、性能評価論理２７は、任意選択的に、近い将来に予測される性能の低下に向かう傾向を識別することができる（例えば、コントローラが特定の予測時間内、例えば次の１年以内に再検討される必要があることを予測する）。
代替的または付加的に、性能評価論理２７は、意思決定論理３５をどのように改善／修正すべきかについての洞察を提供するように訓練することができる。
性能評価論理２７は、意思決定論理３５を生成するコンピュータ実施プロセスにおいて使用された記憶装置（複数可）４０内のデータを使用して訓練される。これは、性能評価論理２７の現場動作の前に行われる。
図１２は、方法１１０のフローチャートである。
ステップ１１１において、意思決定論理３５が生成される。これは、機械学習を使用して、コンピュータ実施プロセスにおいて行うことができる。意思決定論理３５を生成するプロセスにおいて使用されるデータは、「動作前データ」としてデータ記憶装置（複数可）４０に記憶される。
ステップ１１２において、意思決定論理３５を生成するプロセスにおいて使用されるデータが、性能評価論理２７を生成するために使用される。意思決定論理３５を生成するプロセスにおいて使用されるデータ、特にそのプロセスにおいて取得される意思決定論理３５は、性能評価論理２７として後に配備される性能評価ＭＬモデルを訓練するための訓練データを生成するために使用することができる。
ステップ１１３において、性能評価論理２７として配備される性能評価ＭＬモデルが訓練される。性能評価論理２７を訓練するために使用される訓練データは、意思決定論理３５を生成するプロセスにおいて使用される試験シナリオを含むことができる。性能評価論理２７を訓練するために使用される訓練データは、履歴データ、熟練者の入力に基づくことができ、および／または計算的に生成することができる追加の試験シナリオを含むことができる。
ステップ１１４において、性能評価論理２７が、監視システム２０に配備される。現場動作中、性能評価論理２７は、意思決定論理３５を監視する。
現場動作中に意思決定論理３５の性能を監視することができる性能評価論理２７を訓練するための技法をより詳細に説明する。必要に応じて意思決定論理３５を改善する方法に関する案内を提供するために、および／または意思決定論理３５の性能を不足させるシステム内の将来の動作条件を予測するために使用することができるように、性能評価論理２７を訓練することを可能にする技法も説明する。
性能評価論理２７の訓練は、意思決定論理ＭＬモデルのための従来の訓練技法を使用することができる。そのような技法は当業者に知られているが、適切な訓練データを必要とする。そのようなＭＬが、信頼性があり、したがって価値があるようにするためには、訓練データセットは十分に豊富であるべきであり、すなわち、ＭＬモデルが現場における動作中に遭遇する可能性があるすべての事例の十分な代表サンプルを含むべきである。
図１３～図１８を参照して詳細に説明するように、性能評価論理２７として配備される性能評価ＭＬモデルを訓練するために使用される訓練データセットは、オフラインシミュレーションを介して生成することができる。ここで、用語「シミュレーション」は、一般的な意味において解釈されるべきであり、（ｉ）時間および／または周波数領域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、電磁的過渡）、（ｉｉ）最適化問題の解（例えば、最適な電力潮流、単位委託）、または（ｉｉｉ）意思決定論理にチャレンジすることができるシナリオの作成を可能にする他の計算のいずれか１つまたは任意の組み合わせを包含する。
性能評価論理２７として配備される性能評価ＭＬモデルを訓練するために使用される訓練データは、意思決定論理を生成するときに使用された第１の訓練データセットと、第１の訓練データセットに含まれないシナリオを含む追加訓練データセットとを含むことができる。
図１３は、性能評価論理２７として配備されるＭＬモデルを訓練するために使用される訓練データの生成を示す概略図である。
意思決定論理生成器１２０は、第１の訓練データセットを使用して意思決定論理３５を生成するように動作可能であり得る。意思決定論理生成器１２０は、第１の訓練データセットの少なくとも一部を生成することができる第１のシナリオ生成器１２１を含むことができる。第１の訓練データセットは、履歴シナリオおよび／または人間の熟練者によって
指定されるシナリオなどの追加の訓練データを含むことができる。
第１の訓練データセットは、第１の履歴データベース１２２に記憶され得る第１の試験シナリオのセットを含む。
例示のみを目的として、第１のシナリオ生成器１２１は、意思決定論理３５になるように訓練されている別のＭＬモデルにチャレンジするＭＬモデルであってもよい。第１のシナリオ生成器１２１および意思決定論理３５を作成するように訓練されている他のＭＬモデルは、互いに対して動作する２つのＭＬモデルであってもよい。第１のシナリオ生成器１２１および意思決定論理３５を作成するように訓練されている他のＭＬモデルは、ＧＡＮの生成器および弁別器ネットワークであってもよい。
意思決定論理生成器１２０によって実行される処理の結果が、意思決定論理３５である。
困難シナリオ生成モジュール１２５は、性能評価論理２７として配備されるＭＬモデルを訓練するための追加の訓練データを生成する役割を担う。困難シナリオ生成モジュール１２５は、第２のシナリオ生成器１２６を含んでもよい。第２のシナリオ生成器１２６は、意思決定論理３５にチャレンジするＭＬモデル（例えば、ＡＮＮ）であってもよい。意思決定論理３５は、第２のシナリオ生成器１２６が意思決定論理３５の性能を不足させるシナリオを生成するため、もはや修正されないことに留意されたい。下記に説明するように、第２のシナリオ生成器１２６が、意思決定論理３５の性能を不足させるシナリオを生成することができることを保証するために、様々な技法を使用することができる。
例示のために、第２のシナリオ生成器１２６は、性能評価論理２７が、訓練されると、その仕様外の状況において意思決定論理３５の性能を評価することを可能にするために、意思決定論理３５の仕様外のシナリオを生成するように、特に構成されてもよい。
第２のシナリオ生成器１２６は、意思決定論理３５の仕様外のシナリオを含む追加の訓練データを生成することができる。この追加の訓練データは、履歴データベース１２７に記憶することができる。追加の訓練データに含まれるシナリオの大部分は、意思決定論理３５の仕様外であり得る。
意思決定論理３５を生成するために使用される第１の訓練データは、履歴データベース１２７に記憶された追加訓練データと組み合わされ、それにより、より大きい第２の訓練データセット１２８を生成することができる。
この第２の訓練データセット１２８は、意思決定論理を生成するときに使用された第１の訓練データセットと、第１の訓練データセットに含まれないシナリオを含む追加訓練データセットとを含む。この第２の訓練データセット１２８は、性能評価論理の訓練１２９のために使用される。
決定論理生成器１２０、困難シナリオ生成モジュール１２５、および性能評価論理訓練１２９は、コンピュータ、サーバ、または分散コンピューティングインフラストラクチャの１つまたは複数のＩＣによって実行することができる。
第１の訓練データセットおよび第２の訓練データセット内のデータは、それぞれラベル付きデータであり、ラベルは、決定論理生成器１２０および困難シナリオ生成モジュール１２５によって実行される性能評価に基づく。
したがって、良好に機能する性能評価論理２７を訓練するために、自律型決定論理生成器１２０は、意思決定論理３５自体を生成するために必要ではなかったが、性能評価論理２７を訓練するために使用される追加のデータを生成するように動作可能であるサブシステム１２５によって補完される。
したがって、図１４～図１８を参照してより詳細に説明するように、必要な第２の訓練データセット１２８は、以下の２つのソースから取得される。
ａ．その現場動作の前に意思決定論理３５にチャレンジし、意思決定論理の性能に関して評価された第２のシナリオ生成器１２６によって作成されたシナリオ。
ｂ．意思決定論理３５を生成するプロセスにおいて第１のシナリオ生成器１２１によって作成されたシナリオ。
下記に詳細に説明するように、項目（ａ）で述べたデータは、第２の訓練データセット１２８が意思決定論理３５の性能を不足させるシナリオを含むことを保証し、一方、項目（ｂ）で述べたデータは、第２の訓練データセット１２８が意思決定論理３５の適切な性能に対応するシナリオを含むことを保証する。
困難なシナリオの生成
意思決定論理３５は、第１のシナリオ生成器１２１が、訓練されている意思決定論理にチャレンジする敵対者である敵対論理によって生成されてもよい。第１のシナリオ生成器１２１は、意思決定論理の訓練中に意思決定論理３５の性能が評価されるシナリオをシミュレーションシステムに供給することができる。第１のシナリオ生成器１２１の役割は、制御論理生成サブシステムによって自律的に生成され得る意思決定論理３５にチャレンジすることである。これにより、意思決定論理３５を生成するプロセスは、良好に機能する意思決定論理３５に対して駆動される。
上首尾な第１のシナリオ生成器１２１は、以下の２つのクラスのシナリオ、すなわち、ａ）意思決定論理３５が定期的に直面すると予測されるもの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）、およびｂ）意思決定論理３５がそれに対して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、を生成する。配備された意思決定論理３５は、両方のシナリオタイプに対して良好に機能する必要がある。
敵対的論理を使用して意思決定論理３５を自動的に生成するそのようなプロセスに基づいて、性能評価論理２７は、意思決定論理３５の現場動作の前に、コンピュータ実施方式で生成することができる。
性能評価論理２７を提供するのに必要なデータを作成するために、困難シナリオ生成システム１２５と呼ばれる第２のシナリオ生成サブシステムが利用される。この困難シナリオ生成システム１２５の目的は、意思決定論理３５の性能にチャレンジするシナリオを特定することである。意思決定論理３５に首尾よくチャレンジする第２のシナリオ生成器１２６によって生成されるシナリオは、他のデータと共に、性能評価論理２７をその現場動作の前に訓練するために使用される。
第２のシナリオ生成器１２６と第１のシナリオ生成器１２１との間の差は、第１のシナリオ生成器１２１が、設計された意思決定論理３５が動作中にそのようなシナリオに面すると予測されるように適切な方法で機能すべきシナリオである、正当なシナリオのみを生成するように動作することである。第１のシナリオ生成器１２１は、コントローラ３１が
使用されるシステムの仕様内にあるシナリオのみを生成するように動作可能であり得る。
第２のシナリオ生成器１２６の出力は、正当シナリオ空間を超えるシナリオ、すなわち、良好に機能する意思決定論理３５を設計するときに考慮する必要のないシナリオを含む。第２のシナリオ生成器１２６は、（少なくとも加えて）コントローラ３１が使用されるシステムの仕様内にないシナリオを生成するように動作可能であり得る。
第２のシナリオ生成器１２６の役割は、実現されたとしても意思決定論理３５の性能不足をもたらす、可能性のある将来のシナリオを特定することである。
そのような可能性のある将来のシナリオは、システムトポロジの変化、システムハードウェアの変化、および／または電力システムもしくは産業システムの一次もしくは二次装置の機能の変化によって引き起こされ得る。
例示のために、設計下の意思決定論理３５がＳＴＡＴＣＯＭのコントローラである場合、第２のシナリオ生成器１２６は、そのような装置が実際にはそこに設置されることなく（またはそのように計画されることなく）、ＳＴＡＴＣＯＭの電気的近傍における別のパワーエレクトロニクスベースの装置（例えば、ＳＶＣの別のＳＴＡＴＣＯＭ）の存在に対応するシナリオを作成することができる。そのようなシナリオは、それらがＳＴＡＴＣＯＭコントローラの仕様の一部ではないため、第１のシナリオ生成器１２１によって作成さえされない。
図１４は、シナリオ空間を概略的に示す。第１のシナリオセット１３１は、意思決定論理３５を訓練するために使用される。第１のシナリオセット１３１は、第１のシナリオ生成器１２１によって生成されてもよく、第１のシナリオ生成器１２１によって生成されるシナリオを含んでもよい。第１のシナリオセット１３１はその全体が、意思決定論理３５の配備時に、意思決定論理３５が配備されるシステムの仕様内のシナリオからなることができる。
第２のシナリオセット１３２が、特に、意思決定論理３５に首尾よくチャレンジするように構成される。第２のシナリオセット１３２は、第２のシナリオ生成器１２６によって生成されてもよく、第２のシナリオ生成器１２６によって生成されるシナリオを含んでもよい。第２のシナリオセット１３２はその全体が、意思決定論理３５の配備時に、意思決定論理３５が配備されるシステムの仕様外のシナリオからなることができる。
セット１３１および１３２は、統合されて統合セットを形成することができ、統合セットは、次に性能評価論理２７を訓練するために使用される。
図１５は、一実施形態において使用することができるシナリオ生成システムの構成を示す。図１５の一般的な構成は、図１６Ａおよび図１６Ｂを参照して説明されるいくつかの適応が行われるときに、第１のシナリオセット１３１および第２のシナリオセット１３２の両方を生成するために使用され得る。
訓練シナリオ生成モジュール１４０は、外因性シナリオ１４１のリポジトリを含むことができる。外因性シナリオ１４１は、履歴シナリオを含むことができ、履歴シナリオに基づくことができ、または人間の熟練者によって指定されたシナリオを含むことができる。
訓練シナリオ生成モジュール１４０は、新たなシナリオを生成するシナリオ生成器１４２を含むことができる。シナリオ生成器１４２は、（意思決定論理を生成するプロセスにおける）意思決定論理３５の訓練中に、または（性能評価論理２７を訓練するための追加
のシナリオを生成するための）意思決定論理３５の訓練が完了した後に、意思決定論理３５にチャレンジする敵対的ＭＬモデルであってもよい。
シナリオ生成器１４２は、意思決定論理にチャレンジするその機能においてシナリオ生成器１４２を改善することを目的として、その動作中に更新されるＭＬモデルであってもよい。
訓練シナリオ生成モジュール１４０は、困難なシナリオ１４３のリポジトリを含むことができる。困難なシナリオ１４３は、意思決定論理３５にとって困難であると識別されたシナリオを含むことができる。
シナリオは、３つのソース１４１，１４２，１４３から選択することができ、シミュレーションシステムに供給することができる。アクティブなシナリオのバッチ１４４を維持することができる。
最初に、シナリオは外因性シナリオ１４１から選択される。
意思決定論理（および、意思決定論理を改善する論理に対する敵対的論理であるシナリオ生成器１４２）を訓練するプロセス中、現在訓練されている意思決定論理３５にチャレンジするために、シナリオ生成器１４２によって作成されたより多くのシナリオが選択される。
設計プロセス中に、意思決定論理３５の更新をトリガした困難なシナリオ１４３を記録することができる。再検討すべきであるそれらのシナリオは、意思決定論理３５が発展しているときに、以前に識別された困難なシナリオに依然として取り組むことができることを保証するために断続的に選択することができる。
再検討すべきシナリオ１４３のデータベースからの選択は、様々な方法で行うことができる。例示のために、シナリオ生成モジュール１４０は、いずれのシナリオが意思決定論理３５に影響を与える可能性が最も高いかを学習するように訓練することができる。
シナリオ生成器１２１，１２６，１４２の役割は、アクティブな意思決定論理３５にチャレンジすること、すなわち、意思決定論理３５を性能不足にするシナリオを識別することである。シナリオ生成器１２１，１２６，１４２の出力は、需要および発電レベル／パターン、偶発事故、故障、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る値である。そのようなパラメータのセットは、シナリオベクトルとして参照することができる。
図１８に示すように、ＡＮＮなどのＭＬモデルを採用してシナリオベクトルを生成することができる。このモデルは、シナリオ生成ＭＬモデルとして参照することができる。その出力（すなわち、シナリオベクトル）は、有益に困難なシナリオを生成するように、継続的に可能である。これは様々な方法で行うことができる。
シナリオ生成ＭＬモデルは、少なくとも現在の意思決定論理３５の記述を含む入力からシナリオベクトルへとマッピングする（場合によっては確率）関数として機能することができる。シナリオ生成ＭＬモデルは、生成されるシナリオが、意思決定論理３５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、意思決定論理を生成するプロセス中に学習される。そのアーキテクチャおよびパラメータ値（ノード間のリンクの重みまたは活性化関数の他のパラメータなど）によって記述されるシナリオ生成モデルは、自律設計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意思決定論理の対応する性能を利用することによって訓練される。訓練プロセスの目的は、所与の意思決定論理３
５の困難なシナリオを作成することができるシナリオ生成ＭＬモデルへの収束を達成することである。シナリオ生成ＭＬモデルを定義するパラメータ値は、反復プロセスの開始時に、より速く変化することが期待される。
代替的に、シナリオ生成ＭＬモデルは、連続的に更新されてもよい（例えば、ＡＮＮ重みは、１回の反復から次回の反復へ連続的に変化している）。この手法は、パラメータのセットに収束することを目的としていない。パラメータは、反復ごとに、シナリオ生成ＭＬモデルが有益に困難なシナリオを作成しているように、連続的に変化している。
予め選択された比較的小さい入力ベクトルを、シナリオ生成ＭＬモデルに使用することができる。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。例えば、シナリオ生成ＭＬモデルがＡＮＮである場合、この入力ベクトルがＡＮＮ内部演算および隠れ層を介してＡＮＮ出力層の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ている。
シナリオ生成ＭＬモデル（および、必要に応じて、入力ベクトル）のアーキテクチャは、人間の技師によって提供され得るか、または設計プロセス中に自動的に識別され得る。
図１６Ａは、意思決定論理３５を生成するプロセスにおいて使用することができる訓練シナリオ生成モジュール１４０ａを示し、図１６Ｂは、性能評価論理２７を訓練するために使用される追加のシナリオを生成するプロセスにおいて使用することができる訓練シナリオ生成モジュール１４０ｂを示す。シナリオ生成モジュール１４０ａ、１４０ｂは、上述したのと同じ一般的な構成を有することができ、外因性シナリオ１４１ａ、１４１ｂのリポジトリ、新たなシナリオ１４２ａ、１４２ｂを自動的に生成したＭＬモデル、および修正されるべきシナリオ１４３ａ、１４３ｂのリポジトリ（これは任意選択である）を含むことができる。
訓練シナリオ生成モジュール１４０ｂが（仕様内にあるシナリオを作成するシナリオ生成モジュール１４０ａとは逆に）意思決定論理の仕様外であるシナリオを生成することを可能にするために、以下が使用され得る。
第２の外因性シナリオセット１４１ｂは、システム仕様外の可能性のある将来のシナリオを含むように、技師によって選択することができる。可能性のある将来のシナリオは、システムトポロジの可能性のある将来の変化（例えば、新たな送電線または配電線の設置、新たな変圧器など）、装置能力の可能性のある将来の変化（例えば、既存の回路遮断器、保護リレーへの可能性のある更新など）、または他の可能性のある将来の変化に基づくことができる。
代替的または付加的に、第２のシナリオ生成器１４２ｂであるＭＬモデルを訓練するとき、「正当な」シナリオベクトルからなる第２のシナリオ生成器１４２ｂの出力にペナルティを割り当てることができる。このようにして、第２のシナリオ生成器１４２ｂは、反復中にますます良好に訓練されるにつれて、可能性のある将来のシナリオにのみ対応するシナリオベクトルを漸進的に生成する。
第２のシナリオ生成器１４２ｂは、図１３のシステムにおける第２のシナリオ生成器１２６として使用されてもよい。
図１７は、方法１５０のフローチャートである。方法１５０は、第１の訓練シナリオセット１３１を超え、性能評価論理を訓練するために使用することができる第２の訓練シナリオセット１３２を生成するために使用することができる。方法１５０は、性能評価論理
２７の現場動作の前に実行される。方法１５０は、意思決定論理３５の現場動作の前に実行することができる。
ステップ１５１において、第２のシナリオ生成器１４２ｂは、意思決定論理３５にチャレンジするように訓練することができる。第２のシナリオ生成器１４２ｂを訓練するプロセスにおいて、第２のシナリオ生成器１４２ｂは、意思決定論理のシステム仕様内にないシナリオの生成を促進するように訓練される。
例示のために、第２のシナリオ生成器１４２ｂは、ＭＬモデル（ＡＮＮなど）であってもよい。
－ 第２のシナリオ生成器１４２ｂにより、意思決定論理３５にチャレンジするためのシナリオを生成するステップと、
－ シナリオに応じた意思決定論理３５の決定および電力システムまたは産業システムの応答をシミュレートするシミュレーションシステムに、生成されているシナリオを提供するステップと、
－ 意思決定論理３５がシナリオにどの程度良好にまたは不足に対処したか、およびシナリオがシステム仕様内にあるか否かの両方を考慮に入れて、第２のシナリオ生成器１４２ｂを評価するステップと、
－ 評価の結果に基づいて、第２のシナリオ生成部１４２ｂを形成するＭＬモデルを修正するステップと
を反復的に実施することができる。
評価ステップは、１つまたは複数のＫＰＩに従って意思決定論理３５の性能を評価することができる。全体的な評価結果は、１つまたは複数のＫＰＩに従って決定される意思決定論理３５の性能と、シナリオがシステム仕様内にあることが判明した場合に選択的に課されるペナルティとの組み合わせであってもよい。
ＭＬモデルを修正することは、限定ではなく、活性化関数のパラメータを修正することを含み得る。
図１８は、ＡＮＮとして実装され得、第２のシナリオ生成器１２６、１４２ｂとして訓練され得るＭＬモデル１６０の概略図である。ＭＬモデル１６０は、複数の層内にノード１６１を含むことができ、活性化関数は、ＭＬモデル１６０の性能を改善するために反復的に修正される。入力１６２に応答して、ＭＬモデル１６０は出力１６３を生成した。上記で説明したように、ＭＬモデル１６０は、電力システムまたは産業システムで使用されるような、意思決定論理３５の仕様内にないシナリオも生成するように訓練される。この入力１６２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。出力１６３は、動作シナリオを定義するために必要なすべてのパラメータ値のセットであってもよい。
性能評価論理の訓練
図１３および図１４に戻ると、決定論理生成システム１２０は、自律的なコンピュータ実施プロセス中に意思決定論理３５を生成するために別のサブシステムと競合する第１のシナリオ生成器１２１を含む。この敵対的論理は、意思決定論理３５を生成する論理および第１のシナリオ生成器１２１の両方を同時に改善する（これは、例えば、ＧＡＮの作成器および弁別器として機能することができる）。これにより、良好に機能するロバストな意思決定論理３５の自律的なコンピュータ駆動生成が保証される。第１のシナリオ生成器１２１自体は、自律設計プロセスの一部として訓練される。
意思決定論理３５を生成するプロセスが収束する設計プロセスの最終的な意思決定論理３５は、コントローラ３１に配備される。
第２のシナリオ生成器１２６の訓練、したがって性能評価論理２７のための追加の訓練データの生成は、意思決定論理３５の設計プロセスが配備されるべき最終的な意思決定論理３５に収束したときに開始することができる。
第２のシナリオ生成器１２６は、最終的な意思決定論理３５にとってますます困難になっている新たな可能性のある将来シナリオを識別することができるように反復的に発展するように訓練される。第２のシナリオ生成器１２６は、反復的に最終的な意思決定論理３５と競合することによって、電力または産業システムの現在のシステム仕様外のますます困難になっているシナリオを提供するために必要とされるデータを生成するように動作可能であり得る。
これは、最終的に、最終的な意思決定論理３５を性能不足にするシナリオを生成することができる、良好に機能する第２のシナリオ生成器１２６をもたらす。
図１８に例示されるように、困難シナリオ生成器のアーキテクチャ（例えば、ＡＮＮのトポロジ）および関連するパラメータ（例えば、ＡＮＮのノード間の重み）は、第２のシナリオ生成器１２６自体によって駆動されるデータ生成プロセス中に連続的に更新され得る。
第２のシナリオ生成器１２６の性能は自動的に評価することができる。可能性のある将来のシナリオは、最終的な意思決定論理３５が適切なメトリック（複数可）に従って性能不足であるときに良好であると考えられる。さらに、上記で説明したように、出力シナリオが電力システムまたは産業システムにおいて使用される意思決定論理３５の仕様内にある場合、第２のシナリオ生成器１２６の性能は不十分であると評価される。
このようにして、第２のシナリオ生成器１２６は、可能性のある困難な将来のシナリオを特定するように漸進的に学習する。
第２のシナリオ生成器１２６の訓練または学習は反復プロセスである。各生成において、ＡＮＮ重みを更新することができる。これは、ＡＮＮ重みに関するＡＮＮのいくつかの出力基準の勾配を利用することによって実行され得る。勾配は、訓練データのバッチに適用される（確率的）勾配降下法において使用される。例えば、教師あり学習構成において、出力基準は、出力誤差、すなわち、ＡＮＮがシミュレーションにおいて出力として与えたものと、その出力が理想的に有するべきものとの間の差であり、以後「正しいＡＮＮ出力」（例えば、「グランドトゥルース」）として参照される。この「正しいＡＮＮ出力」が教師あり学習信号としての役割を果たす。
教師あり学習信号を提供することができない場合がある。ＡＮＮ出力誤差がない場合、性能メトリックの値に基づいてＡＮＮ訓練（すなわち、その重みの値を更新する）を誘導する方法が使用され得る。発展的および遺伝的アルゴリズム、山登り、焼き鈍し法、および他のヒューリスティック、および／またはモデルベースの検索技法などの試行錯誤検索方法を含む、様々なパラメータ検索方法を使用することができる。
ＡＮＮ訓練の場合、更新されるパラメータは、ＡＮＮ重みに対応し得る。
ＡＮＮ訓練プロセスへの入力は「学習率」であり、これは、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。学習率が高いほど、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。
学習率は、第２のシナリオ生成器１２６が訓練されている間に動的に修正することができ、その結果、ＡＮＮは、大きい学習率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り、または、ＡＮＮ訓練は、小さい学習率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、より多くの反復回数を費やす。
さらに、第２のシナリオ生成器１２６が訓練されるときに意思決定論理３５が固定されることにより、現在有効な制御論理にチャレンジすることができるシナリオを効率的に識別することができる。
アクティブなＡＮＮ性能の発展は、自動的に監視され得、第２のシナリオ生成器１２６のＡＮＮ性能は、意思決定論理３５にチャレンジするための性能である。トポロジが異なるＡＮＮがいつ選択されるべきかの決定は、自動的に行われ得る。例示のために、所与のアーキテクチャを有するＡＮＮが更新される訓練サイクルは、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達することが不可能であると考えられる場合、停止され得、異なるＡＮＮアーキテクチャが自動的に選択され得る（例えば、事前定義された候補ＡＮＮアーキテクチャのセットから）。
訓練サイクルの終わりに、訓練されたＡＮＮは任意選択で履歴に記憶され、ハイパーパラメータ値の新たなセットを用いて新たなアーキテクチャが選択される。
プロセスは終了基準（例えば、十分に良好な性能メトリックへの収束、最大数の訓練サイクルへの到達など）に従って終了し、第２のシナリオ生成器１２６として使用するために最良のアーキテクチャが履歴から選択される。
第２のシナリオ生成器１２６を訓練するプロセスは、配備のために仕上げられた意思決定論理３５を修正しない。
ラベル付きデータの第１のデータセット１２２，１３１は、意思決定論理３５を生成するプロセス中に生成される。これらのデータは、配備された意思決定論理３５が良好に機能するシナリオ１３１を含む。リポジトリ１２２からは、最終的な意思決定論理３５に対応する事例のみが利用されるべきである。
第２のデータセット１２７，１３２はラベル付きデータを含み、各サンプルは意思決定論理３５の対応する性能によってラベル付けされている、シミュレートされた可能性のある将来のシナリオからなる。一般に、このデータセットは、意思決定論理３５が良好に機能したシナリオに対応するサンプルと、許容できないほどまたは注意を要するほど性能不足であった他のシナリオに対応するサンプルとを含む。
これら２つのデータセットは１つに統合される。統合データセットは、性能評価論理２７を訓練するために使用される。この訓練の結果は、生のまたは処理されたシステム可観測値を入力として受け取り、推定されたコントローラ性能を出力として提供するＭＬモデルである。このＭＬモデルが性能評価ＭＬモデルとして参照される。
このような性能評価ＭＬモデルを訓練するためには、訓練データセットが適切な形式をとる必要がある。例えば、性能がバイナリ分類として扱われるように選択された場合、すべてのサンプルは、対応する性能メトリックが特定の値を上回る場合（「許容可能に良好」と判断される）には「１」、そうでなければ「０」などの２つのフラグによってラベル付けされるべきである。
シナリオベクトルを定義するすべての属性のうち、サブセットのみが、性能評価ＭＬモデルの入力属性、すなわち、後続の現場使用において性能評価論理２７によって観察され得る属性として使用され得る。これらの属性は、本明細書においては「シナリオシグネチャ」としても参照される。シナリオシグネチャは、所与の意思決定論理３５に関連して、達成され得る最良の可能なグリッドシステム可観測性に対応する。性能評価論理２７の訓練の副産物は、訓練が収束する対応する性能評価ＡＮＮ（または他の性能評価ＭＬモデル）が、シナリオシグネチャの中からコントローラの性能に関する可能な最大情報を抽出するものであることである。
例えば、意思決定論理評価のために、最も関連性の高いシナリオ属性は、新たに設置されたパワーエレクトロニクスインターフェース装置の正確な制御決定であり得るが、性能評価論理２７は、ローカルで測定された電圧および電流のみに基づいて意思決定論理３５を評価するように訓練することができる。これは、前者の属性が動作中に性能評価論理２７に利用できない可能性があるためである。しかしながら、これらの属性は、データ生成段階中に第２のシナリオ生成器１２６によって探索されるシナリオ空間の一部とすることができ、またその一部とするべきである。
性能評価論理２７を訓練するために利用可能なラベル付きデータを用いて、教師あり機械学習技法を使用することができる。上で説明したのと同様に、性能評価論理２７の訓練は、
－ 性能評価ＡＮＮアーキテクチャ（ハイパーパラメータによって定義され得る）を選択することと、
－ 意思決定論理性能を分類するタスクのために、選択された性能評価ＡＮＮを改善するために、選択された性能評価ＡＮＮアーキテクチャのパラメータを調整することと、
－ 性能評価ＡＮＮアーキテクチャを継続的に訓練することによって、それ以上の改善が得られない場合に、性能評価ＡＮＮアーキテクチャ、意思決定論理性能を分類するタスクについて性能評価ＡＮＮの最高の性能をもたらすパラメータ、および、履歴における正しい分類の関連付けられる比率を記憶し、別の性能評価ＡＮＮアーキテクチャを（たとえば、層および／またはノードの数に影響を与える可能性のあるハイパーパラメータを修正することによって）選択し、新たな性能評価ＡＮＮアーキテクチャに対して前のステップを繰り返すことと、
－ 終了基準が満たされている場合に、最良に機能する性能評価ＡＮＮを性能評価論理２７として配備することと
を含む、反復的プロセスであり得る。
性能評価論理２７の現場動作：
性能評価論理２７が訓練され、必要な可観測値（すなわち、シナリオシグネチャ）が定義されると、性能評価論理２７は、現場動作中にキャプチャされるシナリオシグネチャに基づいて、配備された意思決定論理３５の性能を分析するために監視システム２０によって使用され得る。
性能評価論理２７が、意思決定論理が所望の性能基準を満たさないようにシステムトポロジおよび／または動作条件が変化したと推定するときはいつでも、出力を生成することができる。出力は、ＨＭＩを介して出力するための警報、警告、または他の出力を含むことができる。代替的または付加的に、出力は、保護機能の作動、ダウンタイムのスケジューリング、人員配置のトリガ、および／または意思決定論理３５の修正の開始などの制御動作を自動的にトリガすることができる。
性能劣化の傾向の検出
監視システム２０は、性能劣化の傾向を検出するように動作可能であり得る。監視システム２０は、予測情報を提供するように動作可能であり得る。例示のために、監視システム２０は、意思決定論理３５が修正を必要とすると予測される予測時間を判定して出力するように動作可能であり得る。すなわち、現在観測されている性能をラベル付けする分類器として動作することに加えて、性能評価論理２７は、意思決定論理３５が性能不足であると考えられる状態に向かう傾向を識別するように動作可能であり得る。例えば、「傾向」は、地域におけるコンバータインターフェース型分散エネルギー資源の普及の増加であり得る。監視システム２０がそのような傾向を検出することを可能にするために、様々な技法を使用することができる。
傾向を識別するための性能評価論理の訓練
性能評価論理２７が使用されるとき、それは、意思決定論理３５が性能不足であるシナリオに向かう傾向を識別するように訓練することができる。上述したように、性能評価論理２７は、性能評価ＭＬモデルを訓練することによって生成することができる。
傾向が検出されることを可能にするために、第２のシナリオ生成器１２６は、各バッチが傾向を表す潜在変数の発展によって駆動されるシナリオのバッチを作成するように動作可能であり得る。シナリオのそのような各バッチは、経時的な傾向のシミュレートされた漸進的変化に対応する時系列である。
そのような潜在変数は、性能評価論理２７を生成する自律プロセスを開始する前に、人間の技師によって明示的に定義することができる。各傾向は、新たなシナリオを生成するために第２のシナリオ生成器１２６によって修正されるシナリオベクトル内の変数によって示すことができる。潜在変数（複数可）は、決定論的または確率論的にシナリオを定義する実際の変数と関連付けることができる。例えば、潜在変数が地域内の総電力需要である場合、その値が増加することは、それに応じて各個々の消費者の需要プロファイルが増加することに対応し得る。
性能評価ＭＬモデルを訓練することによって、性能評価論理２７を生成するプロセスにおいて、潜在変数の発展によって駆動されるシナリオのバッチを使用して、性能評価論理２７は、将来のコントローラの性能不足をもたらす可能性がある傾向の発展を暗黙的に認識するように訓練することができる。
性能評価論理２７は、意思決定論理３５が性能不足になっている可能性がある予測される将来の条件を示す予測出力（例えば、警報、警告、または他の出力）を生成することができる。
図１９は、方法１８０のフローチャートである。方法１８０は、意思決定論理３５が性能不足である状況に向かう傾向を検出することができるように性能評価論理２７を生成するために、性能評価論理２７の現場動作の前に、および任意選択的に意思決定論理３５の現場動作の前に使用することができる。
ステップ１８１において、シナリオのバッチが時系列として自動的に生成され、バッチ内の発展は変数の発展によって駆動される。変数は、シナリオを定義するパラメータのうちの１つであり得る。このようなバッチは、１つだけでなく、複数生成され得る。
ステップ１８２において、性能評価論理は、シナリオのバッチを含む訓練データを使用して訓練される。
図２０は、性能評価論理２７の動作を示すブロック図である。性能評価論理２７は、コ
ントローラ３１の現場動作中のシナリオを定義するパラメータを入力として受信する。
性能評価論理２７は、分類器として動作し、現在の電力システムトポロジおよび動作条件に対する意思決定論理３５の適合性を示す出力１０１を生成する。
性能評価論理２７は、予測論理として動作し、電力システムまたは産業システムが、意思決定論理３５が性能不足である状態に向かって発展すると予測されることを示す予測出力１０２を生成する。
性能評価論理２７は、任意選択的に、図２４～図２７を参照して説明するように、意思決定論理３５の性能不足に関する可能性のある根本原因を示す情報１０３を出力するように動作可能であり得る。
予測器（複数可）の使用
性能劣化の傾向が検出されることを可能にするために、監視システム２０は、少なくとも１つの予測器、すなわち監視対象システムの発展の予測を実行するモデルと組み合わせて性能評価論理２７を使用することができる。データに基づく予測器を作成するために、リカレントニューラルネットワークを利用することができる。この予測は、性能評価論理２７への入力として提供することができ、性能評価論理は、その後、予測される将来のシステム条件の下で意思決定論理の性能を評価する。予測器が予測するもの（例えば、将来の電力需要、または分散型再生可能エネルギーの将来の普及）に応じて、性能評価論理２７は、予測された量を入力として受信して処理することができるように訓練される。
図２１は、監視システム２０のブロック図である。監視システム２０は、予測器２０１および性能評価論理２７を実行する１つまたは複数のＩＣを含む。監視システム２０は、入力２００としてシナリオシグネチャを受信する。
シナリオシグネチャのうちの少なくとも１つは、予測器２０１に供給され、予測器は、予測される将来のシステムパラメータ（例えば、将来の電力需要、または分散型再生可能エネルギーの将来の普及）を計算する。性能評価論理２７は、予測された将来のシステムパラメータを、典型的には入力２００内の他のシナリオシグネチャと組み合わせて処理して、予測器２０１によって計算された予測（複数可）が関連する将来の時点（複数可）において意思決定論理３５が許容可能な性能を有するか否かを判定する。
図２２は、いくつかの予測器２０１～２０９および性能評価論理２７ａ～ｎのいくつかのインスタンスを実行する１つまたは複数のＩＣを含む監視システムを示す。
種々の予測器２０１～２０９を使用して、様々な将来の時点におけるシステムパラメータ（例えば、将来の電力需要、または分散型再生可能エネルギーの将来の普及）を予測することができる（例えば、第１の予測器２０１は第１の将来の時点の予測を提供することができ、第２の予測器２０２は第１の将来の時点とは異なる第２の将来の時点の予測を提供することができる）。代替的または付加的に、図２１に示すように、特定の将来の時点に達するまで同じ予測器を再帰的に使用することができる。
これらの予測のいずれについても、予測シナリオシグネチャが予測器（複数可）によって生成され、現在の傾向（複数可）を所与として意思決定論理の予測性能が分析される。
いずれの技法が、意思決定論理３５の性能を不足させる、可能性のある将来のシステム状態の予測的識別に使用されるかにかかわらず、得られた推定値は、将来の意思決定論理３５の可能性のある性能について人間の熟練者に早期に警告をもたらすことができる（例
えば、現在の傾向を所与として、制御論理の性能は２年後に警告になる）。このような早期警告は、新たな予測が実行されたときに定期的に更新することができる。
図２３は、現場動作中に監視システム２０によって自動的に実行することができる方法２１０のフローチャートである。
ステップ２１１において、意思決定論理３５の性能を不足させる可能性がある、電気システムまたは産業システムの予測変化を識別することができる。これは、例えば、シナリオの時系列発展を使用して性能評価論理２７を訓練することによって、および／または性能評価論理２７に入力（複数可）を提供する１つもしくは複数の予測器を使用することによって、上述した技法のいずれか１つを使用して行うことができる。
ステップ２１２において、早期警告、警報、または他の出力を生成することができる。早期警告、警報、または他の出力は、ＨＭＩを介して出力することができる。代替的または付加的に、監視システム２０は、修正された意思決定論理３５を生成するように、決定論理生成器１２０を自動的にトリガすることができる。
根本原因に関する洞察の提供
監視システム２０は、監視対象コントローラ３１の適合性の任意の観察される劣化の根本原因（または理由）が何であり得るかに関する洞察を提供するように動作可能であり得る。
観察される性能劣化の可能性のある根本原因を特定することは、意思決定論理３５の性能を不足させるシステム状態の原因である可能性が高いシナリオシグネチャ入力（すなわち、監視システム２０によって入力として受信されるシステム可観測値のうちの１つ）を識別することに対応する。これは、単一のシナリオシグネチャ、またはいくつかのシナリオシグネチャの組み合わせであり得る。
「シナリオシグネチャ」という用語は、現場動作中に監視システム２０によって受信および処理される電力システムまたは産業システムのパラメータを指すことを想起されたい。
監視システム２０は、意思決定論理３５が性能メトリックベースの基準を満たすようにするために（例えば、閾値を超える性能メトリックに従って判定される性能を有するようにするために）修正する必要があるその入力のうちの１つを識別するように動作可能であり得る。監視システム２０は、意思決定論理３５が性能メトリックベースの基準を満たすようにするために必要とされる修正が最小限である、その入力のうちの１つを識別するように動作可能であり得る。監視システム２０は、結果として意思決定論理３５を性能不足にする、識別されたシステムパラメータ（複数可）に関する情報を出力するように動作可能であり得る。
図２４は、方法２２０のフローチャートである。方法２２０は、現場動作中に監視システム２０によって自動的に実行することができる。
ステップ２２１において、意思決定論理３５が性能メトリックベースの基準を満たさなくなるようにする（例えば、閾値を超える性能メトリックに従って判定される性能を有するようにする）、電力システムまたは産業システムのシステム状態が検出される。
ステップ２２２において、意思決定論理３５が性能メトリックベースの基準を満たすようにする（例えば、閾値を超える性能メトリックに従って判定される性能を有するように
する）ために変更されなければならない１つまたは複数のシステムパラメータが、監視システムによって自動的に識別される。性能メトリックベースの基準の遵守を確実にするためにシステムパラメータ（複数可）を変更する必要がある情報が出力される。
図２５は、複数のシステムパラメータｓｐ１，．．．，ｓｐｎ，．．．ｓｐＭが及ぶ状態空間を概略的に示す。パラメータｓｐ１，．．．，ｓｐｎ，．．．ｓｐＭは、性能評価論理２７またはより一般的には監視システム２０によって受信および処理することができる可観測値である。
パラメータ空間は、許容可能シナリオ空間２３１と許容不可能シナリオ空間２３２とに細分化される。良好に機能する意思決定論理３５をもたらすシナリオシグネチャ２３３のすべての組み合わせが、許容可能シナリオ空間２３１内に配置構成される。性能不足である意思決定論理３５をもたらすシナリオシグネチャ２３４のすべての組み合わせが、許容不可能シナリオ空間２３２内に配置構成される。
これらの空間２３１，２３２は、使用される性能メトリックおよび意思決定論理３５の計算された性能が比較される閾値に依存する。
許容不可能シナリオ空間２３２内のシナリオシグネチャ２３５が識別されると、意思決定論理３５の性能不足に関する可能性のある根本原因を特定するための手順が自動的にトリガされ得る。代替的に、性能が第１の閾値を下回るが、依然として第２の閾値を上回ると計算された場合にのみ、手順を選択的にトリガすることができる。
監視システム２０は、許容可能なシナリオの空間２３１内に位置する修正されたシナリオシグネチャをもたらす、現在のシナリオシグネチャ２３５に対する最小限の修正２３６を識別するように動作可能であり得る。すなわち、監視システム２０は、そのようなシナリオシグネチャを許容可能シナリオ空間内に分類されるように限定するシナリオシグネチャの最小限の修正を識別するように動作可能であり得る。
これは様々な方法で行うことができる。例示のために、監視システム２０は、条件付き最適化問題を解決して、意思決定論理の許容可能な性能をもたらす、現在のシナリオシグネチャ２３５に対する最小限の修正２３６を識別するように動作可能であり得る。性能評価論理２７が配備されると、それを使用して、条件付き最適化ルーチンにおいて探索されるシナリオシグネチャにおけるシフト（複数可）２３６の影響を評価することができる。
Figure 0007257455000003
Figure 0007257455000004
図２６は、性能評価論理を条件付き最適化エンジン２４０と組み合わせる、監視システム２０の概略ブロック図である。条件付き最適化エンジン２４０は、許容可能であると考えられる、性能評価論理２７によって判定される意思決定論理３５の性能をもたらしながら、コントローラ３１の現場動作中に現在観察されている実際のシステム状態に可能な限り近い、パラメータ空間内の修正点を探索する。
監視システム２０は出力２４１を生成し、これは、意思決定論理３５が、許容可能であると考えられる、性能評価論理２７によって判定される性能を有することを保証するために、いずれのシステムパラメータ（複数可）を変更する必要があるかを示すことができる。出力２４１は、ＨＭＩを介して人間の熟練者に提供される出力であってもよい。代替的または付加的に、監視システム２０によって判定されるシステムパラメータのシフトに対応する制御動作が自動的に行われ、または提案されてもよい。
シナリオシグネチャの量間の差のいくつかは、影響がないことを意味する０になり、いくつかは、最小の影響を意味する小さいものになり、いくつかは、相当の影響を意味する大きいものになる。これは、環境のどのような変化が、監視システム２０によって評価されるコントローラの適合性／性能に影響を及ぼしているかについての洞察を提供することができる。
条件付き最適化エンジン２４０は、様々な技法を使用することができる。本質的に、条件付き最適化を解くことは、パラメータ探索問題である。条件付き最適化エンジン２４０は、パラメータ空間の探索を誘導するためにいかなる分析情報（勾配など）も必要とせずに利用可能である、試行錯誤探索を使用することができる。確立された試行錯誤探索方法には、発展的および遺伝的アルゴリズム、山登り、焼き鈍し法、および他のヒューリスティックが含まれる。
条件付き最適化エンジン２４０は、パラメータの選択の予測される性能を推定するモデルベースの探索を実行することができ、したがって、性能メトリックを計算するためにシナリオ（複数可）（のバッチ）をシミュレートする必要性をバイパスすることができる。この場合、モデルは、性能評価論理２７を生成するときに使用された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識別することができる。
電力システムの現在のシステム状態または産業システムの問題の結果として意思決定論理３５が性能不足になる理由に関する根本原因の特定に取り組む別の方法は、感度分析を使用することができる。例示のために、監視システム２０は、性能評価論理２７の出力の、その入力に対する感度を利用することができる。これは、条件付き感度、すなわち所与の特定の入力に対する所与の観察結果（コントローラの不適合性を示したもの）の感度である。そのようにして、監視システム２０は、性能評価論理２７の実際に判定された出力が最も感受性であるシナリオシグネチャを人間の熟練者に報告することができる。
図２７は、性能評価論理２７を感度分析エンジン２５０と組み合わせる、監視システム２０の概略ブロック図である。感度分析エンジン２５０は、入力に含まれる様々なパラメータの修正に応答して、性能評価論理２７の出力の、その入力に対する感度を判定することができる。監視システム２０の出力２５１は、性能評価論理２７の実際に判定された出力が最も感受性であるシナリオシグネチャを示すことができる。
本発明による方法、装置、およびシステムは、現場動作中に意思決定論理を自動的に監視することを可能にする。開示されている技法は、意思決定論理が技法的熟練者に対してブラックボックスとして挙動する訓練されたＭＬモデルである場合でも動作可能なままである。
方法、装置、およびシステムは、発電、送電、または配電システムなどの産業システムに配備された別個の意思決定論理を同時に監視するために使用することができる。その場合、専用の性能評価論理を生成し、現場の任意の意思決定論理のために配備することができる。
本発明による方法、装置、およびシステムは、意思決定論理が性能メトリックベースの品質基準に従わずに機能するようにするシナリオを識別することが可能である。
本明細書において使用される場合、「シナリオ」は、一般に、発電、需要および気象パターン、障害（すなわち短絡）、計画停電、トポロジ構成、新たな構成要素の追加、需要の発展、貯蔵および再生可能発電などの、意思決定論理が直面する動作条件および事象のセットを包含する。
意思決定論理は、限定ではなく、制御論理（例えば、距離保護論理などの保護論理）であってもよい。
本発明による方法、装置、およびシステムは、限定ではなく、以下の論理のいずれか１つが所望の性能基準に従って動作することができるか否かを評価するために使用することができる。
－ 保護システムおよびＳＩＰＳ（システム完全性保護方式）、
－ ローカルＦＡＣＴＳ／ＨＶＤＣコントローラ、
－ グリッド全体にわたる多くの装置の協調制御（例えば、ＦＡＣＴＳ、ＨＶＤＣ、発電機有効需要、貯蔵）、
－ ＤＥＲの制御（直接的、またはアグリゲータもしくは配電システムオペレータを介した）、
－ グリッドにおける分散制御、
－ 様々な先読み計画対象期間においてグリッド動作制限を緩和することを可能にする制御論理（制御論理は、外乱前後の制御動作を含むことができる）
－ 資産の保守／交換をスケジュールするための論理、
－ 電力システムの復旧のための論理、
－ 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論理。
実施形態を電力システムの文脈で説明してきたが、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意思決定論理を生成および／または使用することに限定されない。むしろ、開示されている方法およびコンピュータシステムは、ＩＡＣＳの１つまたは複数のコントローラの意思決定論理を生成するために使用され得る。
本発明は、図面および前述の説明において詳細に説明されてきたが、そのような説明は、実例または例示であって限定ではないと考えられるべきである。開示された実施形態に対する変更は、図面、開示、および添付の特許請求の範囲の研究から当業者によって理解され、請求された発明を実施することができる。特許請求の範囲において、「備える（ｃｏｍｐｒｉｓｉｎｇ）」という単語は他の要素またはステップを排除するものではなく、不定冠詞「ａ」または「ａｎ」は複数を除外しない。特定の要素またはステップが別個の特許請求項に記載されているというだけの事実は、これらの要素またはステップの組み合わ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、実際の特許請求項の従属性に加えて、任意のさらなる意味のある特許請求項の組み合わせが開示されていると考えられるべきである。

Claims (19)

  1. 電力システムのコントローラ（３１）の意思決定論理（３５）の性能を、前記コントローラ（３１）の現場動作中に監視する方法であって、前記方法は、監視システム（２０）によって実行され、
    前記コントローラ（３１）の現場動作中に収集される動作データを受信することと、
    前記コントローラ（３１）の現場動作の前に生成される動作前データおよび性能評価論理（２７）の少なくとも１つを使用して、前記意思決定論理（３５）の性能を評価するために前記動作データの分析を実行することであって、前記性能評価論理（２７）は、前記コントローラ（３１）の現場動作の前に生成され、前記意思決定論理（３５）を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成される、実行することと、
    前記分析の結果に基づいて分析出力を生成することと
    を含み、
    前記分析を実行することは、少なくとも１つのメトリックに従って１つまたは複数の重要業績評価指標ＫＰＩを計算することを含む、方法。
  2. 前記分析は、前記コントローラ（３１）の現場動作の前に生成される動作前データを使用し、前記動作前データは、
    － 前記意思決定論理（３５）を生成するときに実行されるシミュレーションにおける前記意思決定論理（３５）の性能、
    － 前記意思決定論理（３５）を生成するときにシミュレートされたシナリオ、テストケース、イベントの少なくとも１つ
    の少なくとも１つを含み、
    前記分析を実行することは、
    － 現場動作中に前記コントローラ（３１）によって行われている制御動作と、前記意思決定論理（３５）を生成するときにシミュレートされる制御動作とを比較することと、
    － 前記コントローラ（３１）の現場動作中に観察される動作点を、前記意思決定論理（３５）を生成するときにシミュレートされた前記シナリオ、テストケース、イベントの少なくとも１つから生じる動作点と比較すること
    の少なくとも１つを含む、請求項１に記載の方法。
  3. 前記分析は、前記動作データ、および、前記動作データを入力として受信する予測器からの将来の動作点の予測の少なくとも１つを入力として受信する性能評価論理（２７）を使用し、前記性能評価論理（２７）は、前記意思決定論理（３５）を作成するコンピュータ実施プロセスにおいて生成されるデータを使用して生成され、前記性能評価論理（２７）は、前記意思決定論理（３５）を訓練するために使用される第１のシナリオセット（１３１）とは異なる第２のシナリオセット（１３２）によって訓練される機械学習モデルである、請求項１または２に記載の方法。
  4. 前記方法は、前記分析出力を出力することと、前記分析出力に基づく制御動作を自動的に実行することの少なくとも１つを実行するように、ヒューマンマシンインターフェース、ＨＭＩ、を制御することをさらに含み、前記制御動作は、前記意思決定論理を生成するための生成システムに前記分析出力をフィードバックすることを含む、請求項１～３のいずれか１項に記載の方法。
  5. 前記少なくとも１つのメトリックはユーザ入力に依存する、請求項１～４のいずれか１項に記載の方法。
  6. 前記動作データは、前記コントローラ（３１）の動作に影響を及ぼす電力システムデータをさらに含み、前記電力システムデータは、
    － 前記コントローラ（３１）が接続されるバスにおけるデータ、
    － 前記コントローラ（３１）が接続される前記バスとは異なるバスからのデータ、
    － システム全体の測定からのデータ、
    － エネルギー管理システムＥＭＳからのデータ、
    － 配電管理システムＤＭＳからのデータ
    のうちの少なくとも１つを含む、請求項１～５のいずれか１項に記載の方法。
  7. 前記分析は、前記動作前データを使用して実行され、前記方法は、前記コントローラ（３１）の現場動作中にデータベース（４０）から前記動作前データを取り出すことをさらに含む、請求項１～６のいずれか１項に記載の方法。
  8. 前記動作前データは、
    － 前記意思決定論理（３５）を生成するときにシミュレーションを実行するために使用されるモデル、
    － 前記意思決定論理（３５）を生成するときにシミュレートされたシナリオ、テストケース、イベントの少なくとも１つ、
    － 前記意思決定論理（３５）を生成するときに実行されるシミュレーションにおける前記意思決定論理（３５）の性能
    のうちの少なくとも１つを含む、請求項７に記載の方法。
  9. 前記分析を実行することは、
    － 前記意思決定論理（３５）を生成するときにシミュレーションを実行するために使用される前記モデルの正確度を評価することと、
    － 前記意思決定論理（３５）を生成するときにシミュレートされた前記シナリオ、テストケース、イベントの少なくとも１つを評価することと、
    － 現場動作中に前記コントローラ（３１）によって行われる制御動作と、前記意思決定論理（３５）を生成するときにシミュレートされる制御動作とを比較することと、
    － 現場動作中に前記コントローラ（３１）によって取得された決定出力についての少なくとも１つの重要業績評価指標ＫＰＩの値と、前記動作前データに記憶されている前記少なくとも１つのＫＰＩの値とを比較することと
    のうちの少なくとも１つを含む、請求項８に記載の方法。
  10. 前記分析は、前記性能評価論理（２７）を使用して実行され、前記性能評価論理（２７）は機械学習モデルである、請求項１～９のいずれか１項に記載の方法。
  11. 前記機械学習モデルは、前記意思決定論理（３５）の生成中に生成されるデータ（１２２，１２７，１２８；１３１，１３２）を使用して、前記コントローラ（３１）の現場動作の前かつ前記意思決定論理（３５）が生成された後に訓練される、請求項１０に記載の方法。
  12. 第２のシナリオセット（１３２）によって前記機械学習モデルを訓練することをさらに含み、前記第２のシナリオセット（１３２）は、
    － 前記コントローラ（３１）の動作仕様外のシナリオ、
    － 前記意思決定論理（３５）を訓練するために使用される第１のシナリオセット（１３１）とは異なるシナリオ、
    の少なくとも１つを含む、請求項１０または１１に記載の方法。
  13. 前記分析の結果の時間依存性の発展を監視または予測することと、
    前記時間依存性の発展に基づいて前記分析出力を生成することと
    をさらに含み、
    前記時間依存性の発展を予測することは、
    将来の動作点を予測することと、
    前記時間依存性の発展が性能メトリックベースの基準を満たさない将来のコントローラ（３１）の性能を示す場合、警報、警告、または他の分析出力が自動的に生成されること
    の少なくとも１つを含む、請求項１～１２のいずれか１項に記載の方法。
  14. 現場動作中に前記意思決定論理（３５）の性能不足の根本原因を特定することと、
    現場動作中に前記意思決定論理（３５）を改善するための根本原因解決を実行することと、
    前記監視システム（２０）によって、前記意思決定論理（３５）の前記性能が性能メトリックベースの基準を満たすようにするシナリオパラメータ空間内のシフト（１３６）を特定することと
    の少なくとも１つをさらに含み、
    前記シナリオパラメータ空間内の前記シフト（１３６）を特定することは、制約を強制するために前記性能評価論理（２７）を使用して条件付き最適化を実行することを含む、
    請求項１～１３のいずれか１項に記載の方法。
  15. 前記分析出力を出力するようにヒューマンマシンインターフェース、ＨＭＩ、を制御することをさらに含み、前記分析出力は、現場動作中の前記コントローラ（３１）の過去の性能、現在の性能、予測される将来の性能の少なくとも１つに関する情報を含む、請求項１～１４のいずれか１項に記載の方法。
  16. 電力システムの電力システム資産を動作させる方法であって、
    少なくとも１つのコントローラ（３１）によって、前記コントローラ（３１）の現場動作中に意思決定論理（３５）を実行することであって、前記電力システム資産を制御するための決定出力を生成および出力することを含む、意思決定論理（３５）を実行することと、
    前記コントローラ（３１）の前記少なくとも１つの集積回路によって、または少なくとも１つのさらなる集積回路によって、前記コントローラ（３１）の現場動作中に前記コントローラ（３１）の前記意思決定論理（３５）を監視するための請求項１～１５のいずれか１項に記載の方法を実行することと
    を含む、方法。
  17. 前記方法が、
    ヒューマンマシンインターフェース、ＨＭＩ、を介して前記分析出力を出力することと、
    前記分析出力に基づいて制御動作を自動的に実行すること
    の少なくとも１つを含む、請求項１６に記載の方法。
  18. 電力システムのコントローラ（３１）の現場動作中の、前記コントローラ（３１）の意思決定論理（３５）のための監視システム（２０）であって、
    請求項１～１７のいずれか１項に記載の方法を実施するように動作可能である少なくとも１つの集積回路を備える、監視システム（２０）。
  19. 電力システムであって、いずれの制御動作を行わなければならないかを決定するために意思決定論理（３５）を実行するように動作可能であるコントローラ（３１）と、
    動作中に前記意思決定論理（３５）を監視するための、請求項１８に記載の監視システム（２０）と
    を備える、産業オートメーション制御システム。
JP2021116501A 2020-08-19 2021-07-14 コントローラの意思決定論理の性能を監視するための方法および監視システム Active JP7257455B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20191652 2020-08-19
EP20191652.5A EP3958080A1 (en) 2020-08-19 2020-08-19 Method and supervisory system for monitoring performance of a decision-making logic of a controller

Publications (2)

Publication Number Publication Date
JP2022035998A JP2022035998A (ja) 2022-03-04
JP7257455B2 true JP7257455B2 (ja) 2023-04-13

Family

ID=72147942

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021116501A Active JP7257455B2 (ja) 2020-08-19 2021-07-14 コントローラの意思決定論理の性能を監視するための方法および監視システム

Country Status (4)

Country Link
US (1) US20220057790A1 (ja)
EP (1) EP3958080A1 (ja)
JP (1) JP7257455B2 (ja)
CN (1) CN114077809A (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080077368A1 (en) 2006-04-12 2008-03-27 Edsa Micro Corporation Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems
JP2010506258A (ja) 2006-09-29 2010-02-25 フィッシャー−ローズマウント システムズ， インコーポレイテッド 分散型プロセス制御システムにおけるオンライン多変量解析
US20100100250A1 (en) 2003-08-08 2010-04-22 Electric Power Group, Llc Real-time performance monitoring and management system
WO2019126535A1 (en) 2017-12-21 2019-06-27 The University Of Chicago Combined learned and dynamic control system
US20190288508A1 (en) 2018-03-16 2019-09-19 Siemens Aktiengesellschaft Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network
WO2020037608A1 (zh) 2018-08-23 2020-02-27 西门子股份公司 人工智能计算设备、控制方法及装置、工程师站及工业自动化系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100100250A1 (en) 2003-08-08 2010-04-22 Electric Power Group, Llc Real-time performance monitoring and management system
US20080077368A1 (en) 2006-04-12 2008-03-27 Edsa Micro Corporation Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems
JP2010506258A (ja) 2006-09-29 2010-02-25 フィッシャー−ローズマウント システムズ， インコーポレイテッド 分散型プロセス制御システムにおけるオンライン多変量解析
WO2019126535A1 (en) 2017-12-21 2019-06-27 The University Of Chicago Combined learned and dynamic control system
JP2021507418A (ja) 2017-12-21 2021-02-22 ザ ユニヴァーシティー オヴ シカゴ 学習済み動的制御複合システム
US20190288508A1 (en) 2018-03-16 2019-09-19 Siemens Aktiengesellschaft Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network
WO2020037608A1 (zh) 2018-08-23 2020-02-27 西门子股份公司 人工智能计算设备、控制方法及装置、工程师站及工业自动化系统
JP2021536055A (ja) 2018-08-23 2021-12-23 シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft 人工知能計算装置、制御方法および制御装置、エンジニアステーションおよび産業オートメーションシステム

Also Published As

Publication number Publication date
JP2022035998A (ja) 2022-03-04
CN114077809A (zh) 2022-02-22
EP3958080A1 (en) 2022-02-23
US20220057790A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
US11347907B2 (en) Systems and methods for distributed power system model calibration
Bazmohammadi et al. Microgrid digital twins: Concepts, applications, and future trends
Li et al. A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems
Marot et al. Perspectives on future power system control centers for energy transition
US20200119556A1 (en) Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
Zhukov et al. Ensemble methods of classification for power systems security assessment
Pinzón et al. Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning
US20150112907A1 (en) Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network
JP6298214B2 (ja) ユーティリティグリッド内での信号注入テストパターンの予想効用を最大化するためのシステム及び方法
Sica et al. A cognitive system for fault prognosis in power transformers
EP4125172A1 (en) Systems and methods for ai-assisted electrical power grid fault analysis
EP2978095A1 (en) Power system operation
Vasconcelos et al. Online security assessment with load and renewable generation uncertainty: The itesla project approach
CN115943536A (zh) 用于为控制器生成决策逻辑的方法和计算机系统
Eikeland et al. Detecting and interpreting faults in vulnerable power grids with machine learning
Eltyshev et al. Intelligent decision support in the electrical equipment diagnostics
Shen et al. Artificial intelligence and digital twins in power systems: Trends, synergies and opportunities
Guo et al. Power transmission risk assessment considering component condition
Shahriyari et al. A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability‎ Assessment‎
Halilcevic et al. Prediction of power system security levels
JP7257455B2 (ja) コントローラの意思決定論理の性能を監視するための方法および監視システム
Akula et al. Comparision of traditional and fuzzy failure mode and effects analysis for smart grid electrical distribution systems
Nakas et al. Online identification of cascading events in power systems with renewable generation using measurement data and machine learning
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning
Zhang et al. Model and Data Driven Machine Learning Approach for Analyzing the Vulnerability to Cascading Outages With Random Initial States in Power Systems

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210913

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220722

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220802

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221101

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230307

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230403

R150 Certificate of patent or registration of utility model

Ref document number: 7257455

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350