JP7437584B2

JP7437584B2 - 送電線の外乱分類のための機械学習ベースの方法および装置

Info

Publication number: JP7437584B2
Application number: JP2022529049A
Authority: JP
Inventors: ナイドゥ，オブバラレッディ・デムドゥ; パチル，ディネッシュ; ヤッラー，プリーサム・ベンカット
Original assignee: Hitachi Energy Ltd
Current assignee: Hitachi Energy Ltd
Priority date: 2019-11-19
Filing date: 2020-11-18
Publication date: 2024-02-26
Anticipated expiration: 2040-11-18
Also published as: US20220413032A1; EP4062506A1; CN114731038A; JP2023502659A; WO2021099413A1

Description

背景技術
本明細書の実施形態は、一般に、外乱検出に関し、より詳細には、送電線の外乱状態の検出および分類のための機械学習技術に関する。

送電システムには、様々な内因性または外因性要因による電気的障害、電力揺動、および負荷変化などの様々な電気的外乱が発生する。例えば、電力揺動は、発電機のグループが互いに対して加速すると発生する可能性があり、電気的障害は、電気的パラメータが公称値から変化して機器に影響を及ぼし、正常動作の中断を引き起こすと発生する。負荷変化は、電気的パラメータが、典型的には、供給出力にわたる負荷の変化により、電気システム内の一点における電気的パラメータの変動を指す場合に生じる。

インフラ設備および消費者デバイスは、様々な動作条件に起因して発生する外乱状態の間、保護されるべきである。例えば、障害状態の間、送電網の一部を保護リレーによって切断する必要があり得る。しかしながら、障害状態が存在しない場合のいくつかの電力揺動状態は、停電を引き起こす保護リレーを動作させることもできる。電力揺動は、世界中の停電の多くにおける主な理由である。原因にかかわらず、システムが停電すると、電力システムの復旧に数時間かかることが多い。これは、公益事業および消費者に大きな経済的影響を及ぼし、現代の送電網では防止されなければならない。障害状態および他の外乱状態の信頼できる決定は、電力揺動状態中の誤動作および停電を防止するための距離中継用途にとって非常に重要である。

従来、通常の障害と電力揺動とを区別するために、ブラインダ（または同心特性）が使用されていた。あるいは、限定はしないが、揺動中心電圧（ＳＣＶ）技術、抵抗技術、ならびに重畳電流および電圧信号技術などの他の技術が、障害外乱を検出および区別するために使用される。しかしながら、これらの技術は、揺動中心点付近や３相の伝送線路における外乱に対しては有効ではない。揺動中心点付近の外乱を検出するために、システムライン角度の周りに追加のブラインダが使用される。そのような方法は、複雑なシステム固有設定、ならびにフェーザ推定のより良好な品質を必要とする。

電力システムアーキテクチャにおける再生可能資源の最近の統合は、電力システムの電力操作および耐障害能力に新たな要求を課している。電力の変動は、送電網の慣性、ソース対ラインインピーダンス比（ＳＩＲ）、および揺動周波数を変化させる。これらの条件は、大きな計算を必要とする複雑な手順を必要とする。将来の低慣性電力システムのための新規な外乱検出方式を開発する必要がある。

概要
本明細書の一態様によれば、送電線における外乱状態を決定するための方法が開示される。本方法は、送電線に接続された測定機器と通信可能に結合されたインテリジェント電子装置（ＩＥＤ）によって実行される。本方法は、１つ以上の相の各相で測定された電気的パラメータに対応する複数のサンプル値を取得することを含む。１つ以上の相における電気的パラメータは、送電線の一端（シングルエンド）に接続された測定機器を用いて測定される。本方法はさらに、対応する複数のサンプル値に基づいて、各相に対応する電気的パラメータの複数の大きさ（二乗平均平方根（ＲＭＳ）値など）を決定することを含む。本方法はまた、対応する複数の大きさ（ＲＭＳ値など）に基づいて、各相の複数の差分値を決定することを含む。複数の差分値の各々は、対応する相の電気的パラメータの大きさ（ＲＭＳ値など）の変化率を表す。本方法は、送電線の外乱状態を決定するために、機械学習技術を使用して１つ以上の相に対応する複数の差分値を処理することを含む。外乱状態は、負荷変化状態、電力揺動状態、および電気的障害状態のうちの１つである。本方法はまた、外乱状態に基づいて保護機能および制御機能の少なくとも一方を実行することを含む。

本明細書の別の態様によれば、送電線の外乱状態を決定するためのインテリジェント電子装置（ＩＥＤ）が開示される。ＩＥＤは、送電線に接続された測定機器と通信可能に結合される。ＩＥＤは、送電線の一端（シングルエンド）に接続された測定機器に通信可能に結合され、かつ測定機器によって測定された１つ以上の相の各相の電気的パラメータに対応する複数のサンプル値を取得するように構成された、データ取得ユニットを含む。ＩＥＤはさらに、データ取得ユニットに通信可能に結合され、かつ複数のサンプル値に基づいて１つ以上の相の各相に対応する電気的パラメータの複数の大きさ（二乗平均平方根（ＲＭＳ）値など）を決定するように構成された、信号処理ユニットを含む。信号処理ユニットはさらに、対応する複数の大きさ（ＲＭＳ値など）に基づいて、１つ以上の相の各相について複数の差分値を決定するように構成される。複数の差分値の各々は、対応する相の電気的パラメータの大きさ（ＲＭＳ値など）の変化率を表す。ＩＥＤは、送電線の外乱状態を決定するために、信号処理ユニットに通信可能に結合され、かつ機械学習技術を使用して１つ以上の相に対応する複数の差分値を処理するように構成された、機械学習ユニットをさらに含む。外乱状態は、負荷変化状態、電力揺動状態、および障害状態のうちの１つである。ＩＥＤはまた、機械学習ユニットに通信可能に結合され、かつ外乱状態に基づいて保護機能および制御機能の少なくとも一方を実行するように構成された、制御ユニットを含む。

図面
本発明の実施形態のこれらおよび他の特徴および態様は、添付の図面を参照して以下の詳細な説明を読めば、よりよく理解されるであろう。添付の図面では、図面全体を通して、同様の符号は同様の部分を表す。

例示的な実施形態による、インテリジェント電子装置（ＩＥＤ）を有する送電システムの概略図である。本明細書の態様による外乱検出を実行するように構成されたＩＥＤの図である。例示的な実施形態による送電線の外乱検出方法を示すフローチャートである。本明細書の実施形態による負荷変化状態に対応する位相信号を示すグラフである。本明細書の実施形態による電力揺動状態に対応する位相信号を示すグラフである。本明細書の実施形態による電力障害状態に対応する位相信号を示すグラフである。例示的な実施形態に従って決定された相電圧の二乗平均平方根信号を示すグラフである。例示的な実施形態による、図５Ａの曲線の平滑化バージョンを示すグラフである。例示的な実施形態による、２５分割交差検証のための提案された機械学習技術の精度を示すグラフである。例示的な実施形態による、提案された機械学習技術の生産者の確度を示すグラフである。例示的な実施形態による、提案された機械学習技術のユーザの確度を示すグラフである。例示的な実施形態による、勾配ブースト分類技術を示す概略図である。

以下で詳細に説明するように、送電線における外乱状態を決定する能力を有するインテリジェント電子装置（ＩＥＤ）および対応する外乱決定方法が提示される。より詳細には、開示された実施形態は、送電線の外乱状態を決定するための機械学習技術に関する。

「相」という用語および「位相信号」という語句は、本明細書では同等かつ互換的に使用される。同様に、「伝送線路」および「送電線」という語句は、本明細書では同等に互換的に使用される。「サンプル値」という語句は、電気的パラメータを表す実数の数値を指し、電気的パラメータをサンプリングすることから得られる。電気的パラメータは、非限定的な意味で、電圧信号および／または電流信号を指すことができる。サンプル値は、電気的パラメータの時点に対応する。「二乗平均平方根値」という語句は、具体的には、時間窓を参照したサンプル値の平均の平方根を指す。しかしながら、本明細書の実施形態は、時間窓内の複数のサンプル値に対応するサンプルエネルギー値またはサンプル電力値を採用することもできる。「平滑化」という用語は、時間窓内のサンプル値のローパスフィルタリングを指す。「差分信号」という語句は、複数の差分値を有する離散信号を指す。一実施形態では、「差分値」という語句は、２つの連続する二乗平均平方根値の差を指す。「アンサンブル学習」という語句は、複数の学習モデルが多段階で使用される機械学習技術のクラスを指す。「ブースティング」という語句は、「ブースト」と同等かつ互換的に使用されている。「残差モデル」という語句は、連続する段階で漸進的にモデル化誤差を低減するように訓練された複数の学習モデルのうちの１つを指す。残差モデルは、前段階からの残差に基づいて訓練される。残差は、現段階の予測とグラウンドトゥルースとの差を指す。インテリジェント電子装置（ＩＥＤ）によって実行される「保護動作」は、ＩＥＤの動作の阻止を含み、それによって電力揺動状態に対する耐性を提供する。同様に、ＩＥＤによって実行される「制御動作」は、保護リレーが動作することを可能にし、それによって障害からの保護を保証する、保護リレーのブロック解除を含む。

図１は、例示的な実施形態による、ＩＥＤ１２０などの複数のインテリジェント電子装置（ＩＥＤ）を有する送電システム１００の概略図である。送電システム１００は、第１のバス１０２と第２のバス１０４との間に接続された第１の伝送線路１０６および第２の伝送線路１０８を有する。さらに、第１のバス１０２は第１の電源１１０に結合されており、第２のバス１０４は第２の電源１１２に結合されている。システム１００のいくつかの実施形態では、第２のバス１０４は負荷に結合されてもよく、そのような実施形態では、符号１１２は負荷を表すことに留意されたい。図示の実施形態では、外乱状態１１８が第２の伝送線路１０８と共に示されている。しかしながら、第１の伝送線路の外乱状態も、対応する線路に関連付けられたＩＥＤを用いて、本明細書に開示されているのと同じ技術によって管理され得る。

本明細書では、外乱状態１１８は、限定はしないが、送電システムの負荷変化、電力揺動、および少なくとも１相の障害のうちの１つであり得ることに留意されたい。送電システム１００は、伝送線路の少なくとも一端に測定機器１２２を含む。図示の実施形態では、測定機器１２２は、第１のバス１０２の近くに配置されている。測定機器１２２は、変圧器１１４または他の適切な電圧センサを含むことができ、電圧信号を測定するように構成される。代替の実施形態では、測定機器１２２は、第２のバス１０４に配置されてもよい。一実施形態では、測定機器１２２が計算リソースを備えている場合、測定機器１２２は、電圧信号のサンプリングを実行し、複数のサンプル値を生成するように構成され得る。３相電気システムでは、３相のうちの各相に対応する複数のサンプル値が測定機器１２２によって生成される。ＩＥＤ１２０は、測定機器１２２に結合され、１つ以上の相に対応する複数のサンプル値を受信し、かつ送電システム１００の外乱の種類を決定するように構成される。一実施形態では、複数のサンプルは、１つ以上の相電圧信号から得られた複数の電圧サンプルに対応する。図１の実施形態では、示されている測定機器１１４は変圧器であるが、本明細書に開示される方法は、電流、電力などの他の電気的パラメータと共に機能する。

図２は、本明細書の態様による外乱決定を実行するように構成されたＩＥＤ２００の図である。ＩＥＤ２００は図１のＩＥＤ１２０に対応することに留意されたい。ＩＥＤは、測定、保護、および制御機能のうちの１つ以上を実行するように構成された電力システム装置を指すことができる。一例として、ＩＥＤは、電気的外乱または障害の場合に線路を保護するように構成された保護リレーであってもよい。一実施形態では、ＩＥＤ２００は、通信バス２１２を介して互いに通信可能に結合されたデータ取得ユニット２０２、信号処理ユニット２０４、機械学習ユニット２０６、制御ユニット２０８、および記憶ユニット２１０を含む。

データ取得ユニット２０２は、測定装置を介して伝送線路２１４に通信可能に結合され、伝送線路２１４の複数の相のうちの１つ以上の相における測定に対応する複数のサンプル値を受信するように構成される。一実施形態では、データ取得ユニット２０２は、測定機器１２２からアナログ信号を取得するように構成され、電圧信号のサンプリングを実行し、かつ複数のサンプル値を生成するように構成される。３相伝送線路では、複数の相の少なくとも１つからのサンプル値がデータ取得ユニット２０２によって取得されてもよい。データ取得ユニット２０２は、測定機器（図１の符号１２２）からサンプル値を受信するための回路を含む。代替の実施形態では、データ取得ユニット２０２は、サンプル値に変換するために測定機器内の電圧センサによって感知されたアナログ電圧信号を変換するためのサンプリングおよびデジタル化回路も含むことができる。データ取得ユニット２０２はまた、受信したサンプル値の信号調整および前処理を実行するように構成されてもよい。非限定的な例では、信号調整および前処理動作は、正規化動作、ノイズ低減動作、および帯域幅制限動作を含むことができる。さらに別の実施形態では、データ取得ユニット２０２は、測定機器（例えば１２２）またはそのような測定機器に通信可能に結合された他の測定ユニットから測定信号のサンプリング値を受信する。

信号処理ユニット２０４は、データ取得ユニット２０２に通信可能に結合され、外乱状態を決定するために機械学習ユニット２０６が必要とする複数の差分値を決定するように構成される。具体的には、一実施形態では、信号処理ユニット２０４は、１つ以上の相の各相の複数のサンプル値に基づいて、二乗平均平方根（ＲＭＳ）であってもよい測定された電気量の大きさを示す複数の値を生成するように構成される。複数のＲＭＳ値の各々は、例えば以下によって与えられ、

式中、Ｖｒｍｓ（ｋ）は、ｐでインデックス付けされた相に対応するＮ個のサンプル値Ｖｐ（ｌ）を使用して計算されたｋのサンプルインデックスを有するＲＭＳ値である。

測定された電気量の大きさはＲＭＳ値として決定されてもよいが、相のそれぞれ１つにおける測定された電気的パラメータの大きさ（または振幅）を定量化する他のメトリックが使用されてもよい。本明細書では、代替の実施形態において、ＲＭＳ値の代わりにサンプルエネルギー値またはサンプル電力値が決定されてもよいことに留意されたい。一実施形態では、サンプルエネルギー値は二乗サンプル値の和として決定され、サンプル電力値は二乗サンプル値の和の平均として決定される。具体的には、一例では、供給電圧が５０ヘルツである場合、各相は１キロヘルツのサンプリングレートでサンプリングされ、ＲＭＳ値を計算するために２０サンプルが考慮される。別の例では、６０ヘルツの周波数を有する供給電圧の各相が１２００ヘルツのサンプリングレートでサンプリングされる場合に、同じ数のサンプルが考慮され得る。あるいは、６０ヘルツの供給電圧が１キロヘルツのサンプリングレートでサンプリングされた場合に、ＲＭＳ値を計算するために１７サンプルが考慮される。さらに、新しいサンプル値が信号処理ユニット２０４に利用可能であるときに、新しいＲＭＳ値が決定される。ＲＭＳ値を計算するために２０個のサンプルが考慮される場合、各相の新しいＲＭＳ値は、新しいサンプル値と共に対応する相の以前の１９個のサンプル値を考慮することによって決定される。一実施形態では、複数の相の各々に対応する複数の二乗平均平方根値の平滑化バージョンは、対応する二乗平均平方根値をフィルタリングすることによって決定される。信号処理ユニット２０４は、ローパスフィルタを用いて、複数の相の各々における複数のＲＭＳ値の平滑化を行う。

信号処理ユニット２０４によって計算された複数の差分値は、複数のＲＭＳ値に基づいて複数の相の各々に対応する変化率を表す。一実施形態では、信号処理ユニット２０４は、各相の複数のＲＭＳ値に対応する複数の差分値を有する差分信号を生成するように構成される。差分値の各々は、２つの連続するＲＭＳ値の間の差分として決定される。差分値は、以下によって与えられ、

式中、ΔＶ_ｒｍｓは差分値であり、Ｖ_ｒｍｓ（ｋ）およびＶ_ｒｍｓ（ｋ－１）はＲＭＳ値の連続値である。代替の実施形態では、より高いサンプリング周波数が選択される場合、差分値は、二次差分（すなわち、第１のＲＭＳ値と第３のＲＭＳ値との差）またはより高次の差分（すなわち、間にある複数のＲＭＳ値を考慮せずに、第１のＲＭＳ値と後続のＲＭＳ値との間の差）として生成されてもよい。

信号処理ユニット２０４は、差分値に基づいて外乱状態を検出するようにさらに構成される。一実施形態では、差分値の各々が所定の閾値と比較され、比較の結果に基づいて外乱が検出される。具体的には、差分値が所定の閾値よりも大きい場合、外乱状態が検出される。別の実施形態では、各相の差分値が所定の閾値と比較され、複数の相のいずれかに対応する差分値が所定の閾値よりも大きい場合、外乱状態が検出される。

外乱条件を検出した後、外乱の種類が決定される。この目的のために、外乱状態に対応する複数の差分値が信号処理ユニット２０４によって選択される。具体的には、一実施形態では、信号処理ユニット２０４は、外乱状態の検出直後に各相における最初の３つの差分値を選択するように構成される。代替の実施形態では、外乱状態の検出後に１つ以上の相で異なる数の差分値を選択することができる。さらに、信号処理ユニット２０４は、選択された差分値を機械学習ユニット２０６に転送するように構成される。

機械学習ユニット２０６は、信号処理ユニット２０４に通信可能に結合され、信号処理ユニット２０４から受信した差分値を処理するように構成される。信号処理ユニット２０４から受信した差分値は、１つ以上の相に対応することができる。いくつかの実施形態によれば、機械学習ユニット２０６は、アンサンブル機械学習技術を使用して複数の相に対応する複数の差分値を処理して、外乱状態の種類を決定するように構成される。他の実施形態では、機械学習ユニット２０６はまた、複数の差分値を処理するために他の機械学習技術を使用してもよい。外乱状態の種類は、負荷変化状態、電力揺動状態、および伝送線路障害状態のうちの１つを含む。アンサンブル機械学習技術は、バギングクラスの技術の１つまたはブースティングクラスの技術の１つなど、複数の技術のうちの１つを含むことができるが、これらに限定されない。具体的には、ブースティングクラスの技術は、適応ブースティング技術または勾配ブースティング技術のうちの１つを含むことができる。一実施形態では、本明細書で「極勾配ブースト技術」と呼ばれる勾配ブースト技術の高速バージョンが、外乱状態を決定するために使用される。一実施形態では、妨害状態を決定するために必要な機械学習モデルは、オフライン活動を介して、例えばモンテカルロシミュレーションを介して事前に計算される。

一実施形態では、複数のラベル付きデータセットを使用して勾配ブースト学習モデルを訓練するために、モンテカルロシミュレーションが実行される。複数のラベル付きデータセット内の各データセットは、位相信号と、出力カテゴリとしての対応する外乱状態とを含む。各データセットはまた、３つの差分値の対応するセットを含むことができる。特定の例では、勾配ブースト学習モデルを訓練するために、出力カテゴリの各々について数百のラベル付きデータセットが使用される。満足のいく性能のために、勾配ブースト学習モデルに適したパラメータが選択される。勾配ブースト学習モデルのパラメータには、残差モデルの数、目的パラメータ、および評価メトリックが含まれるが、これらに限定されない。

制御ユニット２０８は、機械学習ユニット２０６に通信可能に結合され、外乱状態に基づいて保護機能および制御機能の少なくとも一方を実行するように構成される。一実施形態では、機械学習ユニットが障害状態を決定すると、保護機能が開始される。そのようなシナリオでは、制御ユニット２０８は、保護機能のブロックを解除し、ＩＥＤが伝送線路を障害から分離することを可能にするように構成される。別の実施形態では、機械学習ユニット２０６が電力揺動状態を決定すると、制御ユニット２０８は、制御動作の１つとしてＩＥＤをブロックするように構成される。この実施形態では、ＩＥＤは動作することができず、電力揺動状態は送電網から分離されない。外乱状態に応じて適切な動作を行うことができる。説明のために、決定された外乱状態に応じて情報が出力されてもよく、および／または決定された外乱状態に応じて制御動作が自動的にトリガされてもよい。制御動作は、決定された外乱状態に基づいて選択されてもよい。

図３は、典型的な実施形態による外乱決定の方法３００のフローチャートである。方法３００は、伝送線路における外乱状態を決定し、決定された外乱状態に基づいて保護動作または制御動作を実行するためのものである。例示的な保護動作は、障害状態による極端な電力揺動中にＩＥＤを使用してスイッチングデバイス（例えば、回路遮断器）を動作させることを含むが、これに限定されない。制御動作は、電力揺動状態から自己回復する間にＩＥＤを使用するスイッチングデバイスのブロック動作、または障害状態中のスイッチングデバイスのブロック解除動作を含むことができる。

方法３００は、ステップ３０２に示すように、送電線の複数の相のうちの１つ以上の相に対応する複数のサンプル値を取得することを含む。取得するステップ３０２は、測定機器によって対象の位置で伝送システムの１つ以上の相の電圧信号を測定することを含む。本実施形態では、測定機器は、変圧器などの１つ以上の電圧センサを含む。電圧信号は、測定機器、測定機器に通信可能に結合された専用測定ユニット、またはＩＥＤのデータ取得ユニットのいずれかによってサンプリングされ、複数のサンプル値に変換される。一例では、送電システムは３相システムであり、３相伝送線路に対応する３つの電圧信号が測定機器によって測定される。さらに、複数の電圧信号を１ｋＨｚのサンプリングレートでサンプリングして、複数の相の各々に対応する複数のサンプル値を生成する。ステップ３０２は、ここでは電圧信号を参照して説明されているが、複数のサンプル値はまた、電圧パラメータ以外の任意の他の電気的パラメータに対応してもよい。具体的には、複数のサンプル値は、伝送システムの１つ以上の相の電流信号、または電流信号と電圧信号との組み合わせに対応し得る。

ステップ３０４において、本方法はまた、複数のサンプルに基づいて複数の相の各々に対応する、二乗平均平方根（ＲＭＳ）値とすることができる、測定された電気量の大きさを示す複数の値を決定することを含む。一実施形態では、複数のＲＭＳ値の各々は、各相に対応する複数のサンプル（サンプル値）に基づいて決定される。本明細書に開示されるいくつかの実施形態では、約２０個のサンプル値を各相で考慮して、対応する相の１つのＲＭＳ値を計算する。一実施形態では、方法３００の後続のステップによる処理のために、相の１つに対応する複数の二乗平均平方根値の平滑化バージョンが考慮される。適切なローパスフィルタを使用して、複数のＲＭＳ値に対して平滑化演算を実行することができる。測定された電気量の大きさはＲＭＳ値として決定されてもよいが、相のそれぞれ１つにおける測定された電気的パラメータの大きさ（または振幅）を定量化する他のメトリックが使用されてもよい。

方法３００は、ステップ３０６において、複数の位相信号の各々から測定された電気的パラメータの大きさ（例えばＲＭＳ値）の変化率を表す複数の差分値を決定することをさらに含む。複数の差分値は、複数のＲＭＳ値に基づいて決定される。一実施形態では、差分値は、２つの連続する大きさ（例えばＲＭＳ値）の間の差として導出される。代替の実施形態では、差分値は、隣接していない大きさ（例えばＲＭＳ値）の間の差として決定されてもよい。方法３００はまた、ステップ３０８に示すように、送電線の外乱状態を決定するために、機械学習技術を使用して複数の相に対応する差分値を処理することを含む。ステップで利用される差分値は、外乱（または外乱状態）に関連する差分値とすることができる。上述したように、外乱状態は、各差分値を所定の閾値と比較することによって検出することができる。さらに、外乱状態の種類を決定するために利用される差分値は、いくつかの特定の値（２つ、３つの差分値など）を合わせたもの、または外乱状態に関連付けられた差分値を除くいくつかの特定の値であり得る。

処理に利用される機械学習技術は、アンサンブル機械学習技術とすることができる。アンサンブル機械学習技術は、適応ブースティング技術および勾配ブースティング技術を含むが、これらに限定されない。前述したように、外乱状態は、負荷変化状態、電力揺動状態、および伝送線路障害状態のうちの１つを含む。方法３００はまた、外乱状態に基づいて制御動作または保護動作の少なくとも一方を実行することを含む。具体的には、一実施形態では、ＩＥＤによって実行される動作は、ステップ３１０で外乱状態に基づいて伝送線路に接続されたスイッチング装置を動作させて、ＩＥＤをブロックまたはブロック解除することを含む。少なくとも１つの制御動作または保護動作は、自動的に実行されてもよい。

図４Ａ～図４Ｃは、本明細書のいくつかの実施形態で使用される３つの電圧信号を示すグラフ４００，４０８，４１６である。３つの電圧信号は、負荷変化状態、電力揺動状態、および電力障害状態にそれぞれ対応する。グラフ４００，４０８，４１６は、送電線の同相の信号に対応する。図４Ａは、３相伝送線路における負荷変化状態時の電圧信号変動を示すグラフ４００である。グラフ４００は、秒単位の時間を表すｘ軸４０２と、外乱状態による電圧の変化を表すｙ軸４０４とを含む。グラフ４００は、負荷変化外乱状態の間の電圧変化を表す曲線４０６を含む。図４Ｂは、３相伝送線路における電力揺動状態時の電圧信号変動を示すグラフ４０８である。グラフ４０８は、秒単位の時間を表すｘ軸４１０と、外乱状態による電圧の変化を表すｙ軸４１２とを含む。グラフ４０８は、電力揺動外乱状態の間の電圧変化を表す曲線４１４を含む。図４Ｃは、３相伝送線路の障害状態における電圧信号の変動を示すグラフ４１６である。グラフ４１６は、秒単位の時間を表すｘ軸４１８と、外乱状態による電圧の変化を表すｙ軸４２０とを含む。グラフ４１６は、３相障害外乱状態の間の電圧変化を表す曲線４２２を含む。本明細書では、曲線４０６，４１４および４２２は同様のパターンを有し、閾値ベースの技術を使用して、または設定ベースの方法によって分類することはできないことに留意されたい。しかしながら、３相障害に対応する４２２の相電圧の変化率は、電力揺動および負荷変化の場合の対応する電圧の変化率と比較して高い。この特性は、後の図を参照して詳細に説明するように、外乱状態を決定するために本開示の異なる実施形態で使用されている。

図５Ａは、例示的な実施形態に従って決定された相電圧の二乗平均平方根（ＲＭＳ）信号を示すグラフ５００である。グラフ５００は、秒単位の時間を表すｘ軸５０２と、キロボルト（ｋＶ）単位で表される二乗平均平方根（ＲＭＳ）値を表すｙ軸５０４とを含む。グラフ５００はさらに、３相電圧信号の一方に対応するＲＭＳ電圧信号を表す曲線５０６を含む。曲線５０６は、短い間隔の変動を示し、外乱状態の検出に必要な差分値を決定するのに適していない可能性があることが観察され得る。

図５Ｂは、例示的な実施形態による、図４Ａの曲線の平滑化バージョンを示すグラフ５０８である。グラフ４０８は、秒単位の時間を表すｘ軸５１０と、キロボルト（ｋＶ）単位で表される二乗平均平方根（ＲＭＳ）値を表すｙ軸５１２とを含む。グラフ４０８は、本明細書の実施形態に従って決定された図５Ａの曲線５０６の平滑化バージョンをさらに含む。曲線５１４は、３相電圧信号の一方に対応するＲＭＳ電圧信号のフィルタリングされたバージョンを表す。曲線５１４は滑らかな変動を示し、外乱状態の検出に必要な差分値を決定するのにより適していることが分かる。

図６は、例示的な実施形態による、提案された機械学習モデルの精度を示すグラフ６００である。グラフ６００は、交差検証の指標を表すｘ軸６０２と、パーセンテージ値での極勾配ブーストモデルのモデル精度であるｙ軸６０４とを含む。グラフ６００はまた、各交差検証試験についての複数の列６０６を含む。グラフ６００は、２５回の交差検証試験の結果を含む。列６０６は、対応する検証試験のモデル精度値を表す。モデル精度値が９７．５％～１００％の間で変化することが観察され、送電線における外乱検出中の良好な性能を確認することができる。

図７は、本明細書の実施形態による提案された機械学習技術に対応する生産者の確度を示すグラフ７００である。ここでいう「生産者の確度」とは、オミッションエラーに基づいて定義される効率の用語である。一実施形態では、生産者の効率は、正しいカテゴリから誤分類を省略することによって計算され、各カテゴリがどの程度良好に分類されるかを示す。グラフ７００は、外乱状態カテゴリを表すｘ軸７０２と、生産者の確度平均をパーセント値で表すｙ軸７０４とを含む。グラフ７００はまた、障害状態、電力揺動状態、および負荷変化状態それぞれに対する生産者の確度を表す３つの列７０６，７０８，７１０を含む。列の高さは、対応する外乱状態に対する複数の交差検証試験から得られた生産者の確度値の平均を表す。外乱状態の効率は９７％を超えており、これは送電線の外乱検出には十分であると考えられることが観察され得る。

図８は、例示的な実施形態による、提案された機械学習技術のユーザの確度を示すグラフ８００である。ここでいう「ユーザの確度」とは、コミッションエラーに基づいて算出される効率的な用語をいう。具体的には、ユーザの確度は、カテゴリの予測された分類の総数に対する正しい分類として計算される。ユーザの効率は、分類されたカテゴリからのサンプルが実際のカテゴリに属する確率を示す。グラフ８００は、外乱カテゴリを表すｘ軸８０２を含む。グラフ８００はまた、ユーザの確度平均を表すｙ軸８０４を含む。ユーザの確度の平均値は、複数の交差検証試験から得られたユーザの確度を平均することによって得られる。グラフ８００は、それぞれ障害状態、電力揺動状態、および負荷変化状態という３つの外乱カテゴリに対応するユーザの確度平均を表す３つの列８０６，８０８，８１０を含む。ユーザの確度平均の値は、すべての外乱状態について９７．５％を超えることが観察され得る。提案された方法は、電力システムの外乱を正確に分類することができ、電力揺動中に距離リレーをブロックまたはブロック解除するために使用できることも観察され得る。

本明細書で上述したように、１つ以上の機械学習技術に基づくモデルを利用することができる。以下では、実施形態のうちの１つによるモデルのうちの１つについて説明する。図９は、例示的な実施形態による勾配ブースト分類モデル９００を示す。モデル９００は、勾配ブースト分類技術への入力として提供されるデータセット９０２を示す。訓練段階では、データセット９０２はラベル付き訓練セットであり、展開段階では、データセット９０２は、送電線から取得されたリアルタイムデータセットである。

モデル９００は、データセット９０２を入力データとして順次決定される複数のモデル９０４，９１０，９１６を含む。訓練段階中、データセット９０２は、第１のモデル９０４および対応する第１の予測出力９０８を決定するために使用される。第１の残差９０６は、第１の予測およびグラウンドトゥルース出力に基づいて決定される。次のステップでは、データセット９０２を、グラウンドトゥルースとしての第１の残差９０６と共に使用して、第２のモデル９１０および対応する第２の残差９１４を決定する。第２の残差９１２は、第２の予測と第１の残差９０６に基づいて決定される。同様に、複数のモデルのうちの後続のモデルは、それらの対応する予測および残差と共に決定される。図示の実施形態では、第３のモデル９１６が最終モデルとして決定され、対応する第３の予測９２０が最終予測として決定される。さらに、データセット９０２の推定９２２は、複数の予測９０８，９１４、．．．９２０に基づいて決定される。一実施形態では、最終予測９２２は、複数のモデルから得られた複数の予測を組み合わせることによって決定される。展開段階中、訓練段階中に決定された複数のモデル９０４，９１０、．．．９１６は、データセット９０２を処理して複数の予測９０８，９１４、．．．９２０を決定するために使用される。この実施形態では、データセット９０２は、伝送線路からのリアルタイム測定データを表す。最終予測９２２は、複数の予測９０８，９１４，９２０に基づいて決定された外乱状態を表す。

一例では、１９６６個の外乱状態をカバーする合計５８９８個のサンプルが、モデル９００を訓練するために使用される。外乱状態は、ＰＳＣＡＤ／ＥＭＴＤＣソフトウェアを使用してシミュレートされる。外乱状態は、８１６個の電力揺動状態、９５０個の障害、および２００個の負荷変化状態を含む。訓練のための外乱状態は、３相障害（障害位置、障害耐性、開始角度、および揺動周波数）、電力揺動の変動および負荷変化に関して電力システム外乱の可能な最大の組み合わせをカバーする。交差検証技術を使用して、極勾配ブースト分類モデルの最良調整パラメータを特定する。

本明細書に開示された実施形態は、最新の電力システムのために自由な外乱検出、外乱分類をより迅速に設定すること、および電力揺動のブロック方法およびブロック解除方法などの運転動作を行うことを可能にする。そのような特徴は、３相システムおよび２相システムの両方で可能にすることができ、任意の高度ＩＥＤ（例えば、数値保護リレー）に望ましい。開示された外乱検出技術は、低いサンプリング周波数で一端の電気的パラメータのみの測定（シングルエンド法）を必要とし、利用可能な数値／デジタルリレーに実装することもできる。提案された方法は、電圧信号のみで機能することができる。このような場合、電流信号は不要であり、変流器の飽和の問題は完全に回避される。

Claims

送電線の外乱状態を決定するための方法（３００）であって、前記方法（３００）が、前記送電線に接続された測定機器と通信可能に結合されたインテリジェント電子装置（ＩＥＤ）によって実行され、前記方法（３００）は、
１つ以上の相の各相で測定された電気的パラメータに対応する複数のサンプル値を取得するステップ（３０２）であって、前記１つ以上の相の前記電気的パラメータが、前記送電線の一端に接続された前記測定機器を用いて測定される、取得するステップと、
前記対応する複数のサンプル値に基づいて、各相に対応する前記電気的パラメータの複数の大きさを決定するステップ（３０４）である、複数の大きさを決定するステップと、
前記対応する複数の大きさに基づいて、各相の複数の差分値を決定するステップ（３０６）であって、前記複数の差分値の各々が前記対応する相の大きさの変化率を表す、複数の差分値を決定するステップと、
前記送電線の前記外乱状態を決定するために、機械学習技術を使用して前記１つ以上の相に対応する前記複数の差分値を処理するステップ（３０８）であって、前記外乱状態が、負荷変化状態、電力揺動状態、および電気的障害状態のうちの１つである、処理するステップと、
前記外乱状態に基づいて保護機能および制御機能の少なくとも一方を実行するステップ（３１０）と
を含み、
前記機械学習技術は、アンサンブル機械学習技術に基づき、前記アンサンブル機械学習技術は、前記外乱状態を決定するためにトレーニングされた極勾配ブースト分類モデルを含む、方法。
前記複数の差分値の各々は、２つの連続する前記大きさ間の差分である、請求項１に記載の方法（３００）。
前記外乱状態は、前記負荷変化状態及び前記電気的障害状態のいずれでもない、請求項１に記載の方法（３００）。
前記複数の差分値を決定するステップ（３０６）が、
前記複数の差分値の各々を所定の閾値と比較することに基づいて前記外乱状態を検出することと、
前記機械学習技術による処理のために、前記外乱状態の前記検出後に１つまたはいくつかの第１の差分値を選択することと
を含む、請求項１に記載の方法（３００）。
前記機械学習技術による処理のために、前記外乱状態の前記検出後の最初の３つの差分値が選択される、請求項４に記載の方法（３００）。
前記複数のサンプル値が、電圧信号のサンプリングから得られた複数の電圧サンプルに対応する、請求項１から請求項５に記載の方法（３００）。
前記外乱状態に基づいて保護機能及び制御機能の少なくとも一方を実行することは、電力揺動状態から自己回復する間の前記ＩＥＤを使用したスイッチングデバイスのブロック動作、または障害状態中の前記スイッチングデバイスのブロック解除動作を含む、請求項４に記載の方法（３００）。
前記極勾配ブースト分類モデルが複数の残差モデルを備える、請求項７に記載の方法（３００）。
前記複数の差分値を決定するステップ（３０６）が、前記対応する大きさをフィルタリングすることによって、前記１つ以上の相の各相に対応する前記複数の大きさに対して平滑化演算を実行することを含む、請求項１から請求項８のいずれか１項に記載の方法（３００）。
前記複数の差分値が、前記複数の大きさの平滑化バージョンの連続サンプル間の差分を計算することによって決定される、請求項９に記載の方法（３００）。
前記１つ以上の相が３相電気システムの相に対応する、請求項１から請求項１０のいずれか１項に記載の方法（３００）。
前記複数のサンプル値が、１キロヘルツのサンプリングレートで前記対応する相でサンプリングすることによって得られる、請求項１から請求項１１のいずれか１項に記載の方法（３００）。
送電線（１０６，１０８）の外乱状態を決定するためのインテリジェント電子装置ＩＥＤ（２００）であって、前記ＩＥＤ（２００）が、
送電線の一端に接続された測定機器（１２２）に通信可能に結合され、１つ以上の相の各相で測定された電気的パラメータに対応する複数のサンプル値を取得するように構成されたデータ取得ユニット（２０２）であって、前記測定が前記測定機器によって実行される、データ取得ユニット（２０２）と、
前記データ取得ユニット（２０２）に通信可能に結合されており、
前記対応する複数のサンプル値に基づいて、前記１つ以上の相の各相に対応する前記電気的パラメータの複数の大きさを決定し、
前記対応する複数の大きさに基づいて、前記１つ以上の相の各相について複数の差分値を決定し、前記複数の差分値の各々が前記対応する相の大きさの変化率を表す
ように構成された信号処理ユニット（２０４）と、
前記信号処理ユニット（２０４）に通信可能に結合され、前記送電線の外乱状態を決定するために機械学習技術を使用して１つ以上の相に対応する前記複数の差分値を処理するように構成された機械学習ユニット（２０６）であって、前記外乱状態が負荷変化状態、電力揺動状態、および電気的障害状態のうちの１つを含む、機械学習ユニット（２０６）と、
前記機械学習ユニット（２０６）に通信可能に結合され、前記外乱状態に基づいて保護機能および制御機能の少なくとも一方を実行するように構成された制御ユニット（２０８）と
を備え、
前記機械学習ユニット（２０６）は、前記外乱状態を決定するためのアンサンブル機械学習モデルをトレーニングするようにさらに構成され、
前記制御ユニット（２０８）は、前記外乱状態を決定するための極勾配ブースト分類モデルをトレーニングするようにさらに構成される、ＩＥＤ（２００）。
前記複数の差分値の各々は、２つの連続する前記大きさ間の差分である、請求項１３に記載のＩＥＤ（２００）。
前記外乱状態は、前記負荷変化状態及び前記電気的障害状態のいずれでもない、請求項１３に記載のＩＥＤ（２００）。
前記信号処理ユニット（２０４）が、
前記複数の差分値の各々を所定の閾値と比較することに基づいて前記外乱状態を検出し、
前記機械学習技術による処理のために、前記外乱状態の検出後に１つまたはいくつかの第１の差分値を選択する、
ようにさらに構成される、請求項１３に記載のＩＥＤ（２００）。
前記機械学習技術による処理のために、前記外乱状態の前記検出後の最初の３つの差分値を選択される、請求項１６に記載のＩＥＤ（２００）。
前記複数のサンプル値が、電圧信号から得られた複数の電圧サンプルに対応する、請求項１３から１７のいずれか１項に記載のＩＥＤ（２００）。
前記制御ユニット（２０８）は、電力揺動状態から自己回復する間に当該ＩＥＤを使用してスイッチングデバイスの動作をブロックするか、または障害状態中に前記スイッチングデバイスの動作をブロック解除するように構成される、請求項１６に記載のＩＥＤ（２００）。
前記機械学習ユニット（２０６）が、複数の残差モデルを決定するように構成される、請求項１９に記載のＩＥＤ（２００）。
前記信号処理ユニット（２０４）が、複数の相電圧信号の各々に対応する複数の大きさの平滑化バージョンを、前記対応する大きさをフィルタリングすることによって生成するようにさらに構成される、請求項１３から２０のいずれか１項に記載のＩＥＤ（２００）。
前記信号処理ユニット（２０４）が、前記複数の大きさの前記平滑化バージョンに基づいて前記複数の差分値を決定するように構成される、請求項２１に記載のＩＥＤ（２００）。
前記データ取得ユニット（２０２）が、３相電気システムの１つ以上の相から前記複数のサンプル値を取得するように構成される、請求項１３から２２のいずれか１項に記載のＩＥＤ（２００）。
前記データ取得ユニット（２０２）が、１キロヘルツのサンプリングレートで前記１つ以上の相の各相において前記電気的パラメータをサンプリングするように構成される、請求項１３から２３のいずれか１項に記載のＩＥＤ（２００）。
前記電気的パラメータの前記複数の前記大きさが二乗平均平方根ＲＭＳ値である、請求項１から１２のいずれか１項に記載の方法（３００）。
前記電気的パラメータの前記複数の前記大きさが二乗平均平方根ＲＭＳ値である、請求項１３から２４のいずれか１項に記載のＩＥＤ（２００）。