JPH0515066A - 電力系統の安定性診断方法及びその装置 - Google Patents
電力系統の安定性診断方法及びその装置Info
- Publication number
- JPH0515066A JPH0515066A JP3157096A JP15709691A JPH0515066A JP H0515066 A JPH0515066 A JP H0515066A JP 3157096 A JP3157096 A JP 3157096A JP 15709691 A JP15709691 A JP 15709691A JP H0515066 A JPH0515066 A JP H0515066A
- Authority
- JP
- Japan
- Prior art keywords
- information
- power system
- input
- stability
- state quantity
- 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.)
- Pending
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
(57)【要約】
【目的】 電力系統の安定性を高速度に診断できるこ
と。 【構成】 電力系統１００から得られた情報の中から神
経回路モデル入力データ作成装置３００で特徴情報を抽
出し、電力系統１００からの情報を基に優勢固有値救解
装置７００で指標情報を生成し、特徴情報と指標情報を
教師情報として神経回路モデル４００による学習を行な
い、この学習で得られた神経回路モデル４００に従って
未学習の特徴情報を分析し、この分析により電力系統の
安定性に関する情報を定量的に求めるようにしたもの。
と。 【構成】 電力系統１００から得られた情報の中から神
経回路モデル入力データ作成装置３００で特徴情報を抽
出し、電力系統１００からの情報を基に優勢固有値救解
装置７００で指標情報を生成し、特徴情報と指標情報を
教師情報として神経回路モデル４００による学習を行な
い、この学習で得られた神経回路モデル４００に従って
未学習の特徴情報を分析し、この分析により電力系統の
安定性に関する情報を定量的に求めるようにしたもの。
Description
【０００１】
【産業上の利用分野】本発明は電力系統の安定性診断方
法及びその装置に係り、特に、電力系統の定態安定度を
診断するに好適な電力系統の安定性診断方法及びその装
置に関する。
法及びその装置に係り、特に、電力系統の定態安定度を
診断するに好適な電力系統の安定性診断方法及びその装
置に関する。
【０００２】
【従来の技術】電力系統の安定度には事故に伴なう外乱
に対する安定度を示す過渡安定度と発電量の変化など微
小な外乱に対する安定度を示す定態安定度がある。これ
ら安定度のうち、電力系統の定態安定度の診断法として
は、従来、直接法による時間領域のシミュレーション、
詳細固有値法、周波数応答法などがある。またオンライ
ンでの安定度診断法としては、神経回路モデルを用いて
最大固有値の絶対値を推定する方法があり、これについ
ては、平成２年電気学会電力・エネルギー部門全国大会
論文集（論文２）で、第６７頁〜第６８頁において論じ
られている。
に対する安定度を示す過渡安定度と発電量の変化など微
小な外乱に対する安定度を示す定態安定度がある。これ
ら安定度のうち、電力系統の定態安定度の診断法として
は、従来、直接法による時間領域のシミュレーション、
詳細固有値法、周波数応答法などがある。またオンライ
ンでの安定度診断法としては、神経回路モデルを用いて
最大固有値の絶対値を推定する方法があり、これについ
ては、平成２年電気学会電力・エネルギー部門全国大会
論文集（論文２）で、第６７頁〜第６８頁において論じ
られている。
【０００３】
【発明が解決しようとする課題】上記従来技術のうち、
直接法による時間領域のシミュレーション、詳細固有値
法、周波数応答法などはオフラインでのみ定態安定度を
診断するようになっているので、対象とする電力系統が
大規模になったときには診断に多くの時間が要すると共
に、高速に電力系統の安定・不安定を診断することが難
かしい。
直接法による時間領域のシミュレーション、詳細固有値
法、周波数応答法などはオフラインでのみ定態安定度を
診断するようになっているので、対象とする電力系統が
大規模になったときには診断に多くの時間が要すると共
に、高速に電力系統の安定・不安定を診断することが難
かしい。
【０００４】一方、神経回路モデルを用いて最大固有値
の絶対値を推定する方法では、Ｚ領域において絶対値最
大の固有値のみに着目し、電力動揺の振動の周期につい
て配慮がされておらず、電力動揺で問題となる比較的低
周波（長周期）の固有値を診断情報として得ることがで
きない。更に、電力系統からの情報を全て神経回路モデ
ルの入力層に用いているため、電力系統が大規模になっ
た際に入力層が増大する点について考慮されておらず、
学習に時間がかかったり、周速が困難になったりする。
の絶対値を推定する方法では、Ｚ領域において絶対値最
大の固有値のみに着目し、電力動揺の振動の周期につい
て配慮がされておらず、電力動揺で問題となる比較的低
周波（長周期）の固有値を診断情報として得ることがで
きない。更に、電力系統からの情報を全て神経回路モデ
ルの入力層に用いているため、電力系統が大規模になっ
た際に入力層が増大する点について考慮されておらず、
学習に時間がかかったり、周速が困難になったりする。
【０００５】本発明の目的は、電力系統の安定性を高速
に診断することができる電力系統の安定性診断方法及び
その装置を提供することにある。
に診断することができる電力系統の安定性診断方法及び
その装置を提供することにある。
【０００６】また本発明の他の目的は、電力系統の安定
性に関して電力動揺の振動の周期を考慮した診断が可能
な電力系統の安定性診断方法及びその装置を提供するこ
とにある。
性に関して電力動揺の振動の周期を考慮した診断が可能
な電力系統の安定性診断方法及びその装置を提供するこ
とにある。
【０００７】
【課題を解決するための手段】前記目的を達成するため
に、本発明は、第１の診断方法として、電力系統から電
力系統の状態量に関する情報を入力し、この入力情報か
ら特徴となる特徴情報を抽出すると共に電力系統の安定
性の度合いを示す指標情報を生成し、特徴情報と指標情
報を教師情報として神経回路モデルによる学習を行い、
この学習で得られた神経回路モデルに従って未学習の特
徴情報を分析し、この分析により電力系統の安定性に関
する情報を定量的に求める電力系統の安定性診断方法を
採用したものである。
に、本発明は、第１の診断方法として、電力系統から電
力系統の状態量に関する情報を入力し、この入力情報か
ら特徴となる特徴情報を抽出すると共に電力系統の安定
性の度合いを示す指標情報を生成し、特徴情報と指標情
報を教師情報として神経回路モデルによる学習を行い、
この学習で得られた神経回路モデルに従って未学習の特
徴情報を分析し、この分析により電力系統の安定性に関
する情報を定量的に求める電力系統の安定性診断方法を
採用したものである。
【０００８】第２の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報を定量的に求める
電力系統の安定性診断方法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報を定量的に求める
電力系統の安定性診断方法を採用したものである。
【０００９】第３の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報として優勢固有値
の実数部と虚数部の情報を求める電力系統の安定性診断
方法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報として優勢固有値
の実数部と虚数部の情報を求める電力系統の安定性診断
方法を採用したものである。
【００１０】第４の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報として電力動揺に
対する振幅の減衰あるいは発散の程度を示す情報と電力
動揺に対する振幅の減衰あるいは発散に要する時間を示
す情報を求める電力系統の安定性診断方法を採用したも
のである。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として神経回
路モデルによる学習を行い、この学習で得られた神経回
路モデルに従って未学習の特徴情報を分析し、この分析
により電力系統の安定性に関する情報として電力動揺に
対する振幅の減衰あるいは発散の程度を示す情報と電力
動揺に対する振幅の減衰あるいは発散に要する時間を示
す情報を求める電力系統の安定性診断方法を採用したも
のである。
【００１１】第５の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
微小外乱に対して電力系統の動きを支配する優勢固有値
に関する指標情報を生成すると共に入力情報を線形性の
状態量を含む入力情報と非線形性の状態量を含む入力情
報とに分離し、非線形性の状態量を含む入力情報から特
徴となる特徴情報を抽出し、特徴情報と指標情報を教師
情報として神経回路モデルによる学習を行い、この学習
で得られた神経回路モデルに従って未学習の特徴情報を
分析し、この分析により電力系統の安定性に関する情報
として電力動揺に対する振幅の減衰あるいは発散の程度
を示す情報と電力動揺に対する振幅の減衰あるいは発散
に要する時間を示す情報を求める電力系統の安定性診断
方法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
微小外乱に対して電力系統の動きを支配する優勢固有値
に関する指標情報を生成すると共に入力情報を線形性の
状態量を含む入力情報と非線形性の状態量を含む入力情
報とに分離し、非線形性の状態量を含む入力情報から特
徴となる特徴情報を抽出し、特徴情報と指標情報を教師
情報として神経回路モデルによる学習を行い、この学習
で得られた神経回路モデルに従って未学習の特徴情報を
分析し、この分析により電力系統の安定性に関する情報
として電力動揺に対する振幅の減衰あるいは発散の程度
を示す情報と電力動揺に対する振幅の減衰あるいは発散
に要する時間を示す情報を求める電力系統の安定性診断
方法を採用したものである。
【００１２】第６の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
微小外乱に対して電力系統の動きを支配する固有値のう
ち電力動揺の振動周期が長く振幅の減衰項の小さい優勢
固有値に関する指標情報を生成すると共に入力情報を線
形性の状態量を含む入力情報と非線形性の状態量を含む
入力情報とに分離し、非線形性の状態量を含む入力情報
から特徴となる特徴情報を抽出し、特徴情報と指標情報
を教師情報として神経回路モデルによる学習を行い、こ
の学習で得られた神経回路モデルに従って未学習の特徴
情報を分析し、この分析により電力系統の安定性に関す
る情報として電力動揺に対する振幅の減衰あるいは発散
の程度を示す情報と電力動揺に対する振幅の減衰あるい
は発散に要する時間を示す情報を求める電力系統の安定
性診断方法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
微小外乱に対して電力系統の動きを支配する固有値のう
ち電力動揺の振動周期が長く振幅の減衰項の小さい優勢
固有値に関する指標情報を生成すると共に入力情報を線
形性の状態量を含む入力情報と非線形性の状態量を含む
入力情報とに分離し、非線形性の状態量を含む入力情報
から特徴となる特徴情報を抽出し、特徴情報と指標情報
を教師情報として神経回路モデルによる学習を行い、こ
の学習で得られた神経回路モデルに従って未学習の特徴
情報を分析し、この分析により電力系統の安定性に関す
る情報として電力動揺に対する振幅の減衰あるいは発散
の程度を示す情報と電力動揺に対する振幅の減衰あるい
は発散に要する時間を示す情報を求める電力系統の安定
性診断方法を採用したものである。
【００１３】第７の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に電力系統の安定性
の度合いを示す指標情報を生成し、特徴情報と指標情報
を教師情報として未知の入力情報に対して近似解を想起
する学習により得られた神経回路モデルに従って未学習
の特徴情報を分析し、この分析により電力系統の安定性
に関する情報を定量的に求める電力系統の安定性診断方
法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に電力系統の安定性
の度合いを示す指標情報を生成し、特徴情報と指標情報
を教師情報として未知の入力情報に対して近似解を想起
する学習により得られた神経回路モデルに従って未学習
の特徴情報を分析し、この分析により電力系統の安定性
に関する情報を定量的に求める電力系統の安定性診断方
法を採用したものである。
【００１４】第８の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として未知の
入力情報に対して近似解を想起する学習により得られた
神経回路モデルに従って未学習の特徴情報を分析し、こ
の分析により電力系統の安定性に関する情報を定量的に
求める電力系統の安定性診断方法を採用したものであ
る。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として未知の
入力情報に対して近似解を想起する学習により得られた
神経回路モデルに従って未学習の特徴情報を分析し、こ
の分析により電力系統の安定性に関する情報を定量的に
求める電力系統の安定性診断方法を採用したものであ
る。
【００１５】第９の診断方法として、電力系統から電力
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として未知の
入力情報に対して近似解を想起する学習により得られた
神経回路モデルに従って未学習の特徴情報を分析し、こ
の分析により電力系統の安定性に関する情報として優勢
固有値の実数部と虚数部の情報を求める電力系統の安定
性診断方法を採用したものである。
系統の状態量に関する情報を入力し、この入力情報から
特徴となる特徴情報を抽出すると共に微小外乱に対して
電力系統の動きを支配する優勢固有値に関する指標情報
を生成し、特徴情報と指標情報を教師情報として未知の
入力情報に対して近似解を想起する学習により得られた
神経回路モデルに従って未学習の特徴情報を分析し、こ
の分析により電力系統の安定性に関する情報として優勢
固有値の実数部と虚数部の情報を求める電力系統の安定
性診断方法を採用したものである。
【００１６】第１０の診断方法として、電力系統から電
力系統の状態量に関する情報を入力し、この入力情報か
ら特徴となる特徴情報を抽出すると共に微小外乱に対し
て電力系統の動きを支配する優勢固有値に関する指標情
報を生成し、特徴情報と指標情報を教師情報として未知
の入力情報に対して近似解を想起する学習により得られ
た神経回路モデルに従って未学習の特徴情報を分析し、
この分析により電力系統の安定性に関する情報として電
力動揺に対する振幅の減衰あるいは発散の程度を示す情
報と電力動揺に対する振幅の減衰あるいは発散に要する
時間を示す情報を求める電力系統の安定性診断方法を採
用したものである。
力系統の状態量に関する情報を入力し、この入力情報か
ら特徴となる特徴情報を抽出すると共に微小外乱に対し
て電力系統の動きを支配する優勢固有値に関する指標情
報を生成し、特徴情報と指標情報を教師情報として未知
の入力情報に対して近似解を想起する学習により得られ
た神経回路モデルに従って未学習の特徴情報を分析し、
この分析により電力系統の安定性に関する情報として電
力動揺に対する振幅の減衰あるいは発散の程度を示す情
報と電力動揺に対する振幅の減衰あるいは発散に要する
時間を示す情報を求める電力系統の安定性診断方法を採
用したものである。
【００１７】第１１の診断方法として、電力系統から電
力系統の状態量に関する情報を入力し、この入力情報か
ら微小外乱に対して電力系統の動きを支配する優勢固有
値に関する指標情報を生成すると共に入力情報を線形性
の状態量を含む入力情報と非線形性の状態量を含む入力
情報とに分離し、非線形性の状態量を含む入力情報から
特徴となる特徴情報を抽出し、特徴情報と指標情報を教
師情報として未知の入力情報に対して近似解を想起する
学習により得られた神経回路モデルに従って未学習の特
徴情報を分析し、この分析により電力系統の安定性に関
する情報として電力動揺に対する振幅の減衰あるいは発
散の程度を示す情報と電力動揺に対する振幅の減衰ある
いは発散に要する時間を示す情報を求める電力系統の安
定性診断方法を採用したものである。
力系統の状態量に関する情報を入力し、この入力情報か
ら微小外乱に対して電力系統の動きを支配する優勢固有
値に関する指標情報を生成すると共に入力情報を線形性
の状態量を含む入力情報と非線形性の状態量を含む入力
情報とに分離し、非線形性の状態量を含む入力情報から
特徴となる特徴情報を抽出し、特徴情報と指標情報を教
師情報として未知の入力情報に対して近似解を想起する
学習により得られた神経回路モデルに従って未学習の特
徴情報を分析し、この分析により電力系統の安定性に関
する情報として電力動揺に対する振幅の減衰あるいは発
散の程度を示す情報と電力動揺に対する振幅の減衰ある
いは発散に要する時間を示す情報を求める電力系統の安
定性診断方法を採用したものである。
【００１８】第１２の診断方法として、電力系統から電
力系統の状態量に関する情報を入力し、この入力情報か
ら微小外乱に対して電力系統の動きを支配する固有値の
うち電力動揺の振動周期が長く振幅の減衰項の小さい優
勢固有値に関する指標情報を生成すると共に入力情報を
線形性の状態量を含む入力情報と非線形性の状態量を含
む入力情報とに分離し、非線形性の状態量を含む入力情
報から特徴となる特徴情報を抽出し、特徴情報と指標情
報を教師情報として未知の入力情報に対して近似解を想
起する学習により得られた神経回路モデルに従って未学
習の特徴情報を分析し、この分析により電力系統の安定
性に関する情報として電力動揺に対する振幅の減衰ある
いは発散の程度を示す情報と電力動揺に対する振幅の減
衰あるいは発散に要する時間を示す情報を求める電力系
統の安定性診断方法を採用したものである。
力系統の状態量に関する情報を入力し、この入力情報か
ら微小外乱に対して電力系統の動きを支配する固有値の
うち電力動揺の振動周期が長く振幅の減衰項の小さい優
勢固有値に関する指標情報を生成すると共に入力情報を
線形性の状態量を含む入力情報と非線形性の状態量を含
む入力情報とに分離し、非線形性の状態量を含む入力情
報から特徴となる特徴情報を抽出し、特徴情報と指標情
報を教師情報として未知の入力情報に対して近似解を想
起する学習により得られた神経回路モデルに従って未学
習の特徴情報を分析し、この分析により電力系統の安定
性に関する情報として電力動揺に対する振幅の減衰ある
いは発散の程度を示す情報と電力動揺に対する振幅の減
衰あるいは発散に要する時間を示す情報を求める電力系
統の安定性診断方法を採用したものである。
【００１９】第１の診断装置として、電力系統から電力
系統の状態量に関する情報を入力する情報入力手段と、
情報入力手段の入力情報から特徴情報を抽出する特徴抽
出手段と、情報入力手段の入力情報を基に微小外乱に対
して電力系統の動きを支配する優勢固有値に関する指標
情報を生成する指標情報生成手段と、特徴抽出手段の抽
出による特徴情報と指標情報生成手段の生成による指標
情報を教師情報として未知の入力情報に対して近似解を
想起する神経回路モデルを生成する回路モデル生成手段
と、回路モデル生成手段の生成による神経回路モデルに
従って未学習の特徴情報を分析して電力系統の安定性に
関する情報として電力動揺に対する振幅の減衰あるいは
発散の程度を示す情報と電力動揺に対する振幅の減衰あ
るいは発散に要する時間を示す情報を算出する情報算出
手段とを有する電力系統の安定性診断装置を構成したも
のである。
系統の状態量に関する情報を入力する情報入力手段と、
情報入力手段の入力情報から特徴情報を抽出する特徴抽
出手段と、情報入力手段の入力情報を基に微小外乱に対
して電力系統の動きを支配する優勢固有値に関する指標
情報を生成する指標情報生成手段と、特徴抽出手段の抽
出による特徴情報と指標情報生成手段の生成による指標
情報を教師情報として未知の入力情報に対して近似解を
想起する神経回路モデルを生成する回路モデル生成手段
と、回路モデル生成手段の生成による神経回路モデルに
従って未学習の特徴情報を分析して電力系統の安定性に
関する情報として電力動揺に対する振幅の減衰あるいは
発散の程度を示す情報と電力動揺に対する振幅の減衰あ
るいは発散に要する時間を示す情報を算出する情報算出
手段とを有する電力系統の安定性診断装置を構成したも
のである。
【００２０】第２の装置として、電力系統から電力系統
の状態量に関する情報を入力する情報入力手段と、情報
入力手段の入力情報から特徴情報を抽出する特徴抽出手
段と、情報入力手段の入力情報を基に微小外乱に対して
電力系統の動きを支配する固有値のうち電力動揺の振動
周期が長く振幅の減衰項の小さい優勢固有値に関する指
標情報を生成する指標情報生成手段と、特徴抽出手段の
抽出による特徴情報と指標情報生成手段の生成による指
標情報を教師情報として未知の入力情報に対して近似解
を想起する神経回路モデルを生成する回路モデル生成手
段と、回路モデル生成手段の生成による神経回路モデル
に従って未学習の特徴情報を分析して電力系統の安定性
に関する情報として電力動揺に対する振幅の減衰あるい
は発散の程度を示す情報と電力動揺に対する振幅の減衰
あるいは発散に要する時間を示す情報を算出する情報算
出手段とを有する電力系統の安定性診断装置を構成した
ものである。
の状態量に関する情報を入力する情報入力手段と、情報
入力手段の入力情報から特徴情報を抽出する特徴抽出手
段と、情報入力手段の入力情報を基に微小外乱に対して
電力系統の動きを支配する固有値のうち電力動揺の振動
周期が長く振幅の減衰項の小さい優勢固有値に関する指
標情報を生成する指標情報生成手段と、特徴抽出手段の
抽出による特徴情報と指標情報生成手段の生成による指
標情報を教師情報として未知の入力情報に対して近似解
を想起する神経回路モデルを生成する回路モデル生成手
段と、回路モデル生成手段の生成による神経回路モデル
に従って未学習の特徴情報を分析して電力系統の安定性
に関する情報として電力動揺に対する振幅の減衰あるい
は発散の程度を示す情報と電力動揺に対する振幅の減衰
あるいは発散に要する時間を示す情報を算出する情報算
出手段とを有する電力系統の安定性診断装置を構成した
ものである。
【００２１】第３の装置として、電力系統から電力系統
の状態量に関する情報を入力する情報入力手段と、情報
入力手段の入力情報を線形性の状態量を含む情報と非線
形性の状態量を含む情報とに分離する情報分離手段と、
情報分離手段により分離された情報のうち非線形性の状
態量を含む情報から特徴情報を抽出する特徴抽出手段
と、情報入力手段の入力情報を基に微小外乱に対して電
力系統の動きを支配する固有値のうち電力動揺の振動周
期が長く振幅の減衰項の小さい優勢固有値に関する指標
情報を生成する指標情報生成手段と、特徴抽出手段の抽
出による特徴情報と指標情報生成手段の生成による指標
情報を教師情報として未知の入力情報に対して近似解を
想起する神経回路モデルを生成する回路モデル生成手段
と、回路モデル生成手段の生成による神経回路モデルに
従って未学習の特徴情報を分析して電力系統の安定性に
関する情報として電力動揺に対する振幅の減衰あるいは
発散の程度を示す情報と電力動揺に対する振幅の減衰あ
るいは発散に要する時間を示す情報を算出する情報算出
手段とを有する電力系統の安定性診断装置を構成したも
のである。
の状態量に関する情報を入力する情報入力手段と、情報
入力手段の入力情報を線形性の状態量を含む情報と非線
形性の状態量を含む情報とに分離する情報分離手段と、
情報分離手段により分離された情報のうち非線形性の状
態量を含む情報から特徴情報を抽出する特徴抽出手段
と、情報入力手段の入力情報を基に微小外乱に対して電
力系統の動きを支配する固有値のうち電力動揺の振動周
期が長く振幅の減衰項の小さい優勢固有値に関する指標
情報を生成する指標情報生成手段と、特徴抽出手段の抽
出による特徴情報と指標情報生成手段の生成による指標
情報を教師情報として未知の入力情報に対して近似解を
想起する神経回路モデルを生成する回路モデル生成手段
と、回路モデル生成手段の生成による神経回路モデルに
従って未学習の特徴情報を分析して電力系統の安定性に
関する情報として電力動揺に対する振幅の減衰あるいは
発散の程度を示す情報と電力動揺に対する振幅の減衰あ
るいは発散に要する時間を示す情報を算出する情報算出
手段とを有する電力系統の安定性診断装置を構成したも
のである。
【００２２】第１，第２または第３の装置を含む第４の
装置として、回路モデル生成手段と情報算出手段をそれ
ぞれ複数個備え、各情報算出手段の算出結果を評価する
情報評価手段を有する電力系統の安定性診断装置を構成
したものである。
装置として、回路モデル生成手段と情報算出手段をそれ
ぞれ複数個備え、各情報算出手段の算出結果を評価する
情報評価手段を有する電力系統の安定性診断装置を構成
したものである。
【００２３】
【作用】本発明では、電力系統の状態量に関する情報群
の中から特徴情報を抽出すると共に、特徴情報と指標情
報を教師情報として神経回路モデルによる学習を行い、
神経回路モデルの学習機能により、電力系統の安定性を
診断しているため、系統の安定性を高速度に診断するこ
とができる。また電力系統の状態量に関する情報群の中
から特徴情報を抽出しているため、神経回路モデルの規
模を小さくすることができると共に、学習に要する時間
を少なくすることができると共に、収束性を改善するこ
とができる。
の中から特徴情報を抽出すると共に、特徴情報と指標情
報を教師情報として神経回路モデルによる学習を行い、
神経回路モデルの学習機能により、電力系統の安定性を
診断しているため、系統の安定性を高速度に診断するこ
とができる。また電力系統の状態量に関する情報群の中
から特徴情報を抽出しているため、神経回路モデルの規
模を小さくすることができると共に、学習に要する時間
を少なくすることができると共に、収束性を改善するこ
とができる。
【００２４】また本発明では、指標情報に優勢固有値に
関する情報を用いると共に診断結果に優勢固有値に関す
る情報を用いているため、電力系統に発生した電力動揺
が時間的にどのように振まうかを把握することができ
る。また優勢固有値として実数部と虚数部を含むものを
用い、さらに、電力系統の安定性を示す固有値のうち電
力系統で問題となる比較的低周波でしかも減衰項の小さ
い固有値を用いているため、電力動揺の振動の周期を定
量的に把握することができる。
関する情報を用いると共に診断結果に優勢固有値に関す
る情報を用いているため、電力系統に発生した電力動揺
が時間的にどのように振まうかを把握することができ
る。また優勢固有値として実数部と虚数部を含むものを
用い、さらに、電力系統の安定性を示す固有値のうち電
力系統で問題となる比較的低周波でしかも減衰項の小さ
い固有値を用いているため、電力動揺の振動の周期を定
量的に把握することができる。
【００２５】
【実施例】以下、本発明の一実施例を図面に基づいて説
明する。
明する。
【００２６】本発明に係る電力系統の安定性診断装置は
学習モードを実行したあと診断モードを実行するように
なっており、学習モードの構成が図１に、診断モードの
構成が図２に示され、システム全体が図３に示されてい
る。
学習モードを実行したあと診断モードを実行するように
なっており、学習モードの構成が図１に、診断モードの
構成が図２に示され、システム全体が図３に示されてい
る。
【００２７】図１乃至図３において、診断装置１０は演
算装置３１、タスク起動エンジン３２、パラレルＩ／Ｏ
１０１、データベース３１１、状態推定ベース２０１、
学習ベース４３１、表示装置５００、入力装置６００、
診断評価検証エンジン３０を備えており、演算装置３
１、タスク起動エンジン３２、パラレルＩ／Ｏ１０１、
データベース３１１、状態推定べース２０１、学習ベー
ス４３１がそれぞれデータ／アドレスバス３３に接続さ
れ、表示装置５００、入力装置６００、診断評価検証エ
ンジン３０がそれぞれ演算装置３１に接続されている。
そして電力系統１００から得られる各種の観測値に関す
るデータがパラレルＩ／Ｏ１０１に入力され、観測値に
関するデータが前処理装置２００、優勢固有値救解送置
７００に転送されるようになっている。そして前処理装
置２００で処理されたデータが状態推定ベース２０１に
格納され、神経回路モデル入力データ作成装置３００で
作成されたデータがデータベース３１１に格納され、神
経回路モデル４００で用いられるデータが学習ベース４
３１に格納されるようになっている。すなわち、データ
ベース３１１には電力系統の諸量、例えば系統構成、運
用条件、機器定数、制御定数などに関する情報が格納さ
れている。そして電力系統の諸量が異なる毎に別々のデ
ータベース３１１が作られるようになっている。更にデ
ータベース３１１は並列的に接続され、例えば事故点毎
にデータベースが作られ、電力系統の系統構成の変更を
促す信号が発生したときには、データ／アドレスバス３
３に接続されるデータベースが変更されるようになって
いる。また状態推定ベース２０１には、系統構成、運用
条件機器定数、制御定数などの情報を基に潮流計算を行
ない、この計算結果を基に得られた状態推定に関する情
報が格納されている。また学習ベース２０１には、対応
するデータベース３１１の情報の中から１種類あるいは
２種類以上の情報が入力され、これらの情報を基に学習
された情報が格納されるようになっている。また学習ベ
ース４３１も並列的に接続され、例えば事故点が変わる
ときのように毎回の診断回路の変更を促す信号が発生し
たときには、学習済の回路が変更されるようになってい
る。
算装置３１、タスク起動エンジン３２、パラレルＩ／Ｏ
１０１、データベース３１１、状態推定ベース２０１、
学習ベース４３１、表示装置５００、入力装置６００、
診断評価検証エンジン３０を備えており、演算装置３
１、タスク起動エンジン３２、パラレルＩ／Ｏ１０１、
データベース３１１、状態推定べース２０１、学習ベー
ス４３１がそれぞれデータ／アドレスバス３３に接続さ
れ、表示装置５００、入力装置６００、診断評価検証エ
ンジン３０がそれぞれ演算装置３１に接続されている。
そして電力系統１００から得られる各種の観測値に関す
るデータがパラレルＩ／Ｏ１０１に入力され、観測値に
関するデータが前処理装置２００、優勢固有値救解送置
７００に転送されるようになっている。そして前処理装
置２００で処理されたデータが状態推定ベース２０１に
格納され、神経回路モデル入力データ作成装置３００で
作成されたデータがデータベース３１１に格納され、神
経回路モデル４００で用いられるデータが学習ベース４
３１に格納されるようになっている。すなわち、データ
ベース３１１には電力系統の諸量、例えば系統構成、運
用条件、機器定数、制御定数などに関する情報が格納さ
れている。そして電力系統の諸量が異なる毎に別々のデ
ータベース３１１が作られるようになっている。更にデ
ータベース３１１は並列的に接続され、例えば事故点毎
にデータベースが作られ、電力系統の系統構成の変更を
促す信号が発生したときには、データ／アドレスバス３
３に接続されるデータベースが変更されるようになって
いる。また状態推定ベース２０１には、系統構成、運用
条件機器定数、制御定数などの情報を基に潮流計算を行
ない、この計算結果を基に得られた状態推定に関する情
報が格納されている。また学習ベース２０１には、対応
するデータベース３１１の情報の中から１種類あるいは
２種類以上の情報が入力され、これらの情報を基に学習
された情報が格納されるようになっている。また学習ベ
ース４３１も並列的に接続され、例えば事故点が変わる
ときのように毎回の診断回路の変更を促す信号が発生し
たときには、学習済の回路が変更されるようになってい
る。
【００２８】入力装置６００には、入力項目として、表
示装置５００の操作条件、データベース３１１やデータ
ベース４３１の選択及び計算条件、パラレルＩ／Ｏ１０
１における入力情報の選択、オペレータの操作に伴なう
電力系統に関する情報などが入力されるようになってい
る。入力装置６００から各種の情報が入力されると、演
算装置３１は入力条件を統括制御し、必要に応じてタス
ク起動エンジン３２や状態推定ベース２０１の動作を制
御したり、診断結果の評価、検証を行なうようになって
いる。そしてタスク起動エンジン３２が起動されたとき
に学習モードが選択されたときには、入力装置６００か
らの情報を用いてデータベース３１１を選択し、推定状
態ベース２０１を起動して状態推定計算が行なわれる。
この状態推定による計算結果とデータベース３１１の中
から１種類あるいは２種類以上の情報を入力とした学習
が行なわれ、この学習結果が学習ベース４３１に格納さ
れると共に表示装置５００に学習結果が出力されるよう
になっている。また診断モードのときには、一定周期の
同期起動信号が出力され、入力装置６００、パラレルＩ
／Ｏ１０１の入力情報信号に対する学習済の学習ベース
４３１が選択され、この学習結果を基に想起出力が得ら
れるようになっている。この想起出力は演算装置３１に
送られ、診断評価検証エンジン３０が起動され、診断出
力が得られるようになっている。そして想起出力及び診
断出力はそれぞれ表示装置５００に転送され、各出力が
表示装置５００の画面上に画像表示されるようになって
いる。
示装置５００の操作条件、データベース３１１やデータ
ベース４３１の選択及び計算条件、パラレルＩ／Ｏ１０
１における入力情報の選択、オペレータの操作に伴なう
電力系統に関する情報などが入力されるようになってい
る。入力装置６００から各種の情報が入力されると、演
算装置３１は入力条件を統括制御し、必要に応じてタス
ク起動エンジン３２や状態推定ベース２０１の動作を制
御したり、診断結果の評価、検証を行なうようになって
いる。そしてタスク起動エンジン３２が起動されたとき
に学習モードが選択されたときには、入力装置６００か
らの情報を用いてデータベース３１１を選択し、推定状
態ベース２０１を起動して状態推定計算が行なわれる。
この状態推定による計算結果とデータベース３１１の中
から１種類あるいは２種類以上の情報を入力とした学習
が行なわれ、この学習結果が学習ベース４３１に格納さ
れると共に表示装置５００に学習結果が出力されるよう
になっている。また診断モードのときには、一定周期の
同期起動信号が出力され、入力装置６００、パラレルＩ
／Ｏ１０１の入力情報信号に対する学習済の学習ベース
４３１が選択され、この学習結果を基に想起出力が得ら
れるようになっている。この想起出力は演算装置３１に
送られ、診断評価検証エンジン３０が起動され、診断出
力が得られるようになっている。そして想起出力及び診
断出力はそれぞれ表示装置５００に転送され、各出力が
表示装置５００の画面上に画像表示されるようになって
いる。
【００２９】表示装置５００は、通常時には現在あるい
は予想される近未来の電力系統の諸量、例えば系統構
成、運用条件、機器定数、制御定数などの一部あるいは
全部を画像表示するようになっており、更に診断の指針
や診断結果の両方またはいずれか一方を画像表示するよ
うになっている。そしてこれらを画像表示する際、関数
近似回路の出力として優勢固有値を用いた場合には、診
断結果を数値で表示する換わりに、時間軸のトレンドカ
ーブで表示するようになっている。
は予想される近未来の電力系統の諸量、例えば系統構
成、運用条件、機器定数、制御定数などの一部あるいは
全部を画像表示するようになっており、更に診断の指針
や診断結果の両方またはいずれか一方を画像表示するよ
うになっている。そしてこれらを画像表示する際、関数
近似回路の出力として優勢固有値を用いた場合には、診
断結果を数値で表示する換わりに、時間軸のトレンドカ
ーブで表示するようになっている。
【００３０】次に、学習モードにおける処理を図１に従
って説明する。
って説明する。
【００３１】電力系統１００からの観測値、例えば発電
機出力、負荷の消費電力、系統電圧などの電力系統の状
態量に関するデータが入力されると、入力されたデータ
を基に前処理が行なわれる。この処理の一例として状態
推定が上げられる。すなわち観測値のデータを基に電力
系統の観測値以外の状態を推定する処理が行なわれる。
この状態推定を行なうことにより、近未来の系統構成、
機器などに関する情報を得ることができる。また観測値
に基づいて潮流計算を行い、線路潮流の大きさや向き、
母線の電圧や位相、発電機出力や力率などを得ることも
できる。なお前処理装置２００でデータを一切処理せず
に電力系統１００からの観測値をそのまま出力すること
も可能である。そして前処理装置２００から出力された
データは神経回路モデル入力データ作成装置３００へ転
送される。
機出力、負荷の消費電力、系統電圧などの電力系統の状
態量に関するデータが入力されると、入力されたデータ
を基に前処理が行なわれる。この処理の一例として状態
推定が上げられる。すなわち観測値のデータを基に電力
系統の観測値以外の状態を推定する処理が行なわれる。
この状態推定を行なうことにより、近未来の系統構成、
機器などに関する情報を得ることができる。また観測値
に基づいて潮流計算を行い、線路潮流の大きさや向き、
母線の電圧や位相、発電機出力や力率などを得ることも
できる。なお前処理装置２００でデータを一切処理せず
に電力系統１００からの観測値をそのまま出力すること
も可能である。そして前処理装置２００から出力された
データは神経回路モデル入力データ作成装置３００へ転
送される。
【００３２】神経回路モデル入力データ作成装置３００
では、前処理装置２００からのデータの中から特定のデ
ータを抽出する特徴抽出が行なわれる。この特徴抽出
は、入力装置６００からの指令あるいはあらかじ定めら
れたルールに基づいて行なわれ、前処理装置２００から
のデータの全部または一部が選択され、このデータの選
択を行なうに際してはデータの特徴を生かした圧縮が行
なわれ、選択されたデータが神経回路モデル４００へ出
力される。この特徴抽出の一例としては、主成分分析が
上げられる。この主成分分析を行なえば、各種成分と最
も相関関係の強いデータを選択したり、特徴抽出量とし
て主成分そのものを選ぶことができる。また重回帰分析
を用いて特徴抽出を行なうことも可能である。このよう
な特徴抽出を行なうことにより、神経回路モデル４００
へ出力するデータ数を減らすことができ、学習する神経
回路モデル４００の規模を小さくすることができる。す
なわち特徴抽出することにより、神経回路モデル４００
の学習時間を減らしたり、学習の収束性を良くすること
が可能となる。
では、前処理装置２００からのデータの中から特定のデ
ータを抽出する特徴抽出が行なわれる。この特徴抽出
は、入力装置６００からの指令あるいはあらかじ定めら
れたルールに基づいて行なわれ、前処理装置２００から
のデータの全部または一部が選択され、このデータの選
択を行なうに際してはデータの特徴を生かした圧縮が行
なわれ、選択されたデータが神経回路モデル４００へ出
力される。この特徴抽出の一例としては、主成分分析が
上げられる。この主成分分析を行なえば、各種成分と最
も相関関係の強いデータを選択したり、特徴抽出量とし
て主成分そのものを選ぶことができる。また重回帰分析
を用いて特徴抽出を行なうことも可能である。このよう
な特徴抽出を行なうことにより、神経回路モデル４００
へ出力するデータ数を減らすことができ、学習する神経
回路モデル４００の規模を小さくすることができる。す
なわち特徴抽出することにより、神経回路モデル４００
の学習時間を減らしたり、学習の収束性を良くすること
が可能となる。
【００３３】一方、電力系統１００からの観測値は優勢
固有値救解装置７００に入力されており、優勢固有値救
解装置７００では、電力系統１００からの観測値を基
に、微小外乱に対して電力系統１００の動きを支配して
いる固有値として優勢固有値を求めるようになってい
る。この優勢固有値は、固有値のうち減衰項が小さく比
較的低周波のものであり、優勢固有値の選択はオペレー
タの操作によって選択したり、あるいは選択の指標とな
る関数や固有値に対する行列などに基づいて自動的に選
択したりすることができる。また全べての固有値を計算
するのではなく、必要な優勢モードの固有値のみを計算
することも可能である。そして優勢固有値救解装置７０
０で求められた優勢固有値は神経回路モデル４００へ出
力される。
固有値救解装置７００に入力されており、優勢固有値救
解装置７００では、電力系統１００からの観測値を基
に、微小外乱に対して電力系統１００の動きを支配して
いる固有値として優勢固有値を求めるようになってい
る。この優勢固有値は、固有値のうち減衰項が小さく比
較的低周波のものであり、優勢固有値の選択はオペレー
タの操作によって選択したり、あるいは選択の指標とな
る関数や固有値に対する行列などに基づいて自動的に選
択したりすることができる。また全べての固有値を計算
するのではなく、必要な優勢モードの固有値のみを計算
することも可能である。そして優勢固有値救解装置７０
０で求められた優勢固有値は神経回路モデル４００へ出
力される。
【００３４】神経回路モデル４００には関数近似回路が
用いられており、神経回路モデル４００では神経回路モ
デル入力データ作成装置３００からのデータを入力デー
タとし、優勢固有値救解装置７００からのデータを出力
データとし、入力データと出力データを教師データとし
て、診断前にあらかじめオフラインで学習を行なうよう
になっている。この学習における諸条件、例えば収束条
件の値、学習打ち切り回数、学習定数などは入力装置６
００から与えられるようになっている。また系統構成が
換わる場合には、系統構成毎に別の神経回路モデルを用
いて学習が行なわれる。
用いられており、神経回路モデル４００では神経回路モ
デル入力データ作成装置３００からのデータを入力デー
タとし、優勢固有値救解装置７００からのデータを出力
データとし、入力データと出力データを教師データとし
て、診断前にあらかじめオフラインで学習を行なうよう
になっている。この学習における諸条件、例えば収束条
件の値、学習打ち切り回数、学習定数などは入力装置６
００から与えられるようになっている。また系統構成が
換わる場合には、系統構成毎に別の神経回路モデルを用
いて学習が行なわれる。
【００３５】ここで、神経回路モデル４００を用いるに
際しては、以下に述べることが考慮されている。すなわ
ち、電力系統において、送電網の構成は非線形連立方程
式で表わされ、発電機・制御装置の構成は非線形微分方
程式で表わされる。そしてこれらの問題は非線形パラメ
ータ問題となり、この問題を解析的に求めるには複雑な
処理が必要であり、電力系統のような非線形パラメータ
問題は図４のように示される。問題４０２において、パ
ラメータＰに対して多数の解Ｘｏが存在しており、救解
プロセス４０１を通して必要な解Ｘｏを得るようになっ
ている場合、あらかじめ多数のパラメータＰに対して必
要な解Ｘｏを求め、その因果関係を調べる必要がある。
このような処理を行なえば、未知のパラメータＰが入力
されたとき、必要な解Ｘｏの近似解を求めることができ
る。そこで、問題４０２と救解プロセス４０１との因果
関係４０３を神経回路モデル４１０に起き換えたものが
図５に示されている。この神経回路モデル４１０はあら
かじめ有限個の入力変数Ｐ、必要な解Ｘｏのセットを教
師データとして学習を行ない、この学習によって神経回
路モデルを決定するようになっている。このような学習
を行なえば、神経回路モデル４１０は未知のパラメータ
Ｐに対して必要な解Ｘｏの近似解を想起することができ
る。しかも神経回路モデル４１０は一般に非線形な関数
を近似する能力を有し、電力系統のような問題には適し
ている。このため、オフラインであらかじめ学習を行な
えば、想起は高速にでき、リアルタイムでパラメータＰ
に対する必要な解Ｘｏを求めることが可能となる。
際しては、以下に述べることが考慮されている。すなわ
ち、電力系統において、送電網の構成は非線形連立方程
式で表わされ、発電機・制御装置の構成は非線形微分方
程式で表わされる。そしてこれらの問題は非線形パラメ
ータ問題となり、この問題を解析的に求めるには複雑な
処理が必要であり、電力系統のような非線形パラメータ
問題は図４のように示される。問題４０２において、パ
ラメータＰに対して多数の解Ｘｏが存在しており、救解
プロセス４０１を通して必要な解Ｘｏを得るようになっ
ている場合、あらかじめ多数のパラメータＰに対して必
要な解Ｘｏを求め、その因果関係を調べる必要がある。
このような処理を行なえば、未知のパラメータＰが入力
されたとき、必要な解Ｘｏの近似解を求めることができ
る。そこで、問題４０２と救解プロセス４０１との因果
関係４０３を神経回路モデル４１０に起き換えたものが
図５に示されている。この神経回路モデル４１０はあら
かじめ有限個の入力変数Ｐ、必要な解Ｘｏのセットを教
師データとして学習を行ない、この学習によって神経回
路モデルを決定するようになっている。このような学習
を行なえば、神経回路モデル４１０は未知のパラメータ
Ｐに対して必要な解Ｘｏの近似解を想起することができ
る。しかも神経回路モデル４１０は一般に非線形な関数
を近似する能力を有し、電力系統のような問題には適し
ている。このため、オフラインであらかじめ学習を行な
えば、想起は高速にでき、リアルタイムでパラメータＰ
に対する必要な解Ｘｏを求めることが可能となる。
【００３６】また神経回路モデル４００としては、ラメ
ルハート形の神経回路モデルが用いられており、この神
経回路モデルでは、各ニュウロン間の荷重係数の初期値
は乱数を用いて決定される。そして収束判定は、学習パ
ターンの教師信号Ｓｉと出力総ユニットの出力Ｚｉにつ
いて次の（１）式に示されるような誤差の２乗和が最少
となるように重みを変化させるバックプロパゲーション
法（誤差の逆伝搬法）が用いられている。
ルハート形の神経回路モデルが用いられており、この神
経回路モデルでは、各ニュウロン間の荷重係数の初期値
は乱数を用いて決定される。そして収束判定は、学習パ
ターンの教師信号Ｓｉと出力総ユニットの出力Ｚｉにつ
いて次の（１）式に示されるような誤差の２乗和が最少
となるように重みを変化させるバックプロパゲーション
法（誤差の逆伝搬法）が用いられている。
【００３７】
【数１】
【００３８】重みの変化は次の（２）式の最急降下法が
用いられる。
用いられる。
【００３９】
【数２】
【００４０】神経回路モデル４００の出力としては、電
力系統１００の安定性を示す指標が用いられる。例えば
関数近似回路では優勢固有値の実数部と虚数部が用いら
れている。この優勢固有値の実数部は電力動揺に対する
振幅の減衰あるいは発散の程度を表わし、虚数部は振動
の周期を表わすようになっている。
力系統１００の安定性を示す指標が用いられる。例えば
関数近似回路では優勢固有値の実数部と虚数部が用いら
れている。この優勢固有値の実数部は電力動揺に対する
振幅の減衰あるいは発散の程度を表わし、虚数部は振動
の周期を表わすようになっている。
【００４１】オフラインによって学習モードの処理が行
なわれ神経回路モデル４００の学習が終了したあとは、
図２に示される診断モードによって電力系統１００の安
定性に関する診断が行なわれる。
なわれ神経回路モデル４００の学習が終了したあとは、
図２に示される診断モードによって電力系統１００の安
定性に関する診断が行なわれる。
【００４２】診断モードでは、前処理装置２００、神経
回路モデル入力データ作成装置３００、神経回路モデル
４００、表示装置５００、入力装置６００が用いられ、
これらの装置は学習モードの装置と共用することができ
る。特に神経回路モデル４００は学習モードで学習され
た神経回路モデル４００が用いられているため、電力系
統の系統構成に応じて適切な学習済の神経回路モデル４
００が迅速に選択され、診断を高速に行なうことができ
る。
回路モデル入力データ作成装置３００、神経回路モデル
４００、表示装置５００、入力装置６００が用いられ、
これらの装置は学習モードの装置と共用することができ
る。特に神経回路モデル４００は学習モードで学習され
た神経回路モデル４００が用いられているため、電力系
統の系統構成に応じて適切な学習済の神経回路モデル４
００が迅速に選択され、診断を高速に行なうことができ
る。
【００４３】すなわち、診断モードにおいても、学習モ
ードのときと同様に、電力系統１００からの観測値に関
するデータが前処理装置２００に入力され、これらのデ
ータは前処理装置２００において処理されたあと神経回
路モデル入力データ作成装置３００へ出力される。そし
て神経回路モデル入力データ作成装置３００では前処理
装置２００から入力されたデータの中から特徴となるデ
ータを抽出する特徴抽出が行なわれる。特徴抽出によっ
て得られたデータは神経回路モデル４００に出力され、
神経回路モデル４００では、入力データを基に、電力系
統の系統構成に応じて適切な学習済の神経回路モデルが
選択されることになる。そして神経回路モデル入力デー
タ作成装置３００からのデータが神経回路モデル４００
の入力層に与えられると、特徴情報と指標情報を教師情
報として未知の入力情報に対して近似解を想起する処理
が行なわれ、この想起によって診断が行なわれる。
ードのときと同様に、電力系統１００からの観測値に関
するデータが前処理装置２００に入力され、これらのデ
ータは前処理装置２００において処理されたあと神経回
路モデル入力データ作成装置３００へ出力される。そし
て神経回路モデル入力データ作成装置３００では前処理
装置２００から入力されたデータの中から特徴となるデ
ータを抽出する特徴抽出が行なわれる。特徴抽出によっ
て得られたデータは神経回路モデル４００に出力され、
神経回路モデル４００では、入力データを基に、電力系
統の系統構成に応じて適切な学習済の神経回路モデルが
選択されることになる。そして神経回路モデル入力デー
タ作成装置３００からのデータが神経回路モデル４００
の入力層に与えられると、特徴情報と指標情報を教師情
報として未知の入力情報に対して近似解を想起する処理
が行なわれ、この想起によって診断が行なわれる。
【００４４】ここで、神経回路モデル４００として、図
６に示されるような３相のラメルハート形神経回路モデ
ルを用いた場合、入力層２１には電力潮流条件として負
荷、発電機出力、ブランチ潮流などのデータが入力され
る。この場合本実施例では、あらかじめ電力系統１００
から入力される変数について特徴抽出を行ない、入力層
２１に入力される変数を少なくしている。更に中間層２
２は問題に応じてニューロン数を換えることとしてい
る。更に出力層２３として関数近似回路を用いており、
この回路では優勢固有値の実数部と虚数部が出力され
る。この優勢固有値の実数部は電力動揺に対する振幅の
減衰あるいは発散の程度を表わし、虚数部は減衰あるい
は発散に要する時間、つまり周波数を表わすようになっ
ている。また入力層２１と中間層２２にはしきい値２
５，２６が与えられている。
６に示されるような３相のラメルハート形神経回路モデ
ルを用いた場合、入力層２１には電力潮流条件として負
荷、発電機出力、ブランチ潮流などのデータが入力され
る。この場合本実施例では、あらかじめ電力系統１００
から入力される変数について特徴抽出を行ない、入力層
２１に入力される変数を少なくしている。更に中間層２
２は問題に応じてニューロン数を換えることとしてい
る。更に出力層２３として関数近似回路を用いており、
この回路では優勢固有値の実数部と虚数部が出力され
る。この優勢固有値の実数部は電力動揺に対する振幅の
減衰あるいは発散の程度を表わし、虚数部は減衰あるい
は発散に要する時間、つまり周波数を表わすようになっ
ている。また入力層２１と中間層２２にはしきい値２
５，２６が与えられている。
【００４５】神経回路モデル４００による想起が行なわ
れると、図７に示されるような神経モデル４００の想起
値が画像表示される。図７は、優勢固有値について、関
数近似回路で求めた値と真の値との誤差を示したもので
ある。そしてこの表示例では、発電機が２台のモデルを
想定しており、神経回路モデル４００の入力層２１には
特徴抽出を行なった発電機の出力と負荷の二つを選び、
中間層２２には４個を選び、出力層２３には優勢固有値
の実数部と虚数部の二つを選んだ場合が示されている。
更に、図７では、優勢固有値の実数部についての結果の
み、すなわち安定度についての結果のみが示されてい
る。そしてこの表示例では、表示データの数は２５個用
いられており、図の横軸は発電機の出力を、縦軸は次の
（３）で示されるＤを表わしている。
れると、図７に示されるような神経モデル４００の想起
値が画像表示される。図７は、優勢固有値について、関
数近似回路で求めた値と真の値との誤差を示したもので
ある。そしてこの表示例では、発電機が２台のモデルを
想定しており、神経回路モデル４００の入力層２１には
特徴抽出を行なった発電機の出力と負荷の二つを選び、
中間層２２には４個を選び、出力層２３には優勢固有値
の実数部と虚数部の二つを選んだ場合が示されている。
更に、図７では、優勢固有値の実数部についての結果の
み、すなわち安定度についての結果のみが示されてい
る。そしてこの表示例では、表示データの数は２５個用
いられており、図の横軸は発電機の出力を、縦軸は次の
（３）で示されるＤを表わしている。
【００４６】
【数３】
【００４７】また図７の特性のうち実線で接続されてい
るものは発電機出力が同じ値であることを示している。
るものは発電機出力が同じ値であることを示している。
【００４８】また同一の診断を線形回路である重回帰分
析のみで行なった場合には図８に示されるような診断結
果が得られた。図７及び図８から明らかなように、非線
形回路である神経回路モデル４００を用いた想起時の方
が重回帰分析の推定値より精度が高いことが理解され
る。具体的には平均で約６倍程度精度が高いことが確認
された。しかも、神経回路モデル４００では、最も誤差
の大きいケースでも１．５％以下である。
析のみで行なった場合には図８に示されるような診断結
果が得られた。図７及び図８から明らかなように、非線
形回路である神経回路モデル４００を用いた想起時の方
が重回帰分析の推定値より精度が高いことが理解され
る。具体的には平均で約６倍程度精度が高いことが確認
された。しかも、神経回路モデル４００では、最も誤差
の大きいケースでも１．５％以下である。
【００４９】また神経回路モデル４００による診断結果
は、図９に示されるように、優勢固有値の波形として定
量的に画像表示されるようになっている。図９では、表
示装置５００の画面を固有値平面とした例が示されてお
り、横軸が実数部を、縦軸が虚数部を表わしている。こ
の固有値平面上でｘ点に対応する電力系統において、ｔ
＝０で発生した微小な電力動揺が時間と共にどのように
振る舞うかの波形で示されている。固有値平面上での各
波形は横軸が時間を、縦軸が、例えば基準発電機に対す
る位相差を表わしている。そして各波形において実数部
が負の場合には電力動揺が時間と共に減衰するため安定
であり、しかも実数部が小さいほど減衰率が大きくな
る。また実数部が正の場合は、電力動揺は時間と共に大
きくなって発散するため、不安定であることが理解され
る。また実数部が零付近、つまり虚軸付近では電力動揺
は持続振動となる。更に虚数部の絶対値が小さいときに
は動揺の周期は長くなり、絶対値が大きくなると周期が
短くなることが理解される。
は、図９に示されるように、優勢固有値の波形として定
量的に画像表示されるようになっている。図９では、表
示装置５００の画面を固有値平面とした例が示されてお
り、横軸が実数部を、縦軸が虚数部を表わしている。こ
の固有値平面上でｘ点に対応する電力系統において、ｔ
＝０で発生した微小な電力動揺が時間と共にどのように
振る舞うかの波形で示されている。固有値平面上での各
波形は横軸が時間を、縦軸が、例えば基準発電機に対す
る位相差を表わしている。そして各波形において実数部
が負の場合には電力動揺が時間と共に減衰するため安定
であり、しかも実数部が小さいほど減衰率が大きくな
る。また実数部が正の場合は、電力動揺は時間と共に大
きくなって発散するため、不安定であることが理解され
る。また実数部が零付近、つまり虚軸付近では電力動揺
は持続振動となる。更に虚数部の絶対値が小さいときに
は動揺の周期は長くなり、絶対値が大きくなると周期が
短くなることが理解される。
【００５０】また神経回路モデル入力データ作成装置３
００と神経回路モデル４００として図１０に示されるよ
うな構成を採用することができる。すなわち、系統構
成、機器、制御定数などの二値のパラメータに関する情
報を、線形性を示す変数Ｐｒと非線形性を示す変数Ｐｎ
とに分離する前段部回路３０１を設け、線形性を示す変
数Ｐｒを線形部分回路４２０で分析し、非線形性を示す
変数Ｐｎを非線形性部分回路４３０で分析し、各回路の
出力λｒ、λｎを評価回路４４０で評価し、評価回路４
４０から想起出力λを発生させるようにしたものであ
る。具体的には、出力である優勢固有値λを規定してい
る変数Ｐに対して、前段部回路３０１において線形性を
示す変数Ｐｒと非線形性を示す変数Ｐｎに分離する。こ
れら変数Ｐｒは線形部分回路４２２、変数Ｐｎは非線形
部分回路４３０に分散入力される。線形部分回路４２０
で重回帰分析を用い、非線形部分回路４３０に神経回路
モデルを用いる。そして線形部分回路４２０の出力λｒ
及び非線形部分回路４３０の出力λｎがそれぞれ評価回
路４４０に入力され、各出力を基に評価が行なわれ、評
価回路４４０からは最終的な想起出力として優勢固有値
λが出力される。このように、変数Ｐを分散して入力
し、線形部分の変数と非線形部分の変数を別々に分析し
て処理するようにしたため、変数Ｐに変数Ｐｒと変数Ｐ
ｎに関する情報が含まれていても、診断の効率を高める
ことができ、診断の精度を高めることができると共に診
断時間を短縮することができる。
００と神経回路モデル４００として図１０に示されるよ
うな構成を採用することができる。すなわち、系統構
成、機器、制御定数などの二値のパラメータに関する情
報を、線形性を示す変数Ｐｒと非線形性を示す変数Ｐｎ
とに分離する前段部回路３０１を設け、線形性を示す変
数Ｐｒを線形部分回路４２０で分析し、非線形性を示す
変数Ｐｎを非線形性部分回路４３０で分析し、各回路の
出力λｒ、λｎを評価回路４４０で評価し、評価回路４
４０から想起出力λを発生させるようにしたものであ
る。具体的には、出力である優勢固有値λを規定してい
る変数Ｐに対して、前段部回路３０１において線形性を
示す変数Ｐｒと非線形性を示す変数Ｐｎに分離する。こ
れら変数Ｐｒは線形部分回路４２２、変数Ｐｎは非線形
部分回路４３０に分散入力される。線形部分回路４２０
で重回帰分析を用い、非線形部分回路４３０に神経回路
モデルを用いる。そして線形部分回路４２０の出力λｒ
及び非線形部分回路４３０の出力λｎがそれぞれ評価回
路４４０に入力され、各出力を基に評価が行なわれ、評
価回路４４０からは最終的な想起出力として優勢固有値
λが出力される。このように、変数Ｐを分散して入力
し、線形部分の変数と非線形部分の変数を別々に分析し
て処理するようにしたため、変数Ｐに変数Ｐｒと変数Ｐ
ｎに関する情報が含まれていても、診断の効率を高める
ことができ、診断の精度を高めることができると共に診
断時間を短縮することができる。
【００５１】図１１には、複数の関数近似回路を組み合
わせたときのシステム構成が示されている。
わせたときのシステム構成が示されている。
【００５２】本実施例では、３個の神経回路モデル４１
１，４１２，４１３を並列接続して各神経回路モデルの
出力を診断評価回路４５０に接続したものである。すな
わち、本実施例では、系統構成、機器、制御定数などの
未知のパラメータに関する情報の中から１種類または２
種類以上の情報を各神経回路モデル４１１，４１２，４
１３の関数近似回路に入力し、これらの関数近似回路の
出力の多数決または最大値、最小値、中間値などの出力
を参照して電力系統の安定性を診断評価回路４５０で予
測するようにしたものである。この場合各神経回路モデ
ルの関数近似回路の特性は異なっていても診断を予測す
ることができ、各神経回路モデル４１１，４１２，４１
３から診断評価回路４５０にそれぞれｖａｌｕｅ１，ｖ
ａｌｕｅ２，ｖａｌｕｅ３が入力されている。そして診
断評価回路４５０では、各神経回路モデルからの入力さ
れた情報の多数決、最大値、中間値、平均などを基に新
たな出力値を求めて電力系統の安定性を予測するように
なっている。また診断評価回路４５０として、神経回路
モデルやファジー推論を用いた回路で構成することも可
能であり、このような構成を採用すれば、最も厳しい結
果の神経回路モデルを用いることによりシステムの信頼
性を高めることができる。
１，４１２，４１３を並列接続して各神経回路モデルの
出力を診断評価回路４５０に接続したものである。すな
わち、本実施例では、系統構成、機器、制御定数などの
未知のパラメータに関する情報の中から１種類または２
種類以上の情報を各神経回路モデル４１１，４１２，４
１３の関数近似回路に入力し、これらの関数近似回路の
出力の多数決または最大値、最小値、中間値などの出力
を参照して電力系統の安定性を診断評価回路４５０で予
測するようにしたものである。この場合各神経回路モデ
ルの関数近似回路の特性は異なっていても診断を予測す
ることができ、各神経回路モデル４１１，４１２，４１
３から診断評価回路４５０にそれぞれｖａｌｕｅ１，ｖ
ａｌｕｅ２，ｖａｌｕｅ３が入力されている。そして診
断評価回路４５０では、各神経回路モデルからの入力さ
れた情報の多数決、最大値、中間値、平均などを基に新
たな出力値を求めて電力系統の安定性を予測するように
なっている。また診断評価回路４５０として、神経回路
モデルやファジー推論を用いた回路で構成することも可
能であり、このような構成を採用すれば、最も厳しい結
果の神経回路モデルを用いることによりシステムの信頼
性を高めることができる。
【００５３】
【発明の効果】以上説明したように、本発明によれば、
電力系統の安定性を診断するに際して、神経回路モデル
を用い、神経回路モデルに特徴情報を入力するようにし
たため、神経回路モデルによる学習時間を短縮すること
ができると共に収束を容易にすることができ、診断の高
速化が可能となる。また神経回路モデルを用いてあらか
じめ学習するようにしているため、診断をより高速に行
なうことができる。更に診断結果として優勢固有値を用
いているため、定量的な診断ができると共に電力動揺の
時間的な振る舞いを把握することができる。
電力系統の安定性を診断するに際して、神経回路モデル
を用い、神経回路モデルに特徴情報を入力するようにし
たため、神経回路モデルによる学習時間を短縮すること
ができると共に収束を容易にすることができ、診断の高
速化が可能となる。また神経回路モデルを用いてあらか
じめ学習するようにしているため、診断をより高速に行
なうことができる。更に診断結果として優勢固有値を用
いているため、定量的な診断ができると共に電力動揺の
時間的な振る舞いを把握することができる。
【図１】本発明に係る電力系統の安定性診断装置の学習
モードにおける処理を説明するための構成図。
モードにおける処理を説明するための構成図。
【図２】本発明に係る電力系統の安定性診断装置の診断
モードにおける処理を説明するための図。
モードにおける処理を説明するための図。
【図３】本発明に係る装置の全体構成図。
【図４】問題と救解プロセスとの関係を説明するための
図。
図。
【図５】神経回路モデルの構成説明図。
【図６】神経回路モデルの具体的構成図。
【図７】神経回路モデルの想起値の特性図。
【図８】重回帰分析の推定値を示す特性図。
【図９】優勢固有値の波形図。
【図１０】本発明の他の実施例を示す要部構成図。
【図１１】本発明の応用例を示す構成図。
１０ 電力系統の安定性診断装置
３１ 演算装置
１００ 電力系統
２００ 前処理装置
３００ 神経回路モデル入力データ作成装置
４００ 神経回路モデル
５００ 表示装置
６００ 入力装置
７００ 優勢固有値救解装置
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 田村 滋
茨城県日立市久慈町4026番地 株式会社日
立製作所日立研究所内
(72)発明者 真鳥 岩男
茨城県日立市国分町１丁目１番１号 株式
会社日立製作所国分工場内
Claims (16)
- 【請求項１】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に電力系統の安定性の度合いを示す指標情
報を生成し、特徴情報と指標情報を教師情報として神経
回路モデルによる学習を行い、この学習で得られた神経
回路モデルに従って未学習の特徴情報を分析し、この分
析により電力系統の安定性に関する情報を定量的に求め
る電力系統の安定性診断方法。 - 【請求項２】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に微小外乱に対して電力系統の動きを支配
する優勢固有値に関する指標情報を生成し、特徴情報と
指標情報を教師情報として神経回路モデルによる学習を
行い、この学習で得られた神経回路モデルに従って未学
習の特徴情報を分析し、この分析により電力系統の安定
性に関する情報を定量的に求める電力系統の安定性診断
方法。 - 【請求項３】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に微小外乱に対して電力系統の動きを支配
する優勢固有値に関する指標情報を生成し、特徴情報と
指標情報を教師情報として神経回路モデルによる学習を
行い、この学習で得られた神経回路モデルに従って未学
習の特徴情報を分析し、この分析により電力系統の安定
性に関する情報として優勢固有値の実数部と虚数部の情
報を求める電力系統の安定性診断方法。 - 【請求項４】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に微小外乱に対して電力系統の動きを支配
する優勢固有値に関する指標情報を生成し、特徴情報と
指標情報を教師情報として神経回路モデルによる学習を
行い、この学習で得られた神経回路モデルに従って未学
習の特徴情報を分析し、この分析により電力系統の安定
性に関する情報として電力動揺に対する振幅の減衰ある
いは発散の程度を示す情報と電力動揺に対する振幅の減
衰あるいは発散に要する時間を示す情報を求める電力系
統の安定性診断方法。 - 【請求項５】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から微小外乱に対して電力
系統の動きを支配する優勢固有値に関する指標情報を生
成すると共に入力情報を線形性の状態量を含む入力情報
と非線形性の状態量を含む入力情報とに分離し、非線形
性の状態量を含む入力情報から特徴となる特徴情報を抽
出し、特徴情報と指標情報を教師情報として神経回路モ
デルによる学習を行い、この学習で得られた神経回路モ
デルに従って未学習の特徴情報を分析し、この分析によ
り電力系統の安定性に関する情報として電力動揺に対す
る振幅の減衰あるいは発散の程度を示す情報と電力動揺
に対する振幅の減衰あるいは発散に要する時間を示す情
報を求める電力系統の安定性診断方法。 - 【請求項６】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から微小外乱に対して電力
系統の動きを支配する固有値のうち電力動揺の振動周期
が長く振幅の減衰項の小さい優勢固有値に関する指標情
報を生成すると共に入力情報を線形性の状態量を含む入
力情報と非線形性の状態量を含む入力情報とに分離し、
非線形性の状態量を含む入力情報から特徴となる特徴情
報を抽出し、特徴情報と指標情報を教師情報として神経
回路モデルによる学習を行い、この学習で得られた神経
回路モデルに従って未学習の特徴情報を分析し、この分
析により電力系統の安定性に関する情報として電力動揺
に対する振幅の減衰あるいは発散の程度を示す情報と電
力動揺に対する振幅の減衰あるいは発散に要する時間を
示す情報を求める電力系統の安定性診断方法。 - 【請求項７】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に電力系統の安定性の度合いを示す指標情
報を生成し、特徴情報と指標情報を教師情報として未知
の入力情報に対して近似解を想起する学習により得られ
た神経回路モデルに従って未学習の特徴情報を分析し、
この分析により電力系統の安定性に関する情報を定量的
に求める電力系統の安定性診断方法。 - 【請求項８】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に微小外乱に対して電力系統の動きを支配
する優勢固有値に関する指標情報を生成し、特徴情報と
指標情報を教師情報として未知の入力情報に対して近似
解を想起する学習により得られた神経回路モデルに従っ
て未学習の特徴情報を分析し、この分析により電力系統
の安定性に関する情報を定量的に求める電力系統の安定
性診断方法。 - 【請求項９】 電力系統から電力系統の状態量に関する
情報を入力し、この入力情報から特徴となる特徴情報を
抽出すると共に微小外乱に対して電力系統の動きを支配
する優勢固有値に関する指標情報を生成し、特徴情報と
指標情報を教師情報として未知の入力情報に対して近似
解を想起する学習により得られた神経回路モデルに従っ
て未学習の特徴情報を分析し、この分析により電力系統
の安定性に関する情報として優勢固有値の実数部と虚数
部の情報を求める電力系統の安定性診断方法。 - 【請求項１０】 電力系統から電力系統の状態量に関す
る情報を入力し、この入力情報から特徴となる特徴情報
を抽出すると共に微小外乱に対して電力系統の動きを支
配する優勢固有値に関する指標情報を生成し、特徴情報
と指標情報を教師情報として未知の入力情報に対して近
似解を想起する学習により得られた神経回路モデルに従
って未学習の特徴情報を分析し、この分析により電力系
統の安定性に関する情報として電力動揺に対する振幅の
減衰あるいは発散の程度を示す情報と電力動揺に対する
振幅の減衰あるいは発散に要する時間を示す情報を求め
る電力系統の安定性診断方法。 - 【請求項１１】 電力系統から電力系統の状態量に関す
る情報を入力し、この入力情報から微小外乱に対して電
力系統の動きを支配する優勢固有値に関する指標情報を
生成すると共に入力情報を線形性の状態量を含む入力情
報と非線形性の状態量を含む入力情報とに分離し、非線
形性の状態量を含む入力情報から特徴となる特徴情報を
抽出し、特徴情報と指標情報を教師情報として未知の入
力情報に対して近似解を想起する学習により得られた神
経回路モデルに従って未学習の特徴情報を分析し、この
分析により電力系統の安定性に関する情報として電力動
揺に対する振幅の減衰あるいは発散の程度を示す情報と
電力動揺に対する振幅の減衰あるいは発散に要する時間
を示す情報を求める電力系統の安定性診断方法。 - 【請求項１２】 電力系統から電力系統の状態量に関す
る情報を入力し、この入力情報から微小外乱に対して電
力系統の動きを支配する固有値のうち電力動揺の振動周
期が長く振幅の減衰項の小さい優勢固有値に関する指標
情報を生成すると共に入力情報を線形性の状態量を含む
入力情報と非線形性の状態量を含む入力情報とに分離
し、非線形性の状態量を含む入力情報から特徴となる特
徴情報を抽出し、特徴情報と指標情報を教師情報として
未知の入力情報に対して近似解を想起する学習により得
られた神経回路モデルに従って未学習の特徴情報を分析
し、この分析により電力系統の安定性に関する情報とし
て電力動揺に対する振幅の減衰あるいは発散の程度を示
す情報と電力動揺に対する振幅の減衰あるいは発散に要
する時間を示す情報を求める電力系統の安定性診断方
法。 - 【請求項１３】 電力系統から電力系統の状態量に関す
る情報を入力する情報入力手段と、情報入力手段の入力
情報から特徴情報を抽出する特徴抽出手段と、情報入力
手段の入力情報を基に微小外乱に対して電力系統の動き
を支配する優勢固有値に関する指標情報を生成する指標
情報生成手段と、特徴抽出手段の抽出による特徴情報と
指標情報生成手段の生成による指標情報を教師情報とし
て未知の入力情報に対して近似解を想起する神経回路モ
デルを生成する回路モデル生成手段と、回路モデル生成
手段の生成による神経回路モデルに従って未学習の特徴
情報を分析して電力系統の安定性に関する情報として電
力動揺に対する振幅の減衰あるいは発散の程度を示す情
報と電力動揺に対する振幅の減衰あるいは発散に要する
時間を示す情報を算出する情報算出手段とを有する電力
系統の安定性診断装置。 - 【請求項１４】 電力系統から電力系統の状態量に関す
る情報を入力する情報入力手段と、情報入力手段の入力
情報から特徴情報を抽出する特徴抽出手段と、情報入力
手段の入力情報を基に微小外乱に対して電力系統の動き
を支配する固有値のうち電力動揺の振動周期が長く振幅
の減衰項の小さい優勢固有値に関する指標情報を生成す
る指標情報生成手段と、特徴抽出手段の抽出による特徴
情報と指標情報生成手段の生成による指標情報を教師情
報として未知の入力情報に対して近似解を想起する神経
回路モデルを生成する回路モデル生成手段と、回路モデ
ル生成手段の生成による神経回路モデルに従って未学習
の特徴情報を分析して電力系統の安定性に関する情報と
して電力動揺に対する振幅の減衰あるいは発散の程度を
示す情報と電力動揺に対する振幅の減衰あるいは発散に
要する時間を示す情報を算出する情報算出手段とを有す
る電力系統の安定性診断装置。 - 【請求項１５】 電力系統から電力系統の状態量に関す
る情報を入力する情報入力手段と、情報入力手段の入力
情報を線形性の状態量を含む情報と非線形性の状態量を
含む情報とに分離する情報分離手段と、情報分離手段に
より分離された情報のうち非線形性の状態量を含む情報
から特徴情報を抽出する特徴抽出手段と、情報入力手段
の入力情報を基に微小外乱に対して電力系統の動きを支
配する固有値のうち電力動揺の振動周期が長く振幅の減
衰項の小さい優勢固有値に関する指標情報を生成する指
標情報生成手段と、特徴抽出手段の抽出による特徴情報
と指標情報生成手段の生成による指標情報を教師情報と
して未知の入力情報に対して近似解を想起する神経回路
モデルを生成する回路モデル生成手段と、回路モデル生
成手段の生成による神経回路モデルに従って未学習の特
徴情報を分析して電力系統の安定性に関する情報として
電力動揺に対する振幅の減衰あるいは発散の程度を示す
情報と電力動揺に対する振幅の減衰あるいは発散に要す
る時間を示す情報を算出する情報算出手段とを有する電
力系統の安定性診断装置。 - 【請求項１６】 回路モデル生成手段と情報算出手段を
それぞれ複数個備え、各情報算出手段の算出結果を評価
する情報評価手段を有する請求項１３、１４または１５
に記載の電力系統の安定性診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3157096A JPH0515066A (ja) | 1991-06-27 | 1991-06-27 | 電力系統の安定性診断方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3157096A JPH0515066A (ja) | 1991-06-27 | 1991-06-27 | 電力系統の安定性診断方法及びその装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0515066A true JPH0515066A (ja) | 1993-01-22 |
Family
ID=15642163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3157096A Pending JPH0515066A (ja) | 1991-06-27 | 1991-06-27 | 電力系統の安定性診断方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0515066A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004532600A (ja) * | 2001-06-22 | 2004-10-21 | サイメトリックス、リミテッド | 送電に関する改良 |
| JP2006101619A (ja) * | 2004-09-29 | 2006-04-13 | Hitachi Ltd | 電力系統の安定度診断装置、電力系統安定化装置および電力系統縮約支援装置 |
| JP2015080400A (ja) * | 2013-10-16 | 2015-04-23 | ゼネラル・エレクトリック・カンパニイ | 送電システムにおける振動安定性を分析するためのシステムおよび方法 |
-
1991
- 1991-06-27 JP JP3157096A patent/JPH0515066A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004532600A (ja) * | 2001-06-22 | 2004-10-21 | サイメトリックス、リミテッド | 送電に関する改良 |
| JP2006101619A (ja) * | 2004-09-29 | 2006-04-13 | Hitachi Ltd | 電力系統の安定度診断装置、電力系統安定化装置および電力系統縮約支援装置 |
| JP2015080400A (ja) * | 2013-10-16 | 2015-04-23 | ゼネラル・エレクトリック・カンパニイ | 送電システムにおける振動安定性を分析するためのシステムおよび方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
| CN106815642B (zh) | 机械学习装置及方法以及电动机控制装置 | |
| El-Keib et al. | Application of artificial neural networks in voltage stability assessment | |
| DE102016012463B4 (de) | Maschinelle Lernvorrichtung und Verfahren zum Lernen der voraussichtlichen Lebensdauer eines Leistungsgeräts sowie Lebensdauer-Vorhersagevorrichtung und Motorantriebsvorrichtung umfassend die maschinelle Lernvorrichtung | |
| Hu et al. | Computational modeling of the dynamics of human trust during human–machine interactions | |
| CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
| Beintema et al. | Nonlinear state-space identification using deep encoder networks | |
| CN110417005B (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
| EP3422517A1 (en) | A method for recognizing contingencies in a power supply network | |
| Najeh et al. | Input fault detection and estimation using PI observer based on the ARX-Laguerre model | |
| Shannon | Tests for the verification and validation of computer simulation models | |
| CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
| Wang | Data mining in functional test content optimization | |
| Chairez | Wavelet differential neural network observer | |
| Feit et al. | Explaining online reinforcement learning decisions of self-adaptive systems | |
| Shukla et al. | Deep learning techniques for transmission line fault classification–A comparative study | |
| JPH0515066A (ja) | 電力系統の安定性診断方法及びその装置 | |
| JPH10143343A (ja) | 連想型プラント異常診断装置 | |
| Salim et al. | Data-driven H_infinity Controller/Detector Design for a Quadruple Tank Process | |
| Das et al. | Noisy recurrent neural networks: the continuous-time case | |
| CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
| Zambonin et al. | Soft sensors for estimating laundry weight in household heat pump tumble dryers | |
| Khadse et al. | Three phase power quality disturbance detection and classification by SCGB Neural Network | |
| Gopinath et al. | Scalable fault models for diagnosis in a synchronous generator using feature mapping and transformation techniques | |
| Trapp et al. | Data-driven spectral damage estimator for non-stationary vibration loading |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040302 |
|
| A521 | Written amendment |
Effective date: 20040427 Free format text: JAPANESE INTERMEDIATE CODE: A523 |
|
| 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: 20040706 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040721 |
|
| R150 | Certificate of patent (=grant) or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 3 Free format text: PAYMENT UNTIL: 20070730 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 4 Free format text: PAYMENT UNTIL: 20080730 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 5 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 5 Free format text: PAYMENT UNTIL: 20090730 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 5 Free format text: PAYMENT UNTIL: 20090730 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120730 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 8 Free format text: PAYMENT UNTIL: 20120730 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130730 Year of fee payment: 9 |