JPH05250593A - Accident cause estimation system - Google Patents
Accident cause estimation systemInfo
- Publication number
- JPH05250593A JPH05250593A JP4676692A JP4676692A JPH05250593A JP H05250593 A JPH05250593 A JP H05250593A JP 4676692 A JP4676692 A JP 4676692A JP 4676692 A JP4676692 A JP 4676692A JP H05250593 A JPH05250593 A JP H05250593A
- Authority
- JP
- Japan
- Prior art keywords
- accident
- information
- cause
- past
- accident information
- 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
Abstract
Description
【０００１】[0001]
【産業上の利用分野】この発明は、電力系統の事故時に
おける事故原因を推定する事故原因推定装置に関するも
のである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an accident cause estimating device for estimating the cause of an accident in a power system accident.
【０００２】[0002]
【従来の技術】従来は、事故情報から事故原因を推定す
る装置はなく、運転員（人間系）の経験的判断にのみ委
ねられていた。図６は運転員が事故の推定を行うアルゴ
リズムを示す例図であり、図において、１は電力系統で
事故が発生したときに得られる事故情報（例えば、季
節，時刻，天候，Ｒｙ種別，事故箇所等）、２は運転員
（人間系）、３は運転員２が事故の推定を行う判断アル
ゴリズム例である。2. Description of the Related Art Conventionally, there is no device for estimating the cause of an accident from accident information, and it has been entrusted only to the empirical judgment of an operator (human system). FIG. 6 is an example diagram showing an algorithm for estimating an accident by an operator. In the figure, 1 is accident information obtained when an accident occurs in a power system (for example, season, time, weather, Ry type, accident). 2) is an operator (human system), 3 is an example of a determination algorithm by which the operator 2 estimates an accident.
【０００３】次に動作について説明する。まず、運転員
２は電力系統で事故が生じた場合事故情報を得ることに
より、判断アルゴリズム例３に従って事故原因を推定す
るものである。例えば、天候が雪で、風力が弱風である
という事故情報が得られた場合には、事故原因はスリー
トジャンプであると推定するものである。Next, the operation will be described. First, the operator 2 estimates the cause of the accident according to the determination algorithm example 3 by obtaining the accident information when an accident occurs in the electric power system. For example, if the accident information that the weather is snow and the wind power is weak is obtained, it is estimated that the cause of the accident is a three jump.
【０００４】[0004]
【発明が解決しようとする課題】従来の事故原因の推定
は以上のように構成されているので、事故原因の推定は
運転員が判断しなければならず、一方、その判断は経験
的なものであるため各運転員によって判断基準が異なる
とともに、事故原因の違いによる事故情報の特徴が顕著
に現れる場合が少なく、また事故原因の推定に必要な全
ての事故情報が得られるとは限らないため事故原因を正
確に推定できないなどの問題点があった。Since the conventional estimation of the cause of the accident is configured as described above, the operator must judge the estimation of the cause of the accident, while the judgment is empirical. Therefore, each operator has different judgment criteria, and the characteristics of accident information due to different accident causes rarely appear conspicuously, and not all accident information necessary for estimating the cause of an accident can be obtained. There was a problem that the cause of the accident could not be accurately estimated.
【０００５】この発明は上記のような問題点を解消する
ためになされたもので、事故原因の推定にニューラルネ
ットを適用することにより、事故情報が欠損した場合等
でも正確に事故原因を推定できる事故原因推定装置を得
ることを目的とする。The present invention has been made to solve the above problems, and by applying a neural network to the estimation of the cause of an accident, the cause of the accident can be accurately estimated even when accident information is lost. The purpose is to obtain an accident cause estimation device.
【０００６】[0006]
【課題を解決するための手段】この発明に係る事故原因
推定装置は、情報入力部により入力された事故情報が、
記憶部に記憶されている過去に発生した事故の事故情報
の中で一致するものがあるか否かを判定し、一致するも
のがあればニューラルネットの学習を行って一致した過
去の事故の事故情報に対応する事故原因を今回の事故の
事故原因と推定し、一致するものがなければ過去の事故
の事故情報と今回の事故の事故情報とのパターンマッチ
ングをするニューラルネットの学習を行い、最も類似度
の高い過去の事故の事故情報に対応する事故原因を今回
の事故の事故原因と推定するとともに、上記記憶部にそ
の推定結果を学習則として記憶させる推定部を設けたも
のである。In the accident cause estimating apparatus according to the present invention, the accident information input by the information input unit is
The accident information of past accidents stored in the storage unit is checked to see if there is a match, and if there is a match, the neural network is trained to learn the accidents of the past accident. It presumes that the accident cause corresponding to the information is the accident cause of this accident, and if there is no match, learns the neural network that performs pattern matching between the accident information of the past accident and the accident information of this accident. An accident cause corresponding to accident information of a past accident having a high degree of similarity is estimated to be the accident cause of this accident, and an estimation unit for storing the estimation result in the storage unit as a learning rule is provided.
【０００７】[0007]
【作用】この発明における事故原因推定装置は、ニュー
ラルネットの学習を行う推定部を設けたことにより、今
回入力した事故情報にデータの欠損がある場合には、そ
の事故情報と最も類似度の高い過去の事故の事故情報に
対応する事故原因を今回の事故の事故原因と推定され
る。In the accident cause estimating apparatus according to the present invention, since the estimating unit for learning the neural network is provided, when the accident information input this time has a missing data, the accident information having the highest similarity to the accident information is obtained. The cause of the accident corresponding to the accident information of the past accident is presumed to be the cause of this accident.
【０００８】[0008]
実施例１．以下、この発明の一実施例を図について説明
する。図１はこの発明の一実施例による事故原因推定装
置を示す構成図であり、図において、４は電力系統で事
故が発生したときに事故情報を入力する情報入力部、５
は過去に発生した事故の事故情報及びその事故情報に対
応する事故原因を記憶する記憶部である。Example 1. An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a configuration diagram showing an accident cause estimating apparatus according to an embodiment of the present invention. In the figure, 4 is an information input unit for inputting accident information when an accident occurs in a power system, 5
Is a storage unit that stores accident information of accidents that occurred in the past and accident causes corresponding to the accident information.
【０００９】６は情報入力部４により入力された事故情
報が、記憶部５に記憶されている過去に発生した事故の
事故情報の中で一致するものがあるか否かを判定し、一
致するものがあればニューラルネットの学習を行って一
致した過去の事故の事故情報に対応する事故原因を今回
の事故の事故原因と推定し、一致するものがなければ過
去の事故の事故情報と今回の事故の事故情報とのパター
ンマッチングをするニューラルネットの学習を行い、最
も類似度の高い過去の事故の事故情報に対応する事故原
因を今回の事故の事故原因と推定するとともに、記憶部
５にその推定結果を学習則として記憶させる推定部、７
は推定部６により推定された事故原因を出力する出力部
である。Reference numeral 6 determines whether or not the accident information input by the information input unit 4 is the same as the accident information of the accidents that occurred in the past and is stored in the storage unit 5. If there is something, the neural network is learned and the accident cause corresponding to the accident information of the past accident that matches is estimated as the accident cause of this accident.If there is no match, the accident information of the past accident and this accident information The neural network that performs pattern matching with the accident information of the accident is learned, and the accident cause corresponding to the accident information of the past accident with the highest degree of similarity is estimated to be the accident cause of this accident and stored in the storage unit 5. An estimation unit that stores the estimation result as a learning rule, 7
Is an output unit that outputs the cause of the accident estimated by the estimation unit 6.
【００１０】次に動作について説明する。まず、電力系
統で事故が発生したとき、情報入力部４が事故情報を入
力する。事故情報としては、例えば下記に示すものがあ
り、その項目に該当するならば“１”、該当しないなら
ば“０”の値が与えられる。Next, the operation will be described. First, when an accident occurs in the power system, the information input unit 4 inputs the accident information. The accident information includes, for example, those shown below. If the item corresponds, a value of "1" is given, and if not, a value of "0" is given.
【００１１】 ・季節が 「春」 （３〜６月） 「夏」 （７〜９月） 「秋」 （10〜12月） 「冬」 （１〜３月） ・時刻が 「明け方」 （４〜７時） 「日中」 （７〜16時） 「夕方」 （16〜18時） 「夜」 （18〜４時） ・天候が 「晴」 「曇」 「雨」 「雪」 「雷」 「強風」 ・電圧階級が 「２７５ＫＶ」 「１５４ＫＶ」 「７７ＫＶ以下」 ・Ｒｙ種別が「短絡」 「地絡」 ・事故相数が「１相」 「２相以上」 ・電線が 「太サイズ」（４００mm2 以上） 「細サイズ」（２００mm2 以下） ・事故相に 「下線を含む」 「下線を含まない」 ・事故相に 「中線を含む」 「中線を含まない」 ・地形が 「平地」 「山間部」 「河川」 計３０項目-The season is "Spring" (March to June) "Summer" (July to September) "Autumn" (October to December) "Winter" (March to March) ・ The time is "Dawn" (4 ~ 7: 00) "Daytime" (7-16) "Evening" (16-18) "Night" (18-4) ・ The weather is "clear""cloudy""rain""snow""lightning""Highwind" -Voltage class is "275KV""154KV""77KV or less" -Ry type is "short circuit""groundfault" -Number of accident phases is "1 phase""2 phases or more" -Wire is "thick size" ( 400 mm 2 or more) "Small size" (200 mm 2 or less) -Accident phase "includes underline""Does not include underline" -Accident phase "includes midline""Does not include midline" -Topography is "flat "Mountain area""River" 30 items in total
【００１２】次に、推定部６にて、情報入力部４により
入力された事故情報が、図２に示すように、記憶部５に
記憶されている過去に発生した事故の事故情報の中で一
致するものがあるか否かを判定する。そして、推定部６
では、その判定結果に応じてニューラルネットの学習を
行って事故原因を推定する（詳細は後述する）。Next, in the estimation unit 6, the accident information input by the information input unit 4 is included in the accident information of past accidents stored in the storage unit 5 as shown in FIG. Determine if there is a match. Then, the estimation unit 6
Then, the cause of the accident is estimated by learning the neural network according to the judgment result (details will be described later).
【００１３】ニューラルネットの構造としては、入力
層，中間層，出力層からなる３層構造のニューラルネッ
トを用い、学習則としては、実用性の高いバックプロパ
ゲーション則を用いている。「バックプロパゲーション
則」とは、既知である入力値と出力値の組（学習デー
タ）を基に、各層のニューロンを結ぶ結合重み（ウエイ
ト）を適切な値に調整していくことにより学習を行うも
のである。As the structure of the neural network, a neural network having a three-layer structure including an input layer, an intermediate layer, and an output layer is used, and as a learning rule, a highly practical back propagation rule is used. The "back propagation rule" is based on a known set of input value and output value (learning data), and adjusts the connection weight (weight) connecting the neurons of each layer to an appropriate value for learning. It is something to do.
【００１４】次に、推定部６における事故原因の推定に
ついて詳述する。なお、説明を容易にするために、事故
情報としては、天候に関する情報、即ち、「晴」，
「雨」，「雪」，「雷」，「強風」の情報のみで推定
し、故障原因としては、「ギャロッピング」，「スリー
トジャンプ」，「雷撃」，「その他」が考えられるもの
とする。Next, the estimation of the cause of the accident in the estimation unit 6 will be described in detail. In addition, in order to facilitate the explanation, as the accident information, information about weather, that is, "clear",
It is assumed that only the information of "rain", "snow", "thunder", and "strong wind" is estimated, and the cause of failure may be "galloping", "three jump", "thunderbolt", and "other".
【００１５】情報入力部４に入力された事故情報が、例
えば、「晴」→０，「雨」→１，「雪」→「０」，
「雷」→１，「強風」→「０」である場合には、この事
故情報と一致する過去の事故情報が記憶部５に記憶され
ているので、一致した過去の事故情報に対応する事故原
因が今回の事故の事故原因であるとニューラルネットの
学習によって推定し（図４参照）、出力層から「００１
０」を出力する。ここで、「００１０」は、図２に示す
ように、「雷撃」が事故原因である旨を示す。The accident information input to the information input section 4 is, for example, “fine” → 0, “rain” → 1, “snow” → “0”,
When “thunder” → 1, “strong wind” → “0”, the past accident information that matches this accident information is stored in the storage unit 5, so an accident corresponding to the matched past accident information The cause is estimated to be the cause of this accident by learning the neural network (see Fig. 4), and "001
0 "is output. Here, "0010" indicates that "lightning strike" is the cause of the accident, as shown in FIG.
【００１６】また、情報入力部４に入力された事故情報
が、例えば、「晴」→０，「雪」→０，「雷」→１，
「強風」→０，「雨」→欠損（データなし）である場合
には、この事故情報と一致する過去の事故情報が記憶部
５には記憶されていないので、ニューラルネットの学習
によって、過去の事故の事故情報と今回の事故の事故情
報とのパターンマッチングを行い、最も類似度の高い過
去の事故の事故情報に対応する事故原因を今回の事故の
事故原因と推定する（図５参照）。この例では、事故情
報の一つである「雷」が“１”となっているのは、図２
に示すように、事故原因が「雷撃」の場合だけであるの
で、この「雷撃」に係る事故情報が最も類似度が高いと
判断し、「雷撃」を今回の事故の事故原因と推定する。
なお、その推定結果は次回の事故原因の推定の際に利用
させるべく、図３に示すように、記憶部５に学習則とし
て記憶させる。Further, the accident information input to the information input section 4 is, for example, “fine” → 0, “snow” → 0, “thunder” → 1,
When “strong wind” → 0 and “rain” → missing (no data), the past accident information that matches this accident information is not stored in the storage unit 5, and thus the past is obtained by learning the neural network. Pattern matching is performed between the accident information of this accident and the accident information of this accident, and the accident cause corresponding to the accident information of the past accident with the highest similarity is estimated to be the accident cause of this accident (see Fig. 5). .. In this example, the fact that "thunder" which is one of the accident information is "1" is shown in FIG.
As shown in, since the accident cause is only “lightning stroke”, it is determined that the accident information related to this “lightning stroke” has the highest degree of similarity, and the “lightning stroke” is presumed to be the accident cause of this accident.
The estimation result is stored as a learning rule in the storage unit 5 as shown in FIG. 3 so as to be used in the next estimation of the cause of the accident.
【００１７】上記の如く、推定部６により推定された事
故原因は出力部７を介して出力され、ＣＲＴ等に表示さ
れる。As described above, the cause of the accident estimated by the estimating unit 6 is output via the output unit 7 and displayed on the CRT or the like.
【００１８】実施例２．なお、上記実施例では、電力系
統において事故が発生したときに、その事故の発生原因
を推定する場合について説明したが、その事故設備に試
充電を行うか否かの判断を推定するようにしてもよく、
上記実施例１と同様の効果を奏する。Example 2. In the above embodiment, when an accident occurs in the electric power system, the case of estimating the cause of the accident has been described. Well,
The same effect as that of the first embodiment is obtained.
【００１９】[0019]
【発明の効果】以上のように、この発明によれば情報入
力部により入力された事故情報が、記憶部に記憶されて
いる過去に発生した事故の事故情報の中で一致するもの
があるか否かを判定し、一致するものがあればニューラ
ルネットの学習を行って一致した過去の事故の事故情報
に対応する事故原因を今回の事故の事故原因と推定し、
一致するものがなければ過去の事故の事故情報と今回の
事故の事故情報とのパターンマッチングをするニューラ
ルネットの学習を行い、最も類似度の高い過去の事故の
事故情報に対応する事故原因を今回の事故の事故原因と
推定するとともに、上記記憶部にその推定結果を学習則
として記憶させるように構成したので、事故原因の推定
に必要な全ての事故情報が得られない場合でも事故原因
が正確に推定できるなどの効果がある。As described above, according to the present invention, does the accident information input by the information input unit match among the accident information of past accidents stored in the storage unit? It is determined whether or not there is a match, and if there is a match, the neural network is learned and the cause of the accident corresponding to the accident information of the matched past accident is estimated as the cause of the accident of this time.
If there is no match, learn the neural network that performs pattern matching between the accident information of the past accident and the accident information of this accident, and find out the cause of the accident that corresponds to the accident information of the past accident with the highest similarity. In addition to estimating the cause of an accident, the estimation result is stored in the above memory as a learning rule, so even if all the accident information necessary for estimating the cause of an accident cannot be obtained, the cause of the accident can be accurately determined. There is an effect that can be estimated.
【図１】この発明の一実施例による事故原因推定装置を
示す構成図である。FIG. 1 is a configuration diagram showing an accident cause estimating apparatus according to an embodiment of the present invention.
【図２】記憶部に記憶された学習則を示す表図である。FIG. 2 is a table showing learning rules stored in a storage unit.
【図３】記憶部に記憶された学習則を示す表図である。FIG. 3 is a table showing learning rules stored in a storage unit.
【図４】ニューラルネットを示す構成図である。FIG. 4 is a configuration diagram showing a neural network.
【図５】ニューラルネットを示す構成図である。FIG. 5 is a configuration diagram showing a neural network.
【図６】運転員が事故の推定を行うアルゴリズムを示す
例図である。FIG. 6 is an example diagram showing an algorithm by which an operator estimates an accident.
４ 情報入力部 ５ 記憶部 ６ 推定部 ７ 出力部 4 information input unit 5 storage unit 6 estimation unit 7 output unit
───────────────────────────────────────────────────── フロントページの続き (72)発明者 堀 聖一郎 神戸市兵庫区和田崎町１丁目１番２号 三 菱電機株式会社制御製作所内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Seiichiro Hori 1-2-1 Wadazakicho, Hyogo-ku, Kobe Sanryo Electric Co., Ltd.
Claims (1)
報を入力する情報入力部と、過去に発生した事故の事故
情報及びその事故情報に対応する事故原因を学習則とし
て記憶する記憶部と、上記情報入力部により入力された
事故情報が、上記記憶部に記憶されている過去に発生し
た事故の事故情報の中で一致するものがあるか否かを判
定し、一致するものがあればニューラルネットの学習を
行って一致した過去の事故の事故情報に対応する事故原
因を今回の事故の事故原因と推定し、一致するものがな
ければ過去の事故の事故情報と今回の事故の事故情報と
のパターンマッチングをするニューラルネットの学習を
行い、最も類似度の高い過去の事故の事故情報に対応す
る事故原因を今回の事故の事故原因と推定するととも
に、上記記憶部にその推定結果を学習則として記憶させ
る推定部と、上記推定部により推定された事故原因を出
力する出力部とを備えた事故原因推定装置。1. An information input unit for inputting accident information when an accident occurs in a power system, and a storage unit for storing accident information of accidents that occurred in the past and accident causes corresponding to the accident information as a learning rule. , It is determined whether or not the accident information input by the information input unit matches the accident information of past accidents stored in the storage unit, and if there is a match, The neural network learning is used to presume that the accident cause corresponding to the accident information of the past accident that matched is the accident cause of this accident, and if there is no match, the accident information of the past accident and the accident information of this accident The neural network that performs pattern matching with and is learned, and the accident cause corresponding to the accident information of the past accident with the highest degree of similarity is estimated to be the accident cause of this accident, and the An accident cause estimation device comprising: an estimation unit that stores an estimation result as a learning rule; and an output unit that outputs an accident cause estimated by the estimation unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4676692A JPH05250593A (en) | 1992-03-04 | 1992-03-04 | Accident cause estimation system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4676692A JPH05250593A (en) | 1992-03-04 | 1992-03-04 | Accident cause estimation system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05250593A true JPH05250593A (en) | 1993-09-28 |
Family
ID=12756459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4676692A Pending JPH05250593A (en) | 1992-03-04 | 1992-03-04 | Accident cause estimation system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05250593A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0865923A (en) * | 1994-08-23 | 1996-03-08 | Mitsubishi Electric Corp | Apparatus for estimating cause of fault |
| JP2009175871A (en) * | 2008-01-22 | 2009-08-06 | Toyota Central R&D Labs Inc | Warning generation device |
-
1992
- 1992-03-04 JP JP4676692A patent/JPH05250593A/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0865923A (en) * | 1994-08-23 | 1996-03-08 | Mitsubishi Electric Corp | Apparatus for estimating cause of fault |
| JP2009175871A (en) * | 2008-01-22 | 2009-08-06 | Toyota Central R&D Labs Inc | Warning generation device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106203363A (en) | Human skeleton motion sequence Activity recognition method | |
| EP0831461A3 (en) | Scheme for model adaptation in pattern recognition based on taylor expansion | |
| CN103578119A (en) | Target detection method in Codebook dynamic scene based on superpixels | |
| CN114022432A (en) | Improved yolov 5-based insulator defect detection method | |
| CN108197669B (en) | Feature training method and device of convolutional neural network | |
| CN112131929A (en) | Cross-camera pedestrian tracking system and method based on block chain | |
| CN106056466B (en) | Bulk power grid critical circuits recognition methods based on FP-growth algorithm | |
| CN109672200A (en) | City rail traffic ground super capacitor energy-storage system distributed and coordinated control optimization method | |
| CN116169675B (en) | Power system dynamic stability online evaluation method considering operation mode change | |
| JPH05250593A (en) | Accident cause estimation system | |
| CN103318229A (en) | Railway train operation adjusting system under emergencies | |
| JPH06113459A (en) | Estimation device for cause of accident | |
| Fuerte-Esquivel et al. | Discussion of" Modeling of wind farms in the load flow analysis" | |
| CN109343650B (en) | Maximum power point tracking method, solar controller and related equipment | |
| CN115690366A (en) | Intelligent scenic spot real scene experience system based on AR technology | |
| CN115330718A (en) | Insulator defect detection method based on improved YOLOv4 network | |
| JPH0865923A (en) | Apparatus for estimating cause of fault | |
| CN113625115A (en) | Low-current ground fault line selection system based on scheduling data | |
| Arseniev et al. | Correction of models of disturbing perturbances at research of complex system properties | |
| Shimkin | Stochastic games with average cost constraints | |
| CN114696321B (en) | Multi-type distributed power supply two-stage planning method for power distribution network restoring force improvement | |
| Yousefi'Zadeh | A neural-based technique for estimating self-similar traffic average queueing delay | |
| CN110516864A (en) | Line adjustment method, apparatus, storage medium and electronic device | |
| CN117576516A (en) | Method and device for generating annotation data set, electronic equipment and storage medium | |
| Wan et al. | Prediction of Feature Points in Train Braking Curve Based on EC-LSTM Multiple Regression Network |