JPH06113439A - 送配電線の事故原因診断方法 - Google Patents
送配電線の事故原因診断方法Info
- Publication number
- JPH06113439A JPH06113439A JP4258680A JP25868092A JPH06113439A JP H06113439 A JPH06113439 A JP H06113439A JP 4258680 A JP4258680 A JP 4258680A JP 25868092 A JP25868092 A JP 25868092A JP H06113439 A JPH06113439 A JP H06113439A
- Authority
- JP
- Japan
- Prior art keywords
- category
- attribute
- categories
- distribution
- attributes
- 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.)
- Granted
Links
Landscapes
- Complex Calculations (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
(57)【要約】
【構成】 波形データを高速フーリエ解析し、その結果
得られた属性データに機械学習の手法を適用して事故原
因診断を行う。 【効果】 地絡事故原因を診断することにより、事故の
探査を容易にすることができる。永久地絡に発展する前
に短時間で消滅する地絡事故に対し、事故原因を診断し
て前駆現象の段階で不良個所を発見し、事前に電力供給
支障を防止することができる。機械学習を用いることに
より、人間の主観の入らない診断アルゴリズムを自動的
に作成することができる。
得られた属性データに機械学習の手法を適用して事故原
因診断を行う。 【効果】 地絡事故原因を診断することにより、事故の
探査を容易にすることができる。永久地絡に発展する前
に短時間で消滅する地絡事故に対し、事故原因を診断し
て前駆現象の段階で不良個所を発見し、事前に電力供給
支障を防止することができる。機械学習を用いることに
より、人間の主観の入らない診断アルゴリズムを自動的
に作成することができる。
Description
【０００１】
【産業上の利用分野】本発明は、送配電線の事故原因診
断方法に関する。
断方法に関する。
【０００２】
【従来の技術】従来、送配電線事故発生時の事故検出な
らびに保護は、配電用変電所に取り付けられた地絡継電
器ならびに短絡継電器により行われていた。しかしなが
らこのような計器による事故検出方法では、事故が発生
した場合、その事故がどのような事故原因で発生したか
はわからなかった。さらには、変電所のみならず、配電
系統の各所にセンサを配置し、その情報を計測し、その
結果を光ファイバーケーブルを用いた情報伝送網を通じ
て一個所に収集し、事故診断ならびに事故区間判定を行
い、変電所の遮断器が遮断する前に事故区間を切り離す
方法が提案されている。
らびに保護は、配電用変電所に取り付けられた地絡継電
器ならびに短絡継電器により行われていた。しかしなが
らこのような計器による事故検出方法では、事故が発生
した場合、その事故がどのような事故原因で発生したか
はわからなかった。さらには、変電所のみならず、配電
系統の各所にセンサを配置し、その情報を計測し、その
結果を光ファイバーケーブルを用いた情報伝送網を通じ
て一個所に収集し、事故診断ならびに事故区間判定を行
い、変電所の遮断器が遮断する前に事故区間を切り離す
方法が提案されている。
【０００３】
【発明が解決しようとする課題】しかしながら、この場
合においても、事故区間判定を行うが、どのような事故
原因で事故が発生するかはわかっていない。このような
システムでも、事故区間の判定は可能であるが、事故原
因を推定できれば事故の探査を容易にできると考えられ
る。
合においても、事故区間判定を行うが、どのような事故
原因で事故が発生するかはわかっていない。このような
システムでも、事故区間の判定は可能であるが、事故原
因を推定できれば事故の探査を容易にできると考えられ
る。
【０００４】さらに、配電系統では、ケーブルや碍子等
の絶縁不良などによる微地絡や間欠弧光地絡に伴う事故
の中には供給支障となる永久地絡に発展する前に短時間
で消滅するため、遮断器の遮断に至らない事象や、遮断
器の遮断後に自然消滅する再閉路成功事故などの前駆現
象を繰り返すものがある。
の絶縁不良などによる微地絡や間欠弧光地絡に伴う事故
の中には供給支障となる永久地絡に発展する前に短時間
で消滅するため、遮断器の遮断に至らない事象や、遮断
器の遮断後に自然消滅する再閉路成功事故などの前駆現
象を繰り返すものがある。
【０００５】このような前駆現象の段階で不良個所を発
見できれば、事前にこれを修理して供給支障を防止する
ことができ、事故の予防保全を行うことができる。また
通常の事故においても事故原因を推定することができれ
ば、事故の探査を容易にすることができると考えられ
る。
見できれば、事前にこれを修理して供給支障を防止する
ことができ、事故の予防保全を行うことができる。また
通常の事故においても事故原因を推定することができれ
ば、事故の探査を容易にすることができると考えられ
る。
【０００６】本発明が解決すべき課題は、事故情報に基
づいて事故原因を診断し、早急な対策を行うことにあ
る。
づいて事故原因を診断し、早急な対策を行うことにあ
る。
【０００７】
【課題を解決するための手段】前記課題を解決するた
め、本発明は、（ａ）波形データを高速フーリエ解析を
行い、その結果得られた属性データを収集するステップ
と、（ｂ）データを分類するカテゴリーＣ1 〜Ｃi 〜Ｃ
m を設定し、それぞれのカテゴリーが持つ属性Ｔ1 〜Ｔ
i 〜Ｔn 毎に測定データを集計するかあるいは計算によ
りシミュレートするステップと、（ｃ）集計または計算
されたデータに対応するカテゴリーに区分けして各属性
毎の分布をとるステップと、（ｄ）集計または計算され
たデータ毎の分布に着目したカテゴリーＣi と他のカテ
ゴリーＣj との属性値の分布の重なりの状態に基づい
て、少なくとも１つの属性の分布においてカテゴリーＣ
i からＣj を完全に識別できる状態(i) か、カテゴリー
Ｃi とＣj においてＣi の属性の分布がＣj の属性の分
布と一部分重なりのある状態(ii)かまたはカテゴリーＣ
i とＣj においてＣi の属性の分布がＣjの属性の分布
に包含される状態(iii) に判別するステップと、（ｅ）
前記カテゴリーＣi とＣj が状態(i) にある任意の一つ
のカテゴリーと任意の１つのカテゴリーを分類可能とす
る属性集合の組を選択する場合、分類可能な属性を１、
分類できない属性を０という論理変数を設定し、論理和
の形に表現するステップと、（ｆ）前記カテゴリーＣi
とＣj が状態(i) の組合せすべてのカテゴリーにおいて
前記ステップ（ｅ）で求めた論理式の論理積をとること
により、すべてのカテゴリーを互いに分類可能とするた
めの属性の組を求めるステップと、（ｇ）前記で求めた
属性の組の任意の１組の属性を選択し、その属性の組の
中で任意の属性を親ノードとして配置し、属性の分布が
他のカテゴリーと重なっていない範囲は親ノードで分類
を完了させ、重なっている範囲においては他のカテゴリ
ーと分類できなかったカテゴリーを子ノードとして配置
し、その子ノードの組の間で前記ステップ（ｃ）〜
（ｆ）の処理を行って親ノードでの分類に使用した属性
を除いた属性の内で任意の属性を前記子ノードに対する
親ノードとして配置し、これらの処理をカテゴリーＣi
と状態(i) にあるカテゴリーＣj との間において再識別
ノードがなくなるまで行うステップと、（ｈ）上記ステ
ップにおいて分類できなかった子ノードにおいては前記
ステップ（ｄ）における状態(ii)または(iii) の場合を
考え、カテゴリーの分割を、ある属性分布Ｔk において
あるｓ個のカテゴリーＣ1 ，…，Ｃi ，…，Ｃs が重な
り合っている場合、ある属性Ｔk において任意のカテゴ
リーＣi は他のすべてのカテゴリーと重なりのない部
分、任意のカテゴリーＣi と他の任意の１個のカテゴリ
ーが重なる部分、任意のカテゴリーＣi と他の任意の２
個のカテゴリーが重なる部分、・・・、任意のカテゴリ
ーＣi と他の任意のｓ−２個のカテゴリーが重なる部
分、任意のカテゴリーＣi と他の任意のｓ−１個のカテ
ゴリーが重なる部分に分け、この分割により、分割され
た新たなカテゴリーを作り、分割したカテゴリーがすべ
ての属性Ｔk に対して空集合の場合、新たなカテゴリー
は作らないとするステップと、（ｉ）属性値の確率分布
を求めるステップと、（ｊ）ある任意の２つのカテゴリ
ーにおいて、属性の分布に重なりのある場合、それぞれ
のカテゴリーの重なりのある部分の確率と重なりのない
部分の確率を求めるステップと、（ｋ）前記ステップ
（ｈ）で求めたカテゴリーの分割によってできた新しい
カテゴリーに対し、属性値の分布の重なりの確率に基づ
く評価関数により評価を行い、最も効率的な属性を選択
し、（ｇ）までのステップで分類できなかった子ノード
に対し、最も効率的な属性によって分類するステップ
と、（ｌ）決定木よりデータの分類のフローチャートを
作成するステップとを有し、このフローチャートにより
事故原因診断を行うことを特徴とする送配電線の事故原
因診断方法である。
め、本発明は、（ａ）波形データを高速フーリエ解析を
行い、その結果得られた属性データを収集するステップ
と、（ｂ）データを分類するカテゴリーＣ1 〜Ｃi 〜Ｃ
m を設定し、それぞれのカテゴリーが持つ属性Ｔ1 〜Ｔ
i 〜Ｔn 毎に測定データを集計するかあるいは計算によ
りシミュレートするステップと、（ｃ）集計または計算
されたデータに対応するカテゴリーに区分けして各属性
毎の分布をとるステップと、（ｄ）集計または計算され
たデータ毎の分布に着目したカテゴリーＣi と他のカテ
ゴリーＣj との属性値の分布の重なりの状態に基づい
て、少なくとも１つの属性の分布においてカテゴリーＣ
i からＣj を完全に識別できる状態(i) か、カテゴリー
Ｃi とＣj においてＣi の属性の分布がＣj の属性の分
布と一部分重なりのある状態(ii)かまたはカテゴリーＣ
i とＣj においてＣi の属性の分布がＣjの属性の分布
に包含される状態(iii) に判別するステップと、（ｅ）
前記カテゴリーＣi とＣj が状態(i) にある任意の一つ
のカテゴリーと任意の１つのカテゴリーを分類可能とす
る属性集合の組を選択する場合、分類可能な属性を１、
分類できない属性を０という論理変数を設定し、論理和
の形に表現するステップと、（ｆ）前記カテゴリーＣi
とＣj が状態(i) の組合せすべてのカテゴリーにおいて
前記ステップ（ｅ）で求めた論理式の論理積をとること
により、すべてのカテゴリーを互いに分類可能とするた
めの属性の組を求めるステップと、（ｇ）前記で求めた
属性の組の任意の１組の属性を選択し、その属性の組の
中で任意の属性を親ノードとして配置し、属性の分布が
他のカテゴリーと重なっていない範囲は親ノードで分類
を完了させ、重なっている範囲においては他のカテゴリ
ーと分類できなかったカテゴリーを子ノードとして配置
し、その子ノードの組の間で前記ステップ（ｃ）〜
（ｆ）の処理を行って親ノードでの分類に使用した属性
を除いた属性の内で任意の属性を前記子ノードに対する
親ノードとして配置し、これらの処理をカテゴリーＣi
と状態(i) にあるカテゴリーＣj との間において再識別
ノードがなくなるまで行うステップと、（ｈ）上記ステ
ップにおいて分類できなかった子ノードにおいては前記
ステップ（ｄ）における状態(ii)または(iii) の場合を
考え、カテゴリーの分割を、ある属性分布Ｔk において
あるｓ個のカテゴリーＣ1 ，…，Ｃi ，…，Ｃs が重な
り合っている場合、ある属性Ｔk において任意のカテゴ
リーＣi は他のすべてのカテゴリーと重なりのない部
分、任意のカテゴリーＣi と他の任意の１個のカテゴリ
ーが重なる部分、任意のカテゴリーＣi と他の任意の２
個のカテゴリーが重なる部分、・・・、任意のカテゴリ
ーＣi と他の任意のｓ−２個のカテゴリーが重なる部
分、任意のカテゴリーＣi と他の任意のｓ−１個のカテ
ゴリーが重なる部分に分け、この分割により、分割され
た新たなカテゴリーを作り、分割したカテゴリーがすべ
ての属性Ｔk に対して空集合の場合、新たなカテゴリー
は作らないとするステップと、（ｉ）属性値の確率分布
を求めるステップと、（ｊ）ある任意の２つのカテゴリ
ーにおいて、属性の分布に重なりのある場合、それぞれ
のカテゴリーの重なりのある部分の確率と重なりのない
部分の確率を求めるステップと、（ｋ）前記ステップ
（ｈ）で求めたカテゴリーの分割によってできた新しい
カテゴリーに対し、属性値の分布の重なりの確率に基づ
く評価関数により評価を行い、最も効率的な属性を選択
し、（ｇ）までのステップで分類できなかった子ノード
に対し、最も効率的な属性によって分類するステップ
と、（ｌ）決定木よりデータの分類のフローチャートを
作成するステップとを有し、このフローチャートにより
事故原因診断を行うことを特徴とする送配電線の事故原
因診断方法である。
【０００８】
【作用】事故原因により波形データが異なるため、波形
データを高速フーリエ解析し、その結果得られた属性デ
ータに機械学習の手法を適用して事故原因診断を行う。
これにより事故データの増加ならびに事故原因の対象の
変化等に対し、柔軟な対応が可能となる。
データを高速フーリエ解析し、その結果得られた属性デ
ータに機械学習の手法を適用して事故原因診断を行う。
これにより事故データの増加ならびに事故原因の対象の
変化等に対し、柔軟な対応が可能となる。
【０００９】
【実施例】図１は本発明に係る事故原因診断方法を実施
するための試験回路の一例を示す電気系統図である。同
図において、１は遮断器、２はＺＰＤ（零相電圧検出
器）、３は電源側コンデンサ、４は零相変流器、５は負
荷側コンデンサ、６は事故発生用開閉器、７は高圧開閉
器、８は制御器、９は変圧器である。試験した事故発生
方法は、碍子、架橋ポリエチレンケーブル、鳥肉、完全
地絡、抵抗地絡、ギャップ地絡である。
するための試験回路の一例を示す電気系統図である。同
図において、１は遮断器、２はＺＰＤ（零相電圧検出
器）、３は電源側コンデンサ、４は零相変流器、５は負
荷側コンデンサ、６は事故発生用開閉器、７は高圧開閉
器、８は制御器、９は変圧器である。試験した事故発生
方法は、碍子、架橋ポリエチレンケーブル、鳥肉、完全
地絡、抵抗地絡、ギャップ地絡である。
【００１０】故障時の零相電流をデジタル波形記録計
（サンプリングレートは４８ＫＨｚ）に記録した。記録
した波形の一部を２００ｍｓ分切り出し、ＦＦＴ（高速
フーリエ変換）波形により６０Ｈｚを基本波とする２次
から８次までの歪率（％）と全高調波歪率（％）（２次
から２０次）を求めた。測定系の構成を図２のブロック
図に示す。また、代表的な波形とＦＦＴ解析結果を図３
に示す。
（サンプリングレートは４８ＫＨｚ）に記録した。記録
した波形の一部を２００ｍｓ分切り出し、ＦＦＴ（高速
フーリエ変換）波形により６０Ｈｚを基本波とする２次
から８次までの歪率（％）と全高調波歪率（％）（２次
から２０次）を求めた。測定系の構成を図２のブロック
図に示す。また、代表的な波形とＦＦＴ解析結果を図３
に示す。
【００１１】ａ）決定木学習方法 ここでは決定木学習方法について述べる。ここで選択す
べきｍ個のカテゴリーをＣ1 ，…，Ｃi ，…，Ｃm と
し、これらのカテゴリーが個々にもつｎ個の属性を
Ａ1 ，…，Ａi ，…，Ａn とする。
べきｍ個のカテゴリーをＣ1 ，…，Ｃi ，…，Ｃm と
し、これらのカテゴリーが個々にもつｎ個の属性を
Ａ1 ，…，Ａi ，…，Ａn とする。
【００１２】事故原因診断における選択すべきカテゴリ
ーを、ＣI ：碍子、ＣC ：架橋ポリエチレンケーブル、
ＣN ：鳥肉、ＣK ：完全地絡、ＣR ：抵抗地絡、ＣG ：
ギャップ地絡とする。
ーを、ＣI ：碍子、ＣC ：架橋ポリエチレンケーブル、
ＣN ：鳥肉、ＣK ：完全地絡、ＣR ：抵抗地絡、ＣG ：
ギャップ地絡とする。
【００１３】また上記のカテゴリーが個々にもつ属性
を、Ａ2 ：２次高調波歪率、Ａ3 ：３次高調波歪率、Ａ
4 ：４次高調波歪率、Ａ5 ：５次高調波歪率、Ａ6 ：６
次高調波歪率、Ａ7 ：７次高調波歪率、Ａ8 ：８次高調
波歪率、ＡT ：全高調波歪率とする。
を、Ａ2 ：２次高調波歪率、Ａ3 ：３次高調波歪率、Ａ
4 ：４次高調波歪率、Ａ5 ：５次高調波歪率、Ａ6 ：６
次高調波歪率、Ａ7 ：７次高調波歪率、Ａ8 ：８次高調
波歪率、ＡT ：全高調波歪率とする。
【００１４】各属性値の範囲は各属性値の最大値と最小
値とした。各属性値の範囲を表１に示す。
値とした。各属性値の範囲を表１に示す。
【００１５】
【表１】
【００１６】ｂ）分離されているカテゴリーの組合せに
よる決定木の作成 すべてのカテゴリーを識別するためにまず任意の２つの
カテゴリーの属性値の分布を考えると、図４に示すよう
に三つの場合が考えられる。属性ＡK に関する分布に対
して、Ｃi から見たＣj の相対的な関係は、 状態(i) Ｃi の属性値の分布とＣj の属性値の分布は
重なっていない。 状態(ii) Ｃi の属性値の分布はＣj の属性値の分布と
すべて重なっている。 状態(iii) Ｃi の属性値の分布はＣj の属性値の分布と
一部重なっている。
よる決定木の作成 すべてのカテゴリーを識別するためにまず任意の２つの
カテゴリーの属性値の分布を考えると、図４に示すよう
に三つの場合が考えられる。属性ＡK に関する分布に対
して、Ｃi から見たＣj の相対的な関係は、 状態(i) Ｃi の属性値の分布とＣj の属性値の分布は
重なっていない。 状態(ii) Ｃi の属性値の分布はＣj の属性値の分布と
すべて重なっている。 状態(iii) Ｃi の属性値の分布はＣj の属性値の分布と
一部重なっている。
【００１７】ここで、属性ＡK によりＣi とＣj を完全
に識別できるのは状態(i) だけである。つまり、属性Ａ
K でＣi とＣj が完全に識別可能であるためには、その
二つのカテゴリーの属性値の分布の状態が状態(i) であ
ることが必要条件となる。
に識別できるのは状態(i) だけである。つまり、属性Ａ
K でＣi とＣj が完全に識別可能であるためには、その
二つのカテゴリーの属性値の分布の状態が状態(i) であ
ることが必要条件となる。
【００１８】ＣiとＣjを属性ＡK により完全に識別でき
る場合を１、完全に識別できない場合を０と、ブール変
数に対応させ、式（１）に示すような係数ｂK を定義す
る。
る場合を１、完全に識別できない場合を０と、ブール変
数に対応させ、式（１）に示すような係数ｂK を定義す
る。
【００１９】 ｂK ＝１ 状態(i) であり、属性ＡK により識別可能 ｂK ＝０ 属性ＡK により完全には識別不可能 （１）
【００２０】したがってｆ（Ｃi，Ｃj）により、ＡK を
ブール変数と考え、Ｃi とＣj を識別可能とする属性は
ｂK を用い、論理和の形に表現すると次式のようにな
る。また属性ＡK のブール変数の記号を新たに定義する
必要があるが、計算結果を見れば識別にどの属性を用い
ればよいかわかるので、新たに定義しないこととする。
ブール変数と考え、Ｃi とＣj を識別可能とする属性は
ｂK を用い、論理和の形に表現すると次式のようにな
る。また属性ＡK のブール変数の記号を新たに定義する
必要があるが、計算結果を見れば識別にどの属性を用い
ればよいかわかるので、新たに定義しないこととする。
【００２１】 ｆ（Ｃi，Ｃj）＝ｂ1・Ａ1＋…＋ｂK・ＡK＋…＋ｂn・Ａn （２）
【００２２】例えばカテゴリーＣ1とＣ2に属する対象が
属性Ａ1，Ａ2，Ａ3を有し、属性Ａ1とＡ2が状態(i)であ
る場合、属性Ａ1又はＡ2を用いればＣ1とＣ2を識別でき
ることは明らかであるが、これは（２）式ではｆ
（Ｃ1，Ｃ2）＝１・Ａ1＋１・Ａ2＋０・Ａ3＝Ａ1＋Ａ2
となる。〔又は〕が論理和に相当する。
属性Ａ1，Ａ2，Ａ3を有し、属性Ａ1とＡ2が状態(i)であ
る場合、属性Ａ1又はＡ2を用いればＣ1とＣ2を識別でき
ることは明らかであるが、これは（２）式ではｆ
（Ｃ1，Ｃ2）＝１・Ａ1＋１・Ａ2＋０・Ａ3＝Ａ1＋Ａ2
となる。〔又は〕が論理和に相当する。
【００２３】つまり、（２）式においてＣiとＣjはｆ
（Ｃi，Ｃj）＝１となる場合に識別可能となり、ｆ（Ｃ
i，Ｃj）の項の少なくとも一つの属性を用いればＣiと
Ｃjは完全に識別できる。
（Ｃi，Ｃj）＝１となる場合に識別可能となり、ｆ（Ｃ
i，Ｃj）の項の少なくとも一つの属性を用いればＣiと
Ｃjは完全に識別できる。
【００２４】（２）式から任意の二つのカテゴリーを識
別する属性を求めることができる。例えばＣIとＣCを識
別する属性は次式で求めることができる。
別する属性を求めることができる。例えばＣIとＣCを識
別する属性は次式で求めることができる。
【００２５】 ｆ（ＣI，ＣC）＝Ａ2 ＋Ａ5 ＋Ａ8 ＋ＡT （３）
【００２６】少なくとも一つ以上の属性値の分布が完全
に分離しているカテゴリーの組合せを識別可能な属性集
合の組は、ｆ（Ｃi，Ｃj）＝１となるすべての組合せに
対してｆ（Ｃi，Ｃj）（ｉ＝１，・・・，ｎ， ｊ＝
１，・・・，ｍ， ｉ≠ｊ）の論理積Ｅをとることによ
り求めることができる。
に分離しているカテゴリーの組合せを識別可能な属性集
合の組は、ｆ（Ｃi，Ｃj）＝１となるすべての組合せに
対してｆ（Ｃi，Ｃj）（ｉ＝１，・・・，ｎ， ｊ＝
１，・・・，ｍ， ｉ≠ｊ）の論理積Ｅをとることによ
り求めることができる。
【００２７】 Ｅ＝Πｆ（Ｃi，Ｃj） 但し、ｉ∈｛１，…，ｎ｝、ｊ∈｛１，…，ｍ｝， ｉ≠ｊ （４）
【００２８】Ｅ＝Πｆ（Ｃi，Ｃj）の演算結果は積和形
で表すことができ、積の形に表した一項をＡＳx （属性
の組）とすると次のように表せる。
で表すことができ、積の形に表した一項をＡＳx （属性
の組）とすると次のように表せる。
【００２９】 Ｅ＝ＡＳ1＋・・・＋ＡＳx＋・・・＋ＡＳp 但しＡＳ
x＝ＡaＡbＡc…（５）
x＝ＡaＡbＡc…（５）
【００３０】従って、ＡＳ1，…，ＡＳx，…，ＡＳp の
それぞれの一項は少なくとも一つ以上の属性ＡK の属性
値の分布が完全に分離しているカテゴリーの組合せを識
別可能な属性集合である。
それぞれの一項は少なくとも一つ以上の属性ＡK の属性
値の分布が完全に分離しているカテゴリーの組合せを識
別可能な属性集合である。
【００３１】式（５）によって少なくとも一つ以上の属
性値の分布が完全に分離しているカテゴリーの組合せす
べてを識別可能な属性集合の組が選択できる。
性値の分布が完全に分離しているカテゴリーの組合せす
べてを識別可能な属性集合の組が選択できる。
【００３２】 Ｅ＝Ａ2Ａ3＋Ａ2Ａ5＋Ａ2Ａ7＋Ａ2Ａ9＋Ａ3Ａ5＋ＡT （６） となる。これを次のように置き換える。
【００３３】 ＡＳ1 ＝Ａ2 Ａ3 ， ＡＳ2 ＝Ａ2 Ａ5 ， ＡＳ3 ＝Ａ2 Ａ7 ， ＡＳ4 ＝Ａ2 Ａ9 ， ＡＳ5 ＝Ａ3 Ａ5 ， ＡＳ6 ＝ＡT （７）
【００３４】求められた６組の属性の組、ＡＳ1，Ａ
Ｓ2，ＡＳ3，ＡＳ4，ＡＳ5，ＡＳ6の属性を使うことに
より、分離しているカテゴリーの組合せによるカテゴリ
ーが識別できる。しかし碍子と鳥肉は識別できない。
Ｓ2，ＡＳ3，ＡＳ4，ＡＳ5，ＡＳ6の属性を使うことに
より、分離しているカテゴリーの組合せによるカテゴリ
ーが識別できる。しかし碍子と鳥肉は識別できない。
【００３５】ｃ）識別木の各ノードへの属性の配置 （７）式で求めた６組の属性の組の内で任意の組を選び
出す。ここではＡＳ6はＡT を選択するとする。
出す。ここではＡＳ6はＡT を選択するとする。
【００３６】識別木の各ノードへの配置は次のようにす
る。（７）式で得られた属性の組が２つ以上の属性を持
つ場合には、任意の属性を上位のノードに配置する。こ
の場合は１つしかないのでＡT の属性を配置する。
（７）式で得られた属性の組が２つ以上ある場合は属性
の重なりの状態により、属性の分布に重なりのない領
域、属性の分布に重なる領域に分かれる。
る。（７）式で得られた属性の組が２つ以上の属性を持
つ場合には、任意の属性を上位のノードに配置する。こ
の場合は１つしかないのでＡT の属性を配置する。
（７）式で得られた属性の組が２つ以上ある場合は属性
の重なりの状態により、属性の分布に重なりのない領
域、属性の分布に重なる領域に分かれる。
【００３７】属性がこれらの重なりのない領域の値にな
った場合には、根ノードで分類が完了する。
った場合には、根ノードで分類が完了する。
【００３８】重なりのある領域はカテゴリー間の分類が
不可能であり、他の属性で再度分類する。その場合、重
なりのある領域のカテゴリーの識別に必要な属性の組を
再帰的に（２）及び（４）式により求める。その内で
（７）式で得られた属性の組の集合の内に入るものの中
で任意の属性を選ぶ。これらの処理をカテゴリーＣi と
状態(i) にあるカテゴリーＣj との間において再識別ノ
ードがなくなるまで行う。
不可能であり、他の属性で再度分類する。その場合、重
なりのある領域のカテゴリーの識別に必要な属性の組を
再帰的に（２）及び（４）式により求める。その内で
（７）式で得られた属性の組の集合の内に入るものの中
で任意の属性を選ぶ。これらの処理をカテゴリーＣi と
状態(i) にあるカテゴリーＣj との間において再識別ノ
ードがなくなるまで行う。
【００３９】ｄ）分離した属性を持たないカテゴリー識
別 ＣiとＣjの二つのカテゴリーの属性値の分布の状態が状
態(i) となる属性ＡKを得ることができず、どの属性Ａ
K に対しても、ＣiとＣjの二つのカテゴリーの属性値の
分布が状態(ii)または状態(iii) である場合、つまりｆ
（Ｃi，Ｃj）＝０の場合が考えられる。もしこのような
カテゴリーが存在するとＣi，Ｃjの識別は不可能とな
る。以下、任意の二つのカテゴリーの属性値の分布が状
態(ii)または状態(iii) である場合の方法について説明
する。具体的には識別できない碍子と鳥肉はカテゴリー
の分類が必要である。
別 ＣiとＣjの二つのカテゴリーの属性値の分布の状態が状
態(i) となる属性ＡKを得ることができず、どの属性Ａ
K に対しても、ＣiとＣjの二つのカテゴリーの属性値の
分布が状態(ii)または状態(iii) である場合、つまりｆ
（Ｃi，Ｃj）＝０の場合が考えられる。もしこのような
カテゴリーが存在するとＣi，Ｃjの識別は不可能とな
る。以下、任意の二つのカテゴリーの属性値の分布が状
態(ii)または状態(iii) である場合の方法について説明
する。具体的には識別できない碍子と鳥肉はカテゴリー
の分類が必要である。
【００４０】（１）カテゴリーの分割 ある属性値の分布ＡK に関してあるｓ個のカテゴリーＣ
1，…，Ｃi，…，Ｃs0が部分的に重なり合っている場
合、すなわちｓ個のカテゴリーのすべての組合せが図４
の状態(ii)または状態(iii) にある場合においても、部
分的にはカテゴリーの識別が可能な値の範囲が存在する
と考えられる。これらを用いれば部分的な識別が可能と
なるため、以下の方法でカテゴリーの分割を行う。
1，…，Ｃi，…，Ｃs0が部分的に重なり合っている場
合、すなわちｓ個のカテゴリーのすべての組合せが図４
の状態(ii)または状態(iii) にある場合においても、部
分的にはカテゴリーの識別が可能な値の範囲が存在する
と考えられる。これらを用いれば部分的な識別が可能と
なるため、以下の方法でカテゴリーの分割を行う。
【００４１】ある属性ＡK について任意のカテゴリーＣ
i と他の全てのカテゴリーと重なりのない部分、任意の
カテゴリーＣi と他の任意の一個のカテゴリーが重なる
部分、任意のカテゴリーＣi と他の任意の二個のカテゴ
リーが重なる部分、・・・、任意のカテゴリーＣi と他
の任意のｓ−２個のカテゴリーが重なる部分、任意のカ
テゴリーＣi と他の任意のｓ−１個のカテゴリーが重な
る部分に分けることができる。上記の分割により、分割
した新たなカテゴリーを作ることができる。また任意の
カテゴリーＣi と他の任意のｓ−ｎ個のカテゴリーが重
なる部分の組合せの数は sＣs-n+1 で与えられる。また
分割したカテゴリーがすべての属性ＡKに対して空集合
の場合、新たなカテゴリーは作らないとする。
i と他の全てのカテゴリーと重なりのない部分、任意の
カテゴリーＣi と他の任意の一個のカテゴリーが重なる
部分、任意のカテゴリーＣi と他の任意の二個のカテゴ
リーが重なる部分、・・・、任意のカテゴリーＣi と他
の任意のｓ−２個のカテゴリーが重なる部分、任意のカ
テゴリーＣi と他の任意のｓ−１個のカテゴリーが重な
る部分に分けることができる。上記の分割により、分割
した新たなカテゴリーを作ることができる。また任意の
カテゴリーＣi と他の任意のｓ−ｎ個のカテゴリーが重
なる部分の組合せの数は sＣs-n+1 で与えられる。また
分割したカテゴリーがすべての属性ＡKに対して空集合
の場合、新たなカテゴリーは作らないとする。
【００４２】具体的に図５で子ノードが３個のカテゴリ
ーＣ1，Ｃ2，Ｃ3 が区別できない場合を考える。ここで
の属性をＡ1 ，Ａ2 とする。
ーＣ1，Ｃ2，Ｃ3 が区別できない場合を考える。ここで
の属性をＡ1 ，Ａ2 とする。
【００４３】ここでカテゴリーＣi と他のすべてのカテ
ゴリーとの重なりのない部分によって新しく作られたカ
テゴリーをＣi*とする。例えば図５の属性Ａ1 に関して
作られたＣi*のように属性値の分布が分離される場合も
ある。任意のカテゴリーＣiと他の任意の一つのカテゴ
リーＣj が重なる部分によって新しく作られたカテゴリ
ーをＣij* とする。例えば図５の属性Ａ1 に関して作ら
れたＣ13* である。新たに作られたＣ13* はカテゴリー
Ｃ1 かカテゴリーＣ3 を意味する。以下任意のカテゴリ
ーＣi と他の任意の二つのカテゴリーが重なる部分か
ら、新しく作られたカテゴリーを同様に定義する。図５
の属性Ａ1 に関してはＣ2*とＣ3*は空集合のため、新た
なカテゴリーを作らないとする。このとき新たに作られ
たカテゴリーは、すべての任意の二つの組合せにおいて
状態(i) を満たすので、属性ＡK を使って上記の方法に
よりカテゴリーの分割を行うことができる。
ゴリーとの重なりのない部分によって新しく作られたカ
テゴリーをＣi*とする。例えば図５の属性Ａ1 に関して
作られたＣi*のように属性値の分布が分離される場合も
ある。任意のカテゴリーＣiと他の任意の一つのカテゴ
リーＣj が重なる部分によって新しく作られたカテゴリ
ーをＣij* とする。例えば図５の属性Ａ1 に関して作ら
れたＣ13* である。新たに作られたＣ13* はカテゴリー
Ｃ1 かカテゴリーＣ3 を意味する。以下任意のカテゴリ
ーＣi と他の任意の二つのカテゴリーが重なる部分か
ら、新しく作られたカテゴリーを同様に定義する。図５
の属性Ａ1 に関してはＣ2*とＣ3*は空集合のため、新た
なカテゴリーを作らないとする。このとき新たに作られ
たカテゴリーは、すべての任意の二つの組合せにおいて
状態(i) を満たすので、属性ＡK を使って上記の方法に
よりカテゴリーの分割を行うことができる。
【００４４】識別できない碍子と鳥肉はカテゴリーの分
離が必要である。属性ＡK に関して任意のカテゴリーＣ
i は他のすべてのカテゴリーと重なりのない部分のカテ
ゴリーに分割できる。碍子と鳥肉の場合はＣI*，ＣN*の
カテゴリーを作ることができる。以下同様に任意のカテ
ゴリーＣi と他の任意の一つのカテゴリーが重なる部分
のカテゴリーＣIN* を作ることができる。そのカテゴリ
ーの属性値の分布を表２に示す。
離が必要である。属性ＡK に関して任意のカテゴリーＣ
i は他のすべてのカテゴリーと重なりのない部分のカテ
ゴリーに分割できる。碍子と鳥肉の場合はＣI*，ＣN*の
カテゴリーを作ることができる。以下同様に任意のカテ
ゴリーＣi と他の任意の一つのカテゴリーが重なる部分
のカテゴリーＣIN* を作ることができる。そのカテゴリ
ーの属性値の分布を表２に示す。
【００４５】
【表２】
【００４６】（２）分離した属性を持たないカテゴリー
識別 属性値の分布が完全に分離していないカテゴリーの集合
に対してカテゴリーの分割により、新たなカテゴリーを
生成する。どの属性を使って新たなカテゴリーを生成す
るかを属性の確率分布により決定する。
識別 属性値の分布が完全に分離していないカテゴリーの集合
に対してカテゴリーの分割により、新たなカテゴリーを
生成する。どの属性を使って新たなカテゴリーを生成す
るかを属性の確率分布により決定する。
【００４７】属性の確率分布は以下のように表現するこ
とができる。属性ＡK の表す確率変数をＺとし、属性値
ｚK での確率をｐi とすると、属性ＡK の確率分布は
とができる。属性ＡK の表す確率変数をＺとし、属性値
ｚK での確率をｐi とすると、属性ＡK の確率分布は
【００４８】 Ｐ（Ｚ＝ｚK ）＝ｐi （８） とおくことができ、任意の属性ＡK の属性値の分布にお
いてａ≦Ｚ≦ｂの範囲の確率は、
いてａ≦Ｚ≦ｂの範囲の確率は、
【００４９】
【数１】
【００５０】上式よりａ≦Ｚ≦ｂの範囲の確率を求める
ことができる。上記で求めた確率を用い、子ノードの識
別に効果的な属性の選択を行う。
ことができる。上記で求めた確率を用い、子ノードの識
別に効果的な属性の選択を行う。
【００５１】任意のカテゴリーＣi とＣj の属性値の分
布において、他の分布と重なりのない部分の確率の高い
属性値はより高い確度でどのカテゴリーに属するか識別
できる。そこで、ある属性ＡK におけるカテゴリーＣi
のＣj に対して全く重なっていない領域の属性値の確率
分布を求め、その確率をｐ（ＤＪAK（Ｃi，Ｃj））とす
る。これはＡK がＣi の識別に対してどの程度Ｃj の影
響があるかを示すものである。
布において、他の分布と重なりのない部分の確率の高い
属性値はより高い確度でどのカテゴリーに属するか識別
できる。そこで、ある属性ＡK におけるカテゴリーＣi
のＣj に対して全く重なっていない領域の属性値の確率
分布を求め、その確率をｐ（ＤＪAK（Ｃi，Ｃj））とす
る。これはＡK がＣi の識別に対してどの程度Ｃj の影
響があるかを示すものである。
【００５２】確率ｐ（ＤＪAK（Ｃi，Ｃj））を使い、次
の評価関数を定める。評価値の一番高い属性を用い、子
ノードの識別を行う。
の評価関数を定める。評価値の一番高い属性を用い、子
ノードの識別を行う。
【００５３】
【数２】
【００５４】次に属性の確率分布を考える必要がある
が、ここでは計算を簡単にするために、属性値の確率分
布が最大値と最小値の間で一様に分布しているものとし
て考える。次に評価値Ｆ*(ＡK)の算出ならびに子ノード
の識別を行う。式（１０）を用いて算出する。その結果
を表３に示す。その結果Ｆ*(Ａ3)が最大であるので、属
性Ａ3 を用いてカテゴリーＣI*，ＣN*，ＣIN* を識別す
ることができる。図６に決定木による学習結果を示す。
図６の決定木により碍子と鳥肉以外は完全に識別でき
る。完全に識別できない碍子と鳥肉はカテゴリー分割に
より碍子のサンプルの９５％は碍子と識別できるが、５
％は碍子もしくは鳥肉と識別できる。また鳥肉のサンプ
ルは７０％が識別できるが３０％は碍子もしくは鳥肉と
識別できる。
が、ここでは計算を簡単にするために、属性値の確率分
布が最大値と最小値の間で一様に分布しているものとし
て考える。次に評価値Ｆ*(ＡK)の算出ならびに子ノード
の識別を行う。式（１０）を用いて算出する。その結果
を表３に示す。その結果Ｆ*(Ａ3)が最大であるので、属
性Ａ3 を用いてカテゴリーＣI*，ＣN*，ＣIN* を識別す
ることができる。図６に決定木による学習結果を示す。
図６の決定木により碍子と鳥肉以外は完全に識別でき
る。完全に識別できない碍子と鳥肉はカテゴリー分割に
より碍子のサンプルの９５％は碍子と識別できるが、５
％は碍子もしくは鳥肉と識別できる。また鳥肉のサンプ
ルは７０％が識別できるが３０％は碍子もしくは鳥肉と
識別できる。
【００５５】
【表３】
【００５６】図６を用いた識別木学習の結果を用いて事
故原因診断のフローチャートを作成すると、図７のよう
になる。
故原因診断のフローチャートを作成すると、図７のよう
になる。
【００５７】
【発明の効果】上述したように、本発明によれば下記の
効果を奏する。 地絡事故原因を診断することにより、事故の探査を
容易にすることができる。 永久地絡に発展する前に短時間で消滅する地絡事故
に対し、事故原因を診断して前駆現象の段階で不良個所
を発見し、事前に電力供給支障を防止することができ
る。 機械学習を用いることにより、人間の主観の入らな
い診断アルゴリズムを自動的に作成することができる。
効果を奏する。 地絡事故原因を診断することにより、事故の探査を
容易にすることができる。 永久地絡に発展する前に短時間で消滅する地絡事故
に対し、事故原因を診断して前駆現象の段階で不良個所
を発見し、事前に電力供給支障を防止することができ
る。 機械学習を用いることにより、人間の主観の入らな
い診断アルゴリズムを自動的に作成することができる。
【図１】 本発明に係る事故原因診断方法を実施するた
めの試験回路の例を示す電気系統図である。
めの試験回路の例を示す電気系統図である。
【図２】 本発明に係る事故原因診断方法の試験装置の
構成例を示すブロック図である。
構成例を示すブロック図である。
【図３】 本発明に係る各事故原因についての代表的な
波形とＦＦＴ解析結果を示す図である。
波形とＦＦＴ解析結果を示す図である。
【図４】 二つのカテゴリー間の属性値分布関係を示す
説明図である。
説明図である。
【図５】 本発明に係るカテゴリーの分割を示す説明図
である。
である。
【図６】 本発明に係る識別木学習の結果を示す説明図
である。
である。
【図７】 本発明に係る事故原因診断のフローチャート
である。
である。
１ 遮断器、２ ＺＰＤ（零相電圧検出器）、３ 電源
側コンデンサ、４ 零相変流器、５ 負荷側コンデン
サ、６ 事故発生用開閉器、７ 高圧開閉器、８制御
器、９ 変圧器
側コンデンサ、４ 零相変流器、５ 負荷側コンデン
サ、６ 事故発生用開閉器、７ 高圧開閉器、８制御
器、９ 変圧器
Claims (1)
- 【請求項１】（ａ）波形データを高速フーリエ解析を行
い、その結果得られた属性データを収集するステップ
と、 （ｂ）データを分類するカテゴリーＣ1 〜Ｃi 〜Ｃm を
設定し、それぞれのカテゴリーが持つ属性Ｔ1 〜Ｔi 〜
Ｔn 毎に測定データを集計するかあるいは計算によりシ
ミュレートするステップと、 （ｃ）集計または計算されたデータに対応するカテゴリ
ーに区分けして各属性毎の分布をとるステップと、 （ｄ）集計または計算されたデータ毎の分布に着目した
カテゴリーＣi と他のカテゴリーＣj との属性値の分布
の重なりの状態に基づいて、少なくとも１つの属性の分
布においてカテゴリーＣi からＣj を完全に識別できる
状態(i) か、カテゴリーＣi とＣj においてＣi の属性
の分布がＣj の属性の分布と一部分重なりのある状態(i
i)かまたはカテゴリーＣi とＣj においてＣi の属性の
分布がＣjの属性の分布に包含される状態(iii) に判別
するステップと、 （ｅ）前記カテゴリーＣi とＣj が状態(i) にある任意
の一つのカテゴリーと任意の１つのカテゴリーを分類可
能とする属性集合の組を選択する場合、分類可能な属性
を１、分類できない属性を０という論理変数を設定し、
論理和の形に表現するステップと、 （ｆ）前記カテゴリーＣi とＣj が状態(i) の組合せす
べてのカテゴリーにおいて前記ステップ（ｅ）で求めた
論理式の論理積をとることにより、すべてのカテゴリー
を互いに分類可能とするための属性の組を求めるステッ
プと、 （ｇ）前記で求めた属性の組の任意の１組の属性を選択
し、その属性の組の中で任意の属性を親ノードとして配
置し、属性の分布が他のカテゴリーと重なっていない範
囲は親ノードで分類を完了させ、重なっている範囲にお
いては他のカテゴリーと分類できなかったカテゴリーを
子ノードとして配置し、その子ノードの組の間で前記ス
テップ（ｃ）〜（ｆ）の処理を行って親ノードでの分類
に使用した属性を除いた属性の内で任意の属性を前記子
ノードに対する親ノードとして配置し、これらの処理を
カテゴリーＣi と状態(i) にあるカテゴリーＣj との間
において再識別ノードがなくなるまで行うステップと、 （ｈ）上記ステップにおいて分類できなかった子ノード
においては前記ステップ（ｄ）における状態(ii)または
(iii) の場合を考え、カテゴリーの分割を、ある属性分
布Ｔk においてあるｓ個のカテゴリーＣ1 ，…，Ｃi ，
…，Ｃs が重なり合っている場合、ある属性Ｔk におい
て任意のカテゴリーＣi は他のすべてのカテゴリーと重
なりのない部分、任意のカテゴリーＣi と他の任意の１
個のカテゴリーが重なる部分、任意のカテゴリーＣi と
他の任意の２個のカテゴリーが重なる部分、・・・、任
意のカテゴリーＣi と他の任意のｓ−２個のカテゴリー
が重なる部分、任意のカテゴリーＣi と他の任意のｓ−
１個のカテゴリーが重なる部分に分け、この分割によ
り、分割された新たなカテゴリーを作り、分割したカテ
ゴリーがすべての属性Ｔk に対して空集合の場合、新た
なカテゴリーは作らないとするステップと、 （ｉ）属性値の確率分布を求めるステップと、 （ｊ）ある任意の２つのカテゴリーにおいて、属性の分
布に重なりのある場合、それぞれのカテゴリーの重なり
のある部分の確率と重なりのない部分の確率を求めるス
テップと、 （ｋ）前記ステップ（ｈ）で求めたカテゴリーの分割に
よってできた新しいカテゴリーに対し、属性値の分布の
重なりの確率に基づく評価関数により評価を行い、最も
効率的な属性を選択し、（ｇ）までのステップで分類で
きなかった子ノードに対し、最も効率的な属性によって
分類するステップと、 （ｌ）決定木よりデータの分類のフローチャートを作成
するステップとを有し、このフローチャートにより事故
原因診断を行うことを特徴とする送配電線の事故原因診
断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4258680A JP3019236B2 (ja) | 1992-09-28 | 1992-09-28 | 送配電線の事故原因診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4258680A JP3019236B2 (ja) | 1992-09-28 | 1992-09-28 | 送配電線の事故原因診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06113439A true JPH06113439A (ja) | 1994-04-22 |
| JP3019236B2 JP3019236B2 (ja) | 2000-03-13 |
Family
ID=17323612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4258680A Expired - Fee Related JP3019236B2 (ja) | 1992-09-28 | 1992-09-28 | 送配電線の事故原因診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3019236B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9135557B2 (en) | 2010-09-02 | 2015-09-15 | Kanden Engineering Corporation | Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil |
| JP2018125912A (ja) * | 2017-01-30 | 2018-08-09 | 学校法人鶴学園 | 地絡要因判定装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02241333A (ja) * | 1989-03-14 | 1990-09-26 | Togami Electric Mfg Co Ltd | 配電線事故診断方法及びその装置 |
| JPH0378420A (ja) * | 1989-08-17 | 1991-04-03 | Kyushu Electric Power Co Inc | 配電線の異常状態監視装置 |
-
1992
- 1992-09-28 JP JP4258680A patent/JP3019236B2/ja not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02241333A (ja) * | 1989-03-14 | 1990-09-26 | Togami Electric Mfg Co Ltd | 配電線事故診断方法及びその装置 |
| JPH0378420A (ja) * | 1989-08-17 | 1991-04-03 | Kyushu Electric Power Co Inc | 配電線の異常状態監視装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9135557B2 (en) | 2010-09-02 | 2015-09-15 | Kanden Engineering Corporation | Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil |
| JP2018125912A (ja) * | 2017-01-30 | 2018-08-09 | 学校法人鶴学園 | 地絡要因判定装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3019236B2 (ja) | 2000-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bollen et al. | Bridging the gap between signal and power | |
| Moradzadeh et al. | Turn-to-turn short circuit fault localization in transformer winding via image processing and deep learning method | |
| Kreuger et al. | Classification of partial discharges | |
| US6405184B1 (en) | Process for producing fault classification signals | |
| US7676333B2 (en) | Method and apparatus for analyzing partial discharges in electrical devices | |
| CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
| US7579843B2 (en) | Methods and apparatus for analyzing partial discharge in electrical machinery | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| US20120330871A1 (en) | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment | |
| US9336491B2 (en) | Identification of power system events using fuzzy logic | |
| KR101625087B1 (ko) | 고조파 분석에 의한 전기설비 고장 진단장치 | |
| JP3058564B2 (ja) | 送電線故障区間及び故障様相の評定方法 | |
| JPH11142466A (ja) | 配電線の事故原因推定方法及び装置 | |
| CN101027565A (zh) | 在至少一条电缆上检测电弧现象用的方法与装置 | |
| Júnior et al. | The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors | |
| Gomes et al. | High-impedance faults in power distribution systems: A narrative of the field’s developments | |
| EP2174149B1 (en) | A method and an apparatus for monitoring an activity of partial electrical discharges in an electrical apparatus powered with direct voltage | |
| Faisal et al. | Power quality diagnosis using time frequency analysis and rule based techniques | |
| CN118411154A (zh) | 一种配电设备安全状态评估方法及系统 | |
| JP2020187955A (ja) | 開閉装置の診断方法及び装置 | |
| EP3916402B1 (en) | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
| JPH06113439A (ja) | 送配電線の事故原因診断方法 | |
| Jota et al. | Fuzzy detection of high impedance faults in radial distribution feeders | |
| Kavitha et al. | Magnetoresistance sensor-based rotor fault detection in induction motor using non-decimated wavelet and streaming data | |
| Otudi et al. | Training Machine Learning Models with Simulated Data for Improved Line Fault Events Classification From 3-Phase PMU Field Recordings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |