JPH0635888A - 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 - Google Patents
神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置Info
- Publication number
- JPH0635888A JPH0635888A JP4209535A JP20953592A JPH0635888A JP H0635888 A JPH0635888 A JP H0635888A JP 4209535 A JP4209535 A JP 4209535A JP 20953592 A JP20953592 A JP 20953592A JP H0635888 A JPH0635888 A JP H0635888A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- input
- power system
- learning
- control device
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 急激に目標値が変化する場合でも、速やかに
学習が終了する神経回路網の学習方法を得ることを目的
とする。 【構成】 神経回路網の出力値と目標値との誤差を求め
ることにより、その誤差の２乗値とその誤差の変化分の
２乗値との和を求め、その和が所定値より大きい場合、
その神経回路網における各神経素子間の結合の重みを変
えることによってその和を小さくする方向に変化させる
ようにしたものである。
学習が終了する神経回路網の学習方法を得ることを目的
とする。 【構成】 神経回路網の出力値と目標値との誤差を求め
ることにより、その誤差の２乗値とその誤差の変化分の
２乗値との和を求め、その和が所定値より大きい場合、
その神経回路網における各神経素子間の結合の重みを変
えることによってその和を小さくする方向に変化させる
ようにしたものである。
Description
【０００１】
【産業上の利用分野】この発明は、電力系統の入出力関
係等を神経回路網に高速に学習させる神経回路網の学習
方法、並びにその学習方法を用いることにより、特定の
同定が困難な制御対象を最適に制御する電力系統電圧・
無効電力制御装置に関するものである。
係等を神経回路網に高速に学習させる神経回路網の学習
方法、並びにその学習方法を用いることにより、特定の
同定が困難な制御対象を最適に制御する電力系統電圧・
無効電力制御装置に関するものである。
【０００２】
【従来の技術】図１６は例えば１９８９年 ＮＥＵＲＡ
Ｌ ＣＯＭＰＵＴＡＴＩＯＮ Ｖｏｌ．１ Ｎｕｍ．２
に発表されたＲ．Ｊ．Ｗｉｌｌｉａｍｓ等による論
文”ＡＬｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｆｏｒ
Ｃｏｎｔｉｎｕａｌｌｙ Ｒｕｎｎｉｎｇ Ｆｕｌｌ
ｙ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔ−ｗｏ
ｒｋｓ”に示された従来の神経回路網の学習方法の学習
アルゴリズムを示すフローチャート図である。
Ｌ ＣＯＭＰＵＴＡＴＩＯＮ Ｖｏｌ．１ Ｎｕｍ．２
に発表されたＲ．Ｊ．Ｗｉｌｌｉａｍｓ等による論
文”ＡＬｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｆｏｒ
Ｃｏｎｔｉｎｕａｌｌｙ Ｒｕｎｎｉｎｇ Ｆｕｌｌ
ｙ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔ−ｗｏ
ｒｋｓ”に示された従来の神経回路網の学習方法の学習
アルゴリズムを示すフローチャート図である。
【０００３】次に動作について説明する。神経回路網の
学習においては、まず、ある入力に対して神経回路網が
出力すべき出力値ｙk （ｔ）を目標値ｄk （ｔ）として
設定する（ステップＳＴ１）。ここで、ｋは神経回路網
を構成する神経素子のｋ番目を示す。
学習においては、まず、ある入力に対して神経回路網が
出力すべき出力値ｙk （ｔ）を目標値ｄk （ｔ）として
設定する（ステップＳＴ１）。ここで、ｋは神経回路網
を構成する神経素子のｋ番目を示す。
【０００４】次に、ある入力を神経回路網に入力し、そ
の神経回路網の出力値ｙk （ｔ）と目標値ｄk （ｔ）の
誤差ｅk （ｔ）を求める（ステップＳＴ２）。そして、
その誤差ｅk （ｔ）の２乗和を神経回路網の評価関数Ｊ
（ｔ）として、下記のように求める。
の神経回路網の出力値ｙk （ｔ）と目標値ｄk （ｔ）の
誤差ｅk （ｔ）を求める（ステップＳＴ２）。そして、
その誤差ｅk （ｔ）の２乗和を神経回路網の評価関数Ｊ
（ｔ）として、下記のように求める。
【０００５】
【数１】
【０００６】次に、評価関数Ｊ（ｔ）の値とあらかじめ
設定されている所定値εを比較し（ステップＳＴ４）、
評価関数Ｊ（ｔ）の値が所定値εより小さければ学習を
終了し、評価関数Ｊ（ｔ）の値が所定値εより大きけれ
ば、評価関数Ｊ（ｔ）の値が所定値εより小さくなるよ
うに、神経素子間の結合の重み（神経素子ｉと入力ｊと
の結合係数ｗij）を下記のように変更する（ステップＳ
Ｔ５、６）。 ｗij（ｔ）＝ｗij（ｔ）＋Δｗij（ｔ） ・・・（２） ここで、Δｗij（ｔ）は結合係数Ｗijの各時刻の修正量
であり、修正量Δｗij（ｔ）の決定は、最急降下法を用
いて求められ（図１６（ｂ）、図４（ａ）参照）、数式
で表すと下記のようになる。
設定されている所定値εを比較し（ステップＳＴ４）、
評価関数Ｊ（ｔ）の値が所定値εより小さければ学習を
終了し、評価関数Ｊ（ｔ）の値が所定値εより大きけれ
ば、評価関数Ｊ（ｔ）の値が所定値εより小さくなるよ
うに、神経素子間の結合の重み（神経素子ｉと入力ｊと
の結合係数ｗij）を下記のように変更する（ステップＳ
Ｔ５、６）。 ｗij（ｔ）＝ｗij（ｔ）＋Δｗij（ｔ） ・・・（２） ここで、Δｗij（ｔ）は結合係数Ｗijの各時刻の修正量
であり、修正量Δｗij（ｔ）の決定は、最急降下法を用
いて求められ（図１６（ｂ）、図４（ａ）参照）、数式
で表すと下記のようになる。
【０００７】
【数２】
【０００８】そして、ステップＳＴ２に戻り、評価関数
Ｊ（ｔ）の値が所定値εより小さくなるまで繰り返しス
テップＳＴ３の計算、ステップＳＴ４の比較、ステップ
ＳＴ５、６の変更が行われ、評価関数Ｊ（ｔ）の値が所
定値εより小さくなると学習を終了する。
Ｊ（ｔ）の値が所定値εより小さくなるまで繰り返しス
テップＳＴ３の計算、ステップＳＴ４の比較、ステップ
ＳＴ５、６の変更が行われ、評価関数Ｊ（ｔ）の値が所
定値εより小さくなると学習を終了する。
【０００９】また、図１７は従来の電力系統電圧・無効
電力制御装置を示す構成図であり、図において、１は制
御対象である電力系統、２は制御対象である電力系統１
の入出力関係と一致するように、予め学習（学習フェー
ズ１）の済んだ神経回路網で形成されたニューロ系統シ
ミュレータ（神経回路網電力系統模擬装置）、３は制御
平面パターン（図１９参照）に基づいて、負荷時タップ
切替変圧器のタップ（ｔａｐ）の上下、あるいは進相コ
ンデンサ、分路リアクトルの入／切を制御するＶＱ制御
装置（電圧・無効電力制御装置）、４はＶＱ制御装置３
の入出力関係と一致するように、予め学習（学習フェー
ズ１）の済んだ神経回路網で形成されたニューロＶＱＣ
（神経回路網電圧・無効電力制御装置）である。
電力制御装置を示す構成図であり、図において、１は制
御対象である電力系統、２は制御対象である電力系統１
の入出力関係と一致するように、予め学習（学習フェー
ズ１）の済んだ神経回路網で形成されたニューロ系統シ
ミュレータ（神経回路網電力系統模擬装置）、３は制御
平面パターン（図１９参照）に基づいて、負荷時タップ
切替変圧器のタップ（ｔａｐ）の上下、あるいは進相コ
ンデンサ、分路リアクトルの入／切を制御するＶＱ制御
装置（電圧・無効電力制御装置）、４はＶＱ制御装置３
の入出力関係と一致するように、予め学習（学習フェー
ズ１）の済んだ神経回路網で形成されたニューロＶＱＣ
（神経回路網電圧・無効電力制御装置）である。
【００１０】また、図１８はニューロ系統シミュレータ
２とニューロＶＱＣ４における学習フェーズ２の構成例
であり、学習フェーズ２は、ニューロＶＱＣ４の入出力
とニューロ系統シミュレータ２の入出力を結合して、そ
のニューロＶＱＣ４の入力とニューロ系統シミュレータ
２の出力とが一致するようにそのニューロＶＱＣ４の神
経回路網を再学習させるものである。
２とニューロＶＱＣ４における学習フェーズ２の構成例
であり、学習フェーズ２は、ニューロＶＱＣ４の入出力
とニューロ系統シミュレータ２の入出力を結合して、そ
のニューロＶＱＣ４の入力とニューロ系統シミュレータ
２の出力とが一致するようにそのニューロＶＱＣ４の神
経回路網を再学習させるものである。
【００１１】次に動作について説明する。まず、予めニ
ューロ系統シミュレータ２の神経回路網が電力系統１の
入出力関係と各時刻で一致するように学習する（学習フ
ェーズ１）とともに、ニューロＶＱＣ４の神経回路網が
ＶＱ制御装置３の入出力関係と各時刻で一致するように
学習する（学習フェーズ１）ことにより、それぞれ電力
系統１又はＶＱ制御装置３と等価な特性を有するニュー
ロ系統シミュレータ２及びニューロＶＱＣ４を構築す
る。
ューロ系統シミュレータ２の神経回路網が電力系統１の
入出力関係と各時刻で一致するように学習する（学習フ
ェーズ１）とともに、ニューロＶＱＣ４の神経回路網が
ＶＱ制御装置３の入出力関係と各時刻で一致するように
学習する（学習フェーズ１）ことにより、それぞれ電力
系統１又はＶＱ制御装置３と等価な特性を有するニュー
ロ系統シミュレータ２及びニューロＶＱＣ４を構築す
る。
【００１２】ここで、上記のごとく学習するに際し、電
力系統の入出力情報（例えばｔａｐの上下やＳｃの入／
切情報）は、自己の電気所のものに限らず、他場所の電
気所のものもケーブル等を配線して入力するようにして
いる。
力系統の入出力情報（例えばｔａｐの上下やＳｃの入／
切情報）は、自己の電気所のものに限らず、他場所の電
気所のものもケーブル等を配線して入力するようにして
いる。
【００１３】次に、上記の学習が済んだニューロＶＱＣ
４の入出力とニューロ系統シミュレータ２の入出力を結
合して、そのニューロＶＱＣ４の入力とニューロ系統シ
ミュレータ２の出力とが一致するようにそのニューロＶ
ＱＣ４の神経回路網を再学習させる（学習フェーズ
２）。そして、実際の制御においてはその学習の結果に
基づいてニューロＶＱＣ４が電力系統１を制御する。
４の入出力とニューロ系統シミュレータ２の入出力を結
合して、そのニューロＶＱＣ４の入力とニューロ系統シ
ミュレータ２の出力とが一致するようにそのニューロＶ
ＱＣ４の神経回路網を再学習させる（学習フェーズ
２）。そして、実際の制御においてはその学習の結果に
基づいてニューロＶＱＣ４が電力系統１を制御する。
【００１４】
【発明が解決しようとする課題】従来の神経回路網の学
習方法は以上のように構成されているので、例えば制御
対象や制御装置の動的特性を学習する場合において急激
に目標値が変化すると、神経回路網の出力値と目標値の
誤差のみを考慮して各神経素子間の結合の重みを変える
ため、学習が終了するまでに長時間を要するなどの問題
点があった。また、従来の電力系統電圧・無効電力制御
装置は以上のように構成されているので、学習フェーズ
１の学習をするには、他場所の電気所における電力系統
の入出力情報を自己の電気所までケーブル等を配線して
伝送しなければならず、そのための工事等が面倒である
とともにニューラルネットの学習に時間がかかるなどの
問題点があった。
習方法は以上のように構成されているので、例えば制御
対象や制御装置の動的特性を学習する場合において急激
に目標値が変化すると、神経回路網の出力値と目標値の
誤差のみを考慮して各神経素子間の結合の重みを変える
ため、学習が終了するまでに長時間を要するなどの問題
点があった。また、従来の電力系統電圧・無効電力制御
装置は以上のように構成されているので、学習フェーズ
１の学習をするには、他場所の電気所における電力系統
の入出力情報を自己の電気所までケーブル等を配線して
伝送しなければならず、そのための工事等が面倒である
とともにニューラルネットの学習に時間がかかるなどの
問題点があった。
【００１５】請求項１・２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、急激に目標値が変化
する場合でも、速やかに学習が終了する神経回路網の学
習方法を得ることを目的とする。
を解消するためになされたもので、急激に目標値が変化
する場合でも、速やかに学習が終了する神経回路網の学
習方法を得ることを目的とする。
【００１６】また、請求項３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、ケーブル等を配線
しなくても、他場所の電気所における電力系統の入出力
情報を得て学習をすることができる電力系統電圧・無効
電力制御装置を得ることを目的とする。
点を解消するためになされたもので、ケーブル等を配線
しなくても、他場所の電気所における電力系統の入出力
情報を得て学習をすることができる電力系統電圧・無効
電力制御装置を得ることを目的とする。
【００１７】さらに、請求項４の発明は、制御対象であ
る電力系統の特性が変化した場合でも、電力系統の制御
を中断することなく、神経回路網電圧・無効電力制御装
置の特性を、対象の電力系統の特性に最適である電力系
統電圧・無効電力制御装置を得ることを目的とする。
る電力系統の特性が変化した場合でも、電力系統の制御
を中断することなく、神経回路網電圧・無効電力制御装
置の特性を、対象の電力系統の特性に最適である電力系
統電圧・無効電力制御装置を得ることを目的とする。
【００１８】
【課題を解決するための手段】請求項１の発明に係わる
神経回路網の学習方法は、神経回路網の出力値と目標値
との誤差を求めることにより、その誤差の２乗値とその
誤差の変化分の２乗値との和を求め、その和が所定値よ
り大きい場合、その神経回路網における各神経素子間の
結合の重みを変えることによってその和を小さくする方
向に変化させるようにしたものである。
神経回路網の学習方法は、神経回路網の出力値と目標値
との誤差を求めることにより、その誤差の２乗値とその
誤差の変化分の２乗値との和を求め、その和が所定値よ
り大きい場合、その神経回路網における各神経素子間の
結合の重みを変えることによってその和を小さくする方
向に変化させるようにしたものである。
【００１９】また、請求項２の発明に係わる神経回路網
の学習方法は、神経回路網の出力値と目標値との誤差を
求めることにより、その誤差の２乗和を求め、その２乗
和が所定値より大きい場合、その神経回路網における各
神経素子間の結合の重みを一次探索法を用いて変えるこ
とによってその和を小さくする方向に変化させるように
したものである。
の学習方法は、神経回路網の出力値と目標値との誤差を
求めることにより、その誤差の２乗和を求め、その２乗
和が所定値より大きい場合、その神経回路網における各
神経素子間の結合の重みを一次探索法を用いて変えるこ
とによってその和を小さくする方向に変化させるように
したものである。
【００２０】また、請求項３の発明に係わる電力系統電
圧・無効電力制御装置は、神経回路網電力系統模擬装置
の神経回路網が予め電力系統の入出力関係を学習をする
際、自己の電気所以外の電力系統の入出力関係について
は、自己の電気所の変圧器一次側通過無効電力及び自己
の電気所の入出力関係に基づいて推測したものを用いて
学習するようにしたものである。
圧・無効電力制御装置は、神経回路網電力系統模擬装置
の神経回路網が予め電力系統の入出力関係を学習をする
際、自己の電気所以外の電力系統の入出力関係について
は、自己の電気所の変圧器一次側通過無効電力及び自己
の電気所の入出力関係に基づいて推測したものを用いて
学習するようにしたものである。
【００２１】さらに、請求項４の発明に係わる電力系統
電圧・無効電力制御装置は、神経回路網電力系統模擬装
置の入出力関係と電力系統の入出力関係に誤差が生じた
場合、その電力系統の制御を神経回路網電圧・無効電力
制御装置から電圧・無効電力制御装置に切り替えるとと
もに、その電力系統の入出力関係を学習用神経回路網電
圧・無効電力制御装置及び学習用神経回路網電力系統模
擬装置に学習させて、その学習結果を上記神経回路網電
圧・無効電力制御装置及び神経回路網電力系統模擬装置
に記憶させる再学習判定部を設けたものである。
電圧・無効電力制御装置は、神経回路網電力系統模擬装
置の入出力関係と電力系統の入出力関係に誤差が生じた
場合、その電力系統の制御を神経回路網電圧・無効電力
制御装置から電圧・無効電力制御装置に切り替えるとと
もに、その電力系統の入出力関係を学習用神経回路網電
圧・無効電力制御装置及び学習用神経回路網電力系統模
擬装置に学習させて、その学習結果を上記神経回路網電
圧・無効電力制御装置及び神経回路網電力系統模擬装置
に記憶させる再学習判定部を設けたものである。
【００２２】
【作用】請求項１の発明における神経回路網の学習方法
は、神経回路網の出力値と目標値との誤差を求めること
により、その誤差の２乗値とその誤差の変化分の２乗値
との和を求め、その和が所定値より大きい場合、その神
経回路網における各神経素子間の結合の重みを変えるこ
とによってその和を小さくする方向に変化させるので、
学習に要する繰り返し回数が減少される。
は、神経回路網の出力値と目標値との誤差を求めること
により、その誤差の２乗値とその誤差の変化分の２乗値
との和を求め、その和が所定値より大きい場合、その神
経回路網における各神経素子間の結合の重みを変えるこ
とによってその和を小さくする方向に変化させるので、
学習に要する繰り返し回数が減少される。
【００２３】また、請求項２の発明における神経回路網
の学習方法は、誤差の２乗和が所定値より大きい場合、
神経回路網における各神経素子間の結合の重みを一次探
索法を用いて変えることにより、その和を小さくする方
向に変化させるので、学習に要する繰り返し回数が減少
される。
の学習方法は、誤差の２乗和が所定値より大きい場合、
神経回路網における各神経素子間の結合の重みを一次探
索法を用いて変えることにより、その和を小さくする方
向に変化させるので、学習に要する繰り返し回数が減少
される。
【００２４】また、請求項３の発明における電力系統電
圧・無効電力制御装置は、神経回路網電力系統模擬装置
の神経回路網が予め電力系統の入出力関係を学習をする
際、自己の電気所以外の電力系統の入出力関係について
は、自己の電気所の変圧器一次側通過無効電力及び自己
の電気所の入出力関係に基づいて推測したものを用いて
学習するようにしたことにより、ケーブル等の配線が不
要になる。
圧・無効電力制御装置は、神経回路網電力系統模擬装置
の神経回路網が予め電力系統の入出力関係を学習をする
際、自己の電気所以外の電力系統の入出力関係について
は、自己の電気所の変圧器一次側通過無効電力及び自己
の電気所の入出力関係に基づいて推測したものを用いて
学習するようにしたことにより、ケーブル等の配線が不
要になる。
【００２５】さらに、請求項４の発明における電力系統
電圧・無効電力制御装置は、神経回路網電力系統模擬装
置の入出力関係と電力系統の入出力関係に誤差が生じた
場合、その電力系統の制御を神経回路網電圧・無効電力
制御装置から電圧・無効電力制御装置に切り替えるとと
もに、その電力系統の入出力関係を学習用神経回路網電
圧・無効電力制御装置及び学習用神経回路網電力系統模
擬装置に学習させて、その学習結果を上記神経回路網電
圧・無効電力制御装置及び神経回路網電力系統模擬装置
に記憶させる再学習判定部を設けたことにより、電力系
統の特性が変化しても、電力系統の制御を中断すること
なく、神経回路網電圧・無効電力制御装置の特性が、電
力系統の特性に常に最適に調整される。
電圧・無効電力制御装置は、神経回路網電力系統模擬装
置の入出力関係と電力系統の入出力関係に誤差が生じた
場合、その電力系統の制御を神経回路網電圧・無効電力
制御装置から電圧・無効電力制御装置に切り替えるとと
もに、その電力系統の入出力関係を学習用神経回路網電
圧・無効電力制御装置及び学習用神経回路網電力系統模
擬装置に学習させて、その学習結果を上記神経回路網電
圧・無効電力制御装置及び神経回路網電力系統模擬装置
に記憶させる再学習判定部を設けたことにより、電力系
統の特性が変化しても、電力系統の制御を中断すること
なく、神経回路網電圧・無効電力制御装置の特性が、電
力系統の特性に常に最適に調整される。
【００２６】
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は請求項１の発明の一実施例による神経回路
網の学習方法の学習アルゴリズムを示すフローチャート
図であり、図において、従来のものと同一符号は同一ま
たは相当部分を示す。
する。図１は請求項１の発明の一実施例による神経回路
網の学習方法の学習アルゴリズムを示すフローチャート
図であり、図において、従来のものと同一符号は同一ま
たは相当部分を示す。
【００２７】次に動作について説明する。図１と図１６
を比較すると、図１のステップＳＴ１１と図１６のステ
ップＳＴ３の部分が相違しており、即ち評価関数Ｊ
（ｔ）を求める演算式が相違している。
を比較すると、図１のステップＳＴ１１と図１６のステ
ップＳＴ３の部分が相違しており、即ち評価関数Ｊ
（ｔ）を求める演算式が相違している。
【００２８】
【数３】
【００２９】ここで、式（１）と式（７）を比較する
と、式（７）には誤差の変化分の２乗値｛Δｅk
（ｔ）｝2 が追加されている点で相違している。このよ
うに、誤差の変化分を考慮しているため、神経素子間の
結合の重み（神経素子ｉと入力ｊとの結合係数ｗij）を
変更する（ステップＳＴ５、６）に際し、神経素子間の
結合の重みを変えることによって、誤差の変化分が小さ
くなる方向にあるのか、大きくなる方向にあるのかを情
報として知ることができ、従って、適切な修正量Δｗij
（ｔ）が求められ、結果として、学習の終了に要する時
間が従来のものに比較して短時間で済むことになる。
と、式（７）には誤差の変化分の２乗値｛Δｅk
（ｔ）｝2 が追加されている点で相違している。このよ
うに、誤差の変化分を考慮しているため、神経素子間の
結合の重み（神経素子ｉと入力ｊとの結合係数ｗij）を
変更する（ステップＳＴ５、６）に際し、神経素子間の
結合の重みを変えることによって、誤差の変化分が小さ
くなる方向にあるのか、大きくなる方向にあるのかを情
報として知ることができ、従って、適切な修正量Δｗij
（ｔ）が求められ、結果として、学習の終了に要する時
間が従来のものに比較して短時間で済むことになる。
【００３０】
【数４】
【００３１】なお、評価関数Ｊ（ｔ）に誤差の変化分を
考慮した場合（γ＝１の場合）は、誤差の変化分を考慮
しなかった場合（γ＝０）に比べて、他の条件をすべて
同じにすると、学習の終了に要する時間が約１／４に短
縮される。
考慮した場合（γ＝１の場合）は、誤差の変化分を考慮
しなかった場合（γ＝０）に比べて、他の条件をすべて
同じにすると、学習の終了に要する時間が約１／４に短
縮される。
【００３２】実施例２．図３は請求項２の発明の一実施
例による神経回路網の学習方法における各神経素子間の
結合の重みを変えるアルゴリズムを示すフローチャート
図である。
例による神経回路網の学習方法における各神経素子間の
結合の重みを変えるアルゴリズムを示すフローチャート
図である。
【００３３】次に動作について説明する。この発明は、
従来のものと比較して、各神経素子間の結合の重みｗij
（ｔ）を変えるアルゴリズムにおいて相違している。即
ち、従来のものは最急降下法（図４（ａ）、図１６
（ｂ）参照）を用いて修正量Δｗij（ｔ）を求めること
により結合の重みｗij（ｔ）を変更していたが（図１６
のステップＳＴ５、６）、この発明では最適勾配法（２
次内挿法）等の一次探索法（図４（ｂ）、図３参照）を
用いて修正量Δｗij（ｔ）を求めることにより結合の重
みｗij（ｔ）を変更している点で相違している。
従来のものと比較して、各神経素子間の結合の重みｗij
（ｔ）を変えるアルゴリズムにおいて相違している。即
ち、従来のものは最急降下法（図４（ａ）、図１６
（ｂ）参照）を用いて修正量Δｗij（ｔ）を求めること
により結合の重みｗij（ｔ）を変更していたが（図１６
のステップＳＴ５、６）、この発明では最適勾配法（２
次内挿法）等の一次探索法（図４（ｂ）、図３参照）を
用いて修正量Δｗij（ｔ）を求めることにより結合の重
みｗij（ｔ）を変更している点で相違している。
【００３４】ここで、最適勾配法は、目的とする関数を
求めるための繰り返し回数が少なくて済むという特徴を
持っており、評価関数Ｊ（ｔ）を最適にするα（式
（３）参照）を求める方法である。
求めるための繰り返し回数が少なくて済むという特徴を
持っており、評価関数Ｊ（ｔ）を最適にするα（式
（３）参照）を求める方法である。
【００３５】図３のアルゴリズムについて説明する。 １． もし、Ｈ（１）＞Ｈ（０）なら、Ｈ（α）＜Ｈ
（０）となるまでＨ（α）を求め（ただし、α＝１／
２，１／４，・・・）、ａ＝０，ｂ＝α，ｃ＝２αとお
く。ただし、修正された神経素子間の結合係数ｗij（ｎ
＋１）及び評価関数Ｈ（α）を以下のように定義する。 ｗij（ｎ＋１）＝ｗij（ｎ）＋αΔｗij ・・・（１４） Ｈ（α）＝Ｊ（ｗij：ｗij＋αΔｗij） ・・・（１５）
（０）となるまでＨ（α）を求め（ただし、α＝１／
２，１／４，・・・）、ａ＝０，ｂ＝α，ｃ＝２αとお
く。ただし、修正された神経素子間の結合係数ｗij（ｎ
＋１）及び評価関数Ｈ（α）を以下のように定義する。 ｗij（ｎ＋１）＝ｗij（ｎ）＋αΔｗij ・・・（１４） Ｈ（α）＝Ｊ（ｗij：ｗij＋αΔｗij） ・・・（１５）
【００３６】２． 一方、Ｈ（１）＜Ｈ（０）なら、Ｈ
（ｂ）＜Ｈ（ｃ）となるａ，ｂ，ｃを求め、Ｈ（α）を
計算する。即ち、Ｈ（α）の値が一つ前のＨ（α）の値
より大きくなったとき、α＝ｃまで計算してやめる。
（ｂ）＜Ｈ（ｃ）となるａ，ｂ，ｃを求め、Ｈ（α）を
計算する。即ち、Ｈ（α）の値が一つ前のＨ（α）の値
より大きくなったとき、α＝ｃまで計算してやめる。
【００３７】３． 次に、以下のようにαe を求める。
【００３８】
【数５】
【００３９】４． もし、Ｈ（αe ）＜Ｈ（ｂ）なら
ば、αe を求める最適値αとし、Ｈ（αe ）＞Ｈ（ｂ）
ならば、ｂを求める最適値αとする。
ば、αe を求める最適値αとし、Ｈ（αe ）＞Ｈ（ｂ）
ならば、ｂを求める最適値αとする。
【００４０】上記のようにして求めたαを式（３）に代
入し、修正量Δｗij（ｔ）を求め、各神経素子間の結合
の重みを変更する。
入し、修正量Δｗij（ｔ）を求め、各神経素子間の結合
の重みを変更する。
【００４１】なお、従来の最急降下法を用いた場合に比
べて学習に要する時間が約１／３に短縮される。
べて学習に要する時間が約１／３に短縮される。
【００４２】実施例３．図５は請求項３の発明の一実施
例による電力系統電圧・無効電力制御装置を示す構成図
であり、図において、従来のものと同一符号は同一また
は相当部分を示すので説明を省略する。５は予め電力系
統１の入出力関係を学習をする際、自己の電気所以外
（他場所）の電力系統１の入出力関係については、自己
の電気所の変圧器一次側通過無効電力Ｑ１及び自己の電
気所の入出力関係（電力用コンデンサＳｃ）に基づいて
推測したものを用いて学習するニューロ系統シミュレー
タ（神経回路網電力系統模擬装置）である。
例による電力系統電圧・無効電力制御装置を示す構成図
であり、図において、従来のものと同一符号は同一また
は相当部分を示すので説明を省略する。５は予め電力系
統１の入出力関係を学習をする際、自己の電気所以外
（他場所）の電力系統１の入出力関係については、自己
の電気所の変圧器一次側通過無効電力Ｑ１及び自己の電
気所の入出力関係（電力用コンデンサＳｃ）に基づいて
推測したものを用いて学習するニューロ系統シミュレー
タ（神経回路網電力系統模擬装置）である。
【００４３】次に動作について説明する。予め、ニュー
ロ系統シミュレータ５が電力系統１の入出力関係を学習
する際、図７に示すように、自己の電気所における情報
（例えば、変圧器の１・２次側電圧Ｖ1 ・Ｖ2 、変圧器
１・２次側通過有効電力Ｐ1 ・Ｐ2 、変圧器１・２次側
通過無効電力Ｑ1 ・Ｑ2 、負荷時タップ切替装置（ｔａ
ｐ）、電力用コンデンサ（Ｓｃ））は、局所的なデータ
であるため、容易に取り入れることができるので、これ
らの情報から他場所の電気所の入出力関係（他場所の電
力用コンデンサＳｃ（以下、Ｏｔｈｅｒ Ｓｃと呼
ぶ））を推測し、面倒な配線等をなくそうとするもので
ある。
ロ系統シミュレータ５が電力系統１の入出力関係を学習
する際、図７に示すように、自己の電気所における情報
（例えば、変圧器の１・２次側電圧Ｖ1 ・Ｖ2 、変圧器
１・２次側通過有効電力Ｐ1 ・Ｐ2 、変圧器１・２次側
通過無効電力Ｑ1 ・Ｑ2 、負荷時タップ切替装置（ｔａ
ｐ）、電力用コンデンサ（Ｓｃ））は、局所的なデータ
であるため、容易に取り入れることができるので、これ
らの情報から他場所の電気所の入出力関係（他場所の電
力用コンデンサＳｃ（以下、Ｏｔｈｅｒ Ｓｃと呼
ぶ））を推測し、面倒な配線等をなくそうとするもので
ある。
【００４４】即ち、自己の電気所で取り得ることのでき
る自己の電気所の変圧器１次側通過無効電力Ｑ1 は、自
己の電気所を含めて全ての電気所の動作等を反映してい
るので、この変圧器１次側通過無効電力Ｑ1 から自己の
電気所の電力用コンデンサＳｃの値を差し引くと、自己
の電気所以外の無効電力変化が反映されることになる。 自己の電気所以外の無効電力変化要因＝Ｑ1 ＋ＳC つまり、自己の電気所で電力用コンデンサＳｃが投入さ
れると、変圧器１次側通過無効電力Ｑ1 から電力用コン
デンサＳｃの投入分の無効電力が減少するので、例え
ば、負荷の消費無効電力の変化等による定常的（変化の
度合いが少ない）なものを取り除くと、自己の電気所以
外の制御動作Ｏｔｈｅｒ Ｓｃが得られる。実際には、
消費電力等の原因による定常的な変化があるので、フィ
ルター等で取り除いている（図８参照）。
る自己の電気所の変圧器１次側通過無効電力Ｑ1 は、自
己の電気所を含めて全ての電気所の動作等を反映してい
るので、この変圧器１次側通過無効電力Ｑ1 から自己の
電気所の電力用コンデンサＳｃの値を差し引くと、自己
の電気所以外の無効電力変化が反映されることになる。 自己の電気所以外の無効電力変化要因＝Ｑ1 ＋ＳC つまり、自己の電気所で電力用コンデンサＳｃが投入さ
れると、変圧器１次側通過無効電力Ｑ1 から電力用コン
デンサＳｃの投入分の無効電力が減少するので、例え
ば、負荷の消費無効電力の変化等による定常的（変化の
度合いが少ない）なものを取り除くと、自己の電気所以
外の制御動作Ｏｔｈｅｒ Ｓｃが得られる。実際には、
消費電力等の原因による定常的な変化があるので、フィ
ルター等で取り除いている（図８参照）。
【００４５】なお、ニューロ系統シミュレータ５及びニ
ューロＶＱＣ４を結合させる学習フェーズ２では、推測
した自己の電気所以外の電気所の制御動作Ｏｔｈｅｒ
Ｓｃを０としてやることで、自己の電気所のみの影響を
学習することができる。
ューロＶＱＣ４を結合させる学習フェーズ２では、推測
した自己の電気所以外の電気所の制御動作Ｏｔｈｅｒ
Ｓｃを０としてやることで、自己の電気所のみの影響を
学習することができる。
【００４６】また、例えば他場所の電気所のｔａｐ動作
を推測する方法について説明する。例えばその一例とし
て、変圧器の１・２次側電圧Ｖ1 ・Ｖ2 の値を各時刻で
平面上にプロットしていくと図９のように値が不連続に
なる点と、傾きが不連続になる点が現れる。これらのう
ち前者は自己の電気所の電力用コンデンサＳｃあるいは
他場所の電気所の電力用コンデンサＯｔｈｅｒ Ｓｃが
動作した場合であり、後者は自己の電気所あるいは他場
所の電気所のｔａｐが動作したものである。
を推測する方法について説明する。例えばその一例とし
て、変圧器の１・２次側電圧Ｖ1 ・Ｖ2 の値を各時刻で
平面上にプロットしていくと図９のように値が不連続に
なる点と、傾きが不連続になる点が現れる。これらのう
ち前者は自己の電気所の電力用コンデンサＳｃあるいは
他場所の電気所の電力用コンデンサＯｔｈｅｒ Ｓｃが
動作した場合であり、後者は自己の電気所あるいは他場
所の電気所のｔａｐが動作したものである。
【００４７】即ち、自己の電気所のｔａｐの動作は取り
入れることが可能であるため、後者の場合に自己の電気
所のｔａｐが動作していないときは、自己の電気所のｔ
ａｐが動作したとみなすことにより、他場所の電気所の
ｔａｐの動作を推測することができる。
入れることが可能であるため、後者の場合に自己の電気
所のｔａｐが動作していないときは、自己の電気所のｔ
ａｐが動作したとみなすことにより、他場所の電気所の
ｔａｐの動作を推測することができる。
【００４８】実施例４．図１０は請求項４の発明の一実
施例による電力系統電圧・無効電力制御装置を示す構成
図であり、図において、１１はニューロ系統シミュレー
タ２の入出力関係と電力系統１の入出力関係に誤差が生
じた場合、その電力系統１の制御をニューロＶＱＣ４か
らＶＱ制御装置３に切り替えるとともに、その電力系統
１の入出力関係を学習用ニューロＶＱＣ１２及び学習用
ニューロ系統シミュレータ１３に学習させて、その学習
結果をニューロＶＱＣ４及びニューロ系統シミュレータ
２に記憶させる再学習判定部、１４は電力系統１の入出
力情報を記憶する記憶部である。
施例による電力系統電圧・無効電力制御装置を示す構成
図であり、図において、１１はニューロ系統シミュレー
タ２の入出力関係と電力系統１の入出力関係に誤差が生
じた場合、その電力系統１の制御をニューロＶＱＣ４か
らＶＱ制御装置３に切り替えるとともに、その電力系統
１の入出力関係を学習用ニューロＶＱＣ１２及び学習用
ニューロ系統シミュレータ１３に学習させて、その学習
結果をニューロＶＱＣ４及びニューロ系統シミュレータ
２に記憶させる再学習判定部、１４は電力系統１の入出
力情報を記憶する記憶部である。
【００４９】次に動作について説明する。実際に電力系
統電圧・無効電力制御装置を運用する場合、予め、工場
等でニューロ系統シミュレータ２及びニューロＶＱＣ４
の学習を終了した後、電力系統１の動作を入出力情報と
して入力する。
統電圧・無効電力制御装置を運用する場合、予め、工場
等でニューロ系統シミュレータ２及びニューロＶＱＣ４
の学習を終了した後、電力系統１の動作を入出力情報と
して入力する。
【００５０】例えば、図１１のような電力需要に対して
逐次（例えば１０秒毎）、変圧器の１・２次側電圧Ｖ1
・Ｖ2 、変圧器１・２次側通過有効電力Ｐ1 ・Ｐ2 、変
圧器１・２次側通過無効電力Ｑ1 ・Ｑ2 等のサンプリン
グを行い、数分から数１０分を一つのパターンとして学
習を行う。
逐次（例えば１０秒毎）、変圧器の１・２次側電圧Ｖ1
・Ｖ2 、変圧器１・２次側通過有効電力Ｐ1 ・Ｐ2 、変
圧器１・２次側通過無効電力Ｑ1 ・Ｑ2 等のサンプリン
グを行い、数分から数１０分を一つのパターンとして学
習を行う。
【００５１】そして、ニューロＶＱＣ４が、この学習結
果に基づいて電力系統１を制御することになるが、学習
時と実際の電力系統１の特性が異なる場合がある。そこ
で、ニューロ系統シミュレータ２の出力と電力系統１の
出力を再学習判定部１１が入力して、誤差が生じていな
いかどうかを判定する。
果に基づいて電力系統１を制御することになるが、学習
時と実際の電力系統１の特性が異なる場合がある。そこ
で、ニューロ系統シミュレータ２の出力と電力系統１の
出力を再学習判定部１１が入力して、誤差が生じていな
いかどうかを判定する。
【００５２】もし、誤差が生じていれば、ニューロ系統
シミュレータ２及びニューロＶＱＣ４の再学習が必要で
あると判断する。そして、再学習を行う場合には、再学
習判定部１１は、ニューロＶＱＣ４の神経回路網は最適
に調整されていないので、電力系統１の制御を一旦、Ｖ
Ｑ制御装置３に行わせるように切り替える。
シミュレータ２及びニューロＶＱＣ４の再学習が必要で
あると判断する。そして、再学習を行う場合には、再学
習判定部１１は、ニューロＶＱＣ４の神経回路網は最適
に調整されていないので、電力系統１の制御を一旦、Ｖ
Ｑ制御装置３に行わせるように切り替える。
【００５３】また、再学習判定部１１は、記憶部１４に
は電力系統１の最新の入出力情報が記憶されているの
で、この入出力情報に基づいて再学習するように、学習
用ニューロ系統シミュレータ１３及び学習用ニューロＶ
ＱＣ１２に指令を送る。
は電力系統１の最新の入出力情報が記憶されているの
で、この入出力情報に基づいて再学習するように、学習
用ニューロ系統シミュレータ１３及び学習用ニューロＶ
ＱＣ１２に指令を送る。
【００５４】これにより、学習用ニューロ系統シミュレ
ータ１３及び学習用ニューロＶＱＣ１２が再学習を行
い、その結果をニューロ系統シミュレータ２及びニュー
ロＶＱＣ４にそれぞれコピーして再学習を終了し、電力
系統１の制御をＶＱ制御装置３からニューロＶＱＣ４に
戻して一連の処理を終了する。
ータ１３及び学習用ニューロＶＱＣ１２が再学習を行
い、その結果をニューロ系統シミュレータ２及びニュー
ロＶＱＣ４にそれぞれコピーして再学習を終了し、電力
系統１の制御をＶＱ制御装置３からニューロＶＱＣ４に
戻して一連の処理を終了する。
【００５５】
【発明の効果】以上のように、請求項１の発明によれば
神経回路網の出力値と目標値との誤差を求めることによ
り、その誤差の２乗値とその誤差の変化分の２乗値との
和を求め、その和が所定値より大きい場合、その神経回
路網における各神経素子間の結合の重みを変えることに
よってその和を小さくする方向に変化させるように構成
したので、急激に目標値が変化する場合でも、速やかに
学習が終了するなどの効果がある。
神経回路網の出力値と目標値との誤差を求めることによ
り、その誤差の２乗値とその誤差の変化分の２乗値との
和を求め、その和が所定値より大きい場合、その神経回
路網における各神経素子間の結合の重みを変えることに
よってその和を小さくする方向に変化させるように構成
したので、急激に目標値が変化する場合でも、速やかに
学習が終了するなどの効果がある。
【００５６】また、請求項２の発明によれば神経回路網
の出力値と目標値との誤差を求めることにより、その誤
差の２乗和を求め、その２乗和が所定値より大きい場
合、その神経回路網における各神経素子間の結合の重み
を一次探索法を用いて変えることによってその和を小さ
くする方向に変化させるように構成したので、急激に目
標値が変化する場合でも、速やかに学習が終了するなど
の効果がある。
の出力値と目標値との誤差を求めることにより、その誤
差の２乗和を求め、その２乗和が所定値より大きい場
合、その神経回路網における各神経素子間の結合の重み
を一次探索法を用いて変えることによってその和を小さ
くする方向に変化させるように構成したので、急激に目
標値が変化する場合でも、速やかに学習が終了するなど
の効果がある。
【００５７】また、請求項３の発明によれば神経回路網
電力系統模擬装置の神経回路網が予め電力系統の入出力
関係を学習をする際、自己の電気所以外の電力系統の入
出力関係については、自己の電気所の変圧器一次側通過
無効電力及び自己の電気所の入出力関係に基づいて推測
したものを用いて学習するように構成したので、ケーブ
ル等を配線しなくても、他場所の電気所における電力系
統の入力情報を得て学習をすることができるなどの効果
がある。
電力系統模擬装置の神経回路網が予め電力系統の入出力
関係を学習をする際、自己の電気所以外の電力系統の入
出力関係については、自己の電気所の変圧器一次側通過
無効電力及び自己の電気所の入出力関係に基づいて推測
したものを用いて学習するように構成したので、ケーブ
ル等を配線しなくても、他場所の電気所における電力系
統の入力情報を得て学習をすることができるなどの効果
がある。
【００５８】さらに、請求項４の発明によれば神経回路
網電力系統模擬装置の入出力関係と電力系統の入出力関
係に誤差が生じた場合、その電力系統の制御を神経回路
網電圧・無効電力制御装置から電圧・無効電力制御装置
に切り替えるとともに、その電力系統の入出力関係を学
習用神経回路網電圧・無効電力制御装置及び学習用神経
回路網電力系統模擬装置に学習させて、その学習結果を
上記神経回路網電圧・無効電力制御装置及び神経回路網
電力系統模擬装置に記憶させる再学習判定部を設けるよ
うに構成したので、電力系統の制御を中断することな
く、神経回路網電圧・無効電力制御装置の特性を、電力
系統の特性に一致させることができるなどの効果があ
る。
網電力系統模擬装置の入出力関係と電力系統の入出力関
係に誤差が生じた場合、その電力系統の制御を神経回路
網電圧・無効電力制御装置から電圧・無効電力制御装置
に切り替えるとともに、その電力系統の入出力関係を学
習用神経回路網電圧・無効電力制御装置及び学習用神経
回路網電力系統模擬装置に学習させて、その学習結果を
上記神経回路網電圧・無効電力制御装置及び神経回路網
電力系統模擬装置に記憶させる再学習判定部を設けるよ
うに構成したので、電力系統の制御を中断することな
く、神経回路網電圧・無効電力制御装置の特性を、電力
系統の特性に一致させることができるなどの効果があ
る。
【図１】請求項１の発明の一実施例による神経回路網の
学習方法の学習アルゴリズムを示すフローチャート図で
ある。
学習方法の学習アルゴリズムを示すフローチャート図で
ある。
【図２】評価関数を示す概念図である。
【図３】請求項２の発明の一実施例による神経回路網の
学習方法における各神経素子間の結合の重みを変えるア
ルゴリズムを示すフローチャート図である。
学習方法における各神経素子間の結合の重みを変えるア
ルゴリズムを示すフローチャート図である。
【図４】最急降下法及び最適勾配法を示す概念図であ
る。
る。
【図５】請求項３の発明の一実施例による電力系統電圧
・無効電力制御装置を示す構成図である。
・無効電力制御装置を示す構成図である。
【図６】ニューロ系統シミュレータ５とニューロＶＱＣ
４における学習フェーズ２の構成例である。
４における学習フェーズ２の構成例である。
【図７】電力系統１を示す系統図である。
【図８】他場所の電気所の入出力関係の推測結果を示す
グラフ図である。
グラフ図である。
【図９】他場所の電気所のｔａｐ動作の推測過程を示す
グラフ図である。
グラフ図である。
【図１０】請求項４の発明の一実施例による電力系統電
圧・無効電力制御装置を示す構成図である。
圧・無効電力制御装置を示す構成図である。
【図１１】消費電力の変化例を示すグラフ図である。
【図１２】学習データの切り出しを示すグラフ図であ
る。
る。
【図１３】既学習パターンの外挿を示すグラフ図であ
る。
る。
【図１４】系統特性が変化した場合を示すグラフ図であ
る。
る。
【図１５】リカレントニューラルネットワークと呼ばれ
る種類の神経回路網の構成を示す構成図である。
る種類の神経回路網の構成を示す構成図である。
【図１６】従来の神経回路網の学習方法の学習アルゴリ
ズムを示すフローチャート図である。
ズムを示すフローチャート図である。
【図１７】従来の電力系統電圧・無効電力制御装置を示
す構成図である。
す構成図である。
【図１８】ニューロ系統シミュレータ２とニューロＶＱ
Ｃ４における学習フェーズ２の構成例である。
Ｃ４における学習フェーズ２の構成例である。
【図１９】電圧・無効電力制御装置の動作アルゴリズム
を示す概念図である。
を示す概念図である。
１ 電力系統 ２、５ ニューロ系統シミュレータ（神経回路網電力系
統模擬装置） ３ ＶＱ制御装置（電圧・無効電力制御装置） ４ ニューロＶＱＣ（神経回路網電圧・無効電力制御装
置） １１ 再学習判定部 １２ 学習用ニューロＶＱＣ（学習用神経回路網電圧・
無効電力制御装置） １３ 学習用ニューロ系統シミュレータ（学習用神経回
路網電力系統模擬装置）
統模擬装置） ３ ＶＱ制御装置（電圧・無効電力制御装置） ４ ニューロＶＱＣ（神経回路網電圧・無効電力制御装
置） １１ 再学習判定部 １２ 学習用ニューロＶＱＣ（学習用神経回路網電圧・
無効電力制御装置） １３ 学習用ニューロ系統シミュレータ（学習用神経回
路網電力系統模擬装置）
フロントページの続き (72)発明者 京本 寿美恵 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
Claims (4)
- 【請求項１】 予め、ある入力に対して神経回路網が出
力すべき出力値を目標値として設定した後、ある入力を
その神経回路網に入力し、その神経回路網の出力値とそ
の目標値との誤差を求めることにより、その誤差の２乗
値とその誤差の前時刻との変化分の２乗値との和を求
め、その和が所定値より大きい場合、その神経回路網に
おける各神経素子間の結合の重みを変えることにより、
その和を小さくする方向に変化させる神経回路網の学習
方法。 - 【請求項２】 予め、ある入力に対して神経回路網が出
力すべき出力値を目標値として設定した後、ある入力を
その神経回路網に入力し、その神経回路網の出力値とそ
の目標値との誤差を求めることにより、その誤差の２乗
和を求め、その２乗和が所定値より大きい場合、その神
経回路網における各神経素子間の結合の重みを一次探索
法等を用いて変えることにより、その和を小さくする方
向に変化させる神経回路網の学習方法。 - 【請求項３】 電圧・無効電力制御装置の入出力関係と
一致するように、予め学習の済んだ神経回路網で形成さ
れた神経回路網電圧・無効電力制御装置と、制御対象で
ある電力系統の入出力関係と一致するように、予め学習
の済んだ神経回路網で形成された神経回路網電力系統模
擬装置とを備え、上記神経回路網電圧・無効電力制御装
置の入出力と上記神経回路網電力系統模擬装置の入出力
を結合して、その神経回路網電圧・無効電力制御装置の
入力とその神経回路網電力系統模擬装置の出力とが一致
するようにその神経回路網電圧・無効電力制御装置の神
経回路網を再学習させた後、その神経回路網電圧・無効
電力制御装置がその再学習の結果に基づいてその電力系
統を制御する電力系統電圧・無効電力制御装置におい
て、上記神経回路網電力系統模擬装置の神経回路網が予
めその電力系統の入出力関係を学習をする際、自己の電
気所以外の電力系統の入出力関係については、自己の電
気所の変圧器一次側通過無効電力及び自己の電気所の入
出力関係に基づいて推測したものを用いて学習するよう
にしたことを特徴とする電力系統電圧・無効電力制御装
置。 - 【請求項４】 電圧・無効電力制御装置の入出力関係と
一致するように、予め学習の済んだ神経回路網で形成さ
れた神経回路網電圧・無効電力制御装置と、制御対象で
ある電力系統の入出力関係と一致するように、予め学習
の済んだ神経回路網で形成された神経回路網電力系統模
擬装置とを備え、上記神経回路網電圧・無効電力制御装
置の出力と上記神経回路網電力系統模擬装置の入力を結
合して、その神経回路網電圧・無効電力制御装置の入力
とその神経回路網電力系統模擬装置の出力とが一致する
ようにその神経回路網電圧・無効電力制御装置の神経回
路網を再学習させた後、その神経回路網電圧・無効電力
制御装置がその再学習の結果に基づいてその電力系統を
制御する電力系統電圧・無効電力制御装置において、上
記神経回路網電力系統模擬装置の入出力関係とその電力
系統の入出力関係に誤差が生じた場合、その電力系統の
制御を上記神経回路網電圧・無効電力制御装置から上記
電圧・無効電力制御装置に切り替えるとともに、その電
力系統の入出力関係を学習用神経回路網電圧・無効電力
制御装置及び学習用神経回路網電力系統模擬装置に学習
させて、その学習結果を上記神経回路網電圧・無効電力
制御装置及び神経回路網電力系統模擬装置に記憶させる
再学習判定部を設けたことを特徴とする電力系統電圧・
無効電力制御装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4209535A JPH0635888A (ja) | 1992-07-15 | 1992-07-15 | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
| DE4323432A DE4323432C2 (de) | 1992-07-15 | 1993-07-13 | Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke |
| CH00837/00A CH690638A5 (fr) | 1992-07-15 | 1993-07-14 | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. |
| CH02125/93A CH690637A5 (fr) | 1992-07-15 | 1993-07-14 | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4209535A JPH0635888A (ja) | 1992-07-15 | 1992-07-15 | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0635888A true JPH0635888A (ja) | 1994-02-10 |
Family
ID=16574413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4209535A Pending JPH0635888A (ja) | 1992-07-15 | 1992-07-15 | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JPH0635888A (ja) |
| CH (2) | CH690638A5 (ja) |
| DE (1) | DE4323432C2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11144788B2 (en) | 2018-12-04 | 2021-10-12 | Here Global B.V. | Method and apparatus for providing a low-power perception architecture |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT512672A2 (de) * | 2012-04-02 | 2013-10-15 | Siemens Ag Oesterreich | Verfahren zur Bestimmung von Messstellen in Niederspannungsnetzen und Netzmanagementsubsystem zur Durchführung des Verfahrens |
| FR3006818B1 (fr) * | 2013-06-11 | 2016-11-04 | Electricite De France | Procede d'optimisation du positionnement de capteurs de tension dans un reseau de distribution hta |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04114263A (ja) * | 1990-09-04 | 1992-04-15 | Matsushita Electric Ind Co Ltd | 学習機械 |
| JP3221497B2 (ja) * | 1991-06-20 | 2001-10-22 | 三菱電機株式会社 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
-
1992
- 1992-07-15 JP JP4209535A patent/JPH0635888A/ja active Pending
-
1993
- 1993-07-13 DE DE4323432A patent/DE4323432C2/de not_active Expired - Fee Related
- 1993-07-14 CH CH00837/00A patent/CH690638A5/fr not_active IP Right Cessation
- 1993-07-14 CH CH02125/93A patent/CH690637A5/fr not_active IP Right Cessation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11144788B2 (en) | 2018-12-04 | 2021-10-12 | Here Global B.V. | Method and apparatus for providing a low-power perception architecture |
Also Published As
| Publication number | Publication date |
|---|---|
| DE4323432C2 (de) | 1997-09-11 |
| CH690637A5 (fr) | 2000-11-15 |
| CH690638A5 (fr) | 2000-11-15 |
| DE4323432A1 (de) | 1994-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Venayagamoorthy et al. | Comparison of heuristic dynamic programming and dual heuristic programming adaptive critics for neurocontrol of a turbogenerator | |
| EP1021752B1 (en) | Model-free adaptive process control | |
| US5485545A (en) | Control method using neural networks and a voltage/reactive-power controller for a power system using the control method | |
| US5734586A (en) | System for achieving optimal steady state in power distribution networks | |
| Tyukin et al. | Feasibility of random basis function approximators for modeling and control | |
| JP3825171B2 (ja) | 配電系統制御システム | |
| JP3221497B2 (ja) | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 | |
| CN110858718B (zh) | 考虑经济性的交流微电网分布式事件驱动的频率控制方法 | |
| Zhang et al. | Global predefined-time adaptive neural network control for disturbed pure-feedback nonlinear systems with zero tracking error | |
| JPH11289661A (ja) | 配電系統制御システムのための潮流計算装置 | |
| CN117154845A (zh) | 一种基于生成式决策模型的电网运行调整方法 | |
| Mohit et al. | Adaptive fixed-time consensus control for a class of non-strict feedback multi-agent systems subject to input nonlinearities, state constraints, unknown control directions, and actuator faults | |
| JPH0635888A (ja) | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 | |
| JP3825173B2 (ja) | 配電系統制御システム | |
| CN111817287A (zh) | 一种用于直流微电网集群的非参数化模型预测三次控制方法 | |
| JPH0578250B2 (ja) | ||
| CN111313425A (zh) | 基于变量空间最优选择的潮流模型线性化误差最小化方法 | |
| CN110011424A (zh) | 一种智能微电网分布式云储能系统安全稳定控制方法 | |
| CN112510673B (zh) | 考虑母线电压约束的多母线直流微电网经济调度控制方法 | |
| Farag et al. | An optimized fuzzy controller for a synchronous generator in a multi-machine environment | |
| JP2633716B2 (ja) | 電圧調整付潮流計算方式 | |
| CN110768289A (zh) | 一种孤岛式微电网电压和频率的自适应牵制控制方法 | |
| JPH10285803A (ja) | 無効電力補償装置の設置場所自動選定方法及び潮流計算方法 | |
| JPH07107667A (ja) | 電力系統監視装置 | |
| JPH04253260A (ja) | ニューラルネットワークの学習方法 |