JPH0829480A - 送電線故障区間及び故障様相の評定方法 - Google Patents
送電線故障区間及び故障様相の評定方法Info
- Publication number
- JPH0829480A JPH0829480A JP6162419A JP16241994A JPH0829480A JP H0829480 A JPH0829480 A JP H0829480A JP 6162419 A JP6162419 A JP 6162419A JP 16241994 A JP16241994 A JP 16241994A JP H0829480 A JPH0829480 A JP H0829480A
- Authority
- JP
- Japan
- Prior art keywords
- failure
- measurement information
- neural network
- section
- self
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Locating Faults (AREA)
Abstract
(57)【要約】
【目的】 故障区間を電流測定の間隔よりも狭い範囲に
絞って評定でき、故障様相も評定できる送電線故障区間
及び故障様相の評定方法を提供する。 【構成】 予め故障模擬計算によりいろいろな位置での
故障がもたらす計測情報を計算し、これらの模擬計測情
報を入力要素よりも出力要素の多い自己組織化ニューラ
ルネットに与えて計測情報の分類を学習させると共にこ
の模擬計測情報の分類出力と故障位置との対応関係によ
る評定ルールを作成しておき、爾後、実測の計測情報を
入力とした上記自己組織化ニューラルネットの分類出力
から評定ルールに基づいて故障区間を評定する。
絞って評定でき、故障様相も評定できる送電線故障区間
及び故障様相の評定方法を提供する。 【構成】 予め故障模擬計算によりいろいろな位置での
故障がもたらす計測情報を計算し、これらの模擬計測情
報を入力要素よりも出力要素の多い自己組織化ニューラ
ルネットに与えて計測情報の分類を学習させると共にこ
の模擬計測情報の分類出力と故障位置との対応関係によ
る評定ルールを作成しておき、爾後、実測の計測情報を
入力とした上記自己組織化ニューラルネットの分類出力
から評定ルールに基づいて故障区間を評定する。
Description
【０００１】
【産業上の利用分野】本発明は、架空地線に流れる電流
から故障区間や故障様相を評定する方法に係り、特に、
故障区間を電流測定の間隔よりも狭い範囲に絞って評定
でき、故障様相も評定できる送電線故障区間及び故障様
相の評定方法に関するものである。
から故障区間や故障様相を評定する方法に係り、特に、
故障区間を電流測定の間隔よりも狭い範囲に絞って評定
でき、故障様相も評定できる送電線故障区間及び故障様
相の評定方法に関するものである。
【０００２】
【従来の技術】従来、送電線の故障区間を評定するため
に、送電線の故障のとき架空地線に流れる電流を線路に
沿って設置した複数のセンサで計測し、この計測情報を
逆誤差伝搬方式のニューラルネットに入力し、故障区間
を評定した出力を得る方法がある。この方法により、セ
ンサ設置位置で区切った区間単位で故障位置を評定する
ことができる。詳しくは、予め故障位置を変えて故障模
擬計算によりセンサ出力を計算し、このセンサ出力計算
結果と故障位置に対応するセンサ区間識別信号との関連
をニューラルネットに学習させ、実際の故障時のセンサ
出力を受けてニューラルネットがセンサ区間単位で位置
評定し出力するものである。この技術の文献として「ニ
ューラルネットを利用したＵＨＶ送電線故障区間評定シ
ステムの開発」（平成５年電気学会全国大会Ｎｏ．１３
５７）がある。
に、送電線の故障のとき架空地線に流れる電流を線路に
沿って設置した複数のセンサで計測し、この計測情報を
逆誤差伝搬方式のニューラルネットに入力し、故障区間
を評定した出力を得る方法がある。この方法により、セ
ンサ設置位置で区切った区間単位で故障位置を評定する
ことができる。詳しくは、予め故障位置を変えて故障模
擬計算によりセンサ出力を計算し、このセンサ出力計算
結果と故障位置に対応するセンサ区間識別信号との関連
をニューラルネットに学習させ、実際の故障時のセンサ
出力を受けてニューラルネットがセンサ区間単位で位置
評定し出力するものである。この技術の文献として「ニ
ューラルネットを利用したＵＨＶ送電線故障区間評定シ
ステムの開発」（平成５年電気学会全国大会Ｎｏ．１３
５７）がある。
【０００３】
【発明が解決しようとする課題】故障区間評定の性能及
び機能を高める要求として、評定の分解能を向上するこ
とや、故障様相を特定できるようにすることが望まれて
いる。実際、同一区間内の故障でも、故障位置によりセ
ンサ出力が異なっているので、処理方法によっては可能
と考えられる。
び機能を高める要求として、評定の分解能を向上するこ
とや、故障様相を特定できるようにすることが望まれて
いる。実際、同一区間内の故障でも、故障位置によりセ
ンサ出力が異なっているので、処理方法によっては可能
と考えられる。
【０００４】しかし、従来の方式で、センサ設置間隔よ
り狭い範囲に故障区間を評定するには、ニューラルネッ
トの出力に対応する区間を細かくする必要があり、この
場合、センサのないところで区間を区切ると、その近傍
の故障に対しては誤評定の可能性が極めて高くなる問題
がある。
り狭い範囲に故障区間を評定するには、ニューラルネッ
トの出力に対応する区間を細かくする必要があり、この
場合、センサのないところで区間を区切ると、その近傍
の故障に対しては誤評定の可能性が極めて高くなる問題
がある。
【０００５】また、この場合の区切り方は予め人が教師
信号として与える必要があるが、最適な与え方を決定す
るには与え方を変えて比較する必要があり、膨大な計算
量となり、現実には不可能である。
信号として与える必要があるが、最適な与え方を決定す
るには与え方を変えて比較する必要があり、膨大な計算
量となり、現実には不可能である。
【０００６】そこで、本発明の目的は、上記課題を解決
し、故障区間を電流測定の間隔よりも狭い範囲に絞って
評定でき、故障様相も評定できる送電線故障区間及び故
障様相の評定方法を提供することにある。
し、故障区間を電流測定の間隔よりも狭い範囲に絞って
評定でき、故障様相も評定できる送電線故障区間及び故
障様相の評定方法を提供することにある。
【０００７】
【課題を解決するための手段】上記目的を達成するため
に本発明は、送電線の故障のとき架空地線に流れる電流
を線路に沿った複数の箇所で計測し、この計測情報から
故障区間を評定する方法において、予め故障模擬計算に
よりいろいろな位置での故障がもたらす計測情報を計算
し、これらの模擬計測情報を入力要素よりも出力要素の
多い自己組織化ニューラルネットに与えて計測情報の分
類を学習させると共にこの模擬計測情報の分類出力と故
障位置との対応関係による評定ルールを作成しておき、
爾後、実測の計測情報を入力とした上記自己組織化ニュ
ーラルネットの分類出力から評定ルールに基づいて故障
区間を評定するものである。
に本発明は、送電線の故障のとき架空地線に流れる電流
を線路に沿った複数の箇所で計測し、この計測情報から
故障区間を評定する方法において、予め故障模擬計算に
よりいろいろな位置での故障がもたらす計測情報を計算
し、これらの模擬計測情報を入力要素よりも出力要素の
多い自己組織化ニューラルネットに与えて計測情報の分
類を学習させると共にこの模擬計測情報の分類出力と故
障位置との対応関係による評定ルールを作成しておき、
爾後、実測の計測情報を入力とした上記自己組織化ニュ
ーラルネットの分類出力から評定ルールに基づいて故障
区間を評定するものである。
【０００８】また、送電線の故障のとき架空地線に流れ
る電流を線路に沿った複数の箇所で計測し、この計測情
報から故障区間及び故障様相を評定する方法において、
予め故障模擬計算によりいろいろな位置でのいろいろな
故障様相による故障がもたらす計測情報を計算し、これ
らの模擬計測情報を入力要素よりも出力要素の多い自己
組織化ニューラルネットに与えて計測情報の分類を学習
させ、さらに模擬計測情報に誤差を重畳した計測情報を
自己組織化ニューラルネットに分類させ、この分類出力
と故障位置及び故障様相との対応関係による評定ルール
を作成しておき、爾後、実測の計測情報を入力とした上
記自己組織化ニューラルネットの分類出力から評定ルー
ルに基づいて故障区間及び故障様相を評定するものであ
る。
る電流を線路に沿った複数の箇所で計測し、この計測情
報から故障区間及び故障様相を評定する方法において、
予め故障模擬計算によりいろいろな位置でのいろいろな
故障様相による故障がもたらす計測情報を計算し、これ
らの模擬計測情報を入力要素よりも出力要素の多い自己
組織化ニューラルネットに与えて計測情報の分類を学習
させ、さらに模擬計測情報に誤差を重畳した計測情報を
自己組織化ニューラルネットに分類させ、この分類出力
と故障位置及び故障様相との対応関係による評定ルール
を作成しておき、爾後、実測の計測情報を入力とした上
記自己組織化ニューラルネットの分類出力から評定ルー
ルに基づいて故障区間及び故障様相を評定するものであ
る。
【０００９】上記評定ルールを故障様相別に作成し、変
電所で測定した波形情報から故障様相を識別し、その故
障様相の評定ルールに基づいて故障区間を評定してもよ
い。
電所で測定した波形情報から故障様相を識別し、その故
障様相の評定ルールに基づいて故障区間を評定してもよ
い。
【００１０】上記評定ルールを大地地絡と鉄塔地絡とに
ついて作成し、変電所で測定した波形情報から一線地絡
と判明した場合に、この評定ルールに基づいて故障区間
及び故障様相を評定してもよい。
ついて作成し、変電所で測定した波形情報から一線地絡
と判明した場合に、この評定ルールに基づいて故障区間
及び故障様相を評定してもよい。
【００１１】
【作用】自己組織化ニューラルネットは、教師信号無し
で、多数の入力を似たものどうしに分類する機能があ
る。本発明は、自己組織化ニューラルネットを用いるこ
とにより、評定区間の区切り方を人が与えるのではな
く、自己組織化ニューラルネットが適切な区切り方で行
い、しかも、センサ間隔より狭い範囲に故障区間を評定
できるようにしたものである。
で、多数の入力を似たものどうしに分類する機能があ
る。本発明は、自己組織化ニューラルネットを用いるこ
とにより、評定区間の区切り方を人が与えるのではな
く、自己組織化ニューラルネットが適切な区切り方で行
い、しかも、センサ間隔より狭い範囲に故障区間を評定
できるようにしたものである。
【００１２】即ち、予め故障位置を変えて故障模擬計算
を行い、いろいろの位置での故障がもたらす計測情報を
計算する。これらの模擬計測情報を自己組織化ニューラ
ルネットに与えて計測情報の分類を学習させる。自己組
織化ニューラルネットは似たような計測情報に対しては
ほぼ同じニューロンが反応するようになり、計測情報の
分類が可能となる。この自己組織化ニューラルネットは
入力要素よりも出力要素が多いので、計測箇所（模擬計
算の箇所）よりも分類の数が多くなる。この自己組織化
ニューラルネットが出力した模擬計測情報の分類結果と
故障模擬計算に与えた故障位置との対応付けを行うこと
により評定ルールが作成される。計測箇所よりも分類の
数が多いので、評定ルールにおける故障位置は、計測箇
所の間隔による区間よりも狭い範囲の区間で表すことが
できる。評定ルールが作成できたら、爾後、実測の計測
情報を自己組織化ニューラルネットに入力する。自己組
織化ニューラルネットが出力した分類出力から評定ルー
ルに基づいて故障区間を評定するので、故障区間を電流
測定の間隔よりも狭い範囲に絞って評定できることにな
る。
を行い、いろいろの位置での故障がもたらす計測情報を
計算する。これらの模擬計測情報を自己組織化ニューラ
ルネットに与えて計測情報の分類を学習させる。自己組
織化ニューラルネットは似たような計測情報に対しては
ほぼ同じニューロンが反応するようになり、計測情報の
分類が可能となる。この自己組織化ニューラルネットは
入力要素よりも出力要素が多いので、計測箇所（模擬計
算の箇所）よりも分類の数が多くなる。この自己組織化
ニューラルネットが出力した模擬計測情報の分類結果と
故障模擬計算に与えた故障位置との対応付けを行うこと
により評定ルールが作成される。計測箇所よりも分類の
数が多いので、評定ルールにおける故障位置は、計測箇
所の間隔による区間よりも狭い範囲の区間で表すことが
できる。評定ルールが作成できたら、爾後、実測の計測
情報を自己組織化ニューラルネットに入力する。自己組
織化ニューラルネットが出力した分類出力から評定ルー
ルに基づいて故障区間を評定するので、故障区間を電流
測定の間隔よりも狭い範囲に絞って評定できることにな
る。
【００１３】故障模擬計算を故障様相も変えて行い、こ
の模擬計測情報を自己組織化ニューラルネットに与える
と分類出力に故障様相との対応関係も現われることにな
る。さらに、誤差を重畳した計測情報を与えることによ
り自己組織化ニューラルネットの学習効果が高まる。こ
の自己組織化ニューラルネットが出力した模擬計測情報
及び誤差付き模擬計測情報の分類結果と故障模擬計算に
与えた故障位置及び故障様相との対応付けを行うことに
より評定ルールが作成される。爾後、実測の計測情報を
自己組織化ニューラルネットに入力する。自己組織化ニ
ューラルネットが出力した分類出力から評定ルールに基
づいて故障区間を評定するので、故障区間を電流測定の
間隔よりも狭い範囲に絞って評定できると共に故障様相
も評定できることになる。
の模擬計測情報を自己組織化ニューラルネットに与える
と分類出力に故障様相との対応関係も現われることにな
る。さらに、誤差を重畳した計測情報を与えることによ
り自己組織化ニューラルネットの学習効果が高まる。こ
の自己組織化ニューラルネットが出力した模擬計測情報
及び誤差付き模擬計測情報の分類結果と故障模擬計算に
与えた故障位置及び故障様相との対応付けを行うことに
より評定ルールが作成される。爾後、実測の計測情報を
自己組織化ニューラルネットに入力する。自己組織化ニ
ューラルネットが出力した分類出力から評定ルールに基
づいて故障区間を評定するので、故障区間を電流測定の
間隔よりも狭い範囲に絞って評定できると共に故障様相
も評定できることになる。
【００１４】変電所で送電波形や架空地線電流の波形等
の波形情報が測定できる場合、この波形情報からある程
度、故障様相が識別できる。そこで、その識別できる故
障様相毎に自己組織化ニューラルネットを学習させ、評
定ルールを作成しておく。この評定ルールに基づいて故
障区間を評定すると、高精度の評定が可能となる。
の波形情報が測定できる場合、この波形情報からある程
度、故障様相が識別できる。そこで、その識別できる故
障様相毎に自己組織化ニューラルネットを学習させ、評
定ルールを作成しておく。この評定ルールに基づいて故
障区間を評定すると、高精度の評定が可能となる。
【００１５】一線地絡の場合、鉄塔地絡と大地地絡との
識別が変電所情報を用いても極めて困難である。そこ
で、評定ルールを鉄塔地絡と大地地絡とを模擬して作成
し、変電所で測定した波形情報から一線地絡と判明した
場合に、この評定ルールに基づいて故障区間及び故障様
相を評定する。これにより鉄塔地絡か大地地絡かの故障
様相が評定できる。
識別が変電所情報を用いても極めて困難である。そこ
で、評定ルールを鉄塔地絡と大地地絡とを模擬して作成
し、変電所で測定した波形情報から一線地絡と判明した
場合に、この評定ルールに基づいて故障区間及び故障様
相を評定する。これにより鉄塔地絡か大地地絡かの故障
様相が評定できる。
【００１６】
【実施例】以下本発明の一実施例を添付図面に基づいて
詳述する。
詳述する。
【００１７】図１に示されるように、故障区間及び故障
様相を評定するシステムは、送電線の架空地線に沿って
設置した複数の電流センサ１及びデータ伝送装置２と、
その情報を伝送する光ファイバ３と、電流センサ１の情
報を収集して故障位置及び故障様相を評定する中央デー
タ処理装置４とから構成される。本発明にあっては、中
央データ処理装置４が自己組織化ニューラルネットを備
え、電流センサ１より収集した計測情報を入力とした自
己組織化ニューラルネットの分類出力から評定ルールに
基づいて故障区間及び故障様相を評定することができ
る。中央データ処理装置４におけるデータ処理の手順を
説明する。
様相を評定するシステムは、送電線の架空地線に沿って
設置した複数の電流センサ１及びデータ伝送装置２と、
その情報を伝送する光ファイバ３と、電流センサ１の情
報を収集して故障位置及び故障様相を評定する中央デー
タ処理装置４とから構成される。本発明にあっては、中
央データ処理装置４が自己組織化ニューラルネットを備
え、電流センサ１より収集した計測情報を入力とした自
己組織化ニューラルネットの分類出力から評定ルールに
基づいて故障区間及び故障様相を評定することができ
る。中央データ処理装置４におけるデータ処理の手順を
説明する。
【００１８】手順１） 予め故障模擬計算により想定さ
れうる故障位置と故障様相とについて各センサ設置場所
における架空地線に流れる電流を計算する。
れうる故障位置と故障様相とについて各センサ設置場所
における架空地線に流れる電流を計算する。
【００１９】手順２） 手順１で求めた各センサ電流１
による模擬計測情報を自己組織化ニューラルネットに学
習させる。これを行うと自己組織化ニューラルネットは
模擬計測情報の似たものどうしを同一のグループに分類
することが可能となる。自己組織化ニューラルネットの
構造及び学習の方法についての詳細は後述する。
による模擬計測情報を自己組織化ニューラルネットに学
習させる。これを行うと自己組織化ニューラルネットは
模擬計測情報の似たものどうしを同一のグループに分類
することが可能となる。自己組織化ニューラルネットの
構造及び学習の方法についての詳細は後述する。
【００２０】手順３） 手順１で求めた各センサ電流に
誤差（評定ルール作成時の重畳誤差という）を重畳した
誤差つき模擬計測情報を指定個数（評定ルール作成時の
誤差データ数）作成する。この誤差つき模擬計測情報を
手順２で学習した自己組織化ニューラルネットでグルー
プに分類し、その分類グループと故障位置及び故障様相
との関係を求める。この対応関係を評定のルールとす
る。
誤差（評定ルール作成時の重畳誤差という）を重畳した
誤差つき模擬計測情報を指定個数（評定ルール作成時の
誤差データ数）作成する。この誤差つき模擬計測情報を
手順２で学習した自己組織化ニューラルネットでグルー
プに分類し、その分類グループと故障位置及び故障様相
との関係を求める。この対応関係を評定のルールとす
る。
【００２１】手順４） 実測のセンサ電流による計測情
報を手順２で学習した自己組織化ニューラルネットでい
ずれかの分類グループに分類する。評定ルールに基づい
てその分類グループに相当する故障区間及び故障様相を
評定結果とする。このとき、自己組織化ニューラルネッ
トにおける類似の度合い順に第１候補、第２候補、・・
・を出力してもよい。
報を手順２で学習した自己組織化ニューラルネットでい
ずれかの分類グループに分類する。評定ルールに基づい
てその分類グループに相当する故障区間及び故障様相を
評定結果とする。このとき、自己組織化ニューラルネッ
トにおける類似の度合い順に第１候補、第２候補、・・
・を出力してもよい。
【００２２】次に、自己組織化ニューラルネットの構造
及びこれを用いた学習について説明する。自己組織化ニ
ューラルネットは、図２に示されるように、二次元的に
配置されたニューロン２１と、これらのニューロン２１
のすべてに結合する入力ユニット２２とで構成される。
ここでは入力ユニット２２が自己組織化ニューラルネッ
トの入力要素であり、その個数はｎ個である。入力ユニ
ット２２は電流センサ１の並び順に一対一で対応し、あ
る計測タイミングｔでの連続するｎ個のセンサ出力を規
格化した入力ａｊ（ｔ）；ａ1 （ｔ），ａ2 （ｔ），・
・・ａｎ（ｔ）を計測情報として入力できるようになっ
ている。また、ニューロン２１は出力要素であり、図示
のようにＸＹ平面に表すとＸ軸方向にｘ、Ｙ軸方向にｙ
の添字をもったＮｘｙで表され、その出力２３の大きさ
はＯｘｙ（ｔ）である。ニューロン２１の個数は入力ユ
ニット２２の個数より多い。各ニューロン２１と各入力
ユニット２２との結合はｘ，ｙ，ｊを添字とする重みＷ
ｘｙｊにより重み付けされる。従って、入出力の関係は
次式で示される。
及びこれを用いた学習について説明する。自己組織化ニ
ューラルネットは、図２に示されるように、二次元的に
配置されたニューロン２１と、これらのニューロン２１
のすべてに結合する入力ユニット２２とで構成される。
ここでは入力ユニット２２が自己組織化ニューラルネッ
トの入力要素であり、その個数はｎ個である。入力ユニ
ット２２は電流センサ１の並び順に一対一で対応し、あ
る計測タイミングｔでの連続するｎ個のセンサ出力を規
格化した入力ａｊ（ｔ）；ａ1 （ｔ），ａ2 （ｔ），・
・・ａｎ（ｔ）を計測情報として入力できるようになっ
ている。また、ニューロン２１は出力要素であり、図示
のようにＸＹ平面に表すとＸ軸方向にｘ、Ｙ軸方向にｙ
の添字をもったＮｘｙで表され、その出力２３の大きさ
はＯｘｙ（ｔ）である。ニューロン２１の個数は入力ユ
ニット２２の個数より多い。各ニューロン２１と各入力
ユニット２２との結合はｘ，ｙ，ｊを添字とする重みＷ
ｘｙｊにより重み付けされる。従って、入出力の関係は
次式で示される。
【００２３】
【数１】
【００２４】なお、ｘ，ｙの最大は予め設定しておく。
【００２５】学習の手順は次のとおり。
【００２６】手順１） 分類したい計測情報、ここでは
学習に使用する模擬計測情報をそれぞれごとに規格化す
る。なお、計測情報は、同じ計測タイミングでのセンサ
出力の一群をまとめたものであり、記号Ａ，Ｂ，・・・
で表す。
学習に使用する模擬計測情報をそれぞれごとに規格化す
る。なお、計測情報は、同じ計測タイミングでのセンサ
出力の一群をまとめたものであり、記号Ａ，Ｂ，・・・
で表す。
【００２７】例えば、計測情報Ａは、 Ａ＝［ａ1 ，ａ2 ，・・・，ａｎ］ であり、規格化により ｜Ａ｜＝１ となる。
【００２８】手順２） 学習ステップτ＝０とし、各重
みＷｘｙｊ（τ）に初期値をランダムに与える。
みＷｘｙｊ（τ）に初期値をランダムに与える。
【００２９】手順３） τ＝τ＋１とし、学習ステップ
の更新を行う。
の更新を行う。
【００３０】手順４） 計測情報Ａに誤差を重畳し、出
力の大きさＯｘｙ（τ）が一番大きいニューロンＮｘｙ
を求める。誤差はτが小さいときには大きくし、τが大
きくなるにつれてしだいに減少させる。本実施例では誤
差を初期値から直線的に減少させてτMAX で０となるよ
うにした。この初期値を初期誤差と呼ぶ。
力の大きさＯｘｙ（τ）が一番大きいニューロンＮｘｙ
を求める。誤差はτが小さいときには大きくし、τが大
きくなるにつれてしだいに減少させる。本実施例では誤
差を初期値から直線的に減少させてτMAX で０となるよ
うにした。この初期値を初期誤差と呼ぶ。
【００３１】手順５） Ｎｘｙとその近傍に位置するニ
ューロンに対して重みの更新を行う。その更新の内容
は、 Ｗｘｙｊ（τ＋１）＝Ｗｘｙｊ（τ＋１）＋α（τ）
｛ａｊ（τ）−Ｗｘｙｊ（τ）｝ である。ただし、α（τ）は学習率を示し、時間（学習
ステップτ）と共に減少する関数であり、０＜α（τ）
＜１である。本実施例ではα（τ）を初期値から直線的
に減少させτMAX で０となるようにした。
ューロンに対して重みの更新を行う。その更新の内容
は、 Ｗｘｙｊ（τ＋１）＝Ｗｘｙｊ（τ＋１）＋α（τ）
｛ａｊ（τ）−Ｗｘｙｊ（τ）｝ である。ただし、α（τ）は学習率を示し、時間（学習
ステップτ）と共に減少する関数であり、０＜α（τ）
＜１である。本実施例ではα（τ）を初期値から直線的
に減少させτMAX で０となるようにした。
【００３２】近傍に位置するニューロンを指定するため
の近傍の大きさについては、学習ステップτが小さいと
きには大きく、次第に減少させる。本実施例では近傍の
大きさを初期値から直線的に減少させτMAX で０となる
ようにした。この初期値を近傍サイズ初期値と呼ぶこと
にする。
の近傍の大きさについては、学習ステップτが小さいと
きには大きく、次第に減少させる。本実施例では近傍の
大きさを初期値から直線的に減少させτMAX で０となる
ようにした。この初期値を近傍サイズ初期値と呼ぶこと
にする。
【００３３】手順６） ［Ｗｘｙ1 ，Ｗｘｙ2 ，・・・
Ｗｘｙｎ］を規格化する。
Ｗｘｙｎ］を規格化する。
【００３４】手順７） 計測情報Ｂ以降の計測情報につ
いて手順４以降を繰り返す。
いて手順４以降を繰り返す。
【００３５】手順８） 学習ステップτ＜τMAX ならば
手順３へ戻る。即ち、学習ステップの更新を行う。τ＝
τMAX ならば終了する。ここでτMAX は予め設定した学
習ステップ回数である。
手順３へ戻る。即ち、学習ステップの更新を行う。τ＝
τMAX ならば終了する。ここでτMAX は予め設定した学
習ステップ回数である。
【００３６】このような手順で学習を終了した後は、入
力に対して出力が最も大きくなるニューロンの位置
（ｘ，ｙ）をその入力が分類されたところとする。類似
した入力は、ほぼ同一のニューロンの位置（分類グルー
プ）に分離される。また、出力の大きさ順に、分類の第
１候補，第２候補，・・・とすることもできる。
力に対して出力が最も大きくなるニューロンの位置
（ｘ，ｙ）をその入力が分類されたところとする。類似
した入力は、ほぼ同一のニューロンの位置（分類グルー
プ）に分離される。また、出力の大きさ順に、分類の第
１候補，第２候補，・・・とすることもできる。
【００３７】次に、本発明を図３の系統に適用した例を
説明する。
説明する。
【００３８】図３に示されるように、この系統は電源３
１から６０径間隔てた負荷３２までの送電線３３と、２
０径間毎に設けた分岐からそれぞれ２０径間隔てた負荷
３４，３５までの送電線３６，３７とからなる。図４の
分布は、上記系統に鉄塔地絡及び大地地絡が発生したと
きの架空地線の電流分布及び位相分布である。このよう
に、故障位置で電流は顕著に変化しており、逆に、電流
が顕著に変化する場所は故障位置に依存している。ま
た、分布のパターンは故障様相にも依存している。適当
な間隔で電流センサを設置し、計測電流による分布パタ
ーンを分析すれば、故障位置や故障様相が評定できるこ
とになる。ここではセンサ間隔を１０径間とし、＃１，
＃１１，・・・，＃６１の鉄塔に電流センサを設置し
た。そして、まず故障模擬計算、即ち上記系統のいろい
ろな位置で故障が発生したときに各電流センサに計測さ
れる電流を計算した結果を自己組織化ニューラルネット
に学習させる。その後、模擬計算結果に誤差を加えたも
のを分類する。その分類の結果の一部を図５，６に示
す。図５には、あるニューロン位置へ分類された故障の
位置と故障様相とを示す。この図では故障様相は鉄塔地
絡のみである。図６には、別のニューロン位置へ分類さ
れた故障の位置と故障様相とを示す。この場合、故障様
相が鉄塔地絡と大地地絡との両者に分類されている。こ
れらの図を見ると、あるニューロン位置へ分類される故
障の位置はかたまっており、センサ間隔よりも狭い場合
が殆どである。また、故障様相については一種類の場合
もあれば複数の場合もある。実際の計測情報を分類した
結果が図５のようになる場合、鉄塔番号２２〜２７の故
障であって、故障様相が鉄塔地絡であると評定される。
図６のようになる場合、鉄塔番号２２〜２７の故障であ
って、故障様相は不明と評定される。
１から６０径間隔てた負荷３２までの送電線３３と、２
０径間毎に設けた分岐からそれぞれ２０径間隔てた負荷
３４，３５までの送電線３６，３７とからなる。図４の
分布は、上記系統に鉄塔地絡及び大地地絡が発生したと
きの架空地線の電流分布及び位相分布である。このよう
に、故障位置で電流は顕著に変化しており、逆に、電流
が顕著に変化する場所は故障位置に依存している。ま
た、分布のパターンは故障様相にも依存している。適当
な間隔で電流センサを設置し、計測電流による分布パタ
ーンを分析すれば、故障位置や故障様相が評定できるこ
とになる。ここではセンサ間隔を１０径間とし、＃１，
＃１１，・・・，＃６１の鉄塔に電流センサを設置し
た。そして、まず故障模擬計算、即ち上記系統のいろい
ろな位置で故障が発生したときに各電流センサに計測さ
れる電流を計算した結果を自己組織化ニューラルネット
に学習させる。その後、模擬計算結果に誤差を加えたも
のを分類する。その分類の結果の一部を図５，６に示
す。図５には、あるニューロン位置へ分類された故障の
位置と故障様相とを示す。この図では故障様相は鉄塔地
絡のみである。図６には、別のニューロン位置へ分類さ
れた故障の位置と故障様相とを示す。この場合、故障様
相が鉄塔地絡と大地地絡との両者に分類されている。こ
れらの図を見ると、あるニューロン位置へ分類される故
障の位置はかたまっており、センサ間隔よりも狭い場合
が殆どである。また、故障様相については一種類の場合
もあれば複数の場合もある。実際の計測情報を分類した
結果が図５のようになる場合、鉄塔番号２２〜２７の故
障であって、故障様相が鉄塔地絡であると評定される。
図６のようになる場合、鉄塔番号２２〜２７の故障であ
って、故障様相は不明と評定される。
【００３９】評定の結果に基づいて巡視するべき鉄塔数
の期待値が求まる。図７は、センサ間隔を変えて期待値
を計算した結果を示している。図７には、従来の方法に
よる同様の期待値が併記されている。従来と比較する
と、本発明ではセンサ間隔が広くても期待値が大きくな
らない傾向が顕著であり、センサ設置数が同じである場
合、巡視鉄塔数が少ないことがわかる。例えば、鉄塔地
絡の場合には巡視鉄塔数が半数以下に低減されている。
の期待値が求まる。図７は、センサ間隔を変えて期待値
を計算した結果を示している。図７には、従来の方法に
よる同様の期待値が併記されている。従来と比較する
と、本発明ではセンサ間隔が広くても期待値が大きくな
らない傾向が顕著であり、センサ設置数が同じである場
合、巡視鉄塔数が少ないことがわかる。例えば、鉄塔地
絡の場合には巡視鉄塔数が半数以下に低減されている。
【００４０】また、故障様相の判別率を図８に示す。あ
る程度以下のセンサ間隔であれば、高い判別率が達成さ
れることがわかる。
る程度以下のセンサ間隔であれば、高い判別率が達成さ
れることがわかる。
【００４１】次に、他の実施例を説明する。
【００４２】架空地線電流の計測情報のほかに、送電線
の電圧や周辺の電界・磁界情報を用いても同様の処理手
法を用いて、故障区間や故障様相を評定できる。
の電圧や周辺の電界・磁界情報を用いても同様の処理手
法を用いて、故障区間や故障様相を評定できる。
【００４３】また、変電所のオシロ等による波形情報が
使用できる場合、波形解析等によりある程度の故障様相
が識別できる。その識別できる故障様相毎に自己組織化
ニューラルネットを学習させ、評定のルールを作成して
おく。この評定ルールに基づいて故障区間を評定する
と、高精度の評定が可能となる。
使用できる場合、波形解析等によりある程度の故障様相
が識別できる。その識別できる故障様相毎に自己組織化
ニューラルネットを学習させ、評定のルールを作成して
おく。この評定ルールに基づいて故障区間を評定する
と、高精度の評定が可能となる。
【００４４】一線地絡の場合には、アーキングホーン間
が閃絡する鉄塔地絡と、クレーン事故のように大地との
間で閃絡する大地地絡との識別が変電所情報でも極めて
困難である。これに対しては、評定ルールを鉄塔地絡と
大地地絡とを模擬して作成し、変電所で測定した波形情
報から一線地絡と判明した場合に、この評定ルールに基
づいて故障区間及び故障様相を評定する。これにより鉄
塔地絡か大地地絡かの故障様相が評定できる。
が閃絡する鉄塔地絡と、クレーン事故のように大地との
間で閃絡する大地地絡との識別が変電所情報でも極めて
困難である。これに対しては、評定ルールを鉄塔地絡と
大地地絡とを模擬して作成し、変電所で測定した波形情
報から一線地絡と判明した場合に、この評定ルールに基
づいて故障区間及び故障様相を評定する。これにより鉄
塔地絡か大地地絡かの故障様相が評定できる。
【００４５】
【発明の効果】本発明は次の如き優れた効果を発揮す
る。
る。
【００４６】（１）故障区間を電流測定の間隔よりも狭
い範囲に絞って評定できるので、故障時に送電線を巡視
する範囲が狭められ、その労力及び時間が節減できる。
い範囲に絞って評定できるので、故障時に送電線を巡視
する範囲が狭められ、その労力及び時間が節減できる。
【００４７】（２）故障区間のみならず故障様相も評定
できるので、巡視時の出動態勢が準備しやすくなる。
できるので、巡視時の出動態勢が準備しやすくなる。
【図１】本発明の方法を実施するためのシステム構成図
である。
である。
【図２】本発明に用いる自己組織化ニューラルネットの
構造図である。
構造図である。
【図３】本発明の方法を適用した送電線系統の系統図で
ある。
ある。
【図４】故障時の架空地線の電流分布及び位相分布を示
す分布図である。
す分布図である。
【図５】分類グループ１の故障位置及び故障様相を示す
図である。
図である。
【図６】分類グループ２の故障位置及び故障様相を示す
図である。
図である。
【図７】巡視するべき鉄塔数の期待値とセンサ間隔との
関係図である。
関係図である。
【図８】故障様相の判別率とセンサ間隔との関係図であ
る。
る。
１ 電流センサ ２ データ伝送装置 ３ 光ファイバ ４ 中央データ処理装置 ２１ ニューロン ２２ 入力ユニット
───────────────────────────────────────────────────── フロントページの続き (72)発明者 金田 正久 茨城県日立市日高町５丁目１番１号 日立 電線株式会社オプトロシステム研究所内
Claims (4)
- 【請求項１】 送電線の故障のとき架空地線に流れる電
流を線路に沿った複数の箇所で計測し、この計測情報か
ら故障区間を評定する方法において、予め故障模擬計算
によりいろいろな位置での故障がもたらす計測情報を計
算し、これらの模擬計測情報を入力要素よりも出力要素
の多い自己組織化ニューラルネットに与えて計測情報の
分類を学習させると共にこの模擬計測情報の分類出力と
故障位置との対応関係による評定ルールを作成してお
き、爾後、実測の計測情報を入力とした上記自己組織化
ニューラルネットの分類出力から評定ルールに基づいて
故障区間を評定することを特徴とする送電線故障区間の
評定方法。 - 【請求項２】 送電線の故障のとき架空地線に流れる電
流を線路に沿った複数の箇所で計測し、この計測情報か
ら故障区間及び故障様相を評定する方法において、予め
故障模擬計算によりいろいろな位置でのいろいろな故障
様相による故障がもたらす計測情報を計算し、これらの
模擬計測情報を入力要素よりも出力要素の多い自己組織
化ニューラルネットに与えて計測情報の分類を学習さ
せ、さらに模擬計測情報に誤差を重畳した計測情報を自
己組織化ニューラルネットに分類させ、この分類出力と
故障位置及び故障様相との対応関係による評定ルールを
作成しておき、爾後、実測の計測情報を入力とした上記
自己組織化ニューラルネットの分類出力から評定ルール
に基づいて故障区間及び故障様相を評定することを特徴
とする送電線故障区間及び故障様相の評定方法。 - 【請求項３】 上記評定ルールを故障様相別に作成し、
変電所で測定した波形情報から故障様相を識別し、その
故障様相の評定ルールに基づいて故障区間を評定するこ
とを特徴とする請求項１記載の送電線故障区間の評定方
法。 - 【請求項４】 上記評定ルールを大地地絡と鉄塔地絡と
について作成し、変電所で測定した波形情報から一線地
絡と判明した場合に、この評定ルールに基づいて故障区
間及び故障様相を評定することを特徴とする請求項２記
載の送電線故障区間及び故障様相の評定方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6162419A JP3058564B2 (ja) | 1994-07-14 | 1994-07-14 | 送電線故障区間及び故障様相の評定方法 |
| US08/501,573 US5712796A (en) | 1994-07-14 | 1995-07-12 | Method for evaluating the faulted sections and states in a power transmission line |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6162419A JP3058564B2 (ja) | 1994-07-14 | 1994-07-14 | 送電線故障区間及び故障様相の評定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0829480A true JPH0829480A (ja) | 1996-02-02 |
| JP3058564B2 JP3058564B2 (ja) | 2000-07-04 |
Family
ID=15754246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6162419A Expired - Lifetime JP3058564B2 (ja) | 1994-07-14 | 1994-07-14 | 送電線故障区間及び故障様相の評定方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5712796A (ja) |
| JP (1) | JP3058564B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849620A (zh) * | 2015-05-28 | 2015-08-19 | 长沙理工大学 | 一种基于bp神经网络的接地网故障诊断方法 |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636841B1 (en) * | 1997-04-01 | 2003-10-21 | Cybula Ltd. | System and method for telecommunications system fault diagnostics |
| US9229036B2 (en) | 2012-01-03 | 2016-01-05 | Sentient Energy, Inc. | Energy harvest split core design elements for ease of installation, high performance, and long term reliability |
| US9182429B2 (en) | 2012-01-04 | 2015-11-10 | Sentient Energy, Inc. | Distribution line clamp force using DC bias on coil |
| WO2016112104A1 (en) | 2015-01-06 | 2016-07-14 | Sentient Energy, Inc. | Methods and apparatus for mitigation of damage of power line assets from traveling electrical arcs |
| KR101717357B1 (ko) | 2015-07-29 | 2017-03-16 | 엘에스산전 주식회사 | 에너지 관리 시스템의 스터디 모드 관리 장치 및 방법 |
| US9984818B2 (en) | 2015-12-04 | 2018-05-29 | Sentient Energy, Inc. | Current harvesting transformer with protection from high currents |
| US10634733B2 (en) | 2016-11-18 | 2020-04-28 | Sentient Energy, Inc. | Overhead power line sensor |
| US10837995B2 (en) * | 2017-06-16 | 2020-11-17 | Florida Power & Light Company | Composite fault mapping |
| US10489019B2 (en) | 2017-06-16 | 2019-11-26 | Florida Power & Light Company | Identifying and presenting related electrical power distribution system events |
| US10852341B2 (en) | 2017-06-16 | 2020-12-01 | Florida Power & Light Company | Composite fault mapping |
| CN107991580B (zh) * | 2017-11-27 | 2019-05-21 | 山东大学 | 基于关联权重离散性多源信息的配电网故障定位方法 |
| US11476674B2 (en) | 2018-09-18 | 2022-10-18 | Sentient Technology Holdings, LLC | Systems and methods to maximize power from multiple power line energy harvesting devices |
| US11041915B2 (en) | 2018-09-18 | 2021-06-22 | Sentient Technology Holdings, LLC | Disturbance detecting current sensor |
| US11125832B2 (en) | 2018-12-13 | 2021-09-21 | Sentient Technology Holdings, LLC | Multi-phase simulation environment |
| WO2020163367A1 (en) | 2019-02-04 | 2020-08-13 | Sentient Energy, Inc. | Power supply for electric utility underground equipment |
| CN110705414A (zh) * | 2019-09-24 | 2020-01-17 | 智洋创新科技股份有限公司 | 基于深度学习的输电线路施工机械隐患检测方法 |
| CN111814954B (zh) * | 2020-06-19 | 2023-09-08 | 武汉光迅科技股份有限公司 | 一种光纤质量分析方法、装置、电子设备及存储介质 |
| CN112098889B (zh) * | 2020-09-09 | 2022-03-04 | 青岛鼎信通讯股份有限公司 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| US5566273A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Supervised training of a neural network |
-
1994
- 1994-07-14 JP JP6162419A patent/JP3058564B2/ja not_active Expired - Lifetime
-
1995
- 1995-07-12 US US08/501,573 patent/US5712796A/en not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849620A (zh) * | 2015-05-28 | 2015-08-19 | 长沙理工大学 | 一种基于bp神经网络的接地网故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3058564B2 (ja) | 2000-07-04 |
| US5712796A (en) | 1998-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0829480A (ja) | 送電線故障区間及び故障様相の評定方法 | |
| Coury et al. | Artificial neural network approach to distance protection of transmission lines | |
| CN108646149A (zh) | 基于电流特征提取的故障电弧识别方法 | |
| CN110222423A (zh) | 基于模型属性对多种类安全带电净距的检测方法 | |
| CN110133444A (zh) | 一种基于正序电压变化量的故障定位方法、装置及系统 | |
| Mbamaluikem et al. | An artificial neural network-based intelligent fault classification system for the 33-kV Nigeria transmission line | |
| JPH09145772A (ja) | 送配電線故障区間標定方法及びその装置 | |
| Sanaye-Pasand et al. | High speed transmission line directional protection evaluation using field data | |
| Jain et al. | Application of artificial neural networks to transmission line faulty phase selection and fault distance location | |
| CN113406437B (zh) | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 | |
| CN109376990B (zh) | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 | |
| CN113064023B (zh) | 一种同塔多回输电线路故障识别方法与系统 | |
| JP4345045B2 (ja) | 送電線の事故区間標定方法 | |
| JP2767987B2 (ja) | 架空送電線の故障区間標定装置 | |
| JPH06201751A (ja) | 送電線故障区間標定装置 | |
| Mazon et al. | Fault location system on double circuit two-terminal transmission lines based on ANNs | |
| CN107908598B (zh) | 基于ds证据理论的oplc故障定位方法 | |
| JP2768028B2 (ja) | 送電線故障区間標定システム | |
| JP2002311076A (ja) | 送電線事故区間判別方法 | |
| Wörmann et al. | Neural network and correlation based earth-fault localization utilizing a digital twin of a medium-voltage grid | |
| KR102591491B1 (ko) | 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법 | |
| CN115169424A (zh) | 一种基于Bagging-异质k近邻提升学习的电缆故障分类方法 | |
| Adebayo et al. | Application of Artificial Neural Network Model for Improved Power System Protection in Port Harcourt 33 kV Network | |
| JPH07134157A (ja) | 架空送電線における故障様相および故障区間特定方法 | |
| Nascimento et al. | Detection of Open-Circuit Faults in Areas Among Meters in Distribution Systems Using Artificial Neural Networks |