WO2019151496A1 - 雷害予測装置、方法およびプログラム - Google Patents

雷害予測装置、方法およびプログラム Download PDF

Info

Publication number
WO2019151496A1
WO2019151496A1 PCT/JP2019/003690 JP2019003690W WO2019151496A1 WO 2019151496 A1 WO2019151496 A1 WO 2019151496A1 JP 2019003690 W JP2019003690 W JP 2019003690W WO 2019151496 A1 WO2019151496 A1 WO 2019151496A1
Authority
WO
WIPO (PCT)
Prior art keywords
density
lightning
section
data
facility
Prior art date
Application number
PCT/JP2019/003690
Other languages
English (en)
French (fr)
Inventor
尚倫 中村
英俊 高田
青木　延枝
潤 加藤
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US16/965,980 priority Critical patent/US11506817B2/en
Publication of WO2019151496A1 publication Critical patent/WO2019151496A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management

Definitions

  • One aspect of the present invention relates to a lightning damage prediction apparatus, method, and program for predicting the risk of equipment failure caused by lightning.
  • FIG. 17 shows an example of various components constituting the access facility.
  • a utility pole 171 a communication cable 172, a cable support line 173, a cable ring 174, a connection terminal box 175, a grounding electrode 176, and a manhole 177 are shown. Included in this.
  • the device name and the lightning failure data necessary for the prediction can be obtained because the name of the failed device and the location of the failure can be clearly specified.
  • restoration work is given priority, so detailed information on the failure location of the access facility is not collected, and the construction area covers a wide range. In many cases, the details of the failure facilities are not clear, and lightning failure data for each component has not been sufficiently collected.
  • This invention has been made by paying attention to the above circumstances, and its purpose is to make it possible to predict the risk of lightning damage of access equipment even when details of lightning damage of access equipment are unknown.
  • a lightning damage prediction apparatus, method, and program are to be provided.
  • a first aspect of the present invention is to provide a lightning strike data storage unit for storing lightning strike data including a lightning strike occurrence position and date and time, and attributes of each of a plurality of types of components constituting the facility.
  • a lightning damage prediction device capable of acquiring each data from a section data storage unit that stores section data including position information of each section of the target area, a past first based on the lightning strike data and the section data.
  • the prediction target area corresponding to the first period based on the lightning density for each section of the prediction target area corresponding to one period, the facility data, and the section data
  • the equipment density by section as a variable
  • a regression equation generation unit that generates a regression expression representing a relationship
  • a prediction variable acquisition unit that acquires lightning density and facility density for each section of the prediction target area corresponding to the second period to be predicted
  • the acquisition A prediction unit that predicts lightning damage failure density for each section of the prediction target area corresponding to the second period based on the lightning strike density and facility density and the regression equation. It is.
  • the failure data storage unit includes at least one of the number of failures for each type of component caused in a facility due to a lightning strike and the amount of damage generated for each type of component. Is stored as the failure data, and the regression equation generation unit stores at least one of the number of failure occurrences by type of component and the amount of damage occurrence by type of component stored as the failure data. Then, based on the section data, the lightning damage density for each section of the prediction target area corresponding to the first period is obtained.
  • the risk of a lightning damage failure occurring in a designated section in the prediction target area based on the predicted lightning damage density for each section of the prediction target area.
  • a ranking processing unit for assigning a risk rank.
  • a map including the designated section is created based on the section data, and an index representing the risk rank assigned to the designated section is displayed on the map.
  • a mapping processing unit that displays the information in association with the section to be displayed.
  • the mapping processing unit determines whether or not the risk rank is higher than a predetermined threshold for each of the sections, and the risk rank is Display data for generating display data for displaying an index indicating the type of component of equipment having a risk of occurrence of a failure in association with the corresponding section on the map when it is determined that the value is higher than the threshold value And a generation unit.
  • the first period, the prediction target area, the size of each of the sections, and the component density used for calculating the facility density are used to generate the regression equation.
  • An update unit is further provided for updating at least one of the type and the type of the component used for calculating the lightning damage failure density by machine learning processing.
  • the regression representing the relationship between the lightning density and the equipment density for each section in the prediction target area and the lightning damage density for each section corresponding to the first period in the past.
  • An expression is generated. Then, based on the lightning strike density and facility density for each section in the prediction target area corresponding to the second period to be predicted, and on the basis of the regression equation, for each section of the prediction target area corresponding to the second period The lightning damage density is predicted.
  • the details of the lightning damage failure of the access equipment are unknown, it is possible to predict the area with a high risk of lightning damage failure as a whole of the access equipment using only the information that can be obtained. It is possible to efficiently carry out preventive maintenance of lightning damage failures.
  • the regression generation unit generates at least one of the number of failures by type of equipment component and the amount of damage by type of component as failure data, Based on the data, the lightning damage density for each section is determined. As a result, even when details of the lightning damage of the access equipment are unknown, even when failure data for each type of component is not sufficiently collected, the information that can be acquired is used more effectively. It is possible to predict a section having a high risk of causing lightning damage as a whole facility.
  • the risk rank indicating the high risk of occurrence of lightning damage failure is assigned to the designated section based on the predicted lightning damage density for each section.
  • a map including the designated section is created, and an index representing the assigned risk rank is displayed in association with the corresponding section on the map.
  • the manager can easily grasp the facilities that need countermeasures for the high-risk section where the lightning damage failure occurs among the specified sections.
  • the first period used for generating the regression equation, the prediction target area, the size of each section, the type of component used for calculating the facility density, and At least one of the types of components used for calculating the lightning damage density is updated by machine learning processing. This enables regression analysis and prediction using conditions that are updated from time to time and that provide higher prediction accuracy.
  • a lightning damage prediction apparatus, method, and program capable of predicting the risk of a lightning damage failure of an access facility even when details of the lightning damage of the access facility are unknown. Can be provided.
  • FIG. 1 is a block diagram showing a functional configuration of a system including a lightning damage prediction apparatus according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing an example of a regression analysis procedure by the lightning damage prediction apparatus shown in FIG.
  • FIG. 3 is a flowchart showing an example of a prediction procedure by the lightning damage prediction apparatus shown in FIG.
  • FIG. 4A is a diagram illustrating an example of a screen image for designating a target period for regression analysis and a target period for prediction.
  • FIG. 4B is a diagram illustrating an example of a designated period for regression analysis and a period for prediction.
  • FIG. 1 is a block diagram showing a functional configuration of a system including a lightning damage prediction apparatus according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing an example of a regression analysis procedure by the lightning damage prediction apparatus shown in FIG.
  • FIG. 3 is a flowchart showing an example of a prediction procedure by the lightning damage prediction apparatus shown in FIG.
  • FIG. 5A is a diagram illustrating an example of a screen image for designating a mesh size, a regression analysis target area, and a prediction target area used for density calculation.
  • FIG. 5B is a diagram illustrating an example of a designated mesh size, a target area for regression analysis, and a target area for prediction.
  • FIG. 6A is a diagram illustrating an example of partition data indicating position information of a 1 km mesh stored in the partition data storage unit.
  • FIG. 6B is a diagram illustrating an example of partition data indicating position information of a 5 km mesh stored in the partition data storage unit.
  • FIG. 6C is a diagram illustrating an example of a mesh definition based on latitude and longitude.
  • FIG. 6D is a diagram illustrating an example of identification numbers assigned to meshes.
  • FIG. 7 is a diagram illustrating an example of a screen image for specifying details of equipment used for density calculation in regression analysis.
  • FIG. 8 is a diagram illustrating an example of lightning strike data stored in the lightning strike data storage unit.
  • FIG. 9A is a diagram illustrating an example of facility data stored in the facility data storage unit.
  • FIG. 9B is a diagram illustrating another example of the facility data stored in the facility data storage unit.
  • FIG. 9C is a diagram illustrating another example of the facility data stored in the facility data storage unit.
  • FIG. 10A is a diagram illustrating an example of failure data stored in the failure data storage unit.
  • FIG. 10B is a diagram illustrating another example of failure data stored in the failure data storage unit.
  • FIG. 10C is a diagram illustrating another example of the failure data stored in the failure data storage unit.
  • FIG. 10D is a diagram illustrating another example of failure data stored in the failure data storage unit.
  • FIG. 10E is a diagram illustrating another example of the failure data stored in the failure data storage unit.
  • FIG. 11 is a diagram illustrating an example of a method for generating a regression equation.
  • FIG. 12 is a diagram illustrating an example of partition data stored in the partition data storage unit, including the acquired lightning density, equipment density, and lightning damage failure density, and the derived regression coefficient.
  • FIG. 13 is a diagram illustrating an example of a screen image for designating details of equipment used for density calculation in prediction.
  • FIG. 13 is a diagram illustrating an example of a screen image for designating details of equipment used for density calculation in prediction.
  • FIG. 14A is a diagram illustrating an example of an image of a detailed setting screen for assigning a risk rank to a predicted failure density.
  • FIG. 14B is a diagram illustrating an example of the designated risk rank.
  • FIG. 15 is a diagram illustrating an example of a mapping display that visually indicates the risk rank for each section.
  • FIG. 16 is a diagram illustrating an example of a mapping display in which a display representing a component is superimposed on a section having a high risk rank.
  • FIG. 17 is a diagram illustrating an example of various components constituting the access facility.
  • FIG. 1 is a block diagram showing a functional configuration of a system including a lightning damage prediction apparatus according to an embodiment of the present invention.
  • This system includes a lightning damage prediction device 1 and a user terminal 2 that can communicate via a communication network NW.
  • the communication network NW includes, for example, an IP (Internet Protocol) network represented by the Internet, and a plurality of access networks for accessing the IP network.
  • IP Internet Protocol
  • access network not only a wired network using an optical fiber but also a mobile phone network operating under a standard such as 3G or 4G, a wireless LAN (Local Area Network), or the like is used.
  • the user terminal 2 is, for example, a personal computer used by a user such as an apparatus administrator, and is used for designating various parameters and inputting a data set. Further, the user terminal 2 is also used as an output destination of a prediction result or a mapping result obtained by the lightning damage prediction device 1 described later. However, the user terminal 2 is not an essential component and can be integrated with the lightning damage prediction apparatus 1 or can be omitted.
  • the lightning damage prediction device 1 is composed of, for example, a personal computer or a server device, and includes an input / output interface unit 11, a processing unit 12, and a storage unit 13.
  • the input / output interface unit 11 has, for example, a wired or wireless interface, and transmits / receives information to / from an external device, for example, the user terminal 2, or to / from an external server or an external database via the communication network NW.
  • an external device for example, the user terminal 2
  • an external server or an external database via the communication network NW.
  • the wired interface for example, a wired LAN is used
  • the wireless interface an interface adopting a low-power wireless data communication standard such as Bluetooth (registered trademark) is used.
  • the storage unit 13 uses a nonvolatile memory such as HDD (Hard Disk Drive) or SSD (Solid State Drive) that can be written to and read from time to time as a storage medium.
  • a nonvolatile memory such as HDD (Hard Disk Drive) or SSD (Solid State Drive) that can be written to and read from time to time as a storage medium.
  • HDD Hard Disk Drive
  • SSD Solid State Drive
  • a lightning strike data storage unit 131 an equipment data storage unit 132, a failure data storage unit 133, and a partition data storage unit 134 are provided.
  • the lightning strike data storage unit 131 stores lightning strike data including information such as the location of lightning strikes, the date and time of occurrence, and the energy (eg, current value) of the lightning strike.
  • the facility data storage unit 132 stores facility data including information indicating the position and type of each of the plurality of types of components that constitute the access facility.
  • the failure data storage unit 133 stores failure data including information indicating a history of failures (failure occurrence date and time, occurrence location, failed facility name, etc.) that occurred in the facility or each of its components due to lightning strikes.
  • the section data storage unit 134 stores section data including position information of each section for dividing a target area where lightning damage failure prediction is desired into a plurality of mesh sections (hereinafter also referred to as “mesh”).
  • the lightning strike data, facility data, failure data, and section data may be manually input by the user through the user terminal 2 or the like, or may be captured from a file or the like.
  • the lightning strike data storage unit 131, the facility data storage unit 132, the failure data storage unit 133, and the section data storage unit 134 do not necessarily have to be built in the lightning damage prediction device 1, and are arranged in, for example, the cloud. It may be provided in an external storage device such as a database server. In this case, the lightning damage prediction apparatus 1 acquires and uses necessary data by accessing the database server of the cloud via the communication network NW.
  • the processing unit 12 includes a hardware processor such as a CPU (Central Processing Unit) (not shown) and a memory, and a regression equation generation unit 121 and a prediction processing unit 122 are provided as processing functions necessary to implement this embodiment. And a ranking processing unit 123 and a mapping processing unit 124. These processing functions are realized by causing the hardware processor to execute a program stored in the memory.
  • a hardware processor such as a CPU (Central Processing Unit) (not shown) and a memory
  • a regression equation generation unit 121 and a prediction processing unit 122 are provided as processing functions necessary to implement this embodiment.
  • a ranking processing unit 123 and a mapping processing unit 124 are realized by causing the hardware processor to execute a program stored in the memory.
  • the regression equation generation unit 121 includes a lightning strike density acquisition unit 1211, an equipment density acquisition unit 1212, a lightning damage failure density acquisition unit 1213, and a regression analysis unit 1214.
  • the lightning strike density acquisition unit 1211 obtains the frequency of lightning strikes (hereinafter referred to as “lightning strike density”) over a predetermined first period for each section in the target area.
  • the equipment density acquisition unit 1212 acquires the density at which equipment is installed (hereinafter referred to as “equipment density”) for each section in the target area.
  • the lightning damage failure density acquisition unit 1213 has a frequency (hereinafter referred to as “lightning damage failure density” or “failure density”) of each section in the target area due to a lightning strike over the first period. Say)).
  • the regression analysis unit 1214 generates a regression expression that represents the relationship between the lightning damage failure density for each section, the lightning strike density, and the equipment density, using the acquired lightning density and the equipment density for each section of the target area as variables. .
  • the prediction processing unit 122 includes a lightning strike density acquisition unit 1221, an equipment density acquisition unit 1222, and a prediction unit 1223.
  • the lightning strike density acquisition unit 1221 obtains the lightning strike density related to the second period predetermined for each section in the area to be predicted.
  • the facility density acquisition unit 1222 acquires the facility density for each section in the area to be predicted.
  • the prediction unit 1223 is based on the lightning density for each section acquired by the lightning density acquisition unit 1221, the facility density for each section acquired by the facility density acquisition unit 1222, and the regression equation generated by the regression analysis unit 1214. Thus, the lightning damage failure density for each section of the prediction target area corresponding to the second period is predicted.
  • the ranking processing unit 123 is based on the lightning damage density for each section of the prediction target area predicted by the prediction unit 1223, and the risk of a lightning damage failure occurring in a specified section in the prediction target area. Is assigned a risk rank.
  • the mapping processing unit 124 creates a map including the designated section based on the section data stored in the section data storage unit 134, and displays an index representing the risk rank assigned to the designated section on the map. Display in association with the corresponding section of.
  • the mapping processing unit 124 further determines, for each partition, whether or not the risk rank is higher than a predetermined threshold, and the risk rank is determined to be higher than the threshold. In this case, it is possible to display an index representing the type of the component of the facility having the risk of occurrence of the failure in association with the corresponding section on the map.
  • FIG. 2 is a flowchart showing a processing procedure and processing contents of a regression formula generation process by the lightning damage prediction apparatus 1.
  • the lightning damage prediction apparatus 1 monitors the presence or absence of a trigger for starting the regression equation generation process in step S21. In this state, for example, when a user inputs a generation request for a regression equation at the user terminal 2 and receives this generation request as a start trigger, the lightning damage prediction apparatus 1 executes a generation processing for the regression equation as follows.
  • the lightning damage prediction apparatus 1 first acquires parameters to be used for the regression analysis from the user terminal 2 in step S22 under the control of the regression equation generation unit 121.
  • the parameters include an analysis target period, an analysis target area, a type of equipment for acquiring equipment density, and details of equipment for acquiring fault density.
  • the period to be analyzed which is one of the parameters acquired in step S22, specifies which period of data is used for the regression analysis.
  • the analysis target period is designated as a period for regression analysis by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG. 4A, for example.
  • FIG. 4B shows an example of the designated analysis target period.
  • the analysis target period is designated as January 1, 2017 to September 1, 2017.
  • the prediction target period can be specified at the same time as the analysis target period. However, it is not always necessary to specify the prediction target period simultaneously.
  • the prediction target period will be described later.
  • the analysis target period and the prediction target period are not limited to input by human hands, and may be updated as needed so that a regression equation with high prediction accuracy can be obtained by machine learning.
  • the analysis target area which is one of the parameters acquired in step S22, specifies in what area unit the regression coefficient is derived.
  • the analysis target area is designated as a regression analysis unit by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG. 5A, for example.
  • the analysis target area may be, for example, a prefecture in units of prefectures, the whole country (Japan), or any other area.
  • the mesh refers to each section obtained by dividing the target area into a mesh shape.
  • FIG. 5A illustrates a case where it is designated for each prefecture area that analysis is performed on both a 1 km square mesh and a 5 km square mesh.
  • FIG. 5B shows an example of an image of the designated mesh size, analysis target area, and prediction target area. The prediction target area will be described later.
  • 5A and 5B exemplify a case where the analysis target area and the prediction target area are set simultaneously, but it is not always necessary to set the analysis target area and the prediction target area at the same time.
  • the mesh size, the analysis target area, and the prediction target area are not limited to input by human hands, and may be updated as needed so that a regression equation with high prediction accuracy can be obtained by machine learning.
  • FIG. 6A shows data including position information of a 1 km mesh as an example of partition data stored in the partition data storage unit 134.
  • FIG. 6B shows data including position information of a 5 km mesh as an example of partition data stored in the partition data storage unit 134.
  • FIG. 6C shows an example of a mesh definition using latitude and longitude. In FIG. 6C, a mesh is defined by a point P1min having the smallest latitude and longitude and a point P1max having the largest latitude and longitude.
  • FIG. 6D shows an example of the definition of the identification number given to the mesh. As shown in FIGS. 6A to 6D, each mesh is defined in advance by a minimum latitude, a minimum longitude, a maximum latitude, and a maximum longitude. Note that the date, latitude, longitude, and specific numerical data are indicated by temporary numerical values or symbols throughout the drawings.
  • the type of equipment for equipment density acquisition which is one of the parameters obtained in step S22, specifies which component of the access equipment should obtain equipment density.
  • One or a plurality of types of equipment can be designated, for example, can be designated by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG. 7, or by machine learning It can also be updated at any time. For example, it is conceivable to select the component having the most data among the equipment data stored in the equipment data storage unit 132.
  • the details of the failure density acquisition facility which is one of the parameters acquired in step S22, specify what failure information of which component of the access facility should be acquired.
  • the user can designate one or a plurality of types of components through an input screen (not shown), and can further designate the number of failed utility poles, the length of the failed cable, and the like as the failure unit. This will be further described below.
  • the lightning damage prediction device 1 acquires the lightning density for each section corresponding to the specified analysis target period and analysis target area in step S23.
  • the lightning density acquisition unit 1211 can calculate the lightning strike density based on the lightning strike data stored in the lightning strike data storage unit 131 and the section data stored in the section data storage unit 134, or the lightning strike density can be obtained from a database (not shown) or the like. Can also be read.
  • the lightning density acquisition unit 1211 extracts lightning strike data (occurrence date and time and occurrence position) corresponding to the designated analysis target period and analysis target area from the lightning strike data storage unit 131, and the section data storage unit 134. Count the number of lightning strikes generated for each section (ie, each mesh of 1 km square and each mesh of 5 km square) and divide by the area of each mesh, / Km 2 ] can be calculated. Further, instead of the number of lightning strikes generated in each mesh, the lightning strike energy density [A / km 2 ] obtained by dividing the sum of the energy (for example, current value) of each lightning strike by the area may be calculated.
  • FIG. 8 shows an example of lightning strike data stored in the lightning strike data storage unit 131. The lightning density acquired by the lightning density acquisition unit 1211 is stored in the section data storage unit 134 together with information for identifying the corresponding mesh.
  • the lightning damage prediction apparatus 1 acquires the equipment density for each section corresponding to the specified analysis target period, analysis target area, and type of equipment in step S24.
  • the facility density acquisition unit 1212 can also calculate the facility density based on the facility data stored in the facility data storage unit 132 and the partition data stored in the partition data storage unit 134, or the facility density from a database or the like (not shown). Can also be read.
  • the facility density acquisition unit 1212 stores data of one or more types of components specified from among the facility data in the analysis target area corresponding to the specified analysis target period from the facility data storage unit 132. Is extracted, the number of facilities included in each mesh is counted, and the facility density [number / km 2 ] divided by the area of each mesh is calculated.
  • the equipment data stored in the equipment data storage unit 132 can include the types of components of the access equipment and the respective installation positions.
  • the types of components include devices and equipment such as utility poles, connection terminal boxes, grounding poles, manholes, communication cables, and cable support wires, and the equipment data storage unit 132 stores identification information representing the above types. .
  • the position of the communication cable or cable support line depends on the representative points that have been determined in advance, such as the start point (start point) of the communication cable, the end (end point) of the communication cable, and the intermediate point (middle point) of the communication cable route. Defined and stored. Since the location information of access facilities such as communication cables is rarely indicated by one point (latitude and longitude), an address (such as a city name) may be used as location information. Since it is equipment density used for analysis, equipment data does not need to contain exact position information.
  • the number of utility poles, the length of the communication cable, the length of the cable support line, and the number of telephone poles located in each mesh (or area of any size) used in the calculation of the equipment density, not the individual positions of the access equipment may be used as facility data.
  • a value obtained by adding the lengths may be used.
  • FIG. 9A to 9C show possible examples of the format of equipment data stored in the equipment data storage unit 132, respectively.
  • latitude and longitude are used as position information of each component of the facility.
  • municipal information is used as position information of each component of equipment.
  • FIG. 9C the number of utility poles present in the mesh, the cable length, and the support line length are used as position information of each component of the facility.
  • the data format is not limited to these, and other formats are possible.
  • the equipment density acquired by the equipment density acquisition unit 1212 is stored in the partition data storage unit 134 together with information for identifying the corresponding mesh.
  • the lightning damage prediction apparatus 1 acquires the lightning damage failure density for each section corresponding to the specified analysis target period and analysis target area in step S25.
  • the type of access equipment and the unit of the number of failures for calculating the lightning damage density can be arbitrarily set by the user through a designation screen (not shown), or can be updated as needed by machine learning.
  • the lightning damage failure density acquisition unit 1213 determines the failure density based on the failure data stored in the failure data storage unit 133 and the partition data stored in the partition data storage unit 134 for the specified one or more types of components. Can be calculated, or the failure density can be read from a database or the like (not shown).
  • the lightning damage failure density acquisition unit 1213 extracts the data of one or more types of constituent elements specified from the failure data in the target area from the failure data storage unit 133, and installs the equipment for each mesh.
  • the density of is calculated. Specifically, for example, the lightning damage failure density acquisition unit 1213 first reads failure data related to a specified type of component from a failure data storage unit 133 for a specified period and a specified target area. Subsequently, based on the partition data stored in the partition data storage unit 134, the lightning damage failures that have occurred in each mesh are counted, and the lightning damage density [times / km 2 ] divided by the area of each mesh is calculated. .
  • the failure data stored in the failure data storage unit 133 includes the date and time of occurrence of the lightning damage of the access facility, the occurrence position, and the lightning damage information. Since the location of the lightning damage failure of the access facility is rarely indicated by one point that can be indicated by latitude and longitude, an address (such as a city name) may be used as location information instead of the latitude and longitude.
  • the number of lightning damage failures (the number of lightning damage telephone poles, lightning damage cable length, lightning damage support line length, etc.).
  • the number of failures may be determined as one.
  • the number of lightning damage failures may be set as the number of lightning damage failures.
  • the lightning damage failure density may be calculated as “access facility” (that is, in units of access facilities). As an example, it is possible to use the number of times restoration work is required for the entire access facility in each area.
  • FIGS. 10A to 10E show examples of failure data stored in the failure data storage unit 133, respectively.
  • FIG. 10A and FIG. 10B show a case where the date and time when the failure occurred and the location where the failure occurred are stored in units of access equipment.
  • FIG. 10A shows the location where the failure occurred using latitude and longitude information.
  • FIG. 10B shows an example in which the location where the failure occurred is represented by the address information of the municipality.
  • FIG. 10C and FIG. 10D show the case where the date and time when the failure occurred and the location where the failure occurred are stored for each type of component.
  • FIG. 10C shows the location where the failure occurred using latitude and longitude information.
  • FIG. 10D shows an example in which the location where the failure occurred is represented by the address information of the municipality.
  • FIG. 10E shows an example of failure data storing a failure history for each mesh.
  • the target of counting the number of failures may be the number of times restoration work has been required for the entire access facility, or the number of failures occurring by component type, or long. Further, the amount of damage such as area and volume (also referred to as “damage generation amount”) may be used. Therefore, the unit of failure for counting the number of occurrences of failure can be selected flexibly according to the state of damage.
  • the failure data is not limited to the data format shown in FIGS. 10A to 10E, and other data formats are possible.
  • the lightning damage density acquired by the lightning damage density acquisition unit 1213 is stored in the section data storage unit 134.
  • the lightning damage prediction apparatus 1 repeats the above steps S23 to S25 for all meshes in the analysis target area.
  • step S26 the lightning damage prediction apparatus 1 determines whether or not the lightning strike density, the equipment density, and the failure density have been acquired for all meshes.
  • the lightning damage prediction apparatus 1 When the lightning strike density, the equipment density, and the failure density are acquired for all the meshes in the analysis target area, the lightning damage prediction apparatus 1 generates a regression equation (that is, a regression coefficient) in step S27 under the control of the regression analysis unit 1214. Derivation).
  • the regression analysis unit 1214 reads the lightning damage density, facility density, and failure density for each mesh from the partition data storage unit 134. For example, as shown in FIG. Plot density x equipment density).
  • Each plot in FIG. 11 corresponds to each section (each mesh).
  • the regression coefficient for each prefecture area is derived by plotting the data of each mesh for each prefecture area, but the regression coefficient for the arbitrary area can also be derived by plotting for any area.
  • the plot points follow the following equation (power regression analysis), and regression coefficients A and B are derived.
  • Lightning damage density A (lightning strike density ⁇ equipment density) B ...
  • a and B are regression coefficients, in particular, A is also called a prediction coefficient, and B is also called a prediction index.
  • power regression analysis will be described as regression analysis, but linear regression analysis or other regression analysis may be used.
  • a method of deriving the regression coefficient a method performed using a computer is generally known, and thus will not be described in detail here.
  • the lightning damage prediction apparatus 1 stores the regression coefficients A and B in the partition data storage unit 134 in step S28 under the control of the regression equation generation unit 121.
  • FIG. 12 shows an example of partition data stored in the partition data storage unit 134. Lightning strike density, facility density, and lightning damage failure density obtained in units of 1 km mesh for Gunma Prefecture and Tokyo, And regression coefficients derived using. Note that the symbols and numerical values in the data are only examples, and are not limited thereto.
  • FIG. 12 illustrates only the results derived using the 1 km mesh, but the results using the 5 km mesh can also be stored together.
  • one regression coefficient may be derived not for the prefecture area but for the whole country. Furthermore, you may derive about the area for every local block, such as Kanto and Kansai, not the prefecture area.
  • a regression coefficient for a specific area may be derived
  • a regression coefficient with the highest prediction accuracy may be employed by causing a computer to derive regression coefficients for various areas.
  • Prediction accuracy can be confirmed by performing a commonly used test using data not used in the regression analysis. For example, it is used in evaluation using a determination coefficient R 2 (representing that the accuracy is higher as the value is closer to 1) used in regression analysis, mean absolute error (MAE), mean square error (MSE), and other statistical processing. Evaluation using various types of tests is possible.
  • MSE mean square error
  • FIG. 3 is a flowchart showing a processing procedure and processing contents for predicting a lightning damage failure by the lightning damage prediction device 1. Note that the prediction process may be executed subsequent to the above-described regression analysis process (that is, the regression equation may be derived each time the prediction is executed), or the regression analysis is performed in advance to store the regression equation. Then, it may be executed at another timing.
  • the lightning damage prediction apparatus 1 monitors the presence or absence of a trigger for starting the prediction process in step S31. In this state, for example, when the user inputs a prediction process request at the user terminal 2 and receives the prediction process request as a start trigger, the lightning damage prediction apparatus 1 executes the prediction process as follows.
  • the lightning damage prediction apparatus 1 first acquires parameters to be used for prediction in step S32 under the control of the prediction processing unit 122.
  • the parameters include a prediction target period, a prediction target area, and a facility type for acquiring facility density.
  • the prediction target period which is one of the parameters acquired in step S32, which period data is used for the prediction process (that is, for which period the lightning strike density and facility density to be substituted into the prediction formula (i) are acquired ) Is specified.
  • the prediction target period can be specified by the user through an input screen as shown in FIG. 4A, for example.
  • FIG. 4B shows an example of the designated prediction target period. In the example shown in FIG. 4A and FIG. 4B, the case where the latest three months (October 1, 2017 to December 31, 2017) are designated as the prediction target period is illustrated. Note that the prediction target period is not necessarily set simultaneously with the analysis target period.
  • the prediction target area which is one of the parameters acquired in step S32, for which area the lightning damage failure is predicted (that is, for which area the lightning strike density and facility density to be substituted into the prediction formula (i) are acquired. To specify).
  • the prediction target area can be designated by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG. 5A, for example.
  • the prediction target area may be a mesh, a prefecture area, the whole country (Japan), or any other area. In FIG. 5A, it is designated for each prefecture area that prediction is performed for both a 1 km square mesh and a 5 km square mesh.
  • the prediction target area may be the same as or different from the analysis target area. As described above, the analysis target area and the prediction target area are not necessarily designated at the same time.
  • the equipment type for equipment density acquisition which is one of the parameters obtained in step S32, specifies which of the constituent elements of the access equipment is to be predicted.
  • One or a plurality of types can be specified as the type of equipment.
  • the type can be specified by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG.
  • the type of equipment used for the prediction may be the same as or different from the type of equipment used for the regression analysis.
  • the lightning damage prediction apparatus 1 acquires the lightning density for each section corresponding to the specified prediction target period and prediction target area in step S ⁇ b> 33.
  • the lightning strike density acquisition unit 1221 can also calculate the lightning strike density based on the lightning strike data stored in the lightning strike data storage unit 131 and the section data stored in the section data storage unit 134, or from a database or the like (not shown). Can also be read.
  • the lightning strike density acquisition unit 1221 extracts lightning strike data (occurrence date and occurrence position) corresponding to the designated prediction target period and prediction target area from the lightning strike data storage unit 131, and the section data storage unit 134.
  • the lightning strike density [times / km 2 ] for each mesh can be calculated on the basis of the section data stored in.
  • the lightning strike energy density [A / km 2 ] can be acquired as the lightning strike density.
  • the lightning damage prediction apparatus 1 acquires the equipment density for each section corresponding to the designated prediction target area and equipment type in step S34.
  • the facility density acquisition unit 1222 can also calculate the facility density based on the facility data stored in the facility data storage unit 132 and the section data stored in the section data storage unit 134, or the facility density from a database or the like (not shown). Can also be read.
  • the data used to acquire the equipment density in the prediction process may be the latest equipment data in terms of time, or may be data corresponding to a designated prediction target period (for example, a period average value or a maximum value).
  • the equipment density acquisition unit 1222 extracts the data of one or more types of component elements specified from the latest equipment data in the prediction target area from the equipment data storage unit 132, for each mesh. Calculate the density of the equipment.
  • the equipment density may be the same as that used in the regression analysis or may be acquired separately during the prediction procedure.
  • the lightning damage prediction apparatus 1 acquires a regression coefficient from the partition data storage unit 134 in step S35 under the control of the prediction processing unit 122. Subsequently, under the control of the prediction unit 1223, the lightning damage prediction apparatus 1 substitutes the acquired lightning strike density, facility density, and regression coefficient into the prediction formula (i) in step S36, and the failure predicted for each mesh. Calculate the density. By multiplying the calculated failure density by the area of the mesh, the number of failures predicted for each mesh is obtained.
  • the lightning damage prediction apparatus 1 repeats the above steps S33 to S36 for all meshes in the prediction target area.
  • step S37 the lightning damage prediction apparatus 1 determines whether the prediction process for all the meshes has been completed.
  • the lightning damage prediction apparatus 1 controls the failure density obtained for each mesh in step S38 under the control of the ranking processing unit 123.
  • a risk rank based on the number of failures is assigned.
  • the risk rank represents a high risk of failure of the access equipment due to lightning damage. For example, a risk rank of 1 to 5 can be assigned with level 1 being the least dangerous and level 5 being the most dangerous.
  • level 1 predicted failure density of less than 10 / km 2
  • level 2 predicted failure density of less than 20 / km 2
  • level 3 predicted failure density of less than 50 / km 2
  • level 4 predicted failure density of 80 cases / Km 2
  • Level 5 Can be defined as a predicted failure density of 80 cases / km 2 or more.
  • the level indicating the risk rank can be arbitrarily set by the user through an input screen displayed on the display of the user terminal 2 as shown in FIG. 14A.
  • FIG. 14A shows an example of a detailed setting screen for assigning a risk rank as a level to the predicted failure density (number of times display).
  • FIG. 14A shows that the higher the level value, the higher the risk of lightning damage.
  • Level 1 0 to 99 cases / km 2
  • level 2 100 to 199 cases / km 2
  • level 3 200 to 299 cases / km 2
  • An example is shown in which level 4: 300 to 399 cases / km 2 and level 5: 400 cases / km 2 or more are set.
  • FIG. 14B illustrates each specified risk rank level.
  • the lightning damage prediction apparatus 1 can store or output the risk rank assigned to each mesh in association with the mesh number for identifying the mesh.
  • the lightning damage prediction apparatus 1 performs the mapping process which displays a prediction result on a map in step S39 under control of the mapping process part 124 as follows. That is, in one embodiment, the mapping processing unit 124 first acquires a map including the prediction target area. The mapping processing unit 124 can create a map based on the mesh information acquired from the partition data storage unit 134, and can also acquire a map from a database (not shown). The mapping processing unit 124 displays an index representing the assigned risk rank in association with the corresponding mesh on the map. FIG. 15 shows an example in which the prediction target areas are classified by risk rank. As shown in FIG. 15, it is possible to perform drawing by performing color and pattern processing designated in advance according to the risk rank for each mesh.
  • the mapping processing unit 124 can map some index to a mesh corresponding to a risk rank at a level exceeding a predetermined threshold.
  • the mapping processing unit 124 includes a risk rank determination unit and a display data generation unit. Then, the risk rank determination unit determines whether or not the risk rank is higher than a predetermined threshold for each mesh, and is displayed when the risk rank level is determined to be higher than the threshold. Display data for displaying the determination result of the risk level is generated by the data generation unit. For example, the display data generation unit generates display data that displays an index representing the type of the component of the facility having the risk of failure in association with the corresponding mesh on the map.
  • FIG. 16 shows an example of such a mapping.
  • an index representing the type of component of equipment having a risk of occurrence of failure an image of a utility pole in a mesh corresponding to level 5 with the highest risk rank Is drawing.
  • the index to be displayed on the map may be arbitrary, for example, the user may arbitrarily specify it on an input screen (not shown), or may represent the type of equipment acquired in step S32. Good.
  • a regression equation representing gender is generated.
  • data of one or more types of constituent elements arbitrarily selected from the constituent elements included in the access equipment is used.
  • lightning damage failure density data of one or a plurality of types of components arbitrarily selected from the components included in the access facility is used.
  • the failure unit for counting the number of failures in each section can be arbitrarily selected.
  • the data is flexibly collected for the analysis target area.
  • the regression analysis can be performed for the entire access facility using only the information that can be acquired.
  • the type of component and the unit of failure used for acquiring the failure density can be arbitrarily set, it is possible to perform analysis using the information that can be acquired more effectively.
  • the lightning damage failure density is predicted based on the lightning density and facility density for each section corresponding to a predetermined prediction target period and prediction target area, and the obtained regression equation. Is done. Similar to the regression analysis process, when acquiring the equipment density, the type of component can be arbitrarily selected. Therefore, even if the conventional prediction technology cannot be applied, it is possible to predict a lightning damage failure as a whole access facility using only the information that can be acquired.
  • each section is ranked according to the high risk of occurrence of lightning damage failure. Therefore, it is possible to easily grasp the sections with high risk of occurrence of lightning damage failure. Measures can be taken. Furthermore, by visually displaying the rank assigned to each section on the map, it is easy to visually grasp the lightning damage failure risk. Further, by using a visual marker corresponding to the risk rank such as color coding, it becomes possible to more easily grasp a section with a high lightning damage risk in the prediction target area. Furthermore, for a section with a particularly high risk rank, it is possible to recognize at a glance the area and equipment for which measures should be taken by displaying the components having the risk of lightning damage on the map.
  • the present invention is not limited to the above embodiment.
  • the description has been made assuming that the user specifies various parameters.
  • an algorithm that performs prediction processing using various parameters and selects a parameter with high prediction accuracy based on past results. You may specify using.
  • optimal parameters may be determined using a program such as machine learning.
  • the prediction formula (i) was used as regression analysis (single regression analysis), when the detailed data regarding each component are acquirable, the following prediction formula which uses a some data component Regression analysis can also be performed using (ii) (multiple regression analysis).
  • Lightning damage density A 1 (Lightning strike density x Utility pole density) B1 + A 2 (Lightning density x Communication cable density) B2 + A 3 (lightning strike density ⁇ cable support line density) B3 ...
  • Prediction formula (ii) A 1 , A 2 , A 3 , B 1 , B 2 , and B 3 are regression coefficients.
  • the regression analysis method can be appropriately selected by the user.
  • a prediction model using a regression equation has been described.
  • the present invention is not limited to this, and prediction is performed using a neural network model trained using various types of lightning damage data. Is also possible.
  • the process of acquiring the lightning strike density used for regression equation generation, and the process of acquiring the lightning strike density used for prediction processing are divided into separate functional units (lightning strike density acquisition unit 1211 and lightning strike density acquisition). Although described as being executed by the unit 1221), a single functional unit may be executed. The same applies to acquisition of equipment density (equipment density acquisition unit 1212 and equipment density acquisition unit 1222) used for regression equation generation and prediction processing.
  • the output method of the prediction result including the mapping can be implemented with various modifications without departing from the gist of the present invention.
  • the present invention is not limited to the above-described embodiment as it is, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage.
  • various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the embodiment. For example, some components may be deleted from all the components shown in the embodiment. Furthermore, you may combine suitably the component covering different embodiment.

Abstract

落雷に起因したアクセス設備の故障のリスクを予測する雷害予測装置を提供する。過去の第１の期間に対応する、予測対象エリア内の区画別の落雷密度と、設備を構成する複数種類の構成要素の区画別の設備密度と、設備または構成要素の区画別の雷害故障密度との関係性を表す回帰式を生成し、予測対象となる第２の期間に対応する、予測対象エリア内の区画別の落雷密度および設備密度と、前記回帰式とに基づいて、第２の期間に対応する予測対象エリアの区画別の雷害故障密度を予測する。

Description

雷害予測装置、方法およびプログラム
　この発明の一態様は、落雷に起因した設備の故障のリスクを予測する、雷害予測装置、方法およびプログラムに関する。
　従来、特定のエリア内の落雷数と、装置の設置台数と、落雷に起因して故障した装置の台数とから、落雷に起因する故障（以下、「雷害故障」と言う）を予測する技術が知られている（例えば、特許文献１、２または３を参照）。また、予測対象の装置の雷サージ耐力や落雷の規模を考慮に入れることで、雷害故障の予測精度を向上させる技術が知られている（例えば、特許文献４または５を参照）。
特開２００４－０６２５２１号公報 特開２００８－０１５６２０号公報 特開２００９－０１５４５０号公報 特開２０１２－１０８７６６号公報 特開２０１３－１１４５３１号公報
　従来技術では、雷害故障を予測するためには、落雷に関するデータに加えて、予測対象の装置の雷害故障に関するデータ（例えば、雷害故障が発生した日時、故障台数、故障位置等）と、当該装置の設備データ（例えば、設置位置、設置台数等）が必要となる。例えば、通信装置Ａの雷害故障予測を行う場合、通信装置Ａの雷害故障データと通信装置Ａの設備データとが必要である。
　しかし、雷害故障が発生する設備には、通信ケーブル、ケーブル支持線、電柱など、様々な構成要素が含まれる（以下、これらを総称して「設備」または「アクセス設備」と言う）。図１７は、アクセス設備を構成する様々な構成要素の一例を示しており、例えば、電柱１７１、通信ケーブル１７２、ケーブル支持線１７３、ケーブルリング１７４、接続端子函１７５、接地極１７６、マンホール１７７がこれに含まれる。このような種々の構成要素を含むアクセス設備全体について雷害故障を予測しようとする場合、従来技術を適用することは以下の理由から困難であった。
　すなわち、特定の通信装置の雷害故障を予測する場合、故障した装置名と故障の発生位置を明確に指定できるため、予測に必要な設備データや雷害故障データを取得することができた。しかし、上記のように様々な構成要素を含むアクセス設備の雷害故障を予測する場合、どの構成要素の設備データおよび雷害故障データを用いるべきか明確に指定することが容易ではなかった。また、一般に、アクセス設備の雷害故障が発生した場合、復旧作業が優先されるため、アクセス設備の故障箇所の詳細情報が収集されなかったり、工事範囲が広範囲に及ぶため、故障発生位置の特定や故障設備の詳細が明確ではない場合が多く、構成要素ごとの雷害故障データが十分に収集されていないという問題があった。
　この発明は上記事情に着目してなされたもので、その目的とするところは、アクセス設備の雷害故障の詳細が不明な場合でも、アクセス設備の雷害故障のリスクを予測できるようにする、雷害予測装置、方法およびプログラムを提供しようとするものである。
　上記課題を解決するためにこの発明の第１の態様は、落雷の発生位置と発生日時を含む落雷データを記憶する落雷データ記憶部と、設備を構成する複数種類の構成要素の各々の属性を表す設備データを記憶する設備データ記憶部と、落雷に起因して設備またはその各構成要素において発生した故障の履歴を表す故障データを記憶する故障データ記憶部と、複数の区画に分割された予測対象エリアの各区画の位置情報を含む区画データを記憶する区画データ記憶部から、前記各データの取得が可能な雷害予測装置にあって、前記落雷データおよび前記区画データに基づく、過去の第１の期間に対応する前記予測対象エリアの区画別の落雷密度と、前記設備データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の設備密度とを変数として、前記故障データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の雷害故障密度と、前記落雷密度および設備密度との関係性を表す回帰式を生成する回帰式生成部と、予測対象となる第２の期間に対応する前記予測対象エリアの区画別の落雷密度および設備密度を取得する予測変数取得部と、前記取得された落雷密度および設備密度と前記回帰式とに基づいて、前記第２の期間に対応する前記予測対象エリアの区画別の雷害故障密度を予測する予測部と、を具備するようにしたものである。
　この発明の第２の態様は、前記故障データ記憶部が、落雷に起因して設備において発生した構成要素の種類別の故障の数と、構成要素の種類別の損傷発生量のうちの少なくとも一方を前記故障データとして記憶し、前記回帰式生成部が、前記故障データとして記憶された前記設備の構成要素の種類別の故障の発生数と構成要素の種類別の損傷発生量のうちの少なくとも一方と、前記区画データに基づいて、前記第１の期間に対応する前記予測対象エリアの区画別の雷害故障密度を求めるようにしたものである。
　この発明の第３の態様は、予測された前記予測対象エリアの区画別の雷害故障密度に基づいて、前記予測対象エリア内の指定された区画に対し雷害故障が発生するリスクの高さを表すリスクランクを付与するランク付け処理部をさらに具備するようにしたものである。
　この発明の第４の態様は、前記区画データに基づいて、前記指定された区画を含むマップを作成し、前記指定された区画に対し付与されたリスクランクを表す指標を、前記マップ上の対応する区画に関連付けて表示するマッピング処理部をさらに具備するようにしたものである。
　この発明の第５の態様は、前記マッピング処理部が、前記区画の各々について、前記リスクランクがあらかじめ定められたしきい値よりも高いか否かを判定する判定部と、前記リスクランクが前記しきい値よりも高いと判定された場合、前記マップ上の対応する区画に関連付けて、故障の発生リスクを有する設備の構成要素の種類を表す指標を表示するための表示データを生成する表示データ生成部と、を備えるようにしたものである。
　この発明の第６の態様は、前記回帰式を生成するために用いられる、前記第１の期間、前記予測対象エリア、前記区画の各々の大きさ、前記設備密度の算出に用いられる構成要素の種類、および前記雷害故障密度の算出に用いられる構成要素の種類のうちの少なくとも１つを機械学習処理により更新する更新部をさらに具備するようにしたものである。
　この発明の第１の態様によれば、過去の第１の期間に対応する、予測対象エリア内の区画別の落雷密度および設備密度と、区画別の雷害故障密度との関係性を表す回帰式が生成される。そして、予測対象となる第２の期間に対応する、予測対象エリア内の区画別の落雷密度および設備密度と、前記回帰式とに基づいて、第２の期間に対応する予測対象エリアの区画別の雷害故障密度が予測される。これにより、アクセス設備の雷害故障の詳細が不明な場合でも、取得可能な情報だけを用いて、アクセス設備全体として雷害故障が発生する危険性の高い区画を予測することができ、アクセス設備の雷害故障の予防保全を効率的に行うことができる。
　この発明の第２の態様によれば、回帰式生成部により、故障データとして設備の構成要素の種類別の故障の発生数と構成要素の種類別の損傷発生量のうちの少なくとも一方と、区画データとに基づいて、区画別の雷害故障密度が求められる。これにより、アクセス設備の雷害故障の詳細が不明な場合でも、特に、構成要素の種類別の故障データが十分に収集されていない場合でも、取得可能な情報をより効果的に用いて、アクセス設備全体として雷害故障が発生する危険性の高い区画を予測することができる。
　この発明の第３の態様によれば、予測された区画別の雷害故障密度に基づいて、指定された区画に対し雷害故障が発生するリスクの高さを表すリスクランクが付与される。これにより、取得可能な情報だけを用いて、アクセス設備の雷害故障が発生する危険性の高い区画を容易に抽出することができ、アクセス設備の雷害故障の予防保全をより迅速に行うことができる。
　この発明の第４の態様によれば、指定された区画を含むマップが作成され、付与されたリスクランクを表す指標が前記マップ上の対応する区画に関連付けて表示される。これにより、指定された区画のうち雷害故障が発生する危険性の高い区画を視覚的に識別することができる。
　この発明の第５の態様によれば、各区画についてリスクランクがあらかじめ定められたしきい値よりも高いか否かが判定され、リスクランクがしきい値よりも高いと判定された場合、マップ上の対応する区画に関連付けて、故障の発生リスクを有する設備の構成要素の種類を表す指標が表示される。これにより、管理者は、指定された区画のうち雷害故障が発生する危険性の高い区画について、対策が必要な設備を容易に把握することができる。
　この発明の第６の態様によれば、回帰式を生成するために用いられる、第１の期間、予測対象エリア、区画の各々の大きさ、設備密度の算出に用いられる構成要素の種類、および雷害故障密度の算出に用いられる構成要素の種類のうちの少なくとも１つが機械学習処理により更新される。これにより、随時更新される、より高い予測精度をもたらす条件を用いた回帰分析および予測が可能になる。
　すなわちこの発明の各態様によれば、アクセス設備の雷害故障の詳細が不明な場合でも、アクセス設備の雷害故障のリスクを予測することを可能にした、雷害予測装置、方法およびプログラムを提供することができる。
図１は、この発明の一実施形態に係る雷害予測装置を含むシステムの機能構成を示すブロック図である。 図２は、図１に示した雷害予測装置による回帰分析手順の一例を示すフローチャートである。 図３は、図１に示した雷害予測装置による予測手順の一例を示すフローチャートである。 図４Ａは、回帰分析の対象期間および予測の対象期間を指定する画面イメージの一例を示す図である。 図４Ｂは、指定された回帰分析の対象期間および予測の対象期間の一例を示す図である。 図５Ａは、密度計算に用いるメッシュサイズ、回帰分析の対象エリアおよび予測の対象エリアを指定する画面イメージの一例を示す図である。 図５Ｂは、指定されたメッシュサイズ、回帰分析の対象エリアおよび予測の対象エリアの一例を示す図である。 図６Ａは、区画データ記憶部に記憶された１ｋｍメッシュの位置情報を示す区画データの一例を示す図である。 図６Ｂは、区画データ記憶部に記憶された５ｋｍメッシュの位置情報を示す区画データの一例を示す図である。 図６Ｃは、緯度および経度によるメッシュの定義の一例を示す図である。 図６Ｄは、メッシュに付された識別番号の一例を示す図である。 図７は、回帰分析において密度計算に用いる設備の詳細を指定する画面イメージの一例を示す図である。 図８は、落雷データ記憶部に記憶された落雷データの一例を示す図である。 図９Ａは、設備データ記憶部に記憶された設備データの一例を示す図である。 図９Ｂは、設備データ記憶部に記憶された設備データの他の一例を示す図である。 図９Ｃは、設備データ記憶部に記憶された設備データの他の一例を示す図である。 図１０Ａは、故障データ記憶部に記憶された故障データの一例を示す図である。 図１０Ｂは、故障データ記憶部に記憶された故障データの他の一例を示す図である。 図１０Ｃは、故障データ記憶部に記憶された故障データの他の一例を示す図である。 図１０Ｄは、故障データ記憶部に記憶された故障データの他の一例を示す図である。 図１０Ｅは、故障データ記憶部に記憶された故障データの他の一例を示す図である。 図１１は、回帰式を生成する方法の一例を示す図である。 図１２は、取得された落雷密度、設備密度、および雷害故障密度と、導出された回帰係数とを含む、区画データ記憶部に記憶される区画データの一例を示す図である。 図１３は、予測において密度計算に用いる設備の詳細を指定する画面イメージの一例を示す図である。 図１４Ａは、予測された故障密度に対してリスクランクを付与するための詳細設定画面のイメージの一例を示す図である。 図１４Ｂは、指定されたリスクランクの一例を示す図である。 図１５は、区画ごとのリスクランクを視覚的に示すマッピング表示の一例を示す図である。 図１６は、リスクランクの高い区画に構成要素を表す表示を重畳したマッピング表示の一例を示す図である。 図１７は、アクセス設備を構成する様々な構成要素の一例を示す図である。
　以下、図面を参照してこの発明に係わる実施形態を説明する。
　［一実施形態］
　（構成）
　図１は、この発明の一実施形態に係る雷害予測装置を含むシステムの機能構成を示すブロック図である。このシステムは、通信ネットワークＮＷを介して通信可能な雷害予測装置１と、ユーザ端末２とを備えている。
　通信ネットワークＮＷは、例えばインターネットに代表されるＩＰ（Internet Protocol）網と、このＩＰ網に対しアクセスするための複数のアクセス網とから構成される。アクセス網としては、光ファイバを使用した有線網はもとより、例えば３Ｇ又は４Ｇ等の規格の下で動作する携帯電話網や、無線ＬＡＮ（Local Area Network）等が用いられる。
　ユーザ端末２は、例えば、装置の管理者等のユーザが使用するパーソナルコンピュータであり、各種のパラメータを指定したり、データセットを入力するために使用される。また、ユーザ端末２は、後述する、雷害予測装置１によって得られた予測結果またはマッピング結果の出力先としても使用される。ただし、ユーザ端末２は、必須の構成要素ではなく、雷害予測装置１と一体とすることもでき、また省略することもできる。
　雷害予測装置１は、例えばパーソナルコンピュータまたはサーバ装置からなり、入出力インタフェースユニット１１と、処理ユニット１２と、記憶ユニット１３とを備えている。
　入出力インタフェースユニット１１は、例えば有線または無線インタフェースを有しており、外部機器、例えばユーザ端末２との間で、または通信ネットワークＮＷを介して外部サーバもしくは外部データベース等との間で情報の送受信を可能にする。有線インタフェースとしては、例えば有線ＬＡＮが使用され、また無線インタフェースとしては、例えばBluetooth（登録商標）などの小電力無線データ通信規格を採用したインタフェースが使用される。
　記憶ユニット１３は、記憶媒体として例えばＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込および読み出しが可能な不揮発性メモリを用いたものであり、この実施形態を実現するために必要な記憶領域として、プログラム記憶部の他に、落雷データ記憶部１３１と、設備データ記憶部１３２と、故障データ記憶部１３３と、区画データ記憶部１３４とを備えている。
　落雷データ記憶部１３１は、落雷の発生位置、発生日時および落雷のエネルギー（例えば、電流値）等の情報を含む落雷データを記憶する。設備データ記憶部１３２は、アクセス設備を構成する複数種類の構成要素の各々の位置および種類を表す情報を含む設備データを記憶する。故障データ記憶部１３３は、落雷に起因して設備またはその各構成要素において発生した故障の履歴（故障発生日時、発生位置、故障した設備名等）を表す情報を含む故障データを記憶する。区画データ記憶部１３４は、雷害故障予測を行いたい対象エリアをメッシュ状の複数の区画（以下、「メッシュ」とも言う）に分割するための各区画の位置情報を含む区画データを記憶する。上記の落雷データ、設備データ、故障データおよび区画データは、ユーザ端末２等を通じてユーザが手入力したものでも、またファイル等から取り込んだものでもよい。なお、落雷データ記憶部１３１、設備データ記憶部１３２、故障データ記憶部１３３および区画データ記憶部１３４は、必ずしも雷害予測装置１に内蔵されたものでなくてもよく、例えばクラウドに配置されたデータベースサーバ等の外部の記憶装置に設けられたものでもよい。この場合雷害予測装置１は、通信ネットワークＮＷを介して上記クラウドのデータベースサーバにアクセスすることにより、必要なデータを取得し使用する。
　処理ユニット１２は、図示しないＣＰＵ（Central Processing Unit）等のハードウェアプロセッサとメモリとを有し、この実施形態を実施する上で必要な処理機能として、回帰式生成部１２１と、予測処理部１２２と、ランク付け処理部１２３と、マッピング処理部１２４とを備える。これらの処理機能は、上記メモリに格納されたプログラムを上記ハードウェアプロセッサに実行させることにより実現される。
　回帰式生成部１２１は、落雷密度取得部１２１１と、設備密度取得部１２１２と、雷害故障密度取得部１２１３と、回帰分析部１２１４とを備える。
　落雷密度取得部１２１１は、対象とするエリア内の各区画について、あらかじめ定められた過去の第１の期間にわたり落雷が発生した頻度（以下、「落雷密度」と言う）を取得する。
　設備密度取得部１２１２は、対象とするエリア内の各区画について、設備が設置されている密度（以下、「設備密度」と言う）を取得する。
　雷害故障密度取得部１２１３は、対象とするエリア内の各区画について、上記第１の期間にわたり落雷に起因して設備の故障が発生した頻度（以下、「雷害故障密度」または「故障密度」と言う）を取得する。
　回帰分析部１２１４は、取得された対象エリアの区画別の落雷密度と設備密度とを変数として、区画別の雷害故障密度と、落雷密度および設備密度との関係性を表す回帰式を生成する。
　予測処理部１２２は、落雷密度取得部１２２１と、設備密度取得部１２２２と、予測部１２２３とを備える。
　落雷密度取得部１２２１は、予測対象とするエリア内の各区画についてあらかじめ定められた第２の期間に関する落雷密度を取得する。
　設備密度取得部１２２２は、予測対象とするエリア内の各区画について設備密度を取得する。
　予測部１２２３は、落雷密度取得部１２２１によって取得された区画別の落雷密度と、設備密度取得部１２２２によって取得された区画別の設備密度と、回帰分析部１２１４によって生成された回帰式とに基づいて、上記第２の期間に対応する予測対象エリアの区画別の雷害故障密度を予測する。
　ランク付け処理部１２３は、予測部１２２３によって予測された予測対象エリアの区画別の雷害故障密度に基づいて、予測対象エリア内の指定された区画に対し雷害故障が発生するリスクの高さを表すリスクランクを付与する。
　マッピング処理部１２４は、区画データ記憶部１３４に記憶された区画データに基づいて、指定された区画を含むマップを作成し、指定された区画に対し付与されたリスクランクを表す指標を、マップ上の対応する区画に関連付けて表示する。一実施形態では、マッピング処理部１２４は、さらに、各区画について、リスクランクがあらかじめ定められたしきい値よりも高いか否かを判定し、リスクランクがしきい値よりも高いと判定された場合、マップ上の対応する区画に関連付けて、故障の発生リスクを有する設備の構成要素の種類を表す指標を表示することができる。
　（動作）
　次に、以上のように構成された雷害予測装置１による情報処理動作を説明する。
　（１）回帰分析を用いた回帰式の生成
　図２は、雷害予測装置１による回帰式生成処理の処理手順と処理内容を示すフローチャートである。
　一実施形態では、雷害予測装置１は、ステップＳ２１により回帰式生成処理を開始するトリガの有無を監視している。この状態で、例えばユーザがユーザ端末２において回帰式の生成要求を入力し、この生成要求を開始トリガとして受け取ると、雷害予測装置１は以下のように回帰式の生成処理を実行する。
　すなわち、雷害予測装置１は、回帰式生成部１２１の制御の下、先ずステップＳ２２において、ユーザ端末２から回帰分析に使用すべきパラメータを取得する。パラメータには、分析対象期間、分析対象エリア、設備密度取得用の設備の種類および故障密度取得用の設備の詳細が含まれる。
　ステップＳ２２で取得されるパラメータの１つである分析対象期間は、どの期間のデータを回帰分析に用いるかを指定する。分析対象期間は、例えば、図４Ａに示すようなユーザ端末２のディスプレイに表示される入力画面を通じて、ユーザにより回帰分析用期間として指定される。図４Ｂは、指定された分析対象期間の一例を示す。図４Ａおよび図４Ｂに示された例では、分析対象期間を２０１７年１月１日～２０１７年９月１日と指定している。なお、図４Ａおよび図４Ｂでは、分析対象期間と同時に予測対象期間を指定できるものとして示したが、必ずしも同時に指定する必要はない。予測対象期間については後に説明する。また、分析対象期間および予測対象期間は、人間の手による入力に限られるものではなく、機械学習により予測精度の高い回帰式が得られるよう随時更新されるものとすることもできる。
　ステップＳ２２で取得されるパラメータの１つである分析対象エリアは、どのようなエリア単位で回帰係数を導出するかを指定する。分析対象エリアは、例えば、図５Ａに示すようなユーザ端末２のディスプレイに表示された入力画面を通じて、ユーザにより回帰分析単位として指定される。分析対象エリアは、例えば都道府県を単位とする県域、全国（日本）、その他の任意のエリアでもよい。また、分析対象エリアをどのようなメッシュサイズに分割して回帰分析を行うかについても設定することができる。ここで、メッシュとは、対象エリアをメッシュ状に分割した、それぞれの区画を指す。図５Ａでは、県域ごとに、１ｋｍ四方サイズのメッシュと５ｋｍ四方サイズのメッシュとの両方について分析を行うよう指定された場合を例示している。図５Ｂは、指定されたメッシュサイズ、分析対象エリアおよび予測対象エリアのイメージの一例を示す。なお、予測対象エリアについては後に説明する。
　図５Ａおよび図５Ｂでは、分析対象エリアと予測対象エリアとを同時に設定する場合を例示しているが、必ずしも同時に設定する必要はなく、別画面において個別に設定するようにしてもよい。また、メッシュサイズ、分析対象エリアおよび予測対象エリアは、人間の手による入力に限られるものではなく、機械学習により予測精度の高い回帰式が得られるよう随時更新されるものとすることもできる。
　図６Ａは、区画データ記憶部１３４に記憶された区画データの一例として１ｋｍメッシュの位置情報を含むデータを示す。図６Ｂは、区画データ記憶部１３４に記憶された区画データの一例として５ｋｍメッシュの位置情報を含むデータを示す。図６Ｃは緯度および経度を用いたメッシュの定義の一例を示す。図６Ｃにおいて、あるメッシュは、最小緯度および最小経度を有する点Ｐ１minおよび最大緯度および最大経度を有する点Ｐ１maxによって定義される。図６Ｄはメッシュに付された識別番号の定義の一例を示す。図６Ａ～図６Ｄのように、各メッシュは、最小緯度、最小経度、最大緯度および最大経度によりあらかじめ定義される。なお、全図をとおして、日時、緯度、経度、および具体的な数値データが仮の数値または記号により示されていることに留意されたい。
　ステップＳ２２で取得されるパラメータの１つである設備密度取得用の設備の種類は、アクセス設備のどの構成要素について設備密度を取得すべきかを指定する。設備の種類は、１または複数の種類を指定することができ、例えば、図７に示すようなユーザ端末２のディスプレイに表示された入力画面を通じてユーザにより指定されることができ、または機械学習により随時更新されることもできる。例えば、設備データ記憶部１３２内に記憶された設備データのうち、最も多くのデータを有する構成要素を選択することが考えられる。
　ステップＳ２２で取得されるパラメータの１つである故障密度取得用の設備の詳細は、アクセス設備のどの構成要素のどのような故障情報について故障密度を取得すべきかを指定する。例えば、ユーザが、図示しない入力画面を通じて、１または複数の種類の構成要素を指定し、さらに故障の単位として故障した電柱の本数や故障したケーブルの長さ等を指定することができる。これについては以下でさらに説明する。
　次に、雷害予測装置１は、落雷密度取得部１２１１の制御の下、ステップＳ２３において、指定された分析対象期間および分析対象エリアに対応する、区画別の落雷密度を取得する。落雷密度取得部１２１１は、落雷データ記憶部１３１に記憶された落雷データおよび区画データ記憶部１３４に記憶された区画データに基づいて落雷密度を算出することもでき、または図示しないデータベース等から落雷密度を読み出すこともできる。
　一実施形態では、落雷密度取得部１２１１は、落雷データ記憶部１３１から、指定された分析対象期間および分析対象エリアに対応する落雷データ（発生日時および発生位置）を抽出し、区画データ記憶部１３４に記憶された区画データに基づいて、区画ごと（すなわち、１ｋｍ四方の各メッシュおよび５ｋｍ四方の各メッシュの各々）に発生した落雷数をカウントし、各メッシュの面積で割って、落雷密度［回／ｋｍ２］を算出することができる。また、各メッシュに発生した落雷の数ではなく、各落雷のエネルギー（例えば電流値）を合計した値を面積で割った落雷エネルギー密度［Ａ／ｋｍ２］を算出してもよい。図８は落雷データ記憶部１３１に記憶された落雷データの一例を示す。落雷密度取得部１２１１により取得された落雷密度は、対応するメッシュを識別する情報とともに区画データ記憶部１３４に記憶される。
　次いで、雷害予測装置１は、設備密度取得部１２１２の制御の下、ステップＳ２４において、指定された分析対象期間、分析対象エリアおよび設備の種類に対応する、区画別の設備密度を取得する。設備密度取得部１２１２は、設備データ記憶部１３２に記憶された設備データおよび区画データ記憶部１３４に記憶された区画データに基づいて設備密度を算出することもでき、または図示しないデータベース等から設備密度を読み出すこともできる。
　一実施形態では、設備密度取得部１２１２は、設備データ記憶部１３２から、指定された分析対象期間に対応する分析対象エリア内の設備データのうち指定された１または複数の種類の構成要素のデータを抽出し、各メッシュに含まれる設備数をカウントし、各メッシュの面積で割った設備密度［数／ｋｍ２］を算出する。設備データ記憶部１３２に記憶された設備データは、アクセス設備の構成要素の種類と、各々の設置位置とを含むことができる。構成要素の種類には、電柱、接続端子函、接地極、マンホール、通信ケーブル、ケーブル支持線等の機器や設備が含まれ、設備データ記憶部１３２には上記種類を表す識別情報が記憶される。
　通信ケーブルやケーブル支持線等の位置は、例えば、通信ケーブルの立ち上がり地点（始点）、通信ケーブルの末端（終点）、通信ケーブルルートの中間地点（中点）等、あらかじめ決めておいた代表地点により定義され、記憶される。通信ケーブル等のアクセス設備の位置情報は、１地点（緯度経度）で示される場合が少ないため、住所（市町村名等）を位置情報としてもよい。分析に用いるのは設備密度であるため、設備データが厳密な位置情報を含まなくてもよい。また、アクセス設備の個々の位置ではなく、設備密度の計算で用いられている各メッシュ（または、任意のサイズのエリア）の中に位置する電柱の本数、通信ケーブルの長さ、ケーブル支持線の長さなどを設備データとしてもよい。複数本の通信ケーブルや支持線がある場合は、それらの長さを足し合わせた値を用いてもよい。
　図９Ａ～図９Ｃは、それぞれ、設備データ記憶部１３２に記憶された設備データの形式の考えられる例を示す。図９Ａでは、設備の各構成要素の位置情報として緯度および経度が用いられている。図９Ｂでは、設備の各構成要素の位置情報として市町村情報が用いられている。図９Ｃでは、設備の各構成要素の位置情報として、メッシュ内に存在する電柱の本数、ケーブル長、支持線長が用いられている。データ形式はこれらに限定されるものではなく他の形式も可能である。設備密度取得部１２１２により取得された設備密度は、対応するメッシュを識別する情報とともに区画データ記憶部１３４に記憶される。
　次に、雷害予測装置１は、雷害故障密度取得部１２１３の制御の下、ステップＳ２５において、指定された分析対象期間および分析対象エリアに対応する区画別の雷害故障密度を取得する。雷害故障密度を算出するためのアクセス設備の種類および故障数の単位は、図示しない指定画面を通じてユーザが任意に設定することができ、または機械学習により随時更新されるようにすることもできる。
　雷害故障密度取得部１２１３は、指定された１または複数の種類の構成要素について、故障データ記憶部１３３に記憶された故障データおよび区画データ記憶部１３４に記憶された区画データに基づいて故障密度を算出することもでき、または図示しないデータベース等から故障密度を読み出すこともできる。
　一実施形態では、雷害故障密度取得部１２１３は、故障データ記憶部１３３から、対象エリア内の故障データのうち指定された１または複数の種類の構成要素のデータを抽出し、メッシュごとに設備の密度を算出する。具体的には、雷害故障密度取得部１２１３は、例えば、先ず故障データ記憶部１３３から、指定された期間および指定された対象エリアについて、指定された種類の構成要素に関する故障データを読み込む。続いて、区画データ記憶部１３４に記憶された区画データに基づいて、各メッシュで発生した雷害故障をカウントし、各メッシュの面積で割った雷害故障密度［回／ｋｍ２］を算出する。
　より具体的には、故障データ記憶部１３３に記憶された故障データは、アクセス設備の雷害故障の発生日時、発生位置および雷害故障情報を含む。アクセス設備の雷害故障の位置は、緯度経度で示すことができる１地点で示される場合が少ないため、緯度経度ではなく、住所（市町村名等）を位置情報としてもよい。
　アクセス設備の詳細情報（通信ケーブル故障、支持線故障、電柱故障等）が存在しない場合は、雷害故障密度の計算で用いられている各メッシュ（または、任意のサイズのエリア）の中で発生した雷害故障数（雷害故障電柱数、雷害故障ケーブル長、雷害故障支持線長等）とすることができる。ケーブル長を用いる場合、所定の長さのケーブルのどこかで雷害故障が発生すると１回の故障数と定めてもよい。また、そのケーブルにおいて複数回雷害故障が発生した場合はその回数を雷害故障数としてもよい。複数本の通信ケーブルや支持線が雷害故障した場合は、それらの長さを足し合わせた値を用いてもよい。また、アクセス設備の詳細情報（通信ケーブル故障、支持線故障、電柱故障等）が不明の場合は、「アクセス設備」として（すなわち、アクセス設備単位で）雷害故障密度を算出してもよい。一例として、各エリア内でアクセス設備全体として復旧工事を要した回数を用いることもできる。
　図１０Ａ～図１０Ｅは、それぞれ、故障データ記憶部１３３に記憶された故障データの例を示す。図１０Ａおよび図１０Ｂは、アクセス設備単位で、故障が発生した日時と、故障が発生した位置を記憶した場合を示したもので、図１０Ａは故障が発生した位置を緯度および経度情報により表した例を、図１０Ｂは故障が発生した位置を市町村の住所情報により表した例をそれぞれ示している。図１０Ｃおよび図１０Ｄは、構成要素の種類別に、故障が発生した日時と、故障が発生した位置を記憶した場合を示すもので、図１０Ｃは故障が発生した位置を緯度および経度情報により表した例を、図１０Ｄは故障が発生した位置を市町村の住所情報により表した例をそれぞれ示している。図１０Ｅは、メッシュごとの故障履歴を記憶する故障データの一例を示す。
　このように、故障密度の取得にあたって、故障の発生数をカウントする対象は、アクセス設備全体として復旧工事を要した回数としてもよく、構成要素の種類別の故障発生数としてもよく、または、長さ、面積、体積など構成要素に損傷が発生した量（「損傷発生量」とも言う）としてもよい。したがって、故障の発生数をカウントするための故障単位についても、被害の状況に応じてフレキシブルに選択することができる。
　なお、故障データは図１０Ａ～図１０Ｅのデータ形式に限定されるものではなく、他のデータ形式も可能である。雷害故障密度取得部１２１３により取得された雷害故障密度は、区画データ記憶部１３４に記憶される。
　雷害予測装置１は、上記のステップＳ２３～Ｓ２５を、分析対象エリア内のすべてのメッシュについて繰り返す。
　雷害予測装置１は、ステップＳ２６において、落雷密度、設備密度および故障密度が全メッシュについて取得されたか否かを判定する。
　分析対象エリア内の全メッシュについて落雷密度、設備密度および故障密度が取得されたら、雷害予測装置１は、回帰分析部１２１４の制御の下、ステップＳ２７において、回帰式の生成（すなわち、回帰係数の導出）を行う。回帰分析部１２１４は、区画データ記憶部１３４から、メッシュごとの雷害密度、設備密度および故障密度を読み出し、例えば図１１に示されるように、縦軸に雷害故障密度、横軸に（落雷密度×設備密度）をプロットする。
　図１１の各プロットは各区画（各メッシュ）に対応する。例えば、県域ごとに各メッシュのデータをプロットすることにより、県域ごとの回帰係数が導出されるが、任意のエリアについてプロットを行うことで、その任意のエリアの回帰係数を導出することもできる。回帰式の生成では、プロット点が以下の式（累乗回帰分析）に従うものとし、回帰係数ＡおよびＢを導出する。
　　　雷害故障密度　＝　Ａ（落雷密度×設備密度）Ｂ　・・・　予測式（ｉ）ここで、Ａ、Ｂは回帰係数であり、特にＡは予測係数、Ｂは予測指数とも呼ばれる。ここでは、回帰分析として、累乗回帰分析を用いて説明するが、線形回帰分析でも、その他の回帰分析でもよい。回帰係数の導出方法は、計算機を用いて行う手法が一般的に知られているので、ここでは詳細には説明しない。
　回帰係数ＡとＢが導出されたら、雷害予測装置１は、回帰式生成部１２１の制御の下、ステップＳ２８において、回帰係数ＡとＢを区画データ記憶部１３４に記憶させる。図１２は、区画データ記憶部１３４に記憶される区画データの一例を示しており、群馬県および東京都について１ｋｍメッシュ単位で取得された、落雷密度、設備密度、および雷害故障密度と、それらを用いて導出された回帰係数とを含む。なお、データ内の記号および数値は一例を示したものであり、これに限定されない。
　図１２は、１ｋｍメッシュを用いて導出された結果だけを例示しているが、５ｋｍメッシュを用いた結果も合わせて記憶することができる。また、県域ではなく全国で１つの回帰係数を導出してもよい。さらに、県域ではなく、関東、関西等の地方ブロックごとのエリアについて導出してもよい。特定のエリアに対する回帰係数を導出してもよいが、様々なエリアに対する回帰係数を計算機に導出させることで、もっとも予測精度が高くなる回帰係数を採用してもよい。予測精度は、回帰分析で用いなかったデータを利用して、一般的に用いられている検定を行うことで確かめることができる。例えば、回帰分析で用いられる決定係数Ｒ２（値が１に近いほど精度が高いことを表す）を用いた評価や、平均絶対誤差（ＭＡＥ）、平均二乗誤差（ＭＳＥ）、その他統計処理で用いられている種々の検定を用いた評価が考えられる。
　（２）雷害故障の予測
　図３は、雷害予測装置１による雷害故障を予測する処理手順と処理内容を示すフローチャートである。
　なお、予測処理は、上記の回帰分析の処理に続けて実行されてもよく（すなわち、予測を実行するたびに回帰式を導出してもよく）、あらかじめ回帰分析を実行して回帰式を記憶したのち、別のタイミングで実行されてもよい。
　一実施形態では、雷害予測装置１は、ステップＳ３１により予測処理を開始するトリガの有無を監視している。この状態で、例えばユーザがユーザ端末２において予測処理要求を入力し、この予測処理要求を開始トリガとして受け取ると、雷害予測装置１は以下のように予測処理を実行する。
　すなわち、雷害予測装置１は、予測処理部１２２の制御の下、先ずステップＳ３２において予測に使用すべきパラメータを取得する。パラメータには、予測対象期間、予測対象エリアおよび設備密度取得用の設備の種類が含まれる。
　ステップＳ３２で取得されるパラメータの１つである予測対象期間は、予測処理にどの期間のデータを用いるか（すなわち、予測式（ｉ）に代入する落雷密度および設備密度をどの期間について取得するか）を指定する。予測対象期間は、例えば、図４Ａに示すような入力画面を通じてユーザにより指定されることができる。図４Ｂは、指定された予測対象期間の一例を示す。図４Ａおよび図４Ｂに示された例では、予測対象期間として直近の３ヶ月間（２０１７年１０月１日～２０１７年１２月３１日）を指定した場合を例示している。なお、予測対象期間は分析対象期間と必ずしも同時に設定する必要はない。
　ステップＳ３２で取得されるパラメータの１つである予測対象エリアは、どのようなエリアについて雷害故障を予測するか（すなわち、予測式（ｉ）に代入する落雷密度および設備密度をどのエリアについて取得するか）を指定する。予測対象エリアは、例えば、図５Ａに示すようなユーザ端末２のディスプレイに表示された入力画面を通じてユーザにより指定されることができる。予測対象エリアは、メッシュ、県域、全国（日本）、その他の任意のエリアでもよい。図５Ａでは、県域ごとに、１ｋｍ四方サイズのメッシュと５ｋｍ四方サイズのメッシュとの両方について予測を行うよう指定されている。予測対象エリアは、分析対象エリアと同一であっても異なるものであってもよい。上述のように、分析対象エリアと予測対象エリアとは必ずしも同時に指定する必要はない。
　ステップＳ３２で取得されるパラメータの１つである設備密度取得用の設備の種類は、アクセス設備が備える構成要素のうちどの構成要素を予測対象とするかを指定する。設備の種類は、１または複数の種類を指定することができ、例えば、図１３に示すようなユーザ端末２のディスプレイに表示された入力画面を通じてユーザにより指定されることができる。予測に用いられる設備の種類は、回帰分析に用いられた設備の種類と同一であっても異なるものであってもよい。
　次に、雷害予測装置１は、落雷密度取得部１２２１の制御の下、ステップＳ３３において、上記指定された予測対象期間および予測対象エリアに対応する、区画別の落雷密度を取得する。落雷密度取得部１２２１は、落雷データ記憶部１３１に記憶された落雷データおよび区画データ記憶部１３４に記憶された区画データに基づいて落雷密度を算出することもでき、または図示しないデータベース等から落雷密度を読み出すこともできる。
　一実施形態では、落雷密度取得部１２２１は、落雷データ記憶部１３１から、指定された予測対象期間および予測対象エリアに対応する落雷データ（発生日時および発生位置）を抽出し、区画データ記憶部１３４に記憶された区画データに基づいて、メッシュごとの落雷密度［回／ｋｍ２］を算出することができる。回帰分析の手順と同様、落雷密度として落雷エネルギー密度［Ａ／ｋｍ２］を取得することもできる。
　続いて雷害予測装置１は、設備密度取得部１２２２の制御の下、ステップＳ３４において、指定された予測対象エリアおよび設備の種類に対応する、区画別の設備密度を取得する。設備密度取得部１２２２は、設備データ記憶部１３２に記憶された設備データおよび区画データ記憶部１３４に記憶された区画データに基づいて設備密度を算出することもでき、または図示しないデータベース等から設備密度を読み出すこともできる。予測処理における設備密度の取得に用いられるデータは、時間的に最新の設備データとしてもよく、指定された予測対象期間に対応するデータ（たとえば期間平均値または最大値）としてもよい。
　一実施形態では、設備密度取得部１２２２は、設備データ記憶部１３２から、予測対象エリア内の最新の設備データのうち指定された１または複数の種類の構成要素のデータを抽出し、メッシュごとに設備の密度を算出する。なお、設備密度は、回帰分析の際に用いられたのと同一であってもよく、予測手順の際に別個に取得されてもよい。
　次に、雷害予測装置１は、予測処理部１２２の制御の下、ステップＳ３５において、区画データ記憶部１３４から回帰係数を取得する。続いて雷害予測装置１は、予測部１２２３の制御の下、ステップＳ３６において、取得された落雷密度、設備密度および回帰係数を予測式（ｉ）に代入して、メッシュごとに予測される故障密度を算出する。算出された故障密度にメッシュの面積を掛けることによって、メッシュごとに予測される故障数が得られる。
　雷害予測装置１は、上記のステップＳ３３～Ｓ３６を、予測対象エリア内のすべてのメッシュについて繰り返す。
　雷害予測装置１は、ステップＳ３７において、上記全メッシュに対する予測処理が終了したか否かを判定する。
　（３）ランク付け処理
　予測対象エリア内の全メッシュについて予測処理が終了すると、雷害予測装置１は、ランク付け処理部１２３の制御の下、ステップＳ３８において、各メッシュに得られた故障密度または故障数に基づくリスクランクを付与する。リスクランクは、雷害に起因してアクセス設備の故障が発生する危険性の高さを表す。例えば、最も危険性の低いものをレベル１、最も危険性の高いものをレベル５として、レベル１～５というリスクランクを付与することができる。一例では、レベル１：予測故障密度１０件／ｋｍ２未満、レベル２：予測故障密度２０件／ｋｍ２未満、レベル３：予測故障密度５０件／ｋｍ２未満、レベル４：予測故障密度８０件／ｋｍ２未満、レベル５：予測故障密度８０件／ｋｍ２以上と定義することができる。
　上記リスクランクを示すレベルは、図１４Ａに示すようなユーザ端末２のディスプレイに表示された入力画面を通じてユーザが任意に設定することができる。図１４Ａは、予測された故障密度（回数表示）に対してリスクランクをレベルとして付与するための詳細設定画面の一例を示す。図１４Ａは、レベル値が高いほど雷害リスクが高いものとして、レベル１：０～９９件／ｋｍ２、レベル２：１００～１９９件／ｋｍ２、レベル３：２００～２９９件／ｋｍ２、レベル４：３００～３９９件／ｋｍ２、レベル５：４００件／ｋｍ２以上、と設定された例を示している。図１４Ｂは、指定された各リスクランクレベルを例示する。雷害予測装置１は、メッシュごとに付与されたリスクランクを、メッシュを識別するメッシュ番号に対応付けて記憶または出力することができる。
　（４）マッピング処理
　次に、雷害予測装置１は、マッピング処理部１２４の制御の下、ステップＳ３９において、予測結果をマップ上に表示するマッピング処理を以下のように実行する。
　すなわち、一実施形態では、マッピング処理部１２４は、はじめに、予測対象エリアを含むマップを取得する。マッピング処理部１２４が、区画データ記憶部１３４から取得したメッシュ情報に基づいてマップを作成することもでき、図示しないデータベースからマップを取得することもできる。マッピング処理部１２４は、付与されたリスクランクを表す指標をマップ上の対応するメッシュに関連付けて表示する。図１５は、予測対象エリアをリスクランクで分類した一例を示す。図１５に示すように、リスクランクに応じてあらかじめ指定された色やパターン処理をメッシュごとに施して描画することができる。
　さらに、一実施形態では、マッピング処理部１２４は、あらかじめ定められたしきい値を超えるレベルのリスクランクに対応するメッシュに何らかの指標をマッピングすることができる。例えば、マッピング処理部１２４は、リスクランク判定部と、表示データ生成部とを備える。そして、リスクランク判定部により、各メッシュについてリスクランクがあらかじめ定められたしきい値よりも高いか否かを判定し、リスクランクのレベルがしきい値よりも高いと判定された場合に、表示データ生成部により上記リスクレベルの判定結果を表示するための表示データを生成する。例えば、表示データ生成部は、マップ上の対応するメッシュに関連付けて、故障の発生リスクを有する設備の構成要素の種類を表す指標を表示する表示データを生成する。
　図１６は、そのようなマッピングの一例を示しており、故障の発生リスクを有する設備の構成要素の種類を表す指標の一例として、最もリスクランクの高いレベル５に対応するメッシュ内に電柱のイメージを描画している。マップ上に表示する指標は、任意のものとすることができ、例えば、図示しない入力画面によりユーザが任意に指定してもよく、ステップＳ３２で取得された設備の種類を表すものであってもよい。これにより、雷害に起因してアクセス設備の故障が発生する危険性が高いメッシュ、および当該メッシュ内に存在する構成要素を視覚的に容易に識別することができる。
　（効果）
　以上詳述したように、この発明の一実施形態では、あらかじめ定められた分析対象期間および分析対象エリアに対応する、区画別の落雷密度および設備密度と、区画別の雷害故障密度との関係性を表す回帰式が生成される。特に、設備密度を取得する際、アクセス設備に含まれる構成要素のうち任意に選択された１または複数の種類の構成要素のデータを用いるものとした。さらに、雷害故障密度を取得する際にも、アクセス設備に含まれる構成要素のうち任意に選択された１または複数の種類の構成要素のデータを用いるものとした。さらに、各区画の故障数をカウントするための故障単位についても任意に選択できるものとしている。
　したがって、一実施形態によれば、アクセス設備の詳細な雷害故障データが取得されておらず、従来の予測技術を適用できなかったような場合にも、分析対象エリアについてフレキシブルにデータを収集することができ、取得可能な情報だけを用いてアクセス設備全体として回帰分析を行うことができる。特に、故障密度の取得に用いる構成要素の種類および故障単位を任意に設定できるので、取得可能な情報をより効果的に用いて分析を行うことができる。このように、従来の通信装置の雷害故障予測を、複数の種類の構成要素を含むアクセス設備全体の雷害故障予測に応用することが可能となる。
　また、一実施形態によれば、あらかじめ定められた予測対象期間および予測対象エリアに対応する、区画別の落雷密度および設備密度と、得られた回帰式とに基づいて、雷害故障密度の予測が行われる。回帰分析処理と同様に、設備密度を取得する際、構成要素の種類を任意に選択できるものとしている。したがって、やはり従来の予測技術を適用できなかった場合にも、取得可能な情報だけを用いてアクセス設備全体としての雷害故障を予測することができる。
　一実施形態によれば、区画ごとに雷害故障が発生する危険性の高さに応じたランク付けがされるので、雷害故障が発生する危険性の高い区画を容易に把握でき、必要な対策を講じることができる。さらに、区画ごとに付与されたランクをマップ上に表示することにより、雷害故障リスクの視覚的な把握が容易になる。また、色分けなど、リスクランクに応じた視覚的標識を用いることにより、予測対象エリア中の雷害故障リスクの高い区画をより容易に把握できるようになる。さらに、特にリスクランクの高い区画については、雷害故障の危険性を有する構成要素をマップ上に表示することによって、一目で対策を講じるべきエリアおよび設備を認識することが可能となる。
　［他の実施形態］
　なお、この発明は上記実施形態に限定されるものではない。例えば、上記実施形態においては、ユーザが各種パラメータを指定するものとして説明したが、様々なパラメータを用いて予測処理を行い、過去の実績をもとに予測精度が高いパラメータを選択するようなアルゴリズムを用いて指定してもよい。例えば、機械学習などのプログラムを用いて、最適なパラメータが決定されるようにしてもよい。
　これにより、雷害故障を予測したい設備の故障に関する実測データが十分に収集できていない場合でも、最適なパラメータを選択することにより、より適切な故障予測結果を得ることができる。
　また、上記実施形態においては、回帰分析として予測式（ｉ）を用いたが（単回帰分析）、各構成要素に関する詳細なデータが取得可能な場合、データ複数の構成要素を用いる下記の予測式（ｉｉ）を用いて回帰分析を行うこともできる（重回帰分析）。
　　　雷害故障密度　=Ａ１（落雷密度×電柱密度）Ｂ１
　　　　　　　　　　＋Ａ２（落雷密度×通信ケーブル密度）Ｂ２
　　　　　　　　　　＋Ａ３（落雷密度×ケーブル支持線密度）Ｂ３　…　予測式（ｉｉ）
なお、Ａ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３は回帰係数である。予測式（ｉｉ）により、アクセス設備の複数の構成要素の各々の実測データを用いて、実際の雷害故障の状況をより反映した回帰分析を行うことができる。また、予測式（ｉｉ）により、予測精度が大幅に向上することも予想される。
　また、上記実施形態においては、累乗回帰分析を用いたが、線形回帰分析を用いてもよい。これにより、よりシンプルな計算処理を用いて、簡易かつ迅速な分析および予測処理が実現される。
　このように、本発明においては、回帰分析手法はユーザが適宜選択できるものとする。
　さらに、上記実施形態においては、回帰式を用いる予測モデルについて説明したが、これに限られるものではなく、多種多様な雷害故障データを用いて学習させたニューラルネットワークモデルを用いて予測を行うことも考えられる。
　また、上記実施形態においては、回帰式生成に使用する落雷密度を取得する過程と、予測処理に使用する落雷密度を取得する過程とを、別々の機能部（落雷密度取得部１２１１と落雷密度取得部１２２１）が実行するものとして説明したが、単一の機能部が実行するようにすることもできる。回帰式生成および予測処理に使用する設備密度の取得（設備密度取得部１２１２と設備密度取得部１２２２）についても同様である。
　その他、マッピングを含めた予測結果の出力方法についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
　要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
　１…雷害予測装置
　２…ユーザ端末
　１１…入出力インタフェースユニット
　１２…処理ユニット
　１３…記憶ユニット
　１２１…回帰式生成部
　１２２…予測処理部
　１２３…ランク付け処理部
　１２４…マッピング処理部
　１３１…落雷データ記憶部
　１３２…設備データ記憶部
　１３３…故障データ記憶部
　１３４…区画データ記憶部
　１７１…電柱
　１７２…通信ケーブル
　１７３…ケーブル支持線
　１７４…ケーブルリング
　１７５…接続端子函
　１７６…接地極
　１７７…マンホール
　１２１１…落雷密度取得部
　１２１２…設備密度取得部
　１２１３…雷害故障密度取得部
　１２１４…回帰分析部
　１２２１…落雷密度取得部
　１２２２…設備密度取得部
　１２２３…予測部

Claims (8)

  1. 　落雷の発生位置と発生日時を含む落雷データを記憶する落雷データ記憶部と、設備を構成する複数種類の構成要素の各々の属性を表す設備データを記憶する設備データ記憶部と、前記落雷に起因して前記設備またはその各構成要素において発生した故障の履歴を表す故障データを記憶する故障データ記憶部と、複数の区画に分割された予測対象エリアの前記各区画の位置情報を含む区画データを記憶する区画データ記憶部から、前記各データの取得が可能な雷害予測装置であって、
    　前記落雷データおよび前記区画データに基づく、過去の第１の期間に対応する前記予測対象エリアの区画別の落雷密度と、前記設備データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の設備密度とを変数として、前記故障データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の雷害故障密度と、前記落雷密度および設備密度との関係性を表す回帰式を生成する回帰式生成部と、
    　予測対象となる第２の期間に対応する前記予測対象エリアの区画別の落雷密度および設備密度を取得する予測変数取得部と、
    　前記取得された落雷密度および設備密度と前記回帰式とに基づいて、前記第２の期間に対応する前記予測対象エリアの区画別の雷害故障密度を予測する予測部と
    　を具備する雷害予測装置。
  2. 　前記故障データ記憶部は、前記落雷に起因して前記設備において発生した構成要素の種類別の故障の数と、前記構成要素の種類別の損傷発生量のうちの少なくとも一方を前記故障データとして記憶し、
    　前記回帰式生成部は、前記故障データとして記憶された前記設備の構成要素の種類別の故障の発生数と構成要素の種類別の損傷発生量のうちの少なくとも一方と、前記区画データに基づいて、前記第１の期間に対応する前記予測対象エリアの区画別の雷害故障密度を求める、請求項１に記載の雷害予測装置。
  3. 　予測された前記予測対象エリアの区画別の雷害故障密度に基づいて、前記予測対象エリア内の指定された区画に対し雷害故障が発生するリスクの高さを表すリスクランクを付与するランク付け処理部をさらに具備する、請求項１に記載の雷害予測装置。
  4. 　前記区画データに基づいて、前記指定された区画を含むマップを作成し、前記指定された区画に対し付与されたリスクランクを表す指標を、前記マップ上の対応する区画に関連付けて表示するマッピング処理部をさらに具備する、請求項３に記載の雷害予測装置。
  5. 　前記マッピング処理部は、
    　　前記区画の各々について、前記リスクランクがあらかじめ定められたしきい値よりも高いか否かを判定する判定部と、
    　　前記リスクランクが前記しきい値よりも高いと判定された場合、前記マップ上の対応する区画に関連付けて、故障の発生リスクを有する設備の構成要素の種類を表す指標を表示するための表示データを生成する表示データ生成部と
    　を備える、請求項４に記載の雷害予測装置。
  6. 　前記回帰式を生成するために用いられる、前記第１の期間、前記予測対象エリア、前記区画の各々の大きさ、前記設備密度の算出に用いられる構成要素の種類、および前記雷害故障密度の算出に用いられる構成要素の種類のうちの少なくとも１つを機械学習処理により更新する更新部をさらに具備する、請求項１に記載の雷害予測装置。
  7. 　落雷の発生位置と発生日時を含む落雷データを記憶する落雷データ記憶部と、設備を構成する複数種類の構成要素の各々の属性を表す設備データを記憶する設備データ記憶部と、前記落雷に起因して前記設備またはその各構成要素において発生した故障の履歴を表す故障データを記憶する故障データ記憶部と、複数の区画に分割された予測対象エリアの前記各区画の位置情報を含む区画データを記憶する区画データ記憶部から、前記各データの取得が可能な雷害予測装置が実行する、雷害予測方法であって、
    　前記落雷データおよび前記区画データに基づく、過去の第１の期間に対応する前記予測対象エリアの区画別の落雷密度と、前記設備データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の設備密度とを変数として、前記故障データおよび前記区画データに基づく、前記第１の期間に対応する前記予測対象エリアの区画別の雷害故障密度と、前記落雷密度および設備密度との関係性を表す回帰式を生成する過程と、
    　予測対象となる第２の期間に対応する前記予測対象エリアの区画別の落雷密度および設備密度を取得する過程と、
    　前記取得された落雷密度および設備密度と前記回帰式とに基づいて、前記第２の期間に対応する前記予測対象エリアの区画別の雷害故障密度を予測する過程と
    　を具備する雷害予測方法。
  8. 　請求項１乃至請求項６の何れかに記載の雷害予測装置の各部による処理をプロセッサに実行させるプログラム。
PCT/JP2019/003690 2018-02-05 2019-02-01 雷害予測装置、方法およびプログラム WO2019151496A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/965,980 US11506817B2 (en) 2018-02-05 2019-02-01 Lighting damage prediction apparatus, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-018680 2018-02-05
JP2018018680A JP2019135626A (ja) 2018-02-05 2018-02-05 雷害予測装置、方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2019151496A1 true WO2019151496A1 (ja) 2019-08-08

Family

ID=67479739

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/003690 WO2019151496A1 (ja) 2018-02-05 2019-02-01 雷害予測装置、方法およびプログラム

Country Status (3)

Country Link
US (1) US11506817B2 (ja)
JP (1) JP2019135626A (ja)
WO (1) WO2019151496A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598883B (zh) * 2021-02-07 2021-12-31 国网江苏省电力有限公司苏州供电分公司 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN112801428B (zh) * 2021-04-08 2021-07-13 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN113406726B (zh) * 2021-06-01 2022-09-27 中国石油大学(北京) 油气站场雷电事故预警方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114531A (ja) * 2011-11-30 2013-06-10 Nippon Telegr & Teleph Corp <Ntt> 落雷被害予測装置、方法およびプログラム
JP2017182371A (ja) * 2016-03-30 2017-10-05 日本電信電話株式会社 故障予測装置、故障予測方法、及び故障予測プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004062521A (ja) 2002-07-29 2004-02-26 Nippon Telegr & Teleph Corp <Ntt> 日毎雷害故障数予測装置及び日毎雷害故障数予測方法
US6828911B2 (en) * 2003-03-20 2004-12-07 David E. Jones Lightning detection and prediction alarm device
US7049972B2 (en) * 2003-08-29 2006-05-23 Fabian Carl E Lightning strike hazard detector
JP2008015620A (ja) * 2006-07-03 2008-01-24 Nippon Telegr & Teleph Corp <Ntt> 雷害故障数予測装置および方法、プログラム、記録媒体
US8682623B1 (en) * 2007-04-24 2014-03-25 University Of South Florida Electric power distribution interruption risk assessment calculator
JP2009015450A (ja) 2007-07-02 2009-01-22 Nippon Telegr & Teleph Corp <Ntt> 雷害故障数予測装置および方法、プログラム、記録媒体
JP5513348B2 (ja) 2010-11-18 2014-06-04 日本電信電話株式会社 落雷被害予測装置、方法およびプログラム
US9217811B1 (en) * 2011-12-15 2015-12-22 The Boeing Company Lightning damage index
JP2012242926A (ja) * 2011-05-17 2012-12-10 Mitsubishi Electric Corp 回路改善装置、回路改善装置の回路改善方法および回路改善プログラム
US10627546B2 (en) * 2016-12-05 2020-04-21 Current Lighting Solutions, Llc Method and system for lightning detection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114531A (ja) * 2011-11-30 2013-06-10 Nippon Telegr & Teleph Corp <Ntt> 落雷被害予測装置、方法およびプログラム
JP2017182371A (ja) * 2016-03-30 2017-10-05 日本電信電話株式会社 故障予測装置、故障予測方法、及び故障予測プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
N T T R&D, vol. 51, no. 12, 10 December 2002 (2002-12-10), pages 991 - 995 *

Also Published As

Publication number Publication date
JP2019135626A (ja) 2019-08-15
US11506817B2 (en) 2022-11-22
US20210033749A1 (en) 2021-02-04

Similar Documents

Publication Publication Date Title
WO2019151496A1 (ja) 雷害予測装置、方法およびプログラム
CN109660419B (zh) 预测网络设备异常的方法、装置、设备及存储介质
US10809683B2 (en) Power system model parameter conditioning tool
JP2013152618A (ja) エネルギー使用量管理システム
US8583405B2 (en) Contingency analysis information for utility service network
CN104951990A (zh) 电网数据处理方法及设备
US9000943B2 (en) Utility network management system
CN111602156B (zh) 根据期望值计算的发电量精密预测法、根据期望值计算的发电量精密预测系统及根据期望值计算的发电量精密预测程序
JP4990877B2 (ja) 設備のリスク評価システムおよびリスク評価方法
JP2018119871A (ja) 事故予測装置、事故予測装置の制御方法及びプログラム
JP2009015450A (ja) 雷害故障数予測装置および方法、プログラム、記録媒体
JP5502840B2 (ja) 落雷被害予測装置、方法およびプログラム
CN112907157A (zh) 一种基于气象预警的电网风险可视化方法及系统
JPWO2016088171A1 (ja) 再利用可否判定方法、限度見本表示装置、および限度見本表示方法
KR102020209B1 (ko) 시설물 관리 장치, 방법 및 프로그램
CN115758762A (zh) 电力业务的场景可视化方法及装置
CN115617633A (zh) 一种覆冰监测终端维护方法及相关设备
US10598708B2 (en) Identifying and prioritizing errors in connectivity models of distribution networks for efficient field inspections
JP7249875B2 (ja) 劣化推定装置、劣化推定システム、劣化推定方法および劣化推定プログラム
JP5214012B2 (ja) 接地改修案策定システム
JP5513348B2 (ja) 落雷被害予測装置、方法およびプログラム
Kezunovic et al. Predictive asset management under weather impacts using big data, spatiotemporal data analytics and risk based decision-making
JP6906349B2 (ja) 故障率算出装置および故障率算出方法
JP2022026027A (ja) 設備管理装置、その制御方法およびプログラム
CN111159267A (zh) 供电保障系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19747180

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19747180

Country of ref document: EP

Kind code of ref document: A1