WO2020179441A1 - 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム - Google Patents

雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム Download PDF

Info

Publication number
WO2020179441A1
WO2020179441A1 PCT/JP2020/006396 JP2020006396W WO2020179441A1 WO 2020179441 A1 WO2020179441 A1 WO 2020179441A1 JP 2020006396 W JP2020006396 W JP 2020006396W WO 2020179441 A1 WO2020179441 A1 WO 2020179441A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
lightning
information
damage failure
unit
Prior art date
Application number
PCT/JP2020/006396
Other languages
English (en)
French (fr)
Inventor
尚倫 中村
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 US17/434,644 priority Critical patent/US20220147888A1/en
Publication of WO2020179441A1 publication Critical patent/WO2020179441A1/ja

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/163—Real estate management
    • 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
    • G06Q10/00—Administration; Management
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to technology for extracting equipment that requires outdoor lightning protection.
  • the conventional technology was a technology to predict the "area” where many lightning damage failures occur. Therefore, it was not possible to identify even the "equipment that requires measures against lightning" in the predicted area. That is, since the lightning damage failure prediction is performed for each area, it is not possible to derive the necessity of lightning countermeasures for each facility.
  • the present invention has been made by paying attention to the above circumstances, and the purpose thereof is to effectively predict the equipment that requires measures against lightning outdoors.
  • the apparatus for extracting necessary equipment for lightning measures according to the present invention, the lightning information, the lightning damage failure information of the equipment at the time of lightning, and the equipment information and the lightning damage failure of the equipment where the lightning damage failure has occurred at the time of lightning from the equipment information of the equipment.
  • a parameter extraction unit that extracts the equipment information of the equipment that did not do, machine learning the extracted equipment information, and input the equipment information of the equipment to generate a prediction model that outputs the possibility of lightning damage failure of the equipment at the time of lightning strike It is characterized by including a machine learning unit for predicting the equipment that is likely to cause a lightning damage failure at the time of a lightning strike by inputting equipment information of the equipment into the prediction model.
  • FIG. 1 is a functional block diagram showing a configuration of a lightning countermeasure required facility extraction device 100 for outdoor facilities according to an embodiment of the present invention.
  • an electric pole will be described as an example of the outdoor equipment, but the outdoor pole is not limited to the electric pole.
  • the lightning countermeasure required facility extraction device 100 shown in FIG. 1 includes a recording unit 110, a parameter extraction unit 120, a machine learning unit 130, a countermeasure required facility extraction unit 140, and an interface unit 150.
  • Each unit included in the lightning countermeasure required facility extraction device 100 may be configured by a computer including an arithmetic processing unit, a storage device, and the like, and the processing of each unit may be executed by a program.
  • This program is stored in a storage device included in the lightning protection necessary equipment extraction device 100, and can be recorded on a recording medium such as a magnetic disk, an optical disk, or a semiconductor memory, or can be provided through a network.
  • the recording unit 110 includes a lightning strike recording unit 111, a lightning damage failure recording unit 112, and an equipment information recording unit 113.
  • the lightning strike recording unit 111 records lightning strike information such as the date and time when the lightning strike occurred, the position, and the energy (strength) of the lightning strike, as shown in FIG. 2, for example.
  • the lightning damage failure recording unit 112 records the cause and details of the equipment failure.
  • the lightning damage failure recording unit 112 stores, as shown in FIG. 3, for example, lightning damage failure information such as utility pole ID (hereinafter referred to as “equipment ID”), failure report date and time, failure cause, and failure points 1 to N. It is recorded.
  • the failure report date and time is the date and time when it is reported that a failure has occurred.
  • the equipment information recording unit 113 records the equipment information of the equipment.
  • the facility information recording unit 113 includes a facility ID, position information (latitude, longitude), altitude, information on surrounding conditions, facility information, facility type, utility pole height, accessory (for example, , Pole transformers, streetlights, signs, etc.), installation date, and whether or not lightning measures have been taken.
  • the equipment information recording unit 113 records information on the cables 1 to N connected to the electric pole for each equipment ID.
  • the cable here is a bundle of a plurality of conducting wires.
  • the logarithm of the cable for example, in the case of two pairs of wires, the number of wires ⁇ 2 (pair) is the logarithm
  • the wire diameter of each wire for example, the presence or absence of a shield
  • the cable length As information on cables 1 to N, for example, the logarithm of the cable (for example, in the case of two pairs of wires, the number of wires ⁇ 2 (pair) is the logarithm), the wire diameter of each wire, the presence or absence of a shield, and the cable length.
  • the information (distance to the next power pole) and information on the connection destinations 1 to N of the cable (equipment ID of the connection destination, etc.) are recorded.
  • whether or not there is a cable connection point whether or not different types of cables are connected (cables with different wire diameters are connected, cables with different cable pairs are connected, etc.), and cable branching.
  • the presence/absence of the information may be recorded.
  • the parameter extraction unit 120 includes a facility information analysis unit 121, a parameter analysis unit 122, and a data set creation unit 123.
  • the equipment information analysis unit 121 reads out lightning damage failure information within a certain time interval (for example, within 3 hours, within several days, etc.) from the lightning strike occurrence date and time from the lightning strike recording unit 111 and the lightning damage failure recording unit 112. Extract the equipment information of "equipment with lightning strike and lightning damage failure”. Further, the equipment information analysis unit 121 extracts equipment information of "equipment having a lightning strike but no lightning damage failure" from the lightning strike recording unit 111, the lightning damage recording unit 112, and the equipment information recording unit 113. .. In the present embodiment, for example, a case where a lightning strike occurs within a radius of 300 m around a facility (electric pole) is defined as "there is a lightning strike".
  • the lightning strike position recorded in the lightning strike recording unit 111 includes an observation error, it is necessary to correct the “range of radius 300 m” or the like.
  • a lightning strike occurs at the timing of a lightning strike, it takes time until a report that a lightning strike has occurred (until it is recorded in the lightning strike recording unit 112), so from the date and time of the lightning strike.
  • the time lag is set within a certain time interval. Further, by comparing the lightning strike information and the lightning damage failure information, it is possible to reliably extract only the lightning damage failure information. Since a lightning damage failure does not occur without a lightning strike, information recorded as a lightning damage failure is a failure cause determination error even though there is no lightning strike.
  • the parameter analysis unit 122 reads out the information recorded in the lightning damage failure recording unit 112 and the equipment information recording unit 113 for the equipment extracted by the equipment information analysis unit 121, and the lightning damage recording unit 112. Focus on the items related to the location where the harmful failure occurred (which part of the electric pole failed), and use the values of the extracted items as the parameters for machine learning necessary for creating the prediction model.
  • the prediction model is a model in which the parameter analysis unit 122 inputs various parameters in which the equipment information is parameterized, and outputs a prediction result indicating whether there is a possibility of lightning damage failure when a lightning strike occurs in the equipment. is there.
  • An example of extraction of items related to the lightning damage failure location by the parameter analysis unit 122 will be given. If there is a record that the conductor in the cable has a dielectric breakdown, select the item related to the conductor on the utility pole where the lightning damage failure has occurred. If there is a record that the cable fixing jig is damaged, select the item of the cable fixing jig provided on the same utility pole. If there is a record that the cable sheath has been damaged, extract the items related to the cable sheath on the utility pole.
  • the parameter analysis unit 122 extracts a plurality of utility poles having a lightning damage fault, compares various items of each power pole, and finds items common to the power pole having the lightning damage fault other than the location (item) at which the lightning damage fault has occurred. Extract and use as parameters for machine learning. For example, when a plurality of utility poles that have failed due to lightning damage are extracted (the location of the failure is various), most of the utility poles have a cable connection point (or branch point) or a cable with the thinnest core diameter installed. Extract common items such as the presence of a power column transformer.
  • the equipment information does not include cable branching or connection point information, it can be determined that there is a branching or connection point if the number of cables on the upper side and the cable on the lower side of the target utility pole are different. .. If the facility information does not include information about the periphery of the utility pole, the number of other utility poles in the vicinity of the target utility pole or the distance to the utility pole is used to determine a dense residential area, a field, a mountain, or the like. For example, when there are a plurality of utility poles in a short distance, a dense residential area is set. In this way, when the facility information does not include the tendency to be prone to lightning damage and failure, the existing facility information is combined to make the determination.
  • the parameter analysis unit 122 organizes the value of an item into a data type that can be used for machine learning when parameterizing the value of the extracted item.
  • Figures 5A to 5C show parameterized examples. Although shown in separate tables in FIGS. 5A to 5C, the items in FIGS. 5A to 5C are associated with each equipment ID. As shown in FIG. 5A, each equipment ID includes information regarding the presence or absence of a lightning damage failure, and the machine learning unit 130, which will be described later, has data on the equipment that had a lightning damage failure and no lightning damage failure. Generate a prediction model using both equipment data.
  • the numerical value as it is is parameterized.
  • the presence is converted to "1” and the absence is converted to "0" to parameterize.
  • type is entered in the item such as the surrounding situation and the type of equipment in FIG. 5A, as many parameter items as the number of the type are provided, 1 is entered in the corresponding parameter item, and the item is not applicable. Put 0 in the parameter item to parameterize.
  • the data set creation unit 123 uses the equipment information parameterized by the parameter analysis unit 122 as one or more learning data sets (a collection of learning parameters) and one or more verification data sets (a collection of verification parameters). Split into. There are various ways of division, and it is conceivable that the division is performed randomly, by period, by area, by fault, and so on. An example of dividing the data set is shown in FIGS. 6A and 6B. As shown in FIG. 6A, the parameterized equipment information may be divided into a learning data set and a verification data set, and as shown in FIG. 6B, the parameterized equipment information may be divided into a plurality of learning data sets. It may be divided into a data set and a verification data set.
  • the machine learning unit 130 uses each of the plurality of learning data sets to generate a prediction model and employs the prediction model with the highest accuracy. Further, the machine learning unit 130 changes the division method to generate a prediction model and adopts the prediction model with the highest accuracy.
  • the machine learning unit 130 includes a prediction model construction unit 131, a prediction model precision improvement unit 132, and a prediction unit 133.
  • the prediction model construction unit 131 uses a learning data set divided for machine learning (prediction model creation) by the data set creation unit 123 to specify a machine learning algorithm designated in advance (logistic regression analysis, deep learning, etc.). To create a prediction model.
  • a method of constructing a prediction model by various machine learning methods and selecting the most accurate machine learning method may be adopted.
  • the prediction model high-precision unit 132 inputs a training data set and a verification data set into the prediction model created by the prediction model construction unit 131, obtains an output result, and determines the output result and the presence or absence of an actual lightning damage failure. Verify match rate. Until the accuracy of the prediction model becomes high, the prediction model is generated by changing the training data set used for training and changing the method of dividing the training data set and the verification data set. In order to create a highly accurate prediction model, generation of the prediction model may be repeated a predetermined number of times, or generation of the prediction model may be repeated for a predetermined time.
  • the prediction model precision improving unit 132 notifies the prediction unit 133 of the prediction model.
  • the prediction unit 133 inputs various parameters extracted from the facility information recording unit 113 via the parameter analysis unit 122 into the prediction model, and when a lightning strike occurs in each facility, the facility can be damaged by lightning damage. Predict sex.
  • the parameters input to the prediction model have the same contents as the learning parameter and the verification parameter used to create the prediction model.
  • the countermeasure-necessary equipment extraction unit 140 includes a lightning damage failure risk calculation unit 141 and a prediction accuracy boundary designation unit 142.
  • the lightning damage failure risk calculation unit 141 reads the lightning damage information from the lightning strike recording unit 111, calculates the lightning damage failure risk (for example, the frequency of lightning strikes, the lightning strike intensity, the number of lightning damage failures that occurred in the past) for each area, Create a distribution map of the risk of lightning strikes (such as a distribution map of the frequency of lightning strikes, a distribution map of lightning intensity (energy), or a distribution map of the number of lightning strike failures that have occurred in the past).
  • Area in which the prediction result of the prediction unit 133 is a facility where a lightning damage failure is likely to occur and the lightning damage failure risk of the distribution map created by the lightning damage failure risk calculation unit 141 is higher than a predetermined threshold value (the lightning strike frequency is a predetermined threshold value).
  • the lightning damage failure risk calculation unit 141 may extract the equipment that is apt to cause the lightning damage failure in the descending order of the frequency of the lightning strike or in the order of the strength of the lightning strike.
  • the lightning failure risk the frequency of lightning strikes, the intensity of lightning strikes, and the number of lightning strike failures in the past are taken as examples, but they are calculated from other lightning strike failure prediction techniques (for example, Patent Documents 1 to 3). Value may be used.
  • the prediction accuracy boundary specifying unit 142 extracts only the equipment whose prediction result of the prediction unit 133 is prone to a lightning damage failure and whose prediction accuracy is higher than a predetermined threshold value.
  • the prediction accuracy is a numerical value output together with the prediction result by the prediction unit 133. For example, a value of 0 to 1 indicates a higher prediction accuracy (classification probability in logistic regression). By extracting only those with high prediction accuracy values, it is possible to effectively select equipment that requires lightning protection.
  • the prediction accuracy boundary designating unit 142 may extract equipment in which a lightning damage failure is likely to occur in descending order of prediction accuracy.
  • the interface unit 150 includes an input unit 151 and an output unit 152.
  • the input unit 151 is a monitor, a keyboard, or the like used when writing to the recording unit 110 or the like.
  • the output unit 152 is a monitor, a printer, or the like that displays the output result.
  • FIG. 7 is a flowchart showing the flow of the prediction model creation process.
  • step S11 the equipment information analysis unit 121 extracts “equipment with a lightning strike and a lightning damage failure”.
  • step S12 the equipment information analysis unit 121 extracts “equipment that had a lightning strike but no lightning damage failure”.
  • step S13 the parameter analysis unit 122 reads out the equipment information in the vicinity of the lightning strike from the equipment information recording unit 113, that is, the equipment information of the equipment extracted in steps S11 and S12, and parameterizes it.
  • step S14 the data set creation unit 123 divides the parameterized equipment information into a learning data set and a verification data set.
  • the number of equipment in each data set may be arbitrarily determined.
  • step S15 the prediction model construction unit 131 creates a prediction model using the learning data set.
  • the learning data set used for creating the prediction model may be randomly selected from the plurality of divided learning data sets of the data set creating unit 123, or may be selected in order.
  • step S16 the prediction model precision improvement unit 132 inputs the learning data set used in step S15 into the prediction model created in step S15, and the matching rate between the output result and the presence or absence of the actual lightning damage failure. To verify. If the accuracy of the output result is high, the process proceeds to step S17. If there is a learning data set that is not used, the process returns to step S15, and a prediction model is created using another learning data set.
  • step S17 the prediction model precision improvement unit 132 inputs a verification data set into the prediction model and verifies the matching rate between the output result and the presence or absence of an actual lightning damage failure.
  • step S18 the prediction model refinement unit 132 inputs the learning data set not used in step S15 to the prediction model, and verifies the matching rate between the output result and the actual presence or absence of a lightning damage failure.
  • the prediction model high-precision unit 132 may repeat the processes of steps S14 to S18 a predetermined number of times, or may repeat the processes of steps S14 to S18 a predetermined number of times.
  • step S19 the prediction model precision improving unit 132 adopts the prediction model with the highest precision and notifies the prediction unit 133.
  • FIG. 8 is a flowchart showing the flow of prediction processing.
  • step S21 the parameter analysis unit 122 reads out the equipment information from the equipment information recording unit 113 and parameterizes the equipment information for input to the prediction model.
  • all the equipment information recorded in the equipment information recording unit 113 is parameterized.
  • step S22 the prediction unit 133 inputs the parameters of each equipment into the prediction model, and predicts the presence or absence of lightning damage failure for each equipment.
  • step S23 it is determined in the prediction result of step S22 that the number of facilities in which a lightning damage failure occurs is large.
  • the lightning damage failure risk calculation unit 141 determines an area with a high lightning damage failure risk (for example, an area with a high frequency of lightning strikes, an area with a strong lightning strike intensity, or a past area). Calculate the area where the number of lightning strikes that occur is large), and extract the equipment that is likely to have lightning strikes as the prediction result in the area where the lightning strike frequency is high or the lightning strike intensity is strong.
  • a high lightning damage failure risk for example, an area with a high frequency of lightning strikes, an area with a strong lightning strike intensity, or a past area.
  • step S25 the prediction accuracy boundary designating unit 142 extracts only the equipment whose prediction result is prone to a lightning damage failure and has high prediction accuracy.
  • steps S24 and S25 does not matter. Only one of steps S24 and S25 may be performed.
  • the equipment information analysis unit 121 reads lightning strike information, lightning damage failure information of the equipment at the time of a lightning strike, and equipment information from the recording unit 110, and a lightning damage failure occurs.
  • the equipment information of the equipment and the equipment information of the equipment where the lightning damage failure did not occur are extracted, and the parameter analysis unit 122 parameterizes the items related to the location where the lightning damage failure occurred in the extracted equipment information and predicts the model.
  • the construction unit 131 machine-learns the parameterized equipment information to generate a prediction model that outputs the possibility that the equipment will be damaged by lightning during a lightning strike, and the prediction unit 133 inputs the equipment information into the prediction model.
  • the lightning damage failure risk calculation unit 141 calculates the lightning damage failure risk (for example, the lightning occurrence frequency or lightning intensity for each area based on the lightning information, or the area based on the lightning damage failure information). The number of lightning strike failures is calculated for each), and the prediction result is that the equipment that is prone to lightning strike faults and that is located in an area with a high risk of lightning strike faults is extracted as the equipment that requires countermeasures to narrow down the equipment that requires countermeasures. It is possible.
  • the lightning damage failure risk for example, the lightning occurrence frequency or lightning intensity for each area based on the lightning information, or the area based on the lightning damage failure information. The number of lightning strike failures is calculated for each), and the prediction result is that the equipment that is prone to lightning strike faults and that is located in an area with a high risk of lightning strike faults is extracted as the equipment that requires countermeasures to narrow down the equipment that requires countermeasures. It is possible.
  • the prediction accuracy boundary designation unit 142 extracts only the equipment whose prediction result is prone to lightning damage failure and whose prediction accuracy is higher than a predetermined threshold value as the equipment requiring countermeasures. It is possible to narrow down the equipment required for countermeasures.
  • Lightning countermeasure necessary equipment extraction device 110 ... Recording unit 111 ... Lightning recording unit 112 ... Lightning failure recording unit 113 ... Equipment information recording unit 120 ... Parameter extraction unit 121 ... Equipment information analysis unit 122 ... Parameter analysis unit 123 ... Data set Creation unit 130 ... Machine learning unit 131 ... Prediction model construction unit 132 ... Prediction model high accuracy unit 133 ... Prediction unit 140 ... Countermeasure required equipment extraction unit 141 ... Lightning failure risk calculation unit 142 ... Prediction accuracy boundary specification unit 150 ... Interface Unit 151... Input unit 152... Output unit

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

屋外の雷対策が必要な設備を効果的に予測する。設備情報分析部１２１が、記録部１１０から落雷情報、落雷時の設備の雷害故障情報、及び設備情報を読み出して、雷害故障が発生した設備の設備情報と雷害故障が発生しなかった設備の設備情報を抽出し、パラメータ解析部１２２が、抽出された設備情報の雷害故障の発生した箇所に関連する項目をパラメータ化し、予測モデル構築部１３１が、パラメータ化された設備情報を機械学習して、落雷時に設備が雷害故障する可能性を出力する予測モデルを生成し、予測部１３３が、予測モデルに設備情報を入力し、落雷時に雷害故障が発生しやすい設備を予測する。

Description

雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム
　本発明は、屋外の雷対策が必要な設備を抽出する技術に関する。
　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）。そして、雷害故障リスクが高い箇所にある設備に雷対策品を設置するという対策を行ってきた。
特開２００４－０６２５２１号公報 特開２００８－０１５６２０号公報 特開２００９－０１５４５０号公報
　従来技術は、雷害故障が多く発生する“エリア”を予測する技術であった。そのため、予測されたエリア内における“雷対策が必須となる設備”までは特定することができなかった。つまり、エリア単位で雷害故障予測を行うため、各設備に対する雷対策の要否を導き出すことができなかった。
　本発明は、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、屋外の雷対策が必要な設備を効果的に予測することを目的とする。
　本発明に係る雷対策必要設備抽出装置は、落雷情報、落雷時の設備の雷害故障情報、および前記設備の設備情報から落雷時に雷害故障が発生した設備の設備情報と雷害故障が発生しなかった設備の設備情報を抽出するパラメータ抽出部と、抽出した前記設備情報を機械学習し、設備の設備情報を入力すると落雷時に当該設備が雷害故障する可能性を出力する予測モデルを生成する機械学習部と、前記予測モデルに設備の設備情報を入力し、落雷時に雷害故障が発生しやすい前記設備を予測する予測部と、備えることを特徴とする。
　本発明によれば、屋外の雷対策が必要な設備を効果的に予測することができる。
一実施形態に係る屋外設備の雷対策必要設備抽出装置の構成を示す機能ブロック図である。 落雷記録部に記録された落雷情報の例を示す図である。 雷害故障記録部に記録された雷害故障情報の例を示す図である。 設備情報記録部に記録された設備情報の例を示す図である。 設備情報記録部に記録された設備情報の例を示す図である。 設備情報をパラメータ化した例を示す図である。 設備情報をパラメータ化した例を示す図である。 設備情報をパラメータ化した例を示す図である。 データセットの分割例を示す図である。 データセットの分割例を示す図である。 予測モデル作成処理の流れを示すフローチャートである。 予測処理の流れを示すフローチャートである。
　以下、図面を参照して本発明の一実施形態を説明する。　
　図１は、本発明の一実施形態に係る屋外設備の雷対策必要設備抽出装置１００の構成を示す機能ブロック図である。以下、屋外設備の例として電柱を用いて説明するが、電柱に限るものではない。
　図１に示す雷対策必要設備抽出装置１００は、記録部１１０、パラメータ抽出部１２０、機械学習部１３０、対策必要設備抽出部１４０、およびインターフェース部１５０を備える。雷対策必要設備抽出装置１００が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムは雷対策必要設備抽出装置１００が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。
　記録部１１０は、落雷記録部１１１、雷害故障記録部１１２、および設備情報記録部１１３を備える。
　落雷記録部１１１は、例えば図２に示すような、落雷が発生した日時、位置、落雷のエネルギー（強度）などの落雷情報が記録されている。
　雷害故障記録部１１２は、設備の故障原因と詳細が記録されている。雷害故障記録部１１２は、例えば図３に示すような、電柱のＩＤ（以下、「設備ＩＤ」と称する）、故障申告日時、故障原因、および故障個所１～Ｎなどの雷害故障情報が記録されている。故障申告日時とは、故障が発生したことが報告された日時である。
　設備情報記録部１１３は、設備の設備情報を記録している。設備情報記録部１１３は、例えば、図４Ａに示すように、設備ＩＤ、位置情報（緯度、経度）、標高、周辺状況の情報、設備情報、設備の種類、電柱の高さ、付属品（例えば、柱上トランス、街灯、看板など）、設置日、雷対策の有無などの設備情報が記録されている。また、設備情報記録部１１３は、図４Ｂに示すように、設備ＩＤごとに、電柱に接続されているケーブル１～Ｎの情報を記録している。ここでのケーブルとは、複数の導線が束になっているものである。ケーブル１～Ｎの情報として、例えば、ケーブルの対数（例えば、２対の導線の場合は、導線数÷２（対）が対数となる）、その各導線の線径、シールドの有無、ケーブル長（次の電柱までの距離）、およびケーブルの接続先１～Ｎの情報（接続先の設備ＩＤなど）を記録している。さらに、ケーブルの接続点の有無、異なる種別のケーブルが接続されるポイントか否か（線径が異なるケーブル同士が接続されている、ケーブル対数が異なるケーブル同士が接続されているなど）、ケーブル分岐の有無などを記録してもよい。
　パラメータ抽出部１２０は、設備情報分析部１２１、パラメータ解析部１２２、およびデータセット作成部１２３を備える。
　設備情報分析部１２１は、落雷記録部１１１および雷害故障記録部１１２から、落雷発生日時から一定の時間間隔内（例えば、３時間以内、数日以内など）にある雷害故障情報を読み出し、「落雷があり、かつ雷害故障が発生した設備」の設備情報を抽出する。さらに、設備情報分析部１２１は、落雷記録部１１１、雷害故障記録部１１２、および設備情報記録部１１３から、「落雷はあったが、雷害故障がなかった設備」の設備情報を抽出する。本実施形態では、例えば、設備（電柱）を中心に半径３００ｍの範囲に落雷が発生した場合を「落雷あり」とする。落雷記録部１１１に記録されている落雷位置には観測誤差が含まれるため「半径３００ｍの範囲」などの補正をする必要がある。また、雷害故障は落雷が発生したタイミングで発生するが、雷害故障が生じたという報告が入るまで（雷害故障記録部１１２に記録されるまで）に時間がかかるため、落雷発生日時から一定の時間間隔内とタイムラグを設定している。また、落雷情報と雷害故障情報を比較することで、確実に雷害故障情報だけを抽出することができる。雷害故障は落雷がないと発生しないため、落雷がないにもかかわらず、雷害故障と記録されている情報は故障原因判断ミスとなる。
　パラメータ解析部１２２は、設備情報分析部１２１の抽出した設備について、雷害故障記録部１１２と設備情報記録部１１３に記録されている情報を読み出し、雷害故障記録部１１２に記録されている雷害故障が発生した箇所（電柱のどの部分が故障したか）に関連する項目を重点的に抽出し、抽出した項目の値を予測モデルの作成に必要な機械学習用のパラメータにする。予測モデルとは、パラメータ解析部１２２が設備情報をパラメータ化した各種パラメータを入力することで、その設備に落雷が発生した場合に雷害故障する可能性の有無を示す予測結果を出力するものである。
　パラメータ解析部１２２による雷害故障箇所に関連する項目の抽出例を挙げる。ケーブル内の導線が絶縁破壊したという記録があれば、雷害故障が発生した電柱に備わる導線に係る項目を抽出する。ケーブルの固定治具が破損したという記録があれば、同電柱に備わるケーブル固定治具の項目を抽出する。ケーブルシースが破損したという記録があれば、同電柱に備わるケーブルシースに係る項目を抽出する。
　また、パラメータ解析部１２２は、雷害故障した電柱を複数抽出し、各電柱の各種項目を比較し、雷害故障した箇所（項目）以外に、雷害故障が発生した電柱に共通する項目を抽出し、機械学習用のパラメータにする。例えば、雷害故障した複数の電柱を抽出した場合（故障箇所は様々）、大部分の電柱において、ケーブルの接続点（あるいは分岐点）がある、あるいは心線径がもっとも細いケーブルが架設されている、電力柱状トランスが設置されている等の共通項目を抽出する。
　設備情報のパラメータ化においては、雷害故障が発生した箇所に関連する項目だけではなく、設備構成を特徴付ける情報（電柱に架設されるケーブル情報や周辺環境等）も予測モデルの精度向上のためには重要であるため、パラメータとして抽出する。落雷によって故障する設備には傾向があるため、故障箇所の傾向をパラメータに用いることで高い精度の学習を行うことができる。
　なお、設備情報にケーブルの分岐や接続点情報が含まれない場合は、対象とする電柱の上位側のケーブルと下位側のケーブルの本数が異なれば分岐や接続点があると判別することができる。また、設備情報に電柱の周辺情報が含まれていな場合は、対象となる電柱の周辺の他の電柱の本数やその電柱までの距離で住宅密集地、田畑、山などを判別する。例えば、電柱が近距離に複数本ある場合は、住宅密集地、電柱に分岐が少なく電柱間の距離が遠い場合は山や田畑とする。このように、雷害故障しやすい傾向が設備情報に含まれない場合は、存在する設備情報を組み合わせることで判別する。
　パラメータ解析部１２２は、抽出した項目の値をパラメータ化する際、項目の値を機械学習に用いることができるデータ型に整理する。図５Ａ～５Ｃに、パラメータ化した例を示す。図５Ａ～５Ｃでは、別々の表で示しているが、設備ＩＤごとに図５Ａ～５Ｃの各項目が関連付けられている。図５Ａに示すように、各設備ＩＤには、雷害故障の有無に関する情報が含まれており、後述の機械学習部１３０は、雷害故障のあった設備のデータと雷害故障のなかった設備のデータの両方を用いて予測モデルを生成する。
　パラメータ化の際、例えば、図５Ａの標高などのように、設備情報記録部１１３の設備情報の項目に数値データが入力されている場合は、そのままの数値をパラメータ化する。図５Ｂの付属品および雷対策などのように、項目に「あり／なし」が入力されている場合は、ありを「１」、なしを「０」に変換してパラメータ化する。また、図５Ａの周辺状況および設備の種類などのように項目に「種類」が入力されている場合は、その種類の数だけのパラメータ項目を設け、該当するパラメータ項目に１を入れ、該当しないパラメータ項目に０を入れてパラメータ化する。
　また、ケーブルの対数および線径などのように数値データであっても、連続した数値でなく数種類に分類できるものは、図５Ｃに示すように、値ごとにパラメータ項目を設け、該当するパラメータ項目に１を入れ、該当しないパラメータ項目に０を入れてパラメータ化してもよい。あるいは、図５Ｃのケーブル長に示すように、数値データをレベルに分けて、項目に該当するレベルを示す数値を入れてもよい。
　データセット作成部１２３は、パラメータ解析部１２２によりパラメータ化された設備情報を１つ以上の学習用データセット（学習用パラメータの集まり）と１つ以上の検証用データセット（検証用パラメータの集まり）に分割する。分割の仕方はさまざまであり、ランダムに分割、期間毎に分割、エリア毎、故障箇所毎などに分割することが考えられる。データセットの分割例を図６Ａ，図６Ｂに示す。図６Ａに示すように、パラメータ化された設備情報を学習用データセットと検証用データセットに２分割してもよいし、図６Ｂに示すように、パラメータ化された設備情報を複数の学習用データセットと検証用データセットに分割してもよい。複数の学習用データセットに分割した場合、機械学習部１３０は、複数の学習用データセットのそれぞれを用いて予測モデルを生成し、最も精度のよい予測モデルを採用する。また、機械学習部１３０は、分割方式を変えて予測モデルを生成し、最も精度のよい予測モデルを採用する。
　機械学習部１３０は、予測モデル構築部１３１、予測モデル高精度化部１３２、および予測部１３３を備える。
　予測モデル構築部１３１は、データセット作成部１２３が機械学習（予測モデル作成）用に分割した学習用データセットを用いて、事前に指定された機械学習のアルゴリズム（ロジスティク回帰分析、ディープラーニングなど）により予測モデルを作成する。予測モデルの作成に際して、ある特定の機械学習方法を用いるのではなく、様々な機械学習方法で予測モデルを構築し、最も精度が高い機械学習方法を選択する手法を採用しても良い。
　予測モデル高精度化部１３２は、予測モデル構築部１３１の作成した予測モデルに学習用データセットおよび検証用データセットを入力して出力結果を求め、出力結果と実際の雷害故障の有無との一致率を検証する。予測モデルの精度が高くなるまで、学習に用いる学習用データセットを変えたり、学習用データセットと検証用データセットの分割の仕方を変えたりしながら、予測モデルを生成する。精度が高い予測モデルを作成するため、あらかじめ決められた回数だけ予測モデルの生成を繰り返してもよいし、あらかじめ決められた時間だけ予測モデルの生成を繰り返してもよい。
　予測モデル高精度化部１３２は、最も精度が高い予測モデルが生成されると、その予測モデルを予測部１３３に伝える。
　予測部１３３は、各設備について、設備情報記録部１１３からパラメータ解析部１２２を介して抽出した様々なパラメータを予測モデルに入力し、各設備に落雷が発生した場合に設備が雷害故障する可能性を予測する。予測モデルに入力されるパラメータは、予測モデルの作成に用いた学習用パラメータおよび検証用パラメータと同じ内容である。
　対策必要設備抽出部１４０は、雷害故障リスク計算部１４１および予測精度境界指定部１４２を備える。
　雷害故障リスク計算部１４１は、落雷記録部１１１から落雷情報を読み出し、エリアごとに雷害故障リスク（例えば、落雷発生頻度、落雷強度、過去に雷害故障が発生した数）を計算し、雷害故障リスクの分布図（落雷発生頻度の分布図、あるいは落雷強度（エネルギー）の分布図、あるいは過去に発生した雷害故障数の分布図など）を作成する。予測部１３３の予測結果が雷害故障の発生しやすい設備で、雷害故障リスク計算部１４１の作成した分布図の雷害故障リスクが所定の閾値よりも高いエリア（落雷発生頻度が所定の閾値よりも高いエリアまたは落雷強度が所定の閾値よりも強いエリアまたは雷害故障数が所定の閾値より多いエリアなど）にある設備だけを対策必要設備として抽出することで、雷対策必要設備を絞り込むことが可能である。雷害故障リスク計算部１４１は、落雷発生頻度の高い順または落雷強度の強い順に雷害故障の発生しやすい設備を抽出してもよい。ここで、雷害故障リスクとして、落雷発生頻度、落雷強度、過去に雷害故障が発生した数を例としたが、他の雷害故障予測技術（例えば、特許文献１～３）から算出される値を用いても良い。
　予測精度境界指定部１４２は、予測部１３３の予測結果が雷害故障の発生しやすい設備で、予測精度が所定の閾値よりも高い設備だけを抽出する。予測精度は、予測部１３３が予測結果とともに出力する数値であり、例えば０～１の値で１に近いほど予測精度が高い（ロジスティック回帰における分類確率）。予測精度の値が高いものだけを抽出することで、雷対策必要設備を効果的に選定できる。予測精度境界指定部１４２は、予測精度の高い順に雷害故障の発生しやすい設備を抽出してもよい。
　インターフェース部１５０は、入力部１５１および出力部１５２を備える。入力部１５１は、記録部１１０への書き込みなどを行う際に使用するモニタやキーボードなどである。出力部１５２は、出力結果を表示するモニタ、プリンタなどである。
　次に、本実施形態の雷対策必要設備抽出装置１００の予測モデル作成処理と予測処理について説明する。
　図７は、予測モデル作成処理の流れを示すフローチャートである。
　ステップＳ１１にて、設備情報分析部１２１は「落雷があり、かつ雷害故障が発生した設備」を抽出する。
　ステップＳ１２にて、設備情報分析部１２１は「落雷はあったが、雷害故障がなかった設備」を抽出する。
　ステップＳ１３にて、パラメータ解析部１２２は、設備情報記録部１１３から、落雷があった近辺の設備情報、つまりステップＳ１１，Ｓ１２で抽出した設備の設備情報を読み出してパラメータ化する。
　ステップＳ１４にて、データセット作成部１２３は、パラメータ化された設備情報を学習用データセットと検証用データセットに分割する。各データセットの設備数は任意に決定してよい。
　ステップＳ１５にて、予測モデル構築部１３１は、学習用データセットを用いて予測モデルを作成する。予測モデルの作成に用いる学習用データセットは、データセット作成部１２３の分割した複数の学習用データセットの中からランダムに選んでもよいし、順番に選んでもよい。
　ステップＳ１６にて、予測モデル高精度化部１３２は、ステップＳ１５で作成した予測モデルに、ステップＳ１５で用いた学習用データセットを入力し、出力結果と実際の雷害故障の有無との一致率を検証する。出力結果の精度が高ければステップＳ１７の処理に進む。用いていない学習用データセットがあれば、ステップＳ１５に戻り、別の学習用データセットで予測モデルを作成する。
　ステップＳ１７にて、予測モデル高精度化部１３２は、予測モデルに検証用データセットを入力し、出力結果と実際の雷害故障の有無との一致率を検証する。
　ステップＳ１８にて、予測モデル高精度化部１３２は、予測モデルにステップＳ１５で用いていない学習用データセットを入力し、出力結果と実際の雷害故障の有無との一致率を検証する。
　ステップＳ１７，Ｓ１８の出力結果の精度が低い場合は、ステップＳ１４に戻り、異なる分割方式でデータセットを分割してステップＳ１４～Ｓ１８の処理を繰り返す。予測モデル高精度化部１３２は、決められた回数だけステップＳ１４～Ｓ１８の処理を繰り返してもよいし、決められた時間だけステップＳ１４～Ｓ１８の処理を繰り返してもよい。
　ステップＳ１９にて、予測モデル高精度化部１３２は、最も精度が高い予測モデルを採用し、予測部１３３に伝える。
　図８は、予測処理の流れを示すフローチャートである。
　ステップＳ２１にて、パラメータ解析部１２２は、設備情報記録部１１３から設備情報を読み出し、予測モデルに入力するために設備情報をパラメータ化する。ここでは、設備情報記録部１１３に記録された全ての設備情報をパラメータ化する。
　ステップＳ２２にて、予測部１３３は、予測モデルに各設備のパラメータを入力し、各設備について、雷害故障発生の有無を予測する。
　ステップＳ２３にて、ステップＳ２２の予測結果において、雷害故障の発生する設備の数の多さが判定される。
　雷害故障の発生する設備が多い場合、ステップＳ２４にて、雷害故障リスク計算部１４１は、雷害故障リスクが高いエリア（例えば、落雷発生頻度が高いエリアまたは落雷強度の強いエリアまたは過去に発生した雷害故障数が多いエリア）を計算し、落雷発生頻度が高いエリアまたは落雷強度の強いエリアの設備で、予測結果が雷害故障の発生しやすい設備を抽出する。
　ステップＳ２５にて、予測精度境界指定部１４２は、予測結果が雷害故障の発生しやすい設備で、予測精度の高い設備だけを抽出する。
　ステップＳ２４，Ｓ２５の処理の順序は問わない。ステップＳ２４，Ｓ２５のどちらか一方の処理だけを行ってもよい。
　以上の処理により、雷対策が必要な設備を抽出することができる。
　以上説明したように、本実施形態によれば、設備情報分析部１２１が、記録部１１０から落雷情報、落雷時の設備の雷害故障情報、及び設備情報を読み出して、雷害故障が発生した設備の設備情報と雷害故障が発生しなかった設備の設備情報を抽出し、パラメータ解析部１２２が、抽出された設備情報の雷害故障の発生した箇所に関連する項目をパラメータ化し、予測モデル構築部１３１が、パラメータ化された設備情報を機械学習して、落雷時に設備が雷害故障する可能性を出力する予測モデルを生成し、予測部１３３が、予測モデルに設備情報を入力し、落雷時に雷害故障が発生しやすい設備を予測することにより、屋外の雷対策が必要な設備を効果的に予測できる。
　本実施形態によれば、雷害故障リスク計算部１４１が、雷害故障リスクを計算し（例えば、落雷情報に基づいてエリアごとに落雷発生頻度または落雷強度、あるいは雷害故障情報に基づいてエリアごとに雷害故障数を計算）、予測結果が雷害故障が発生しやすい設備で、雷害故障リスクが高いエリアにある設備だけを対策必要設備として抽出することにより、雷対策必要設備を絞り込むことが可能である。
　本実施形態によれば、予測精度境界指定部１４２が、予測結果が雷害故障の発生しやすい設備で、予測精度が所定の閾値よりも高い設備だけを対策必要設備として抽出することにより、雷対策必要設備を絞り込むことが可能である。
　１００…雷対策必要設備抽出装置　１１０…記録部　１１１…落雷記録部　１１２…雷害故障記録部　１１３…設備情報記録部　１２０…パラメータ抽出部　１２１…設備情報分析部　１２２…パラメータ解析部　１２３…データセット作成部　１３０…機械学習部
　１３１…予測モデル構築部　１３２…予測モデル高精度化部　１３３…予測部　１４０…対策必要設備抽出部　１４１…雷害故障リスク計算部　１４２…予測精度境界指定部　１５０…インターフェース部　１５１…入力部　１５２…出力部

Claims (7)

  1. 　落雷情報、落雷時の設備の雷害故障情報、および前記設備の設備情報から落雷時に雷害故障が発生した設備の設備情報と雷害故障が発生しなかった設備の設備情報を抽出するパラメータ抽出部と、
    　抽出した前記設備情報を機械学習し、設備の設備情報を入力すると落雷時に当該設備が雷害故障する可能性を出力する予測モデルを生成する機械学習部と、
    　前記予測モデルに設備の設備情報を入力し、落雷時に雷害故障が発生しやすい前記設備を予測する予測部と、備える
    　ことを特徴とする雷対策必要設備抽出装置。
  2. 　前記落雷情報に基づいて地域ごとの雷害故障リスクを算出し、雷害故障が発生しやすい前記設備のうち、前記雷害故障リスクが所定の閾値よりも高い地域内の設備を抽出する第１設備抽出部を備える
    　ことを特徴とする請求項１に記載の雷対策必要設備抽出装置。
  3. 　前記予測部は、予測結果とともに予測精度を出力し、
    　雷害故障が発生しやすい前記設備のうち、前記予測精度が所定の閾値よりも高い設備を抽出する第２設備抽出部を備える
    　ことを特徴とする請求項１または２に記載の雷対策必要設備抽出装置。
  4. 　落雷情報、落雷時の設備の雷害故障情報、および前記設備の設備情報から落雷時に雷害故障が発生した設備と雷害故障が発生しなかった設備を抽出するステップと、
    　抽出した前記設備情報を機械学習し、設備の設備情報を入力すると落雷時に当該設備が雷害故障する可能性を出力する予測モデルを生成するステップと、
    　前記予測モデルに設備の設備情報を入力し、落雷時に雷害故障が発生しやすい前記設備を予測するステップと、を有する
    　ことを特徴とする雷対策必要設備抽出方法。
  5. 　前記落雷情報に基づいて地域ごとの雷害故障リスクを算出するステップと、
    　雷害故障が発生しやすい前記設備のうち、前記雷害故障リスクが所定の閾値よりも高い地域内の設備を抽出するステップを有する
    　ことを特徴とする請求項４に記載の雷対策必要設備抽出方法。
  6. 　前記落雷時に雷害故障が発生しやすい前記設備を予測するステップでは、予測結果とともに予測精度を出力し、
    　雷害故障が発生しやすい前記設備のうち、前記予測精度が所定の閾値よりも高い設備を抽出するステップを有する
    　ことを特徴とする請求項４または５に記載の雷対策必要設備抽出方法。
  7. 　請求項１ないし３のいずれかに記載の雷対策必要設備抽出装置の各部としてコンピュータを動作させる雷対策必要設備抽出プログラム。
PCT/JP2020/006396 2019-03-04 2020-02-19 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム WO2020179441A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/434,644 US20220147888A1 (en) 2019-03-04 2020-02-19 Device for extracting facility needing lightning countermeasures, method for extracting factility needing lightning countermeasures, and program for extracting facility needing lightning countermeasures

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019038603A JP7212259B2 (ja) 2019-03-04 2019-03-04 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム
JP2019-038603 2019-03-04

Publications (1)

Publication Number Publication Date
WO2020179441A1 true WO2020179441A1 (ja) 2020-09-10

Family

ID=72338441

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/006396 WO2020179441A1 (ja) 2019-03-04 2020-02-19 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム

Country Status (3)

Country Link
US (1) US20220147888A1 (ja)
JP (1) JP7212259B2 (ja)
WO (1) WO2020179441A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077775B (zh) * 2023-08-23 2024-04-09 国网山东省电力公司临沂供电公司 一种基于雷电数据的雷电动态图谱绘制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2015075828A (ja) * 2013-10-07 2015-04-20 中国電力株式会社 被害予測装置、被害予測方法およびプログラム
JP2019009951A (ja) * 2017-06-28 2019-01-17 東京電力ホールディングス株式会社 雷事故リスク判定システム、雷事故リスク判定方法およびプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003047173A (ja) 2001-07-27 2003-02-14 Fujitsu Ltd 落雷情報提供方法、落雷情報提供システム及び中央装置
US6670908B2 (en) * 2001-07-31 2003-12-30 Baron Services, Inc. Automated system and method for processing meteorological data
JP2003090887A (ja) 2001-09-20 2003-03-28 Ffc:Kk 落雷による瞬時電圧低下予測システムおよび予測方法
US8600809B1 (en) * 2011-03-25 2013-12-03 Google Inc. Predictive model performance
JP5502840B2 (ja) 2011-11-30 2014-05-28 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
US20140358592A1 (en) * 2013-05-31 2014-12-04 OneEvent Technologies, LLC Sensors for usage-based property insurance
JP2018119871A (ja) 2017-01-26 2018-08-02 中国電力株式会社 事故予測装置、事故予測装置の制御方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2015075828A (ja) * 2013-10-07 2015-04-20 中国電力株式会社 被害予測装置、被害予測方法およびプログラム
JP2019009951A (ja) * 2017-06-28 2019-01-17 東京電力ホールディングス株式会社 雷事故リスク判定システム、雷事故リスク判定方法およびプログラム

Also Published As

Publication number Publication date
JP2020144438A (ja) 2020-09-10
JP7212259B2 (ja) 2023-01-25
US20220147888A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
CN104951990B (zh) 电网数据处理方法及设备
CN109632355A (zh) 基于机电设备状态数据漂移的故障预测方法及系统
WO2021092451A1 (en) Scalably generating distribution grid topology
WO2020179441A1 (ja) 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム
KR101508429B1 (ko) 사용자 단말에 에이전트 서비스를 제공하는 방법 및 시스템
Alghamdi et al. DGA interpretation of oil filled transformer condition diagnosis
US20210033749A1 (en) Lighting damage prediction device, method, and program
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
JP5036603B2 (ja) 送電線故障箇所標定方法、装置並びにプログラム
CN116979690B (zh) 一种基于物联网的电网远程智能监测系统及方法
CN116577698B (zh) 一种基于电磁场分布的变电所接地故障监测方法
CN110321425B (zh) 一种电网缺陷类型的判断方法及装置
JP2016076113A (ja) 影響評価装置、影響評価方法、及び影響評価プログラム
JP5111258B2 (ja) 故障点標定装置、故障点標定方法および故障点標定プログラム
WO2020194521A1 (ja) 事故点標定装置、事故点標定システム、事故点標定方法、及び非一時的なコンピュータ可読媒体
JP5513348B2 (ja) 落雷被害予測装置、方法およびプログラム
JP2019139556A (ja) 保守管理装置、システム及びプログラム
KR102216513B1 (ko) 실시간 전류 분석을 통한 전동기 열화 감지 방법 및 장치
JP7099105B2 (ja) 短絡点標定システム、短絡点標定方法およびプログラム
Roduner et al. Reliability and cost assessment methodology of medium-voltage feeders
JP2005130565A (ja) 事故鉄塔推定方法及び事故雷推定方法
CN117009457B (en) Power grid operation and maintenance similar fault determining method, system and storage medium
KR102613072B1 (ko) 배전 계통 내 부분 방전이 발생한 위치를 식별하는 방법 및 장치
CN118275818B (zh) 一种配网输电线路故障检测方法及系统
Onuh et al. Critical assessment of power transformers reliability in the Nigerian electricity supply industry (A Case Study)

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: 20766978

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: 20766978

Country of ref document: EP

Kind code of ref document: A1