特許ウォッチ

公開番号2023042527
公報種別公開特許公報(A)
公開日2023-03-27
出願番号2022071358
出願日2022-04-25
発明の名称データドライブの能動配電網異常状態検知方法及びシステム
出願人山東大学,SHANDONG UNIVERSITY
代理人個人
主分類G06N 20/00 20190101AFI20230317BHJP(計算;計数)
要約【課題】データセットの利用効率を向上し、異常状態の予測精度を向上し、予測誤差を低減するデータドライブの能動配電網異常状態検知方法及びシステムを提供する。
【解決手段】方法は、配電網異常状態発生後のノードパラメータデータを取得し、データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力し、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成し、サンプルデータセットに基づいて配電網異常状態予測モデルの訓練を行い、三層データマイニング構造を用いて、データ分類と相関ルールにより、対応する故障タイプと強い相関を有するデータサンプルを抽出して取得する。
【選択図】図1
特許請求の範囲【請求項１】
データドライブの能動配電網異常状態検知方法であって、配電網異常状態発生後のノードパラメータデータを取得し、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
前記配電網異常状態予測モデルの訓練工程は、
配電網履歴異常状態ノードパラメータデータをクラスタリングし、クラスタリング後のデータサンプルを自己エンコードし、第１サンプルデータセットを形成するステップであって、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ
ｉ
から構成され、ＴＶ＝｛Ｎ０Ｃ
１
，Ｎ０Ｃ
２
，．．．，Ｎ０Ｃ
ａ
｝は自己エンコーディング後のデータであり、Ｃ値の範囲は［１，Ｋ］であり、Ｋはクラスタリング数であり、ａはデータ収集が行われるノード番号であり、Ｆ
ｉ
は異常状態タイプの値であり、前記自己エンコーディング後のデータは少なくともデータの位置するノード位置情報とデータの属するクラスタリングカテゴリ情報を含むステップと、
相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第１サンプルデータセットにおける各ベクトルのＴＶ及びＦ
ｉ
の２種類元素を１種類元素として併合し、新たなデータセットＭ：｛Ｚ
１
，Ｚ
２
，…，Ｚ
ｉ
｝を構成し、Ｚ
ｉ
は１つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、ｉは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、訓練用のサンプルデータセットである第２サンプルデータセットを形成することを含むステップと、
前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
前記配電網異常状態予測モデルは、具体的に、
JPEG
2023042527000027.jpg
22
139
であり、
ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ
Ｔ
（ＣＶ
ｊ
）はベクトルｗとベクトルＣＶ
ｊ
のスカラー積を表し、ベクトルＣＶ
ｊ
は訓練サンプルであるステップと、
目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
JPEG
2023042527000028.jpg
28
170
であり、
ただし、Ｌ（Ｆ
ｉ
，ｆ（ＣＶ
ｊ
））はロス関数を表し、αがハイパーパラメータで設定値であり、Ｒ（ｗ）は正則化項であり、ｎはサンプルデータセット総量であり、Ｆ
ｉ
は異常状態タイプの値であるステップと、
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
JPEG
2023042527000029.jpg
26
170
ただし、ηは、経時的な学習率であり、算出式としては、
JPEG
2023042527000030.jpg
37
142
であり、
ただし、ｔはタイムステップであり、ｔ
０
は始まる時間であるステップと、を含む、
ことを特徴とするデータドライブの能動配電網異常状態検知方法。
続きを表示（約 2,000 文字）【請求項２】
配電網履歴異常状態ノードパラメータデータをクラスタリングする前記工程は、具体的に、
ユークリッド距離に基づいてデータサンプルを分類するステップと、
判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
誤差二乗和を算出し、ＳＳＥ－Ｋグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む、
ことを特徴とする請求項１に記載のデータドライブの能動配電網異常状態検知方法。
【請求項３】
データドライブの能動配電網異常状態感知システムであって、
配電網異常状態発生後のノードパラメータデータを取得するためのデータ取得モジュールと、
前記データを訓練済みの配電網異常状態予測モデルに入力し、配電網異常状態予測結果を出力する異常状態予測モジュールと、を含み、
前記配電網短絡異常状態モデルの訓練工程は、
配電網履歴異常状態ノードパラメータデータをクラスタリングし、クラスタリング後のデータサンプルを自己エンコードし、第１サンプルデータセットを形成するステップであって、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ
ｉ
から構成され、ＴＶ＝｛Ｎ０Ｃ
１
，Ｎ０Ｃ
２
，．．．，Ｎ０Ｃ
ａ
｝は自己エンコーディング後のデータであり、Ｃ値の範囲は［１，Ｋ］であり、Ｋはクラスタリング数であり、ａはデータ収集が行われるノード番号であり、Ｆ
ｉ
は異常状態タイプの値であり、前記自己エンコーディング後のデータは少なくともデータの位置するノード位置情報とデータの属するクラスタリングカテゴリ情報を含むステップと、
相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップであって、具体的に、第１サンプルデータセットにおける各ベクトルのＴＶ及びＦ
ｉ
の２種類元素を１種類元素として併合し、新たなデータセットＭ：｛Ｚ
１
，Ｚ
２
，…，Ｚ
ｉ
｝を構成し、Ｚ
ｉ
は１つの自己エンコーディング後のデータと対応する異常状態タイプとからなる新たなベクトルを表し、ｉは新たなベクトルの数であり、頻繁なアイテムセットの支持度及び信頼度を用いて前記新たなベクトルのうちの２つ又は複数の元素の間の繋がりを数値化し、支持度及び信頼度要求を満たす非０ベクトルを抽出して、訓練用のサンプルデータセットである第２サンプルデータセットを形成することを含むステップと、
前記訓練用のサンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップであって、
前記配電網異常状態予測モデルは、具体的に、
JPEG
2023042527000031.jpg
23
146
であり、
ただし、ｗは予測モデル関数の重みベクトルであり、ｂは予測モデル関数のインターセプトを表し、ｗ
Ｔ
（ＣＶ
ｊ
）はベクトルｗとベクトルＣＶ
ｊ
のスカラー積を表し、ベクトルＣＶ
ｊ
は訓練サンプルであるステップと、
目的関数を最適化することによって前記配電網異常状態予測モデルのフィット度を測定するステップであって、前記目的関数の最適化は具体的に、
JPEG
2023042527000032.jpg
31
170
であり、
ただし、Ｌ（Ｆ
ｉ
，ｆ（ＣＶ
ｊ
））はロス関数を表し、αはハイパーパラメータで設定値であり、Ｒ（ｗ）は正則化項であり、ｎはサンプルデータセット総量であり、Ｆ
ｉ
は異常状態タイプの値であるステップと、
得られたサンプルデータセットに基づいて、確率的勾配降下アルゴリズムを用いて回帰訓練を行い、配電網異常状態予測モデルの最適なパラメトリック解を取得するステップであって、確率的勾配降下アルゴリズムは毎回に一部分テストセットを利用して反復算出し、反復する時に、モデルパラメータは下記の式で更新され、
JPEG
2023042527000033.jpg
25
170
ただし、ηは、経時的な学習率であり、算出式としては、
であり、
ただし、ｔはタイムステップであり、ｔ
０
は始まる時間であるステップと、を含む、
ことを特徴とするデータドライブの能動配電網異常状態感知システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、配電網異常状態分類及び予測技術分野に関し、特にデータドライブの能動配電網異常状態検知方法及びシステムに関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
本部分の説明は、本発明に関連する背景技術を提供するだけであり、従来技術を必然的に構成するものではない。
【０００３】
能動配電網知能リアルタイム監視の深化に伴い、監視・保護装置は能動配電網に多く取り付けられ、これらの装置によって電網運転状態データを収集し、データ分析処理から、能動配電網の運転状態が正常であるか否かを判断する。しかし、このような診断方案は、監視装置の設置のために多くのコストがかかると同時に、診断精度が低いという問題がある。
【０００４】
上記従来の故障診断方案の問題を回避するために、人工知能は自己学習や自己最適化という利点に頼んで、能動配電網短絡故障、断線故障や過負荷等の異常状態の診断に用いられる。一般的な故障診断方法としては、エキスパートシステム、ファジー理論、人工ニューラルネットワーク、ベイジアンネットワーク、及びペトリネットワーク等の方法がある。エキスパートシステムに基づく故障診断方法では、能動配電網の運転状態等のデータを用いて、エキスパートの経験知識と合わせて、エキスパートモデルを構築して、故障タイプを推論する。ファジィー理論に基づく診断方法では、ファジィー制御によって任意の非線形連続関数の近似シミュレーションを実現する。人工ニューラルネットワークに基づく診断方法では、人間の脳や自然のニューラルネットワークを模倣し、既存の履歴データをモデル化し、関連パラメータの訓練を完了し、問題の解決セットを取得する。ペトリネットワークに基づく診断手法では、複雑な情報ベースが必要なく、離散的な動的能動配電網故障を効果的に処理することができるが、フォールトトレランスが低いという問題がある。
【０００５】
能動配電網の規模が非常に大きく、故障データが多い場合に、故障データに対する分析効果は、アルゴリズムの選択に大幅に依存する。そして、現在の人工知能が取り入れた故障診断方案は、いつも単一の人工知能アルゴリズムやモデルのみを採用し、その診断精度に向上する余裕があり、且つフォールトトレランスが低く、エキスパートの経験に強く依存するなどの制限がある。
【発明の概要】
【０００６】
上記課題を解決するために、本発明は、三層データマイニングを用いて能動配電網異常状態に対して分類及び予測を行って、異常状態分類及び予測の精度が低く時間が長い問題を対応的に解決することができるデータドライブの能動配電網異常状態検知方法及びシステムが抽出される。
【０００７】
上記目的を実現するために、いくつかの実施形態において、下記の技術的解決策を採用する。
【０００８】
データドライブの能動配電網異常状態検知方法であって、
配電網異常状態発生後のノードパラメータデータを取得し、前記データを訓練済みの配電網異常状態予測モデルに入力して、配電網異常状態予測結果を出力するステップを含み、
前記配電網異常状態予測モデルの訓練工程は、配電網履歴異常状態ノードパラメータデータをクラスタリングし、相関ルールアルゴリズムにより、配電網異常状態タイプと強い相関を有するデータサンプルを見つけて、訓練用のサンプルデータセットを形成するステップと、前記サンプルデータセットに基づいて前記配電網異常状態予測モデルの訓練を行うステップとを含む。
【０００９】
さらなる解決策として、配電網履歴異常状態ノードパラメータデータをクラスタリングする前記工程は、具体的に、
ユークリッド距離に基づいてデータサンプルを分類するステップと、
判別関数によってデータサンプルクラスタリングが完成したか否かを判断するステップと、
誤差二乗和を算出し、ＳＳＥ－Ｋグラフによって参照されるクラスタリング数を特定し、前記参照されるクラスタリング数に基づいて最終的なクラスタリング数を特定するステップと、を含む。
【００１０】
さらなる解決策として、配電網履歴異常状態ノードパラメータデータをクラスタリングした後に、
クラスタリング後のデータサンプルを自己エンコードし、第１サンプルデータセットを形成するステップをさらに含み、第１サンプルデータセットにおける元素はベクトルであり、各ベクトルはＴＶ及びＦ
ｉ
から構成され、（ただし、ＴＶ＝｛Ｎ０Ｃ
１
，Ｎ０Ｃ
２
，．．．，Ｎ０Ｃ
ａ
｝は自己コーディング後のデータであり、Ｃ値の範囲は［１，Ｋ］であり、ａはデータ収集が行われるノード番号であり、Ｆ
ｉ
は異常状態タイプの値である）、
前記自己コーディング後のデータは、少なくともデータの位置するノード位置情報及びデータの属するクラスタリングカテゴリ情報を含む。
（【００１１】以降は省略されています）

関連特許