JP6833660B2 - 信頼度監視システム、信頼度評価方法、及びプログラム - Google Patents

Description

本発明の実施形態は、信頼度監視システム、信頼度評価方法、及びプログラムに関する。

発電を行う電力設備を含む電力系統において、電力系統を監視し、電力を安定的に供給するために、将来的に発生する事象に対応する電力供給を推定する電力系統監視システムが知られている。

電力系統（以下、適宜「系統」という）において、需要家へ電力を送り届ける能力の度合いを供給信頼度と呼んでいる。系統運用者の立場から供給信頼度を見た場合、アデカシ―とセキュリティという二つの概念がある。アデカシ―は静的供給信頼度であり、系統設備の計画的な停止など運用制約を考慮して、電力需要に見合う設備構成となっているかどうかに関する概念である。一方、セキュリティは動的供給信頼度であり、突発的に発生する故障などの予期せぬ外乱に対して、系統の安定度が維持され、周波数や電圧が正常を保つことができるかということに関する概念である。

系統運用者が電力系統をリアルタイムに運用する段階で、これらの供給信頼度を確保する際の基準として、系統を構成する設備のうち、１つの設備が故障したとしても残りの設備だけで電力供給を継続できるようにする「Ｎ−１信頼度基準」が広く採用されている。また、重要な設備などについては２つの設備が故障しても電力供給を継続できるようにする「Ｎ−２信頼度基準」が採用されることもある。

供給信頼度を維持する制御のうち、想定される事故によって発生する電力供給の支障を回避するため、想定事故発生前に予め対策を行う予防制御という考え方がある。予防制御では、現在の系統情報を取得して状態推定を行い、推定された系統状態に対して想定事故が発生した場合の信頼度が検討される。もし系統において、電力の供給支障が発生する場合、発電機出力の調整や調相制御などの事前対策が検討される。但し、通常の予防制御では、供給支障による信頼性のデメリットと事前対策による経済性のデメリットの両方を考慮し、それらが協調するように系統が制御される。

近年、電力システム改革や再エネ増加による将来の系統において不確実性が増大することが懸念されている。従来の電力系統では系統運用者の経験則から事前に想定した特定の潮流ケースに対して連続潮流計算や安定度計算などの物理モデルベースの詳細シミュレーションによる解析が行われていた。しかし、近年の系統では、再生可能エネルギー電源の変動や、発送電分離などの系統運用者が完全に管理・制御できない要素等に起因して、電力系統における不確実性が増加している。このように、近年の系統では、将来とりうる無数の潮流ケースに対して系統の安定度を判別することが要求され、従来の物理モデルベースの解析方法では計算時間が膨大となる恐れがある。

そこで、電圧・位相・負荷・発電機出力・潮流といった計測可能な情報（入力）と、系統の安定度（出力）の複数の情報の組み合わせに基づいて、統計的あるいは機械学習を用いて学習モデルを作成し、物理モデルベースの解析手法の代わりに瞬時に入力から出力を推定する方法が系統の制御に適用され得る。

電力系統を運用する際、入力と出力の関係性の説明が容易な統計学習的モデルを選定することが好ましい。入出力の関係性を明確にするためのモデルとして、回帰モデルがある。しかし、再生可能エネルギーを含む電力系統において、再生可能エネルギーの変動などで膨大化・複雑化する入出力の組み合わせを単一の回帰モデルによりモデル化すると、推定誤差が大きくなる場合がある。

特開２０１３−２０８０４２号公報

本発明が解決しようとする課題は、電力系統において想定される系統状態に適用される好適な回帰モデルを利用して、供給信頼度の推定を高精度に行うことができる信頼度監視システム、信頼度評価方法、及びプログラムを提供することである。

実施形態の信頼度監視システムは、オフライン解析部と、系統状態推定部と、推定モデル作成部と、信頼度推定部とを持つ。オフライン解析部は、前記電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出する。系統状態推定部は、前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定する。推定モデル作成部は、前記オフライン解析部に入力された前記入力情報と、前記オフライン解析部により出力された前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成する。信頼度推定部は、前記推定モデル作成部により作成された複数の前記回帰モデルのうち、前記教師データとの回帰誤差が閾値未満の第１回帰モデルを選択し、選択した前記第１回帰モデルと前記系統状態推定部が推定した前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する。

第１の実施形態の信頼度監視システム１の構成の一例を示す図。 第１の実施形態の想定事故様相情報１３Ｃの内容の一例を示す図。 第１の実施形態の再生可能エネルギー電源出力予測情報１３Ｄの確率分布の一例を示す図。 第１の実施形態の再生可能エネルギー電源出力予測情報１３Ｄの一例を示す図。 第１の実施形態の推定された系統状態の一例である。 第１の実施形態の系統状態情報におけるブランチデータの一例を示す図。 第１の実施形態の推定モデル作成部１６により実行される処理の流れの一例を示すフローチャート。 第１の実施形態の回帰モデルの追加方法の一例を示す図。 第１の実施形態のステップＳ１０６において信頼度推定部１７により実行される処理の一例を示すフローチャート。 第１の実施形態の信頼度推定部１７により抽出される第一近傍データの一例を示す図。 第１の実施形態の第一近傍データが属する回帰モデルの一例を示す図。 第１の実施形態の３つの回帰モデルに第一近傍データが含まれる状態を示す図。 第２の実施形態の推定モデル作成部１６により実行される処理の流れの一例を示すフローチャート。 第２の実施形態のステップＳ２０６における推定モデル作成部１６により実行されるクラスタリング処理の流れの一例を示すフローチャート。

以下、実施形態の信頼度監視システム、信頼度評価方法、及びプログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態の信頼度監視システム１の構成の一例を示す図である。信頼度監視システム１は、再生可能エネルギー電源２３が接続された電力系統２１において、予め類型化された事故が発生したと仮定した場合における、電力系統２１が供給する電力の供給信頼度を評価するシステムである。

信頼度監視システム１は、現在の電力系統２１の系統運用状態から、将来（例えば、現時点から３０分〜６０分後）の系統運用状態を推定し、将来の系統運用状態で想定される事故が起きた場合の供給信頼度を評価する。そして、信頼度監視システム１は、仮に、電力供給に支障などが発生する場合に、予防制御内容を計算・出力する。供給信頼度の具体的な評価項目としては、例えば、過負荷、過渡安定度、電圧安定度、周波数安定度などがある。これらの評価項目が、予め定められた管理値（閾値）を超過すると、設備の故障・脱落が発生し、停電を引き起こすおそれがある。そこで、信頼度監視システム１は、評価項目に基づいて供給信頼度を評価して停電を未然に抑制する。

信頼度監視システム１は、例えば、系統情報収集部１２と、データ記憶部１３と、系統状態推定部１４と、オフライン解析部１５と、推定モデル作成部１６と、信頼度推定部１７と、制御内容計算部１８と、表示部１９とを備える。信頼度監視システム１には、電力系統２１が接続されている。電力系統２１には、例えば、発電機２２（２２ａ、２２ｂ）と、再生可能エネルギー電源２３（２３ａ、２３ｂ、２３ｃ、２３ｄ）と、需要家２４（２４ａ）とが含まれる。

まず、信頼度監視システム１により制御される電力系統２１について説明する。発電機２２は、例えば、火力発電、水力発電、原子力発電等を行う大規模発電機である。再生可能エネルギー電源２３は、例えば、再生可能エネルギーである太陽光、風力等を用いて発電する電源である。再生可能エネルギー電源は、様々な規模で作成され得る。個々の再生可能エネルギー電源２３や需要家２４は、例えば、地域毎にまとめられてもよいし、地域集合３１（３１ａ、３１ｂ、３１ｃ）として取り扱われてもよい。

電力系統２１は、例えば、信頼度監視システム１と連携するための装置として、複数の計測装置２５（２５ａ、２５ｂ、・・・、２５ｎ）と、複数の制御端末装置２６（２６ａ、２６ｂ、・・・、２６ｎ）とを備える。計測装置２５は、電力系統２１の各所の電圧、位相、潮流や、変圧器、発電機２２、再生可能エネルギー電源２３などの各種電力系統設備の状態などの系統情報を計測し、計測した系統情報を信頼度監視システム１に送信する。

制御端末装置２６は、信頼度監視システム１からの制御指令を受信して、系統制御機器や発電機２２（出力量等）の制御や再生可能エネルギー電源２３の出力抑制などを行う。ここで、系統制御機器とは、例えば、進相コンデンサ、分路リアクトル、ＳＶＣ（Static Var Compensator）等を含む。なお、潮流とは、電気の流れを意味し、例えば、有効電力、無効電力などの大きさによって表される指標である。

次に、信頼度監視システム１の構成について説明する。信頼度監視システム１において、例えば、系統情報収集部１２、データ記憶部１３、系統状態推定部１４、オフライン解析部１５、推定モデル作成部１６、信頼度推定部１７、制御内容計算部１８、の各機能部のうち一部または全部は、ＣＰＵ（Central Processing Unit）等のプロセッサがプログラム（ソフトウェア）を実行することで実現される。また、これらの各機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェアによって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

系統情報収集部１２は、電力系統２１に設置された計測装置２５から現在の電力系統に関する各種情報を取得する。データ記憶部１３には、系統運用者が情報を入力することによって、需要予測情報１３Ａ、運用計画情報１３Ｂ、想定事故様相情報１３Ｃ、地域毎の再生可能エネルギー電源出力予測情報１３Ｄなどの電力需要に関する情報が記憶される。データ記憶部１３は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）等により実現される。

需要予測情報１３Ａは、１日の各時間帯における需要の大きさを予測するものであり、系統運用者の経験則から高精度に予測される。運用計画情報１３Ｂは、調相設備の投入・解列、発電機の起動・停止、発電機出力の増減など、予め決められた電力系統２１の運用計画の情報である。

想定事故様相情報１３Ｃは、電力系統２１において想定される事故が予め類型化された情報である。予め類型化された事故としては、例えば、送電線故障、母線故障、発電機故障（発電機２２の故障）、変圧器故障などが代表的である。

図２は、第１の実施形態の想定事故様相情報１３Ｃの内容の一例を示す図である。図２に示されように、想定事故様相情報１３Ｃは、例えば、事故を示すＮｏ．に対して、事故対象箇所（事故点）と、事故様相とが対応付けられた情報である。事故対象箇所は、電力系統２１において事故が発生すると想定される場所である。事故様相は、電力系統２１において発生する事故の類型である。図中の「３Φ３ＬＧ」等の情報は、事故様相を表すコードである。

図１に戻り、再生可能エネルギー電源出力予測情報１３Ｄは、将来（例えば、現時点から３０分後あるいは６０分後）の再生可能エネルギー電源２３の出力予測に関する情報である。再生可能エネルギー電源２３は、天候などの影響を受けて出力が変動するという不確実性を有している。再生可能エネルギー電源出力予測情報１３Ｄは、再生可能エネルギー電源２３の不確実性を考慮して、例えば確率分布で表される。

図３は、第１の実施形態の再生可能エネルギー電源出力予測情報１３Ｄの確率分布の一例を示す図である。図３のグラフにおいて、縦軸は発生確率、横軸は再生可能エネルギー出力である。図３に示されるように、再生可能エネルギー出力は、出力に変動が生じるため、何らかの確率分布を持つものとして定義する。再生可能エネルギー出力の不確実性は、例えば、出力の範囲が予測値の±σ（σ：標準偏差）の内側（６８．２７％）にあるものと定義することによって表される。

なお、この範囲については任意に決定することができ、例えば、再生可能エネルギー出力の範囲は、予測値の±２σや±３σの内側と定義してもよいし、標準偏差以外の指標、例えば、再生可能エネルギー電源２３の容量比を用いて予測値の±１０％の内側などと定義してもよい。

このような不確実性を含んだ再生可能エネルギー電源出力予測情報１３Ｄを、再生可能エネルギー電源２３あるいは地域集合３１毎にデータ記憶部１３に記憶させる。

図４は、第１の実施形態の再生可能エネルギー電源出力予測情報１３Ｄの一例を示す図である。４に示されるように、この再生可能エネルギー電源出力予測情報１３Ｄでは、エリア（地域集合３１）毎に、再生可能エネルギー出力予測値と確率分布における±σに相当する値が与えられている。このような再生可能エネルギー電源出力予測情報１３Ｄを用いることで、信頼度監視システム１は、不確実性によって変動が生じる再生可能エネルギー出力を含む系統状態のあらゆる組合せパターンに対して、将来の電力系統２１の信頼度を維持可能であるか否かを評価することができる。

図１に戻り、系統状態推定部１４では、系統情報収集部１２によって取得した現在の系統情報と、データ記憶部１３に与えられた需要予測情報１３Ａ、運用計画情報１３Ｂ、再生可能エネルギー電源出力予測情報１３Ｄに基づいて、電力系統２１の少なくとも将来の系統状態を推定する。

図５は、第１の実施形態の推定された系統状態の一例を示す図である。図６は、第１の実施形態の系統状態情報におけるブランチデータの一例を示す図である。図５のノードデータでは、ノード名毎に、電圧、位相、発電機出力（有効電力出力、無効電力出力）、負荷（有効電力負荷、無効電力負荷）、および、調相設備の情報が対応付けられている。また、図６のブランチデータでは、ブランチ名毎に、有効電力潮流、無効電力潮流、有効電力損失、および、無効電力損失の情報が対応付けられている。

図１に戻り、オフライン解析部１５は、系統運用者により入力され、データ記憶部１３に記憶された需要予測情報１３Ａ、運用計画情報１３Ｂ、再生可能エネルギー電源出力予測情報１３Ｄ、想定事故ケースを入力情報として、想定される複数のパターンの供給信頼度を事前に計算する。

オフライン解析部１５は、例えば、供給信頼度を計算する前段階として、データ記憶部１３に記憶された情報に基づいて潮流計算を行い、状態推定結果（図５参照）と同種の情報（系統状態）を入力情報（Ｘ）としてオフライン解析による供給信頼度（Ｙ）を算出する。オフライン解析部１５は、入力情報（Ｘ）と、供給信頼度（Ｙ）との組み合わせを、推定モデル作成部１６に教師データとして出力する。

推定モデル作成部１６は、例えば、オフライン解析部１５により出力された教師データに基づいて、教師データの空間の領域を分割し、電力系統２１における実際の供給信頼度を推定するための複数の回帰モデルを作成する。推定モデル作成部１６は、先ず、教師データに基づいて、一つ目の回帰モデルを作成する。推定モデル作成部１６は、作成した一つ目の回帰モデルにおいて、教師データに基づいて回帰誤差を算出する。

推定モデル作成部１６は、算出した回帰誤差が所定の閾値未満となるように一つ目の回帰モデルから他の回帰モデルを作成することを繰り返して複数の回帰モデルを作成する。推定モデル作成部１６は、例えば、他の回帰モデルを作成する過程において、教師データと将来の系統状態との距離に基づいて、教師データから回帰誤差が正側に閾値を超える正側逸脱教師データと、教師データのうち回帰誤差が負側に閾値を超える負側逸脱教師データをそれぞれ抽出する。

推定モデル作成部１６は、正側逸脱教師データと負側逸脱教師データとに基づいて、回帰モデルをそれぞれ作成することで複数の回帰モデルを作成する。

信頼度推定部１７は、系統状態推定部１４によって推定された将来の系統状態と、推定モデル作成部１６によって作成された複数の回帰モデルに基づいて、系統状態推定部１４によって推定された将来の系統状態の供給信頼度を推定する。

信頼度推定部１７は、例えば、複数の回帰モデルの回帰誤差が低減されるよう、推定モデル作成部１６により作成された複数の回帰モデルの中から必要最小限な回帰モデルを抽出し、抽出したそれぞれの回帰モデルの中から将来の電力系統の供給信頼度を推定するための第１回帰モデルを選択する。そして、信頼度推定部１７は、選択した第１回帰モデルと系統状態推定部１４によって推定された将来の系統状態に基づいて、将来の電力系統２１の供給信頼度を推定する。

信頼度推定部１７は、例えば、推定モデル作成部１６により作成された複数の回帰モデルにおいて、教師データと将来の系統状態との空間上の距離を算出する。信頼度推定部１７は、算出した距離に基づいて複数の回帰モデルを分割し、分割したそれぞれの回帰モデルの中から距離が最小となる第１回帰モデルを選択する。

記信頼度推定部１７は、例えば、複数の回帰モデルにおいて、教師データと将来の系統状態との空間上の距離に基づいて、教師データの中から、将来の電力系統の系統状態に対する回帰誤差が所定範囲に存在する第一近傍データを抽出する。

記信頼度推定部１７は、第一近傍データが単一の回帰モデルに所属する場合は、単一の回帰モデルを第１回帰モデルとして選択する。記信頼度推定部１７は、第一近傍データが複数の回帰モデルに所属する場合は、複数の回帰モデルのそれぞれに所属する第一近傍データに含まれるデータの組み合わせに基づいて、供給信頼度と入力情報との感度を分析する。感度については後に詳述する。記信頼度推定部１７は、入力情報の中から感度が所定の閾値を超える変数を抽出する。

信頼度推定部１７は、感度の大きい入力情報を分割要因変数として抽出し、分割要因変数のみで教師データと将来の系統状態との距離を分割要因距離として計算する。信頼度推定部１７は、分割要因距離が閾値未満である教師データを第二近傍データとして抽出し、第二近傍データが最も多く所属する回帰モデルを第１回帰モデルとして選択する。

信頼度推定部１７は、入力情報の変化に対する供給信頼度の変化を第一感度とし、第一感度が所定値以上の入力情報を分割要因変数とする。信頼度推定部１７は、第一感度が所定値未満である入力情報を除外した上で、供給信頼度の変化に対する入力情報の変化を第二感度として算出する。信頼度推定部１７は、第二感度が所定値以上の入力情報を分割要因変数とし、分割要因変数に基づいて距離の計算を行う。信頼度推定部１７による、供給信頼度の具体的な推定手順は後述する。

制御内容計算部１８は、信頼度推定部１７により推定された将来の系統状態の供給信頼度に基づいて、将来の系統状態において予め類型化された事故が発生したと仮定した場合、電力系統２１に供給支障が生じるか否かを判定する。制御内容計算部１８は、電力系統２１に供給支障が生じると判定した場合、供給支障を抑制するために必要な各種制御機器や発電機の制御内容を計算する。

制御内容計算部１８は、計算した制御内容に基づいて、供給支障を抑制するための制御後の系統状態を推定し、信頼度推定部１７に推定結果を出力する。信頼度推定部１７は、制御内容計算部１８により出力された推定結果に基づいて、供給支障を抑制するための制御後の供給信頼度を評価する。

表示部１９は、信頼度推定部１７により評価された評価結果と、制御内容計算部１８により計算された計算結果を表示する。表示部１９は、例えば、ＬＣＤ（Liquid Crystal Display）などの表示装置である。

次に推定モデル作成部１６により実行される処理の一例について説明する。図７は、推定モデル作成部１６により実行される処理の流れの一例を示すフローチャートである。

推定モデル作成部１６は、教師データに基づいて、回帰モデルを作成するための初期の回帰変数を決定する（ステップＳ１０１）。推定モデル作成部１６は、例えば、入力情報（Ｘ）の中から、オフライン解析部１５から取得した供給信頼度（Ｙ）に対して相関がある変数を、相関係数の高さに基づいて抽出する。推定モデル作成部１６は、入力情報（Ｘ）から抽出した変数に基づいて、１つ目の回帰モデルを作成する（ステップＳ１０２）。推定モデル作成部１６により作成される回帰モデルは、例えば、線形回帰モデルである。以下、１次の線形回帰モデルを例示して説明するが、推定モデル作成部１６は、回帰モデルとして１次の線形回帰モデル以外の推定モデルを用いてもよい。

推定モデル作成部１６は、作成した回帰モデルの回帰変数と回帰式を決定すると共に、回帰式の係数を求める。推定モデル作成部１６は、例えば、回帰式の係数の算出において、回帰誤差を計算する（ステップＳ１０３）。回帰誤差は、例えば各教師データに対する回帰モデルの推定値と、供給信頼度（Ｙ）の真値との差である。真値とは、例えば、オフライン解析により算出された供給信頼度（Ｙ）である。推定モデル作成部１６は、例えば、最小二乗法により、回帰誤差の二乗和誤差が最小となるよう係数を算出する。推定モデル作成部１６は、算出した係数を回帰式に適用し現在の回帰モデルを作成する。

推定モデル作成部１６は、計算された現在の回帰モデルの回帰誤差と所定の閾値とを比較する（ステップＳ１０４）。推定モデル作成部１６は、例えば、各教師データに対して算出される複数の回帰誤差の平均や、回帰誤差の最大値等に基づいて、回帰誤差を評価する。推定モデル作成部１６は、回帰誤差の評価において、全ての教師データに対して算出される回帰誤差が所定の閾値未満となるか否かを判定する（ステップＳ１０５）。

ステップＳ１０５で全ての教師データの回帰誤差が閾値未満となり、肯定的な判定を得た場合、推定モデル作成部１６は、現在の回帰モデルを使用すると決定し、フローチャートの処理は終了となる。ステップＳ１０５で全教師データのうち、回帰誤差が閾値以上となるものが１つでも存在し、否定的な判定を得た場合、推定モデル作成部１６は、回帰モデルを追加し（ステップＳ１０６）、ステップＳ１０４に処理を戻す。ステップＳ１０６の処理の詳細については後に図９を用いて説明する。

図８は、回帰モデルの追加方法の一例を示す図である。推定モデル作成部１６は、例えば、教師データの回帰誤差と閾値とを比較し、教師データのうち回帰誤差が回帰直線に対して正側に閾値を超えるものを正側逸脱教師データとして抽出し、教師データのうち回帰誤差が回帰直線に対して負側に閾値を超えるものを負側逸脱教師データとして、それぞれ抽出する。推定モデル作成部１６は、抽出した正側逸脱教師データ及び負側逸脱教師データのそれぞれに基づいて回帰モデルをそれぞれ作成し、回帰モデルを追加する。推定モデル作成部１６は、このような処理により、複数の回帰モデルを作成する。

次に、信頼度推定部１７において実行される処理について説明する。信頼度推定部１７は、例えば、将来の系統状態を表す教師データの近傍のデータを教師データとの距離に基づいて抽出する。信頼度推定部１７は、抽出したデータの中から、入力情報の変化と供給信頼度の変化との関係から導かれる感度に基づいて、入力情報の中から感度が所定の閾値を超える変数を抽出する。信頼度推定部１７は、抽出した変数に基づいて複数の回帰モデルの中から第１回帰モデルを選択する。信頼度推定部１７は、選択した第１回帰モデルと系統状態推定部１４により推定された将来の系統状態に基づいて、将来の電力系統の供給信頼度を推定する。

図９は、図７のフローチャートにおけるステップＳ１０６において信頼度推定部１７により実行される処理の一例を示すフローチャートである。以下の説明では、「系統状態推定部１４によって推定された将来の系統状態」を「将来状態」と呼ぶ。信頼度推定部１７は、将来状態と教師データとの距離を計算する。「距離」とは、例えば、空間上の距離であり、例えば、ユークリッド距離、相関係数に基づいた距離関数によって求められる距離、コサイン距離、及びマンハッタン距離等により表される。

信頼度推定部１７は、例えば、将来状態と教師データの入力情報（Ｘ）とに基づいて、将来状態と教師データとの距離計算を行う。信頼度推定部１７は、距離計算により将来状態に対して距離が最小となる教師データを最小距離教師データとして探索する（ステップＳ１２１）。次に、信頼度推定部１７は、探索の結果、最小距離教師データを選択し、選択した最小距離教師データから所定の距離範囲にある教師データを第一近傍データとして抽出する（ステップＳ１２２）。

図１０は、信頼度推定部１７により抽出される第一近傍データの一例を示す図である。図１０の例では、説明を簡単にするため、Ｘは一次元の変数として扱われている。第一近傍データは、選択された最小距離教師データを基準として、所定範囲内に存在するデータである。所定範囲とは、例えば、最小距離教師データを基準として標準偏差の幅（±σ）が与えられた範囲である。

ここで、所定範囲は、ユーザーが任意に決定してもよいし、統計的な情報量に基づいて決定されてもよい。統計的な情報量とは、例えば、教師データにおけるＸの各ベクトルの標準偏差である。図１０の例では、選択された最小距離データに対してＸ方向に±σ内の範囲にある教師データが第１近傍データとして抽出される。

図１１は、第一近傍データが属する回帰モデルの一例を示す図である。図１１（ａ）に示されるように、第一近傍データは、単一の回帰モデルに所属する場合がある。図１１（ａ）における第一近傍データは、回帰モデルＢに所属し、回帰モデルＡには所属していない。また、図１１（ｂ）に示されるように、第一近傍データは、複数の回帰モデルに所属する場合がある。図１１（ｂ）における第一近傍データは、回帰モデルＡ及び回帰モデルＢに所属している。

図９に戻り、信頼度推定部１７は、抽出した第一近傍データが複数の回帰モデルに所属するか否かを判定する（ステップＳ１２３）。信頼度推定部１７は、抽出した第一近傍データが単一の回帰モデルに所属すると判定し、ステップＳ１２３で否定的な判定を得た場合、単一の回帰モデルを将来状態に対する第１回帰モデルとして選択する（ステップＳ１２４）。

信頼度推定部１７は、抽出した第一近傍データが複数の回帰モデルに所属すると判定し、ステップＳ１２３で肯定的な判定を得た場合、第一近傍データの中から分割要因変数を抽出する（ステップＳ１２５）。分割要因変数は、後述の様に、抽出した第一近傍データが所属する複数の回帰モデルを分割し第１回帰モデルを選択するために用いる。

以下、信頼度推定部１７による分割要因変数の選定について説明する。図１２は、３つの回帰モデルに第一近傍データが含まれる状態を示す図である。図示するように、回帰モデルＡにはａ個、回帰モデルＢにはｂ個、回帰モデルＣにはｃ個の第一近傍データが所属している。

１．信頼度推定部１７は、回帰誤差を評価するために複数の回帰モデル間における、Ｘの変化を算出する。例えば、以下のように、複数の回帰モデル間のＸの変化が定義される。

上記において、（Ａ⇔Ｂ）は、回帰モデルＡと回帰モデルＢとの間の変化を示す。回帰モデルＡに所属する教師データ（第一近傍データ）数をａとし、回帰モデルＢに所属する教師データ（第一近傍データ）数をｂとすると、組み合わせの数はａ×ｂ通り存在する。また、ｐはＸの次元数である。

２．信頼度推定部１７は、複数の回帰モデル間における、Ｙの変化を以下のように定義する。

３．信頼度推定部１７は、複数の回帰モデル間の第一感度を算出する。第一感度とは、Ｘの変化に対するＹの変化の大きさを示す指標である。信頼度推定部１７は、例えば、以下のように、第一感度を定義する。第一感度は、例えば、Ｙに対して変化を与える影響が少ない、即ち感度が低いＸを変数として除外し、Ｙに対して感度が高いＸを抽出するための指標として用いられる。第１感度が高いとは、例えば、所定の閾値以上となり、第一感度が低いとは、所定の閾値未満となることをいう。

上記の定義を用いて、信頼度推定部１７は、算出した第一感度が低いＸを除外する。ここで、各第一感度Ｓは、例えば、式（１）に示されるように、Ｙの変化量に対するＸの変化量の比の値で示される。

４．信頼度推定部１７は、Ｘの第一感度を算出する。信頼度推定部１７は、３．で算出した複数の回帰モデル間の第一感度を算出する。第一感度の算出方法は、３で算出した各第一感度の平均を用いてもよいし、第一感度の最大値に基づいて算出してもよい。以下の例では、式（２）に示されるように、複数の回帰モデル間の第一感度の平均を用いる方法を記載する。

５．信頼度推定部１７は、第一感度と閾値とを比較し、第一感度が低いＸを除外する。信頼度推定部１７は、例えば、式（２）に基づいて、ｑを削減後の次元数として、算出した第一感度が低い変数をＸから除外する。除外する処理において、信頼度推定部１７は、上記のように第一感度と閾値とを比較し、除外後の次元数ｑをあらかじめ指定してもよい。

６．信頼度推定部１７において、複数の回帰モデル間の第二感度が定義される。第二感度とは、Ｙの変化に対するＸの変化を示す指標である。例えば、以下のように、第二感度が定義される。第二感度は、例えば、第一感度に基づいて、Ｙに対する感度が低い変数が除外されたＸの中で、Ｙの変化量に対して、変化量が大きくなるＸを抽出するための指標である。第一感度が低い変数を除外したＸのうち、更に、第二感度が高い変数（分割要因変数）を抽出する。第二感度が高いとは、所定の閾値以上となることをいう。

ここで、各第二感度Ｓ´は、例えば、式（３）に示されるように、Ｘの変化量に対するＹの変化量の比の値で示される。

信頼度推定部１７が第二感度に基づいて抽出された変数Ｘを用いて教師データと将来状態の距離計算を行うことにより、複数の回帰モデル間においてＹに差異を生じさせ、かつ、Ｙの差異をより大きく変化させる変数によって距離計算を行うことができる。信頼度推定部１７がこのような処理を実行することにより、将来状態を回帰モデルへ割り当てる精度を向上することができる。

７．信頼度推定部１７は、Ｘの第二感度を算出する。信頼度推定部１７は、６で算出した回帰モデル間の第二感度から、Ｘの第二感度を算出する。Ｘの第二感度は、６で算出した第一感度の平均により算出してもよいし、６で算出した第一感度の最大値から算出してもよい。以下の説明では、Ｘの第二感度は、式（４）に示されるように、回帰モデル間の第一感度の平均を用いる。

８．信頼度推定部１７は、式（４）により算出した第二感度が高い変数Ｘを抽出し、抽出したｒ個の変数Ｘを分割要因変数とする。分割要因変数は、上記のように第二感度を閾値と比較して抽出してもよいし、分割要因変数の数ｒをあらかじめ指定して抽出してもよい。信頼度推定部１７は、上記の１から８の処理を行うことにより、ｒ個の分割要因変数を抽出する。

ここで、将来状態に近い教師データは複数個存在する。分割要因変数は、将来状態に近い複数の教師データが所属する近傍の領域において複数の回帰モデルが存在する場合、将来状態を示すのに適している回帰モデルを選択するために、近傍の領域から第１回帰モデルに用いられる変数を分割するために用いられる変数である。

次に、信頼度推定部１７は、抽出した分割要因変数を用いて、将来状態との距離である分割要因距離を計算する（ステップＳ１２６）。次に、信頼度推定部１７は、対象とする将来状態に対して抽出した分割要因変数の中から分割要因距離が最小となる教師データを抽出する。

信頼度推定部１７は、分割要因距離が最小となる教師データから所定の距離範囲にある教師データを第二近傍データとして抽出する（ステップＳ１２７）。所定の距離範囲は、ユーザーが任意に決定してもよいし、統計的な情報量に基づいて決定してもよい。統計的な情報量とは、例えば、教師データのＸの各ベクトルの標準偏差等である。

信頼度推定部１７は、抽出した第二近傍データが所属する複数の回帰モデルの中から、対象とする将来状態を割り当てる第１回帰モデルを選択する（ステップＳ１２８）。信頼度推定部１７は、例えば、第二近傍データが最も多く所属する回帰モデルを選択する。即ち、第二近傍データは、教師データの空間から第１回帰モデルに用いられる変数が分割されたものである。信頼度推定部１７は、選択した第１回帰モデルに、対象とする将来状態を入力して、Ｙの推定値を算出する（ステップＳ１２９）。

以上説明した実施形態によると、信頼度監視システム１は、電力系統２１において想定される系統状態に適用される好適な回帰モデルを利用して、供給信頼度の推定を高精度に行うことができる。そして、信頼度監視システム１は、供給信頼度Ｙを推定する推定モデルに回帰モデルを用いることによって、推定結果と物理モデルとの関係性の説明を容易にすることができる。また、信頼度監視システム１は、推定モデル作成部１６、信頼度推定部１７の各処理により、作成した複数の回帰モデルを所定の誤差範囲に収めつつ、分割の処理を必要最小限に抑えることができる。

また、信頼度監視システム１は、Ｘに対する距離が近い教師データが複数の回帰モデルに所属している場合でも、回帰モデル間のＹの変化に寄与しかつ、Ｙの変化を生じさせるのにより影響が大きい変数のみで距離計算を行うことで、将来状態の回帰モデルへの割り当ての精度を向上することができる。

（第２の実施形態）
第１の実施形態では、推定モデル作成部１６において、複数の回帰モデルを距離に基づいて分割した。第２の実施形態では、推定モデル作成部１６において、複数の回帰モデルをクラスタリングにより分割する処理が異なる。以下の説明では、第１の実施形態と同一の構成については同一の名称および符号を用い、重複する説明については適宜省略する。

図１３は、推定モデル作成部１６により実行される処理の流れの一例を示すフローチャートである。ステップＳ２０１からステップＳ２０５までの処理は、第１の実施形態のステップＳ１０１からステップＳ１０５までの処理と同様に実行される。

図１４は、ステップＳ２０６における推定モデル作成部１６により実行されるクラスタリング処理の流れの一例を示すフローチャートである。ステップＳ２０５で全教師データのうち、回帰誤差が閾値以上となるものが１つでも存在し、否定的な判定を得た場合、推定モデル作成部１６は、所定のクラスタリング手法を用いて教師データにおいてクラスタ数を追加し、再度クラスタリングを行う（ステップＳ２０６）。

クラスタリングにおいて、推定モデル作成部１６は、例えば、階層型クラスタリングと、k-means法などの非階層クラスタリングとに大別されるクラスタリング手法を用いる。推定モデル作成部１６は、例えば、階層型クラスタリングを用いる場合、教師データにおいて選択される２つのデータの２点間の距離に基づいて形成されるデンドログラム（樹形図）により所定のクラスタ数に分割する。

推定モデル作成部１６は、教師データにおいてクラスタ数を１つ増加するクラスタリングを行う（ステップＳ２２１）。推定モデル作成部１６は、クラスタリングされた各クラスタにおいて回帰モデルをそれぞれ作成する（ステップＳ２２２）。推定モデル作成部１６は、例えば、全ての教師データに対して、作成した全ての回帰モデルとの距離計算を行う（ステップＳ２２３）。ここで、推定モデル作成部１６は、教師データが所属するクラスタ以外のクラスタにおいて作成された回帰モデルとの距離計算も行う。

また、回帰モデルに対する距離には、空間における座標から回帰直線への垂線の距離、回帰誤差の絶対値等が用いられうるが、回帰誤差を最小化するという観点では、回帰誤差の絶対値を用いる方が望ましい。従って、推定モデル作成部１６は、回帰モデルとの距離計算において回帰誤差の絶対値を用いる。

推定モデル作成部１６は、各教師データを、各教師データについて計算した距離が最小となる回帰モデルのクラスタに割り当て直し、各教師データが所属するクラスタを更新する（ステップＳ２２４）。推定モデル作成部１６は、各クラスタに所属する教師データを更新した後、再度クラスタごとに回帰モデルの更新を開始する（ステップＳ２２５）。

推定モデル作成部１６は、各回帰モデルの更新において、回帰係数の修正量が閾値未満か否かを判定する（ステップＳ２２６）。推定モデル作成部１６は、ステップＳ２２６で否定的な判定を得た場合、ステップＳ２２３の処理に戻る。推定モデル作成部１６は、ステップＳ２２６で肯定的な判定を得た場合、再度各クラスタの回帰モデルの回帰変数を再決定する（ステップＳ２２７）。ここで、推定モデル作成部１６は、回帰変数を再決定する際に、例えば、供給信頼度（Ｙ）に対して相関係数の高い変数を入力情報（Ｘ）から抽出する。

推定モデル作成部１６は、ステップＳ２２７の処理の後、回帰モデルの回帰変数が変更されたか否かを判定する（ステップＳ２２８）。ステップＳ２２８で否定的な見解を得た場合、本フローチャートの処理が終了となり、処理がステップＳ２０４に移行する（図１３参照）。ステップＳ２２８で肯定的な見解を得た場合、処理がステップＳ２２３に移行する。ステップＳ２２３からステップＳ２２７の反復処理により、現在のクラスタ数において、回帰誤差が最小となるクラスタへの変数の割り付けが可能となる。

本実施例では回帰モデルの分割にクラスタリングを適用することで、回帰モデル間の特徴の差異を可能な限り保持した上で、所定の誤差以内となる必要最小数の回帰モデルを得ることができる。

以上説明した少なくともひとつの実施形態によれば、信頼度監視システムが、前記電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出するオフライン解析部と、前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定する系統状態推定部と、前記オフライン解析部に入力された前記入力情報と、前記オフライン解析部により出力された前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成する推定モデル作成部と、前記推定モデル作成部により作成された複数の前記回帰モデルのうち、前記教師データとの回帰誤差が閾値未満の第１回帰モデルを選択し、選択した前記第１回帰モデルと前記系統状態推定部が推定した前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する信頼度推定部と、を持つことにより、電力系統において想定される系統状態に適用される好適な回帰モデルを利用して、供給信頼度の推定を高精度に行うことができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…信頼度監視システム、１２…系統情報収集部、１３…データ記憶部、１３Ａ…需要予測情報、１３Ｂ…運用計画情報、１３Ｃ…想定事故様相情報、１３Ｄ…再生可能エネルギー電源出力予測情報、１４…系統状態推定部、１５…オフライン解析部、１６…推定モデル作成部、１７…信頼度推定部、１８…制御内容計算部、１９…表示部、２１…電力系統、２２…発電機、２２ａ…発電機、２２ｂ…発電機、２３…再生可能エネルギー電源、２３ａ…再生可能エネルギー電源、２３ｂ…再生可能エネルギー電源、２３ｃ…再生可能エネルギー電源、２３ｄ…再生可能エネルギー電源、２４…需要家、２４ａ…需要家、２５…計測装置、２６…制御端末装置、３１…地域集合、３１ａ…地域集合、３１ｂ…地域集合、３１ｃ…地域集合

Claims (13)

1. 電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出するオフライン解析部と、
   前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定する系統状態推定部と、
   前記オフライン解析部に入力された前記入力情報と、前記オフライン解析部により出力された前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成する推定モデル作成部と、
   前記推定モデル作成部により作成された複数の前記回帰モデルのうち、前記教師データとの回帰誤差が閾値未満となる第１回帰モデルを選択し、選択した前記第１回帰モデルと前記系統状態推定部により推定された前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する信頼度推定部と、を備える、
   信頼度監視システム。
2. 前記推定モデル作成部は、作成した一つの回帰モデルにおいて、前記教師データに基づいて前記回帰誤差を算出し、算出された前記回帰誤差が所定の閾値未満となるように前記一つの回帰モデルから他の回帰モデルを作成することを繰り返して前記複数の回帰モデルを作成し、
   前記信頼度推定部は、前記推定モデル作成部により作成された前記複数の回帰モデルにおいて、前記教師データと前記将来の系統状態との空間上の距離を算出し、算出した前記距離に基づいて前記複数の回帰モデルの中から前記距離が最小となる前記第１回帰モデルを選択する、
   請求項１に記載の信頼度監視システム。
3. 前記推定モデル作成部は、前記他の回帰モデルを作成する過程において、前記教師データと前記将来の系統状態との前記距離に基づいて、前記教師データから回帰誤差が正側に前記閾値を超える正側逸脱教師データと、前記教師データのうち回帰誤差が負側に前記閾値を超える負側逸脱教師データをそれぞれ抽出し、前記正側逸脱教師データと前記負側逸脱教師データとに基づいて、回帰モデルをそれぞれ作成することで前記複数の回帰モデルを作成する、
   請求項２に記載の信頼度監視システム。
4. 前記推定モデル作成部は、前記複数の回帰モデルを作成する際、前記教師データに関して所定のクラスタリング手法に基づいてクラスタリングを行い、クラスタリングされたクラスタごとに回帰モデルを作成する、
   請求項１に記載の信頼度監視システム。
5. 前記推定モデル作成部は、前記教師データと前記複数の回帰モデルとの距離に基づいて、前記教師データを、計算した前記距離が最小となる回帰モデルが属するクラスタに割り当て直す、
   請求項４に記載の信頼度監視システム。
6. 電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出するオフライン解析部と、
   前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定する系統状態推定部と、
   前記オフライン解析部に入力された前記入力情報と、前記オフライン解析部により出力された前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成する推定モデル作成部と、
   前記将来の系統状態を表す前記教師データの近傍のデータを前記教師データとの距離に基づいて抽出し、抽出したデータの中から、前記入力情報の変化と前記供給信頼度の変化との関係から導かれる感度に基づいて、前記入力情報の中から前記感度が所定の閾値を超える変数を抽出し、抽出した変数に基づいて前記複数の回帰モデルの中から第１回帰モデルを選択し、選択した前記第１回帰モデルと前記系統状態推定部により推定された前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する信頼度推定部と、を備える、
   信頼度監視システム。
7. 前記信頼度推定部は、前記第１回帰モデルを選択する際に、前記複数の回帰モデルにおいて、前記教師データと前記複数の前記将来の系統状態との空間上の距離に基づいて、前記教師データの中から、前記将来の前記電力系統の系統状態に対する回帰誤差が所定範囲に存在する第一近傍データを抽出し、前記第一近傍データが複数の回帰モデルに所属する場合は、前記複数の回帰モデルのそれぞれに所属する前記第一近傍データに含まれるデータの組み合わせに基づいて、前記入力情報の変化と前記供給信頼度の変化との関係から導かれる感度を分析し、前記入力情報の中から前記感度が所定の閾値を超える変数を抽出し、抽出した変数に基づいて前記第１回帰モデルを選択する、
   請求項２から６のうちいずれか１項に記載の信頼度監視システム。
8. 前記信頼度推定部は、前記変数を用いて前記教師データと前記将来の系統状態との距離を分割要因距離として計算し、前記分割要因距離が閾値未満である教師データを第二近傍データとして抽出し、第二近傍データが最も多く所属する回帰モデルを前記第１回帰モデルとして選択する、
   請求項７に記載の信頼度監視システム。
9. 前記信頼度推定部は、前記入力情報の変化に対する前記供給信頼度の変化を第一感度とし、前記第一感度が所定値以上の前記入力情報を分割要因変数とし、前記第一感度が所定値未満である前記入力情報を除外した上で、前記供給信頼度の変化に対する前記入力情報の変化を第二感度として算出し、前記第二感度が所定値以上の前記入力情報を分割要因変数とし、前記分割要因変数に基づいて、前記距離の計算を行う、
   請求項８に記載の信頼度監視システム。
10. コンピュータが、
    電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出し、
    前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定し、
    前記入力情報と、算出した前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成し、
    作成した複数の前記回帰モデルのうち、前記教師データとの回帰誤差が閾値未満の第１回帰モデルを選択し、
    選択した前記第１回帰モデルと推定した前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する、
    信頼度評価方法。
11. コンピュータに、
    電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出させ、
    前記電力系統から取得させた計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定させ、
    前記入力情報と、算出させた前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成させ、
    作成させた複数の前記回帰モデルのうち、前記教師データとの回帰誤差が閾値未満の第１回帰モデルを選択させ、
    選択させた前記第１回帰モデルと推定させた前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定させる、
    プログラム。
12. コンピュータが、
    電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出し、
    前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定し、
    前記入力情報と、算出した前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成し、
    前記将来の系統状態を表す前記教師データの近傍のデータを前記教師データとの距離に基づいて抽出し、
    抽出したデータの中から、前記入力情報の変化と前記供給信頼度の変化との関係から導かれる感度に基づいて、前記入力情報の中から前記感度が所定の閾値を超える変数を抽出し、
    抽出した変数に基づいて前記複数の回帰モデルの中から第１回帰モデルを選択し、
    選択した前記第１回帰モデルと推定した前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定する、
    信頼度評価方法。
13. コンピュータに、
    電力系統において予め類型化された前記電力系統の系統状態を入力情報として、予め前記電力系統の供給信頼度を算出させ、
    前記電力系統から取得した計測情報と、電力需要に関する情報に基づいて将来の系統状態を推定させ、
    前記入力情報と、算出させた前記供給信頼度とを組み合わせた教師データに基づいて複数の回帰モデルを作成させ、
    前記将来の系統状態を表す前記教師データの近傍のデータを前記教師データとの距離に基づいて抽出させ、
    抽出させたデータの中から、前記入力情報の変化と前記供給信頼度の変化との関係から導かれる感度に基づいて、前記入力情報の中から前記感度が所定の閾値を超える変数を抽出させ、
    抽出させた変数に基づいて前記複数の回帰モデルの中から第１回帰モデルを選択させ、
    選択させた前記第１回帰モデルと推定した前記将来の系統状態に基づいて、将来の前記電力系統の供給信頼度を推定させる、
    プログラム。

Images