JPH07107667A - 電力系統監視装置 - Google Patents

Abstract

(57)【要約】 【目的】 電力系統監視装置において、高速，高精度に
て安定度の判定を可能にする。 【構成】 ニューラルネットワークを用いて電力系統の
安定度を安定又は不安定と判定する高速安定度判定演算
部と、高速安定度判定演算部の判定結果を予め設定した
固定の評価基準にて評価し、その評価結果に応じて詳細
安定度判定演算部を起動する判定結果評価部と、精密な
系統モデルを用いた計算により安定度を判定する詳細安
定度判定演算部から構成した。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電力系統の接続状態や
時々刻々と変化する系統状態量（例えば２つの系統を連
系する連系線の潮流）を入力として取り込み、それらの
入力に基づいて電力系統の安定度を判定し、系統を安定
に運用するための安定度判定結果を出力する電力系統監
視装置に関する。

【０００２】

【従来の技術】近年では電力系統の大規模化に伴ない、
電力系統の運用において安定な電力供給を行なうため
に、オンラインでかつ精度の良い安定度判定を行なう必
要性が増大してきた。そのため、電力系統監視装置に対
して高速でかつ高精度な安定度判定が要求されている。

【０００３】従来の電力系統監視装置は、予め予測され
る電力系統の接続状態や需給状況から、電力系統が不安
定となる系統状態量の値（以下、安定限界値という）を
オフラインで計算しておき、時々刻々と入力される系統
状態量と安定限界値とを比較して安定度の判定を行なう
装置である。

【０００４】

【発明が解決しようとする課題】一般に安定限界値は電
力系統の需給状況や接続状態により変化するため、安定
度判定を精度良く行なうためには、電力系統の需給状況
や接続状態の変化に対してオンラインで安定限界値を求
める必要がある。しかし、安定限界値をオンラインで求
めるためには、計算時間を短縮するために簡略化した系
統モデルを用いることとなり、計算精度が落ちる。

【０００５】又、計算精度を向上するために詳細な系統
モデルを用いて計算すると計算時間が増加するため、従
来の装置では大規模な電力系統において、高速で高精度
な系統安定度判定をすることは不可能であった。本発明
は上記事情に鑑みてなされたものであり、高速，高精度
にて安定度の判定の可能な電力系統監視装置を提供する
ことを目的としている。

【０００６】

【課題を解決するための手段】本発明の［請求項１］に
係る電力系統監視装置は、ニューラルネットワークを用
いて電力系統の安定度を判定する高速安定度判定演算部
と、高速安定度判定演算部の判定結果を予め設定した固
定の評価基準にて評価し、その評価結果に応じて詳細安
定度判定演算部を起動する判定結果評価部と、精密な系
統モデルを用いた計算により安定度を判定する詳細安定
度判定演算部とから構成した。

【０００７】本発明の［請求項２］に係る電力系統監視
装置は、ニューラルネットワークを用いて電力系統の安
定度を判定する高速安定度判定演算部と、高速安定度判
定演算部の判定結果が安定又は不安定の場合に当該結果
をそのまま出力する判定結果出力部と、前記判定結果が
判定不能の場合に前記判定結果出力部の前段に設け、精
密な系統モデルを用いて安定度の判定を行なうための詳
細安定度判定演算部とから構成した。

【０００８】本発明の［請求項３］に係る電力系統監視
装置は、ニューラルネットワークを用いて電力系統の安
定度を判定する高速安定度判定演算部と、高速安定度判
定演算部の判定結果を評価するための評価基準を自動的
に算出し、変更する評価基準自動変更部と、高速安定度
判定演算部の判定結果を評価基準自動変更部で算出した
評価基準にて評価し、その評価結果に応じて詳細安定度
判定演算部を起動する判定結果評価部と、精密な系統モ
デルを用いた計算により安定度を判定する詳細安定度判
定演算部とから構成した。

【０００９】本発明の［請求項４］に係る電力系統監視
装置は、ニューラルネットワークを用いて電力系統の安
定度を判定する高速安定度判定演算部と、高速安定度判
定演算部の判定結果を評価するための評価基準を自動的
に算出し、変更する評価基準自動変更部と、高速安定度
判定演算部の判定結果を評価基準自動変更部で算出した
評価基準にて評価し、その評価結果に応じて詳細安定度
判定部を起動する判定結果評価部と、精密な系統モデル
を用いた計算により安定度を判定する詳細安定度判定演
算部と、詳細安定度判定演算部の判定結果から新しい学
習データを作成し、既存の学習データに追加し、再度ニ
ューラルネットワークの学習を行ない、学習終了後のニ
ューラルネットワークの重み係数を保存するニューラル
ネットワーク再学習部とから構成した。

【００１０】

【作用】ここで、作用説明の前にニューラルネットワー
クについて簡単に説明する。ニューラルネットワーク
は、生体系の神経回路網を計算機上に実現したものとい
える。これまでにいろいろな構造のニューラルネットワ
ークが提案されているが、層状ネットワークはパターン
認識に優れ、非層状ネットワークは最適化問題に向いて
いるという特徴がある。今回の問題に対して適している
層状ニューラルネットワークは学習データを用いた学習
を通して、その構造を変化させ、学習データ以外の入力
データに対しても妥当な結果を出力する。

【００１１】図12に３層のニューラルネットワークを示
す。各層は上から、出力層，中間層，入力層と呼ばれ、
各層のノード（以下、ニューロンという）の数は対象と
する問題に応じて決定される。各ニューロンの数学モデ
ルは図13のようになる。１つのニューロンにはｎ個の入
力があり、これらの入力からニューロンｊの出力Ｖjは
次式で与えられる。

【数１】 Ｖj ＝ｆj ｛Σ（ｗijＶi ）−θj ＋Ｉj ｝ ………(1) ｉ≠ｊ ここで、ｗijは各入力に対する重み、θj はしきい値、
Ｉj は外部入力、ｆjはニューロン特性と呼ばれる非線
形関数である。

【００１２】学習データとして、入力値とその結果の出
力値の組を考える。初期状態ではニューラルネットワー
クの各ニューロンに対する重み，しきい値は適当な値が
設定されている。この入力データをニューラルネットワ
ークに入力すると、何らかの値が出力層から出力され
る。この出力値は学習データの出力値とは異なってい
る。そこで、この両者が一致するように、重み，しきい
値を変更する。この手法として、Rumelhart によるバッ
クプロパゲーションが挙げられる。このように多数の学
習データを用いてニューラルネットワークを学習させる
ことにより、学習データと異なる入力に対しても、ニュ
ーラルネットワークが妥当な値を出力する。

【００１３】以下に本発明の［請求項１］に係る電力系
統監視装置の作用を説明する。電力系統で時々刻々と変
化する系統状態量は系統状態量収集部２で収集され、収
集された系統状態量は系統状態量記憶部3aに記憶され
る。次に、系統状態量記憶部3aに記憶された系統状態量
は高速安定度判定演算部3bに入力され、前記のニューラ
ルネットワークにより安定度判定が行なわれ、判定結果
は判定結果評価部3dに送られる。判定結果評価部3dはニ
ューラルネットワークの判定結果が評価基準範囲内であ
るかどうかを判断し、評価基準範囲内である場合は、ニ
ューラルネットワークの判定結果をそのまま判定結果出
力部４へ出力する。

【００１４】判定結果が評価基準範囲外である場合は、
詳細安定度判定演算部3cを起動し、詳細安定度判定演算
部3cは、精密な系統モデルを使用した詳細な安定度判定
を行ない、その判定結果を判定結果出力部４へ出力す
る。更に判定結果は表示装置５へ送られると共に、電力
系統を安定に維持するための制御指令を電力系統制御部
へも送る。

【００１５】本発明の［請求項２］に係る電力系統監視
装置の作用を説明する。電力系統で時々刻々と変換する
系統状態量は系統状態量収集部２で収集され、収集され
た系統状態量は系統状態量記憶部3aに記憶される。次
に、系統状態量記憶部3aに記憶された系統状態量は高速
安定度判定演算部3bに入力され、前記のニューラルネッ
トワークにより安定度判定が行なわれる。この判定結果
が安定又は不安定の場合は、そのまま判定結果出力部へ
その旨出力される。一方、判定結果が判定不能の場合は
詳細安定度判定演算部にて詳細計算がなされ、その結果
が出力される。

【００１６】本発明の［請求項３］に係る電力系統監視
装置の作用を説明する。本発明は［請求項１］に係る電
力系統監視装置の作用に加えて、判定結果評価部3dは、
切換スイッチ8bにより選択される評価基準自動変更部8a
の評価基準、あるいは評価基準外部設定器8cで設定され
た評価基準を用いて、ニューラルネットワークの判定結
果が評価基準範囲内であるかどうかを判断する。又、評
価基準自動変更部8aは、詳細安定度判定演算部3cの結果
と高速安定度判定演算部3bの結果を基にして判定結果評
価部で使用される評価基準を、判定精度が高まるように
修正する。

【００１７】本発明の［請求項４］に係る電力系統監視
装置の作用を説明する。本発明は［請求項１］に係る電
力系統監視装置の作用に加えて、学習データ追加作成部
9aは、詳細安定度判定演算部3cの計算結果から新しい学
習データを作成し、既存の学習データに追加する。この
学習データを用いて、ニューラルネットワーク再学習部
9cは再度ニューラルネットワークの学習を行なう。再学
習中であっても、高速安定度判定演算部3bは再学習前の
ニューラルネットワークを用いて安定度判定を行なうこ
とにより安定度判定部への悪影響はない。

【００１８】再学習終了後のニューラルネットワークの
重み係数と評価基準は学習結果記憶部9dに保存される。
又、全学習データは学習データ記憶部9bに保存され、次
の追加学習に備える。再学習終了後、高速安定度判定演
算部3bは学習結果記憶部9dから最新の重み係数を読み込
み、再学習後ニューラルネットワークにより安定度判定
を行なう。又、判定結果評価部も学習結果記憶部9dから
最新の評価基準を読み込み、判定結果の評価を行なう。

【００１９】

【実施例】以下図面を参照して実施例を説明する。図１
は本発明の［請求項１］に係る電力系統監視装置の一実
施例の構成図である。図１において、１は本発明による
電力系統監視装置であり、時々刻々と変化する系統状態
量（連系線６の電力潮流，各発電機の端子電圧位相差）
を検出し、収集する系統状態量収集部２と、収集された
電力状態量を記憶し、記憶した系統状態量を入力データ
として安定度の判定を行なう安定度判定部３と、判定結
果出力部４とからなる。

【００２０】又、安定度判定部３は、入力された系統状
態量を記憶する系統状態量記憶部3aと、記憶された系統
状態量を入力としてニューラルネットワークにより高速
な安定度判定演算を行なう高速安定度判定演算部3bと、
精密な系統モデルを用いた過渡安定度計算により安定度
を判定する詳細安定度判定演算部3cと、高速安定度判定
演算部3bの判定結果を評価し、その評価結果に応じて詳
細安定度判定演算部3cを起動する判定結果評価部3dとか
ら構成される。７は監視員を示す。

【００２１】図２は各発電機の基準発電機に対する端子
電圧位相差を示す図の一例である。縦軸は発電機の端子
電圧位相差を０〜１に正規化した値、横軸は発電機番号
を示している。このように得られた入力データはパター
ン化され、系統状態量記憶部3aに記憶される。系統状態
量記憶部3aに記憶された系統状態量は高速安定度判定演
算部3bに入力される。

【００２２】図３は本発明で高速安定度判定演算部3bに
使用する３層ニューラルネットワークの構造を示す図で
ある。同図においてニューラルネットワークの入力層Ｌ
３は系統状態量記憶部3aに記憶されたｎ台の発電機の端
子電圧位相差に対応するｎ個のニューロン、及び連系線
潮流値に対応する１つのニューロン、出力層Ｌ１は系統
の安定度を表す０〜１の間の値を出力する１個のニュー
ロンからなり、その値が１に近いほど不安定と評価す
る。系統状態量記憶部3aに記憶されたｎ個の発電機の端
子電圧位相差と連系線潮流値はこのニューラルネットワ
ークの入力層Ｌ３に入力され、入力層Ｌ３，中間層Ｌ２
及び出力層Ｌ１のニューロンの出力は前記入力データ、
又は前層ニューロンの出力を用いて(1) 式より計算され
る。

【００２３】出力層ニューロンの出力Ｙは０〜１の間の
連続値をとり、その結果は判定結果評価部3dへ送られ
る。判定結果評価部3dは高速安定度判定演算部3bの出力
を用いて、以下のように判定結果を評価する。

【数２】 ＹH ≦Ｙ≦１ であれば不安定 ＹL ＜Ｙ＜ＹH であれば判定不可 ０≦Ｙ≦ＹL であれば安定 ……………(2) ただし、ＹH は判定結果の評価範囲の上限値、ＹL は下
限値を表す。

【００２４】ここで、(2) の評価式を用いた理由を以下
に示す。ニューラルネットワークをあらゆる系統状態，
条件において完全に学習させることは不可能であり、十
分に学習したニューラルネットワークであっても誤判定
をする可能性がある。電力系統の安定度は図４に示すよ
うに横軸に系統状態（例えば、系統中の負荷の量）をと
ると、負荷の量がある値に達すると安定から不安定へ移
行することが知られているが、この安定から不安定へ移
行する点は系統状態，条件により異なり、特定すること
は困難である。

【００２５】例えばニューラルネットワークの学習に使
用された安定限界付近の学習データが点Ａ，点Ｂであっ
た場合、点Ａと点Ｂの間の系統状態では、ニューラルネ
ットワークでの判定は困難であると考えられる。なお、
評価範囲の上限値ＹH ，下限値ＹL は、ニューラルネッ
トワークで使用する入力データ及び教示信号の選び方に
より様々な決定方法があるが、本実施例については後述
する。

【００２６】続いて、判定結果評価部3dは上記(2) 式を
用いて評価を行ない、その評価結果が安定又は不安定で
あれば、高速安定度判定演算部3bの結果をそのまま判定
結果出力部４へ送る。評価結果が判定不可であれば詳細
安定度判定演算部3cで精密な系統モデルを用いた過渡安
定度計算を行ない、安定度を判定しその結果を判定結果
出力部４へ送る。判定結果出力部４は安定度判定結果を
判定結果表示装置５に出力し、電力系統の安定度を監視
員７へ伝達する。

【００２７】次に、本実施例におけるニューラルネット
ワークの学習方法について以下に説明する。学習データ
の収集手段として、監視対象となる電力系統のモデルを
用いて安定度計算を行なう。学習データは安定度計算結
果として得られる対象連系線潮流値と、ｎ台の発電機の
対象電圧位相差を表す入力データと、電力系統の安定度
を表す指標として事故後１秒間における発電機の内部位
相角を用いて(3) 式で計算される教示信号からなる。

【数３】 Ｙoi＝Ａsi／Ａs max ……………(3) ただし、Ａsiは事故後１秒間における学習データｉ中で
の発電機最大内部位相角（度）、Ａs max は事故後１秒
間における学習データ中での発電機最大内部位相角
（度）。これらを事故点や事故モードを変えて複数のケ
ースの学習データを収集する。

【００２８】ここで、(3) 式で表される教示信号と評価
範囲の上限値ＹH ，下限値ＹL の決定方法について以下
に説明する。一般に電力系統の安定度は、落雷事後など
の大外乱発生後の１〜２秒間の安定度を表す過渡安定
度、微地絡など小，中外乱発生後の数秒〜十数秒間の安
定度を表す中間領域安定度、及び負荷変動など常時発生
する小外乱に対する安定度を表す定態安定度に大別され
る。本実施例は過渡安定度を対象としており、安定度を
示す特徴は外乱発生後の１〜２秒間に現れる。

【００２９】その特徴として本実施例では発電機の内部
位相角を選定している。図５に示すように、系統が不安
定な場合、同期はずれ（脱調）を起こす発電機が存在
し、その内部位相角は図５のＡのようになる。又、たと
え系統が安定でもその内部位相角は外乱の大きさ，系統
状態により、不安定側に近いほどそのピークは大きくな
る。図５ではＢ，Ｃは安定であるが、Ｂの方がＣよりも
不安定側にあるといえる。以上のことから、学習ケース
中で最大内部位相角（図５ではＡ）を基準値Ａsmax と
し、他のケース中の最大内部位相角（図５ではＢ，Ｃ）
を０〜１の値に正規化して系統の安定度を表している。
即ち、教示信号が０に近いほど安定であり、逆に１に近
いほど不安定を示す。

【００３０】学習データは先に述べたように離散的にな
るため、ニューラルネットワークでの判定が困難となる
領域が存在する。従って、本実施例の(2) 式の評価範囲
の上限値ＹH は、系統が安定から不安定へ移行する点
（安定限界点）で安定側に最も近い不安定な学習データ
の教示信号と同値であり、具体的には、不安定ケースの
中で最も小さい内部位相角Ａsh（度）を用いて、(4) 式
で計算する。又、下限値ＹL は、系統が安定から不安定
へ移行する点（安定限界点）で不安定側に最も近い安定
な学習データの教示信号と同値であり、具体的には、安
定ケースの中で最も大きい内部位相角Ａsh（度）を用い
て、(5) 式で計算する。

【数４】 ＹH ＝Ａsh／Ａs max ………………(4) ＹL ＝Ａsl／Ａs max ………………(5)

【００３１】ニューラルネットワークの学習方法の流れ
を図６に従って説明する。先ず、Ｓ１で電力系統の条
件，事故点及び事故モードを設定する。Ｓ１で設定され
た条件で安定度計算を行ない（Ｓ２）、ｎ台の発電機の
端子電圧位相差及び対象連系線潮流値を抽出し（Ｓ
３）、安定度計算結果から教示信号として(3) 式で計算
される値を与える（Ｓ４）。Ｓ２で得られたｎ台の発電
機の端子電圧位相差及び対象連系線潮流値と、Ｓ４で得
られた結果を併せて１つの学習データとして登録する
（Ｓ５）。続いて学習データを作成するのであればＳ１
〜Ｓ５を繰り返す。

【００３２】以上のようにして収集した学習データのｎ
台の発電機の端子電圧位相差及び対象連系線潮流値をニ
ューラルネットワークの入力データとし、安定又は不安
定を示すデータを教示信号として与え、バックプロパゲ
ーション法によりニューラルネットワークの結合重みや
しきい値を変えて、全ての学習ケースに対してニューラ
ルネットワークの出力と教示信号が許容誤差範囲内に収
束するまで繰り返し学習を行なう。以上に述べた方法に
より、十分な精度を有する系統監視安定度判定用ニュー
ラルネットワークを構築できる。

【００３３】上述したように、本実施例による電力系統
監視装置では、ニューラルネットワークの特徴である演
算処理の高速性と、複数の入力情報を取り扱えることに
よる高精度な安定度判定をベースとし、ニューラルネッ
トワークの判定が困難な系統状態では、発電機の動特性
を含む電力系統の状態方程式を数値積分法で解く過渡安
定度計算などの詳細な安定度判定手法にて安定度判定を
行なうことにより、時々刻々と変化する系統状態量に対
し、高速，高精度で信頼性の高い安定度判定が可能とな
る。なお、本発明は上述した実施例に限定されるもので
はない。

【００３４】図７は本発明の［請求項１］に係る他の実
施例の構成を示す図である。同図において、１，２及び
４〜７は図１と同等のものであり、同等の機能を有す
る。３は収集された電力状態量を記憶し、記憶した系統
状態量を入力データとして安定度の判定を行なう安定度
判定部である。安定度判定部３は入力された系統状態量
を記憶する系統状態量記憶部3aと、記憶された系統状態
量を入力としてニューラルネットワークにより高速な安
定度判定演算を行なう高速安定度判定演算部3bと、精密
な系統モデルを用いた過渡安定度計算により安定度を判
定する詳細安定度判定演算部3cとから構成される。

【００３５】図８は本発明で高速安定度判定演算部3bに
使用する３層ニューラルネットワークの構造を示す図で
ある。同図において、ニューラルネットワークの入力層
Ｌ３は、系統状態量記憶部3aに記憶されたｎ台の発電機
の端子電圧位相差に対応するｎ個のニューロン、及び連
系線潮流値に対応する１つのニューロンを有し、出力層
Ｌ１はａ，ｂ，ｃの３個のニューロンからなり、系統の
安定度が安定ならばａのニューロンは１、他の２つのニ
ューロンは０を出力する。不安定ならばｃのニューロン
は１、他の２つのニューロンは０を出力する。又、安定
度の判定が困難な場合（判定不可の状態）では、ｂのニ
ューロンは１、他の２つのニューロンは０を出力する。

【００３６】系統状態量記憶部3aに記憶されたｎ個の発
電機の端子電圧位相差と連系線潮流値はこのニューロン
ネットワークの入力層Ｌ３に入力され、入力層Ｌ３，中
間層Ｌ２及び出力層Ｌ１のニューロンの出力は、前記入
力データ又は前層ニューロンの出力を用いて、(1) 式よ
り計算される。出力層ニューロンａ，ｂ，ｃの出力Ｙa
，Ｙb ，Ｙc は０〜１の間の連続値をとる。この結果
を用いて以下のように判定結果を評価する。

【数５】 Ｙa ≧Ｙb ，Ｙc であれば安定 Ｙb ≧Ｙa ，Ｙc であれば判定不可 Ｙc ≧Ｙa ，Ｙb であれば不安定 ……………(6)

【００３７】(6) 式による評価結果が安定又は不安定で
あれば、高速安定度判定演算部3bの結果をそのまま判定
結果出力部４へ送る。判定不可であれば、詳細安定度判
定演算部3cで精密な系統モデルを用いた過渡安定度計算
を行なって安定度を判定し、その結果を判定結果出力部
４へ送る。判定結果出力部４は安定度判定結果を判定結
果表示装置５に出力し、電力系統の安定度を監視員７へ
伝達する。

【００３８】次にニューラルネットワークの学習方法に
ついて以下に説明する。学習データの収集手段として、
監視対象となる電力系統のモデルを用いて安定度計算を
行なう。学習データは安定度計算結果として得られる対
象連系線潮流値とｎ台の発電機の端子電圧位相差と、こ
のときの電力系統の安定度が安定であればａのニューロ
ンは１で他の２つのニューロンは０、不安定ならばｃの
ニューロンは１で他の２つのニューロンは０、又、安定
度の判定が困難な場合（系統状態が安定限界付近である
場合）ではｂのニューロンは１、他の２つのニューロン
は０を示す教示信号からなり、これを事故点や事故モー
ドを変えて複数のケースの学習データを収集する。

【００３９】以上の流れを図９に従って説明する。先
ず、Ｓ11で電力系統の条件，事故点及び事故モードを設
定する。Ｓ11で設定された条件で安定度計算を行ない
（Ｓ12）、Ｎ台の発電機の端子電圧位相差及び対象連系
線潮流値を抽出し（Ｓ13）、安定度計算結果が安定であ
ればａのニューロンは１で他の２つのニューロンは０
（Ｓ17）、不安定ならばｃのニューロンは１で他の２つ
のニューロンは０（Ｓ18）、又、安定度の判定が困難な
場合（系統状態が安定限界付近である場合）では、ｂの
ニューロンは１、他の２つのニューロンは０（Ｓ16）を
教示信号とする。Ｓ12で得られたｎ台の発電機の端子電
圧位相差及び対象連系線潮流値と、Ｓ16，Ｓ17，Ｓ18で
得られた結果を併せて１つの学習データとして登録する
（Ｓ19）。続いて学習データを作成するのであればＳ11
〜Ｓ19を繰り返す。

【００４０】以上のようにして収集した学習データのｎ
台の発電機の端子電圧位相差及び対象連系線潮流値をニ
ューラルネットワークの入力データとし、安定，不安定
又は判定不可を示すデータを教示信号として与え、バッ
クプロパゲーション法によりニューラルネットワークの
結合重みやしきい値を変えて、全ての学習ケースに対し
てニューラルネットワークの出力と教示信号が許容誤差
範囲内に収束するまで繰り返し学習を行なう。以上に述
べた方法により、十分な精度を有する系統監視安定度判
定用ニューラルネットワークを構築できる。

【００４１】上述したように、本実施例による電力系統
監視装置では、ニューラルネットワークの特徴である演
算処理の高速性と、複数の入力情報を取り扱えることに
よる高精度な安定度判定ベースとし、ニューラルネット
ワークの判定が困難な系統状態では、発電機の動特性を
含む電力系統の状態方程式を数値積分法で解く過渡安定
度計算などの詳細な安定度判定手法で安定度判定を行な
うことにより、時々刻々と変化する系統状態量に対し、
高速，高精度で信頼性の高い安定度判定が可能となる。
なお、本発明は上述した実施例に限定されるものではな
い。

【００４２】図10は本発明の［請求項３］に係る電力系
統監視装置の構成を示す図である。同図において、１〜
７は図１と同等のものであり、同等の機能を有する。判
定結果評価部3dは切換スイッチ8bにより選択される評価
基準自動変更部8aの評価基準、あるいは評価基準外部設
定器8cで設定された評価基準を用いて、ニューラルネッ
トワークの判定結果が評価基準範囲内であるかどうかを
判断する。この切換スイッチは監視員７による手動切
換、又は計算機上から信号を送ることにより操作され
る。

【００４３】又、評価基準外部設定器8cの評価基準値の
設定は、計算機パネル上からの監視員７による手動設
定、又は他計算機からの信号より設定される。評価基準
自動変更部8aは詳細安定度判定が実施されると、その時
の系統状態に対する安定度が明確になるので、ニューラ
ルネットワークによる判定精度を向上させるために、詳
細安定度判定部3cの計算結果と高速安定度判定演算部3b
の判定結果Ｙを基にして評価基準を以下のように修正す
る。 （Ａ）詳細安定度判定部の結果が大きく不安定である場
合、ＹH ＝Ｙと変更する。 （Ｂ）詳細安定度判定部の結果が（Ａ）以外である場
合、評価基準の変更はしない。 なお、ニューラルネットワークの学習方法は［請求項
１］と同等である。

【００４４】上述したように、本実施例による電力系統
監視装置では、ニューラルネットワークの特徴である演
算処理の高速性と、複数の入力情報を取り扱えることに
よる高精度な安定度判定をベースとし、ニューラルネッ
トワークの判定が困難な系統状態では、発電機の動特性
を含む電力系統の状態方程式を数値積分法で解く過渡安
定度計算などの詳細な安定度判定手法で安定度判定を行
なうこと、加えて、詳細安定度判定部の結果と高速安定
度判定演算部の判定結果を基にして評価基準を修正する
ことにより、時々刻々と変化する系統状態量に対し、高
速，高精度で信頼性の高い安定度判定が可能となる。な
お、本発明は上述した実施例に限定されるものではな
い。

【００４５】図11は本発明の［請求項４］に係る電力系
統監視装置の構成を示す図である。同図において、１〜
７は図１と同等のものであり、同等の機能を有する。学
習データ追加作成部9aは詳細安定度判定部3cの計算結果
から新しい学習データを作成し、これを既存の学習デー
タに追加する。この学習データを用いて、ニューラルネ
ットワーク再学習部9cは再度ニューラルネットワークの
学習を行なう。再学習中であっても、高速安定度判定部
3bは再学習前のニューラルネットワークを用いて安定度
判定を行なうことにより安定度判定部への悪影響はな
い。

【００４６】再学習終了後のニューラルネットワークの
重み係数と評価基準は学習結果記憶部9dに保存される。
又、全学習データは学習データ記憶部9bに保存され、次
の追加学習に備える。再学習終了後、高速安定度判定部
3bは学習結果記憶部9dから最新の重み係数を読み込み、
再学習後ニューラルネットワークにより安定度判定を行
なう。又、判定結果評価部も学習結果記憶部9dから最新
の評価基準を読み込み、判定結果の評価を行なう。再学
習が不可能な場合には、学習データの追加は行なわず、
重み係数，評価基準共に更新しない。なお、ニューラル
ネットワークの学習方法は［請求項１］と同等である。

【００４７】上述したように、本実施例による電力系統
監視装置では、ニューラルネットワークの特徴である演
算処理の高速性と、複数の入力情報を取り扱えることに
よる高精度な安定度判定をベースとし、ニューラルネッ
トワークの判定が困難な系統状態では、発電機の動特性
を含む電力系統の状態方程式を数値積分法で解く過渡安
定度計算などの詳細な安定度判定手法で安定度判定を行
なうこと、加えて、詳細安定度判定部の結果を利用して
ニューラルネットワークの再学習を行なうことで高速安
定度判定部で判定が困難な系統状態を減少させることが
できるため、時々刻々と変化する系統状態量に対し、高
速，高精度で信頼性の高い安定度判定が可能となる。

【００４８】

【発明の効果】以上説明したように、本発明の［請求項
１］の電力系統監視装置によれば、時々刻々と変化する
系統状態量に対し、ニューラルネットワークの特徴であ
る演算処理の高速性と、複数の入力情報を取り扱えるこ
とによる高精度な安定度判定をベースとし、ニューラル
ネットワークの判定が困難な系統状態では、発電機の動
特性を含む電力系統の状態方程式を数値積分法で解く過
渡安定度計算などの詳細な安定度判定手法で安定度判定
を行なうことにより、高速，高精度で信頼性の高い安定
度判定が可能となる。又、本発明の［請求項２］の電力
系統監視装置によれば、判定結果が安定又は不安定の場
合はそのままその旨が出力され、判定不能の場合は詳細
な安定度判定演算がなされて出力される。

【００４９】又、本発明の［請求項３］の電力系統監視
装置によれば、上記効果に加え、安定度判定結果の評価
基準を手動又は自動で変更することにより、ニューラル
ネットワークの判定精度を向上させることができる。
又、本発明の［請求項４］の電力系統監視装置によれ
ば、上記効果に加え、詳細安定度判定部の結果を利用し
てニューラルネットワークの再学習を行なうことで、高
速安定度判定部で判定が困難な系統状態を減少させるこ
とにより、ニューラルネットワークの判定精度を向上さ
せることができる。

【図面の簡単な説明】

【図１】本発明の［請求項１］の電力系統監視装置の実
施例の構成を示す図。

【図２】正規化されたｎ台の発電機の端子電圧位相差を
示す図。

【図３】本発明の［請求項１］，［請求項２］，［請求
項３］及び［請求項４］で用いているニューラルネット
ワークの構成を示す図。

【図４】電力系統の安定度の変化を示す図。

【図５】ニューラルネットワークの学習データを収集す
る方法を示す図。

【図６】ニューラルネットワークの教示信号の内容を説
明する図。

【図７】本発明の［請求項２］の電力系統監視装置の実
施例の構成を示す図。

【図８】本発明の［請求項１］で用いているニューラル
ネットワークの構成を示す図。

【図９】本発明の［請求項１］で用いているニューラル
ネットワークの学習データを収集する方法を示す図。

【図10】本発明の［請求項３］の電力系統監視装置の実
施例の構成を示す図。

【図11】本発明の［請求項４］の電力系統監視装置の実
施例の構成を示す図。

【図12】ニューラルネットワークの一般的構成を示す
図。

【図13】ニューロンの数学モデルを説明する図。

【符号の説明】

１ 電力系統監視装置 ２ 系統状態量収集部 ３ 安定度判定部 3a 系統状態量記憶部 3b 高速安定度判定演算部 3c 詳細安定度判定演算部 3d 判定結果評価部 ４ 判定結果出力部 ５ 表示装置 ６ 連系線 ７ 監視員 8a 評価基準自動変更部 8c 切換スイッチ 8c 評価基準外部設定器 ９ 追加学習部 9a 学習データ追加作成部 9b 学習データ記憶部 9c ニューラルネットワーク再学習部 9a 学習結果記憶部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 電力系統の接続状態や時々刻々と変化す
   る電力系統の状態量である母線電圧，連系線潮流などを
   取り込み、それらの入力に基づいて、電力系統の状態が
   安定か否かの度合いを判定し、電力系統を安定に運用す
   るための安定度判定結果を出力する、下記の構成を備え
   たことを特徴とする電力系統監視装置。 ニューラルネットワークを用いて電力系統の安定度
   を判定する高速安定度判定演算部。 高速安定度判定演算部の判定結果を予め設定した固
   定の評価基準にて評価し、その評価結果に応じて詳細安
   定度判定演算部を起動する判定結果評価部。 精密な系統モデルを用いた計算により安定度を判定
   する詳細安定度判定演算部。
2. 【請求項２】 電力系統の接続状態や時々刻々と変化す
   る電力系統の状態量である母線電圧，連系線潮流などを
   取り込み、それらの入力に基づいて、電力系統の状態が
   安定か否かの度合いを判定し、電力系統を安定に運用す
   るための安定度判定結果を出力する、下記の構成を備え
   たことを特徴とする電力系統監視装置。 ニューラルネットワークを用いて電力系統の安定度
   を判定する高速安定度判定演算部。 高速安定度判定演算部の判定結果が安定又は不安定
   の場合に当該結果をそのまま出力する判定結果出力部。 前記判定結果が判定不能の場合に前記判定結果出力
   部の前段に設け、精密な系統モデルを用いて安定度の判
   定を行なうための詳細安定度判定演算部。
3. 【請求項３】 電力系統の接続状態や時々刻々と変化す
   る電力系統の状態量である母線電圧，連系線潮流などを
   取り込み、それらの入力に基づいて、電力系統の状態が
   安定か否かの度合いを判定し、電力系統を安定に運用す
   るための安定度判定結果を出力する、下記の構成を備え
   たことを特徴とする電力系統監視装置。 ニューラルネットワークを用いて電力系統の安定度
   を判定する高速安定度判定演算部。 高速安定度判定演算部の判定結果を評価するための
   評価基準を自動的に算出し、変更する評価基準自動変更
   部。 高速安定度判定演算部の判定結果を評価基準自動変
   更部で算出した評価基準にて評価し、その評価結果に応
   じて詳細安定度判定演算部を起動する判定結果評価部。 精密な系統モデルを用いた計算により安定度を判定
   する詳細安定度判定演算部。
4. 【請求項４】 電力系統の接続状態や時々刻々と変化す
   る電力系統の状態量である母線電圧，連系線潮流などを
   取り込み、それらの入力に基づいて、電力系統の状態が
   安定か否かの度合いを判定し、電力系統を安定に運用す
   るための安定度判定結果を出力する、下記の構成を備え
   たことを特徴とする電力系統監視装置。 ニューラルネットワークを用いて電力系統の安定度
   を判定する高速安定度判定演算部。 高速安定度判定演算部の判定結果を評価するための
   評価基準を自動的に算出し、変更する評価基準自動変更
   部。 高速安定度判定演算部の判定結果を評価基準自動変
   更部で算出した評価基準にて評価し、その評価結果に応
   じて詳細安定度判定演算部を起動する判定結果評価部。 精密な系統モデルを用いた計算により安定度を判定
   する詳細安定度判定演算部。 詳細安定度判定演算部の判定結果から新しい学習デ
   ータを作成し、既存の学習データに追加し、再度ニュー
   ラルネットワークの学習を行ない、学習終了後のニュー
   ラルネットワークの重み係数を保存するニューラルネッ
   トワーク再学習部。