JPH05227664A - 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、安定度判定の計
算時間を短縮し、オンラインでの安定度判定を可能にす
る。 【構成】 電力系統からの各種状態量を系統状態量収集
部10にて収集し、安定度判定部11にて生体の神経回路網
を模擬した演算モデルを用いて安定度判定し、判定結果
出力部12を介して出力する。

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。
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。

【０００３】

【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。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、電力系統の安定度を判定する電力
系統監視装置において、系統状態量を入力とし安定度判
定結果を出力とするニューラルネットワークを安定度判
定部に用いることにより、電力系統の需給状況や接続状
態に対して変化する電力系統の安定度判定の計算時間を
短縮し、オンラインでの安定度判定を可能とする電力系
統監視装置を提供することを目的としている。

【０００４】

【課題を解決するための手段】前記問題を解決するため
に、本発明による電力系統監視装置は、系統状態量を入
力とし安定度の判定結果を出力とするニューラルネット
ワークにより、電力系統の安定度を判定する安定度判定
部を備えたことを特徴とする。本発明により、従来の複
雑な安定度判定計算がニューラルネットワークの簡単な
計算に置き換えられることで安定度判定の計算時間が短
縮され、オンラインでの安定度判定が可能となる。図１
は本発明が適用されてい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は電力系統監視装置であ
る。電力系統監視装置は、電力系統４から時々刻々と変
化する系統状態量を収集する系統状態量収集部10、系統
状態量収集部10で収集された系統状態量を入力とし、そ
れらを基に安定度を判定する安定度判定部11、及び安定
度判定部11で判定された安定度判定結果を出力する判定
結果出力部12から構成される。更に、安定度判定部11は
入力された系統状態量を記憶する系統状態量記憶部11a
と、記憶された至近時点の所定の個数の時系列データを
入力としてニューラルネットワークにより、安定度判定
演算を行なう安定度判定演算部11b から構成される。２
は判定結果出力部12の出力を受け取り、電力系統４を安
定に維持するための制御指令を出力する制御指令部、３
は制御指令部２の指令を受けて、電力系統を制御する電
力系統制御部である。

【０００５】

【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や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。

【０００６】図２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，入力層とよば
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３のようになる。１つはニューロンには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Ｖ_j
は次式で与えられる。 ここで、ｗ_ijは各入力に対する重み、θ_j はしきい値、
Ｉ_j は外部入力、ｆ_jはニューロン特性と呼ばれる非線
形関数である。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は妥当な値を出力する。以下に、本
発明の作用を図１を用いて説明する。電力系統４で時々
刻々と変化する系統状態量は系統状態量収集部10で収集
され、収集された系統状態量は系統状態量記憶部11a に
記憶される。その際、記憶される状態量が所定の個数を
越える場合、記憶されている最も古い状態量を消去し、
新しい状態量を記憶する。系統状態量記憶部11a に記憶
された至近時点の所定の個数の時系列データは安定度判
定演算部11b 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出
力部12に出力される。更に判定結果は制御指令部２へ送
られ、電力系統を安定に維持するための制御指令が制御
指令部２から電力系統制御部３へ送られる。

【０００７】

【実施例】以下、実施例を説明する。図４は本発明によ
る電力系統監視装置の一実施例の構成図である。図４に
おいて、１は本発明による電力系統監視装置であり、10
は時々刻々と変化する系統状態量（連系線６の電力潮
流）を検出し、収集する系統状態量収集部、11は収集さ
れた電力状態量を記憶し、記憶した連系線潮流の時系列
データを入力データとして安定度の判定を行なう安定度
判定部であり、入力された系統状態量を記憶する系統状
態量記憶部11a と記憶された至近時点の所定の個数の時
系列データを入力としてニューラルネットワークにより
安定度判定演算を行なう安定度判定演算部11b から構成
される。12は安定度判定部11で判定された安定度判定結
果を出力する判定結果出力部である。５は判定結果表示
部、６は電力系統Ａ，Ｂ間を結ぶ連系線、７は監視員で
ある。

【０００８】図５は連系線データの検出例を示す図であ
る。図５に示すように電力系統からΔｔの時間間隔で検
出された連系線潮流データは、系統状態量収集部10で収
集される。収集された連系線潮流データは図６に示すよ
うな時系列の形で系統状態量記憶部11a に記憶される。
その際、記憶される連系線潮流データがｎ個を越える場
合、記憶されている最も古い時刻ｔ₁ −ｎΔｔの連系線
潮流データを消去し、時刻ｔ₁ に検出されたものを記憶
する。系統状態量記憶部11a に記憶された至近時点ｔ₁
−（ｎ−１）Δｔ〜ｔ₁ のｎ個の時系列データは安定度
判定演算部11bに入力される。

【０００９】図７は本発明で安定度判定演算部11b 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は系
統状態量記憶部11a に記憶されたｎ個の時系列データに
対応するｎ個のニューロン、出力層は系統の安定度が安
定なら１、不安定なら０を出力する１個のニューロンか
らなる。系統状態量記憶部11a に記憶された至近時点ｔ
₁ −（ｎ−１）Δｔ〜ｔ₁ のｎ個の時系列データはこの
ニューラルネットワークの入力層に入力され、入力層，
中間層及び出力層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に出力を用いて、前記した(1) 式よ
り計算される。出力層ニューロンの出力Ｙは理想状態で
は、安定なら１、不安定なら０の値をとるが、実際には
出力Ｙは多少の判定誤差を含んでいるため、出力層ニュ
ーロンの出力Ｙは０〜１の間の連続値をとる。この結果
は判定結果出力部12へ送られ、判定結果出力部12は安定
度判定演算部11b の出力を用いて以下のように判定誤差
を考慮した上で、安定度判定結果を判定結果表示部５に
出力する。 Ｄ_max ≦Ｙ≦１ でれば安定 Ｄ_min ＜Ｙ＜Ｄ_max であれば判定不可 ０ ≦Ｙ＝Ｄ_min であれば不安定 ここで、Ｄ_max は判定結果の判定誤差範囲の上限値、Ｄ
_min は下限値を表す。

【００１０】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
る対象連系線潮流の値をΔｔの時間間隔でｎ個のデータ
と、このときの電力系統の安定度が安定であれば１、不
安定であれば０を示す教示信号からなり、これを事故点
や事故モートを変えて複数のケースの学習データを収集
する。以上の流れを図８に従って説明する。まず、ステ
ップＳ1 で電力系統の条件，事故点及び事故モードを設
定する。ステップＳ1 で設定された条件で安定度計算を
行ない（ステップＳ2 ）、対象連系線潮流データを時系
列でｎ個抽出し（ステップＳ3 ）、安定度計算結果が安
定であれば教示信号として１を（ステップＳ4 ）、不安
定であれば０（ステップＳ6 ）を与える。（ステップＳ
3 ）で得られたｎ個の時系列連系線データと（ステップ
Ｓ4，Ｓ6 ）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（ステップＳ5 ）。続いて学習データを
作成するのであれば（ステップＳ1 ）〜（ステップＳ6
）を繰り返す。以上のようにして収集した学習データ
の連系線潮流データ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。上述したように、本実施例による電力系統監視装置
は(1) 式に示すような簡単な演算で安定度判定を行なう
ので、高速な安定度判定が可能となり、時々刻々と変化
する系統状態量に対し、オンラインでかつ高精度な安定
度判定ができる電力系統監視装置を実現できる。なお、
本発明は上述した実施例に限定されるものではなく、そ
の要旨を変更しない範囲で種々に変形して実施すること
ができるものである。

【００１１】

【発明の効果】以上説明したように、本発明によれば時
々刻々と変化する系統状態量に対し、従来の複雑な安定
度判定計算がニューラルネットワークの簡単な計算に置
き変えられることで安定度判定の計算時間が短縮され、
オンラインでの安定度判定が可能となる。

【図面の簡単な説明】

【図１】本発明による電力系統監視装置の構成を示す
図。

【図２】ニューラルネットワークの一般的構成を示す
図。

【図３】ニューロンの数学モデルを説明する図。

【図４】本発明による電力系統監視装置の一実施例の構
成を示す図。

【図５】電力系統の連系線潮流データの検出例を示す
図。

【図６】電力系統の連系線潮流データの記憶例を示す
図。

【図７】本発明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８】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。

【符号の説明】

１ 電力系統監視装置 ２ 制御指令部 ３ 電力系統制御部 ４ 電力系統 ５ 判定結果表示部 ６ 連系線 ７ 監視員

Claims (1)

【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
   る電力系統監視装置において、系統状態量を入力として
   安定度判定結果を出力とする生体の神経回路網を模擬し
   た演算処理モデルを用いて安定度を判定する安定度判定
   部を備えたことを特徴とする電力系統監視装置。