信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法
【課題】ニューラルネットワーク部４１のモデル化に用いたデータの範囲外のデータが入力された場合でも、ニューラルネットワーク部４１の出力因子に基づく推定値、例えば油入変圧器の余寿命推定値の精度の信頼度を直ちに算出できる信頼度評価装置１０等を提供する。
【解決手段】絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用して平均重合度を推定する際、統計量算出部２５はローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求め、求められたスコア行列ｔ等からHotellingのＴ２統計量を算出し、上記測定値からＱ統計量を求める。推定信頼度算出部２６はHotellingのＴ２統計量及びＱ統計量だけを用いた所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。
【解決手段】絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用して平均重合度を推定する際、統計量算出部２５はローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求め、求められたスコア行列ｔ等からHotellingのＴ２統計量を算出し、上記測定値からＱ統計量を求める。推定信頼度算出部２６はHotellingのＴ２統計量及びＱ統計量だけを用いた所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置に関し、特に油入電気機器に対する推定された余寿命の信頼度を評価する信頼度評価装置等に関する。
【背景技術】
【０００２】
ニューラルネットワークには種々のタイプが存在し、例えば、階層型ニューラルネットワークは入力層、中間層および出力層を有している。入力層ではｐ次元入力ベクトル（入力因子）ｘ＝（ｘ１，・・・，ｘｐ）が、ニューラルネットワーク内の結合荷重とニューラルネットワークを構成するノード内のシグモイド関数とによって変換され、出力層でｒ次元出力ベクトル（出力因子）ｙ＝（ｙ１，・・・，ｙｒ）が得られる（非特許文献１参照）。例えば教師あり学習の場合、ニューラルネットワークのノードは正解となる信号の入力によって結合強度が変化することにより学習を行ない、最適化されていく。ニューラルネットワークは統計処理等の多次元量のデータを有し且つ線形分離不可能な問題に対して適用されることが多い。
【０００３】
ニューラルネットワークは入出力因子間の非線形な関係を精度良くモデル化することができるが、その反面、モデル化を行うために用いたデータの範囲外のデータについては、ニューラルネットワークの出力因子に基づく推定値の精度が悪くなるという問題がある。これを一般に外挿問題という。従って、ニューラルネットワークによるモデルを用いて予測を行うときには、外挿であるか否かを判断して、できるだけ外挿でない条件で用いる等の注意が必要となる。この外挿であるか否かを判断する方法として、一般的に、上記推定値を求める場合に用いる入力因子それぞれの値がモデル構築に用いたデータの値の範囲内に含まれているか否かを、因子それぞれにチェックする上下限チェックが用いられている。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかし、上述した上下限チェックでは、因子それぞれでは上下限の中に入っていても、因子同士の組合せとしてみた場合にはデータの範囲外になっているということがあり、このような場合には、上記推定値の精度が悪化してしまうという問題があった。例えば、２つの因子Ａおよび因子Ｂがあるとした場合に、モデル化に用いたデータの範囲として両因子の組合せのデータが、（因子Ａ、因子Ｂ）＝（０、０）、（１、１）、（１０、１）、（１、１０）の４通りのデータであったとする。この場合、因子Ａ、因子Ｂともに上下限範囲は、０〜１０である。従って、上述した従来の上下限チェックでは、因子Ａと因子Ｂとが０〜１０の範囲に含まれていれば、正常と判断されることになる。この結果、例えば（因子Ａ、因子Ｂ）＝（１０、１０）というデータも正常と判断されてしまうことになる。しかし、モデル化に用いたデータの範囲には（因子Ａ、因子Ｂ）＝（１０、１０）という組合せはないため、ニューラルネットワークの出力因子に基づく推定値の精度は全く保障できなくなるという問題があった。２因子程度であれば人間によりその場で判断することができるが、因子の数が増加するほど人間によるその場での判断は不可能となる。
【０００５】
そこで、本発明の目的は、上記問題を解決するためになされたものであり、ニューラルネットワークのモデル化に用いたデータの範囲外のデータが入力された場合であっても、ニューラルネットワークの出力因子に基づく推定値の精度の信頼度を直ちに算出することができる信頼度評価装置等を提供することにある。
【課題を解決するための手段】
【０００６】
この発明の信頼度評価装置は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置であって、前記ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、
前記ニューラルネットワークに診断させる診断情報であって前記所定の対象から測定された所定の測定値を記録した診断情報記録部と、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段と、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段と、前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段と、前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段と、前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出手段と、前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段とを備えたことを特徴とする。
【０００７】
ここで、この発明の信頼度評価装置において、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【０００８】
ここで、この発明の信頼度評価装置において、前記油入電気機器は油入変圧器であり、前記劣化指標はフルフラール量とＣＯ２＋ＣＯとを含み、前記運転状態は絶縁油の交換履歴を含み、前記設計諸元は絶縁紙の量と絶縁油の量とを含むことができる。
【０００９】
この発明の信頼度評価プログラムは、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置が実行する信頼度評価プログラムであって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータを、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段、前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段、前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段、前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出手段、前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段として機能させるための信頼度評価プログラムである。
【００１０】
ここで、この発明の信頼度評価プログラムにおいて、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【００１１】
この発明の信頼度評価方法は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を信頼度評価装置に評価させる信頼度評価方法であって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータが、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習ステップと、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出ステップと、前記診断情報記録部に記録された所定の測定値を前記学習ステップで学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断ステップと、前記診断ステップで出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出ステップと、前記ローディング行列算出ステップで算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出ステップと、前記統計量算出ステップで求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出ステップで算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出ステップとを備えたことを特徴とする。
【００１２】
ここで、この発明の信頼度評価方法において、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【発明の効果】
【００１３】
本発明の信頼度評価装置等によれば、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワークを利用することにより精度良く平均重合度を推定する際、統計量算出部が、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標であるHotellingのＴ２統計量と、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標であるＱ統計量とを算出する。推定信頼度算出部は、統計量算出部により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度を算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて与えられる。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いた推定信頼度により容易に判断を行うことができる。
【００１４】
以上より、ニューラルネットワークのモデル化に用いたデータの範囲外のデータが入力された場合であっても、ニューラルネットワークの出力因子に基づく推定値、即ち油入変圧器の余寿命推定値の精度の信頼度を直ちに算出することができるという効果がある。さらに、推定信頼度算出部が推定信頼度を算出することにより、ニューラルネットワークの外挿問題を事前に判定することができる。このため、余寿命の推定結果の信頼性を高めることが可能となり、推定結果に対して安心感をユーザに与えることができる。加えて、上述したモデルの精度を高めていくために、学習に際してどのようなデータが必要かを提示することもできるという効果がある。
【図面の簡単な説明】
【００１５】
【図１】セルロースの化学構造式を示す図である。
【図２】日本電機工業会規格ＪＥＭ１４６３−１９９３が定めている１０００ｋＶＡを超える油入変圧器および油入リアクトルのコイル絶縁紙平均重合度の評価基準を示す図である。
【図３】フルフラール量と平均重合度との関係を示す(出典：電気共同研究 第５４巻 第５号(その1))図である。
【図４】本発明の実施例１における信頼度評価装置１０を示す図である。
【図５】ニューラルネットワーク部４１の学習に用いた入力１および２の各データを示す図である。
【図６】ニューラルネットワーク部４１による診断に用いた点ＡおよびＢの各データを示す図である。
【図７】ニューラルネットワーク部４１の学習結果と診断結果とを示す図である。
【図８】本発明の実施例１におけるコンピュータ１１が実行する信頼度評価プログラムおよび信頼度評価方法の処理の流れを示すフローチャートである。
【図９】本発明のコンピュータ・プログラムを実行するコンピュータ１１の内部回路５０を示すブロック図である。
【発明を実施するための形態】
【００１６】
以下、各実施例について図面を参照して詳細に説明する。
【実施例１】
【００１７】
実施例１では、本発明の信頼度評価装置等を油入電気機器の余寿命の推定値に対する評価へ適用した例について説明する。以下では、まず油入電気機器の劣化について概要を説明し、次に、本発明の信頼度評価装置等を適用する課題について具体的に示し、その後、本発明の信頼度評価装置等の適用例について具体的に説明する。
【００１８】
一般に、油入電気機器に使われている材料としては、以下のようなものがある。
１）銅、アルミニウム等の導電材料
２）絶縁油、絶縁紙、プレスボード等の絶縁材料
３）珪素鋼帯の鉄心材料
４）鉄、ステンレス鋼等の構造材料
これらの材料の中で、油入電気機器、例えば油入変圧器内で経年劣化が認められるのは、絶縁油や絶縁紙等の絶縁材料である。
【００１９】
絶縁油については、油劣化防止装置（開放型、空気密封型、窒素密封型等がある。）の働きもあり、劣化は非常に緩慢であり、重要な特性である絶縁破壊電圧の低下度は小さい。一方、絶縁紙については、経年劣化による絶縁破壊電圧の低下度は小さいが、機械的強度の低下度は大きい。即ち、経年劣化により紙がぼろぼろになる。絶縁紙の機械的強度の低下（劣化）が進行すると、突入電流や外部短絡時に発生する電磁力による機械的ストレスによって絶縁紙に亀裂や損壊が発生し、絶縁破壊する危険性が増大する。従って、油入電気機器の寿命は絶縁紙の機械的強度、特に、巻線導体絶縁紙の劣化度合いの影響を強く受ける。つまり、油入電気機器の余寿命とは、巻線導体絶縁紙の絶縁破壊、即ち、絶縁紙の劣化（重合度の低下）状態によって決定付けられると考えてよい。
【００２０】
（１）絶縁紙の重合度
絶縁紙は、多数のセルロース分子が重合してできた重合体である。図１は、セルロースの化学構造式を示す。図１に示されるセルロースを構成する基本分子の数を重合度という。新品のクラフト紙の場合の重合度は、約１０００である。この重合度は、絶縁紙が酸化劣化するとセルロース分子の鎖が切断されることにより、セルロース分子の低分子量化、即ち平均重合度の低下が起きる。例えば、３０年間使用した変圧器では、平均重合度が初期値の約４０〜６０％（重合度４００〜６００）に減少すると言われている。
【００２１】
（２）油入変圧器の寿命
図２は、日本電機工業会規格ＪＥＭ１４６３−１９９３が定めている１０００ｋＶＡを超える油入変圧器および油入リアクトルのコイル絶縁紙平均重合度の評価基準を示す。図２に示されるように、重合度４５０は変圧器が絶縁紙の劣化によって、その信頼度が低下し、更新が必要であると判断される寿命レベルであり、重合度２５０は絶縁紙そのものの機械的強度が消失しており、絶縁紙としての形状を保持できない危険レベルである。一般的には、この日本電機工業会規格ＪＥＭ１４６３−１９９３に従い、重合度４５０となると思われる時点を油入変圧器の寿命と定義されている。
【００２２】
（３）現状の油入変圧器劣化診断方法
変圧器の寿命診断では、コイル絶縁紙の劣化度を推定することが必要となる。しかし、稼動中の変圧器のコイル絶縁紙引張り強さや平均重合度は、コイル絶縁紙を簡単に採取することができないため、測定が困難である。そこで、変圧器内部の採取可能な絶縁物（プレスボード、リード絶縁紙）の平均重合度や、絶縁紙の分解過程における生成物である芳香族アルデヒドの一種であるフルフラール（furfural）やＣＯ２＋ＣＯ量を測定し、これらの結果を用いた劣化診断が行われている（例えば電気学会技術報告 第９２２号「経年変圧器の信頼性維持技術の現状と動向」、電気共同研究第５４巻第５号(その１)を参照）。以下、代表的な油入変圧器劣化診断方法について説明する。
【００２３】
１）重合度法
運転停止中の点検時等に、変圧器内部から絶縁に影響が無い部分のプレスボードやリード絶縁紙を採取して、絶縁紙の劣化度を診断する方法を「重合度法」という。重合度法は、採取した絶縁紙の重合度から巻線コイルの最も温度が高い箇所（ホットスポット部分）のコイル絶縁紙の劣化度を推定し、寿命を予測する方法である。
【００２４】
２）ＣＯ２＋ＣＯ法
絶縁紙は劣化によって、水やＣＯ２、ＣＯ等の種々の有機成分を生成する。劣化指標として有効な成分には、平均重合度とも相関性があるＣＯ２＋ＣＯ、フルフラール等がある。ＣＯ２＋ＣＯ法では、油中ガス分析を行い、絶縁紙の最終的な劣化生成物であるＣＯ２＋ＣＯ量から平均重合度を推定し劣化診断を行う。
【００２５】
３）フルフラール法
セルロースの分解過程でアルデヒド成分のフルフラールが生成される。絶縁油の脱気処理を行ってもフルフラールの８５％が絶縁油中に残り、気体中に拡散しない。絶縁紙への吸着率は温度に依存せず、約８５％と一定であるため、ＣＯ２＋ＣＯ法と比較して精度の高い診断が可能であると言われている。図３は、フルフラール量と平均重合度との関係を示す(出典：電気共同研究 第５４巻 第５号(その1))。図３で、横軸は平均重合度残率（％）、縦軸はフルフラール量（ｍｇ／ｇ）であり、黒丸印が実器の値を示し、斜線部分が実験値を示す。フルフラール法では、測定したフルフラール量から図３に示した関係に従って平均重合度残率を求める。しかし、図３に示されるように、測定したフルフラール量に対して平均重合度残率にかなり幅（約２０％）があるため、劣化度合いの診断結果も大きな幅を持つこととなり、高精度での寿命推定は非常に困難である。
【００２６】
上述した従来の油入変圧器劣化診断方法の問題点を纏めると、以下のようになる。１）重合度法は、油入電気機器の劣化度合いを表す絶縁紙の平均重合度を直接採取して測定する方法である。しかし、機器の運転中には実施できず、運転を停止して行わなければならないという問題があった。２）ＣＯ２＋ＣＯ法、３）フルフラール法では、推定した重合度の値に大きな幅があり、精度の良い劣化診断は困難である。例えば、図３に示したフルフラール法では、測定した油入機器のフルフラール量に対する平均重合度残率で約２０％の幅がある。これは油入電気機器の運転状態や設計諸元等の違いによって、平均重合度残率の値も影響を受けるためであると考えられる。以上のように、従来の油入変圧器劣化診断方法は、基本的には絶縁紙の劣化を表す単一の指標を用いて劣化診断を行うものであり、運転状態や設計諸元などを総合的に判断する手法ではないという問題があった。
【００２７】
４）ニューラルネットワーク法（特開２００６−３０８５１５参照）
上述した問題を解決するための発明が特開２００６−３０８５１５に示されている。特開２００６−３０８５１５に示される発明では、絶縁油中のフルフラール量、二酸化炭素および一酸化炭素の量、水分量、酸素量、水素量の各測定値、油入電気機器の運転履歴、保守履歴、および油入電気機器の設計諸元の全てまたは一部の組み合わせを入力因子群とし、絶縁紙の平均重合度を出力因子として、平均重合度推定モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを複数構築している。診断対象である油入電気機器の上記入力因子群を上記平均重合度推定モデルに入力して、得られた複数の平均重合度推定値を加工し、絶縁紙の最終的な平均重合度を推定している。特開２００６−３０８５１５に示される発明によれば、従来、単独に用いられていたフルフラール量や二酸化炭素および一酸化炭素の量だけでなく、その他の測定値、機器の運転履歴、保守履歴、設計諸元等の絶縁紙の劣化に関連がある要因を総合的に考慮することができるというものであり、実際にフィールドにおいて油入電気器の余寿命診断に活用されている。特開２００６−３０８５１５に示される発明では、上記平均重合度推定モデルとしてニューラルネットワークを用いているが、上述したニューラルネットワークにおける外挿問題は解決されずに残されていた。本願発明の実施例１における信頼度評価装置等を適用する課題は、ニューラルネットワークを用いて油入電気機器の余寿命を推定する際における外挿問題を解決することである。以下では、本発明の実施例１における信頼度評価装置等の適用例について具体的に説明する。
【００２８】
図４は、本発明の実施例１における信頼度評価装置１０を示す。信頼度評価装置１０はニューラルネットワークを用いて求められた、油入電気機器（所定の対象）の余寿命の推定値（所定の推定値）の信頼度を評価する装置である。以下では油入電気機器として油入変圧器を例にとり説明するが、油入電気機器は油入変圧器に限定されるものではない。図４において、符号１１は本発明の信頼度評価プログラムが実装されたコンピュータ、１２は後述する種々の出力値を適宜表示する、コンピュータ１１のディスプレイ等の表示部、２０は信頼度評価装置１０の機能を示す機能ブロック、３０はニューラルネットワークの学習に用いる入力因子であって油入変圧器（不図示）から測定された所定の測定値とニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報データベース（ＤＢ）（学習情報記録部）、３１はニューラルネットワークに診断させる診断情報であって油入変圧器から測定された所定の測定値を記録した診断情報ＤＢ（診断情報記録部）、４０はニューラルネットワーク部４１を記録した記録装置である。学習情報ＤＢ３０、診断情報ＤＢ３１、記録装置４０はコンピュータ１１に接続されており、機能ブロック２０に示される各機能はコンピュータ１１が実行する信頼度評価プログラムとして記録装置４０等に記録されている。以上の全体により、信頼度評価装置１０が構成されている。
【００２９】
（１）過去の実測データ入力
油入変圧器の絶縁紙の平均重合度推定用ニューラルネットワーク部４１を構築するために、ニューラルネットワーク部４１に対する学習情報として、過去に実測した油入変圧器の実測データ（入力因子。所定の測定値）を入力する。データ収集の項目は、絶縁油を分析して得られる各種劣化指標（例えば、フルフラール量、ＣＯ２＋ＣＯ量、水分量、酸素量、水素量等が好適である。）と、当該油入変圧器の運転状態（例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等が好適である。）と、油入変圧器の設計諸元（例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が好適である。）と、上記実測データに対してニューラルネットワーク部４１に学習させる答となる絶縁紙の平均重合度（ニューラルネットワーク部４１の出力。所定の出力因子）である。
【００３０】
（２）平均重合度推定モデルの構築
図４に示される学習部（学習手段）２１は、学習情報ＤＢ３０に記録された上記実測データと絶縁紙の平均重合度とを入力して、ニューラルネットワーク部４１に学習させる。即ち、上述した（１）に示されるような入力された実測データを用いて平均重合度推定モデルを構築する。平均重合度推定モデルとしては、上述したようにニューラルネットワークを用いる。ニューラルネットワークとしては、背景技術で説明した階層型ニューラルネットワークが好適であるが、これに限定されるものではなく、例えば非特許文献１に示される種々のニューラルネットワークを用いればよい。ニューラルネットワーク部４１はハードディスク等の記録装置４０に記録されており、学習した結合荷重等のパラメータが記録されている。学習中および後述する診断中にはＲＡＭ５３（後述）にロードされて用いられる。以下では特に明記しない限り、ニューラルネットワーク部４１はＲＡＭ５３にロードされている状態とする。
【００３１】
（３）データ範囲モデル構築
図４に示されるローディング行列算出部（ローディング行列算出手段）２２は、学習情報ＤＢ３０に記録された上記実測データに基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求める。即ち、上述した（１）で入力された実測データに対し、多変量解析の一手法である主成分分析を用いて少数の統計的データに集約するモデル（ローディングベクトルで構成される係数行列Ｐ）を算出する。主成分分析は多数の変数から、変数間の相関を自動的に集約するものである。主成分分析およびローディング行列Ｐについては、非特許文献２〜４を参照されたい。以下、非特許文献２〜４を適宜参照して説明する。
【００３２】
Ｋ個の変数｛ｘ１，・・・，ｘＫ｝の一次結合ｙ１が式１で与えられる場合、
【００３３】
【数１】
【００３４】
ｙ１の分散がｘＫ（ｋ＝１，．．．，Ｋ）の一次式の持つ分散の中で最大であるとき、ｙ１を第１主成分と呼ぶ。ここで、ωＫ１（ｋ＝１，．．．，Ｋ）は結合係数と呼ばれる。最大の分散の求め方に関しては非特許文献２〜４を参照されたい。今、Ｋ個の変数（上述した入力因子および出力因子の数）についてＭ個の油入変圧器に対するサンプルがある場合、測定値｛ｘｍｋ｝（ｍ＝１，．．．，Ｍ；ｋ＝１，．．．，Ｋ）からなるデータ行列を式２で示されるＸとする。結合係数ωＫ１（ｋ＝１，．．．，Ｋ）は式３で示す。
【００３５】
【数２】
【００３６】
【数３】
【００３７】
即ち、データ行列Ｘは上述した入力因子および出力因子を１組としてＭサンプル分のデータとしている。ここで、式４で示されるｍ番目のサンプルＸｍ、
【００３８】
【数４】
【００３９】
に対応する式５で示される第１主成分ｙ１の値ｔｍ１、
【００４０】
【数５】
【００４１】
を第１主成分得点と呼ぶ。Ｍ個のサンプルに対応する第１主成分得点を式６で示されるようにｔ１とおくと、式７のようになる。
【００４２】
【数６】
【００４３】
【数７】
【００４４】
第２主成分以下も同様に求められる。ここで、第Ｒ主成分まで考慮し、主成分得点からなるスコア行列（score matrix）ｔを式８で示されるように、
【００４５】
【数８】
【００４６】
とし、結合係数からなるローディング行列（loading matrix）Ｐを式９で示されるように、
【００４７】
【数９】
【００４８】
とすると、式１０のようになる。
【００４９】
【数１０】
【００５０】
説明の便宜上、式１０まで述べたが、式１０は後半で用いる。ローディング行列算出部２２は式９で示されるローディング行列Ｐを算出する。
【００５１】
（４）診断対象のデータ入力および平均重合度推定
図４に示される診断部（診断手段）２３は、診断情報ＤＢ３１に記録された実測データを学習部２１により学習させたニューラルネットワーク部４１へ入力して、診断結果として油入変圧器の絶縁紙の平均重合度を出力させる。診断部２３は診断対象の油入変圧器について、該当する入力因子を学習済みのニューラルネットワーク部４１に入力する。具体的には、絶縁油を分析して得られる各種劣化指標（例えば、フルフラール量、ＣＯ２＋ＣＯ量、水分量、酸素量、水素量等が好適である。）と、当該油入変圧器の運転状態（例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等が好適である。）と、油入変圧器の設計諸元（例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が好適である。）等の、上述した（２）平均重合度推定モデルの構築で用いた入力因子について、ニューラルネットワーク部４１にデータを入力する。その後、診断部２３は上記入力した実測データに対応する平均重合度をニューラルネットワーク部４１を用いて算出し、出力する。
【００５２】
（５）余寿命推定
図４に示される推定値算出部（推定値算出手段）２４は、診断部２３により出力された平均重合度に基づき、油入変圧器の余寿命を算出する。余寿命の算出は、図２に示した平均重合度の寿命レベルと定義されている平均重合度４５０になる時点を寿命時点と考え、現時点から寿命時点までの年数を余寿命とする。具体的には、広く用いられている以下の式１１で示される方法を採用した（「工場電気設備の診断・更新技術」、電気学会技術報告、第８３１号（２００１）、第３３頁を参照）。
【００５３】
【数１１】
【００５４】
ここで、ｎは運転年数（年）、ＤＰは運転年数ｎ年後の平均重合度、ＤＰ０は初期の重合度、ｒは定数（寿命低下率）である。まず、式１１に各々以下の値を代入して寿命低下率ｒを求める。運転年数ｎ年後の平均重合度ＤＰには上述した（４）で求めた平均重合度（推定値）を、初期の平均重合度ＤＰ０には１０００を、運転年数ｎには変圧器の導入から現時点までの運転年数を、各々代入して寿命低下率ｒを求める。次に、運転年数ｎ年後の平均重合度ＤＰに図２に示される寿命レベルを表す４５０を、初期の平均重合度ＤＰ０に上述した（４）で求めた平均重合度（推定値）を、寿命低下率ｒに上述のように算出したｒを各々代入し、寿命となる運転年数ｎを求める。
【００５５】
（７）推定結果信頼度の計算
上述した（３）で構築したデータ範囲モデルを用いて、推定結果の信頼度を計算する。データ範囲モデルを用いて、上述した（４）で入力した入力データ（式２で示されるデータ行列Ｘ）を式１０に示されるように少数の統計的データ（スコアベクトル）に集約する。さらにこれからHotellingのＴ２統計量およびＱ統計量の２つの指標に集約する。
【００５６】
図４に示される統計量算出部（統計量算出手段）２５は、ローディング行列算出部２２により算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき、式１０に示されるように主成分得点からなるスコア行列ｔを求める。次に、スコア行列ｔから、第１主成分から第Ｒ主成分までの主成分得点の標準偏差σｒを求める。さらに、以下の式１２よりローディング行列Ｐと診断情報ＤＢ３１に記録された推定対象となる測定値Ｘｄ（１行×Ｋ列）とから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’（１行×Ｒ列）を求める。求められた標準偏差σｒと推定対象の主成分得点ｔ’とから式１３で示されるHotellingのＴ２統計量を算出する。
【００５７】
【数１２】
【００５８】
【数１３】
【００５９】
続いて、統計量算出部２５は上記測定値から二乗予測誤差であるＱ統計量を求める。式１４にＱ統計量を示す。
【００６０】
【数１４】
【数１５】
【００６１】
ここで、式１４の第１項のｘｋは診断情報ＤＢ３１に記録された診断対象となる測定値であり、第２項のｘ＾ｋ（ここでは表記の都合上、記号「＾」は式１５のようにｘの上部ではなく、隣に表記している。以下、文中では同様に表記する。）はローディング行列Ｐと推定対象となる測定値とから求められる推定値である。なお、ｋ＝１からｋ＝Ｋまでの各推定値ｘ＾ｋからなる行列はＸ＾ｄと表記し、式１５によって求めることができる。式１３で示されるHotellingのＴ２統計量は、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標である。式１４で示されるＱ統計量は、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標である。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いて容易に判断を行うことができる。
【００６２】
図４に示される推定信頼度算出部（推定信頼度算出手段）２６は、統計量算出部２５により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて、式１６のように与えられる。
【００６３】
【数１６】
【００６４】
ｆ（Ｑ、Ｔ２）としては例えば以下の式１７〜２０に示されるような種々の計算式が考えられる。式１７〜２０ではHotellingのＴ２統計量とＱ統計量とが大きいほど、推定信頼度ＥＲは大きくなる。この場合、推定信頼度ＥＲが小さいほど推定結果の信頼性は高くなると考えられる。これとは逆に、HotellingのＴ２統計量とＱ統計量とが小さいほど、推定信頼度ＥＲが大きくなる式を用いてもよい。この場合、推定信頼度ＥＲが大きいほど推定結果の信頼性は高くなると考えられる。
【００６５】
【数１７】
【００６６】
図５〜図７は、本発明の実施例１における信頼度評価装置１０を用いて実験した結果を示す。説明の便宜上、入力した測定値は２つ（入力１および２）とした。図５はニューラルネットワーク部４１の学習に用いた入力１および２の各データを示す。図６はニューラルネットワーク部４１による診断に用いた点ＡおよびＢ（後述）の各データを示す。図７はニューラルネットワーク部４１の学習結果と診断結果とを示す。図７で、横軸は入力１、縦軸は入力２、菱形印はニューラルネットワーク部４１の学習データ、三角印は点Ａ（未学習の予測に用いるデータであって、学習データの範囲内のデータ）、丸印は点Ｂ（未学習の予測に用いるデータであって、学習データの範囲外のデータ）である。図７に示される学習の結果では、Ｑ統計量の最大値は０．６３４５５６となり、HotellingのＴ２統計量の最大値は４．６２５１１３となった。学習データの範囲内のデータである点Ａについては、図６および図７に示されるように、Ｑ統計量は０．０１８７となり、HotellingのＴ２統計量は０．６９８４となった。一方、学習データの範囲外のデータである点Ｂについては、図６および図７に示されるように、Ｑ統計量は２．１６５となり、HotellingのＴ２統計量は２．５９５５となった。推定信頼度ＥＲとしてはHotellingのＴ２統計量とＱ統計量とが小さいほど、推定信頼度ＥＲが大きくなる式を用いた。この場合、推定信頼度ＥＲが小さいほど推定結果の信頼性は高くなると考えられる。予測結果である点Ａに対する推定信頼度ＥＲは予測結果である点Ｂに対する推定信頼度より小さいため、予測結果である点Ａに対する信頼性は高く、一方予測結果である点Ｂに対する信頼性は低い。このように、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つの統計的データだけを用いた推定信頼度ＥＲにより容易に判断を行うことができる。言い換えれば、上述したモデルの精度を高めていくために、点Ｂのようなデータが学習に際して必要であることを提示することもできる。
【００６７】
図８は、本発明の実施例１におけるコンピュータ１１が実行する信頼度評価プログラムおよび信頼度評価方法の処理の流れをフローチャートで示す。図８に示されるように、学習情報ＤＢ３０に記録された測定値と出力因子とを入力して、ニューラルネットワーク部４１に学習させる（学習ステップ。ステップＳ１０）。学習情報ＤＢ３０に記録された測定値に基づき、主成分分析を用いて主成分の結合係数からなるローディング行列Ｐを求める（ローディング行列算出ステップ。ステップＳ１２）。診断情報ＤＢ３１に記録された測定値を学習ステップ（ステップＳ１０）で学習させたニューラルネットワーク部４１へ入力して、診断結果としての出力因子を出力させる（診断ステップ。ステップＳ１４）。診断ステップ（ステップＳ１４）で出力された出力因子に基づき、油入変圧器の余寿命の推定値を算出する（推定値算出ステップ。ステップＳ１６）。ローディング行列算出ステップ（ステップＳ１２）で算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求め、ローディング行列Ｐと診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄとから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’を求め、このスコア行列ｔと主成分得点ｔ’とからHotellingのＴ２統計量を算出し、診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄと予測モデル内部において変換された推定値Ｘ＾ｄとから二乗予測誤差であるＱ統計量を求める（統計量算出ステップ。ステップＳ１８）。統計量算出ステップ（ステップＳ１８）で求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出ステップ（ステップＳ１６）で算出された所定の推定値の信頼度を評価する推定信頼度ＥＲを算出する（推定信頼度算出ステップ。ステップＳ２０）。
【００６８】
以上のように、本発明の実施例１によれば、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用することにより精度良く平均重合度を推定する際、統計量算出部２５は、ローディング行列算出部２２により算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求める。次に、スコア行列ｔから、第１主成分から第Ｒ主成分までの主成分得点の標準偏差σｒを求める。さらに、式１２よりローディング行列Ｐと推定対象となる測定値Ｘｄとから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’を求める。求められた標準偏差σｒと推定対象の主成分得点ｔ’とから式１３で示されるHotellingのＴ２統計量を算出する。HotellingのＴ２統計量は、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標である。続いて、統計量算出部２５は診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄと予測モデル内部において変換された推定値Ｘ＾ｄとから二乗予測誤差であるＱ統計量（式１４）を求める。Ｑ統計量は、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標である。推定信頼度算出部２６は、統計量算出部２５により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて、式１６のように与えられる。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いた推定信頼度ＥＲにより容易に判断を行うことができる。以上より、ニューラルネットワーク部４１のモデル化に用いたデータの範囲外のデータ（例えば図７に示される点Ｂ）が入力された場合であっても、ニューラルネットワーク部４１の出力因子に基づく推定値、即ち油入変圧器の余寿命推定値の精度の信頼度を直ちに算出することができる。
【００６９】
本発明の実施例１における信頼度評価装置１０は、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用することにより精度良く平均重合度を推定する際、推定信頼度算出部２６が推定信頼度ＥＲを算出することにより、ニューラルネットワークの外挿問題を事前に判定することができる。このため、余寿命の推定結果の信頼性を高めることが可能となり、推定結果に対して安心感をユーザに与えることができる。加えて、上述したモデルの精度を高めていくために、学習に際してどのようなデータが必要かを提示することもできる。
【実施例２】
【００７０】
上述した実施例１では、本発明の信頼度評価装置１０等を油入変圧器の余寿命の推定結果における信頼度の評価に対して適用した。別の適用対象として、例えば以下の対象が考えられる。
（１）複数箇所の雨量データを用いて下流の流量を予測する流量予測装置における、予測された流量の信頼度の評価
（２）下水ポンプ場または終末処理場のポンプ施設へ流入する下水の流入量を予測する下水流入量予測装置、における予測された流入量の信頼度の評価
（３）空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法、における予測された空調負荷の信頼度の評価
（４）エネルギー需要の予測を行うためのエネルギー需要予測方法、における予測されたエネルギー需要の信頼度の評価
（５）対象プラントの電力負荷、熱負荷、空気負荷等の各種負荷を予測するプラント負荷の予測方法、における予測された各種負荷の信頼度の評価
（６）自流式ダムの水力発電量予測方法、における予測された水力発電量の信頼度の評価
（７）電力需要量を予測する電力需要量予測方法、における予測された電力需要量の信頼度の評価
その他、本発明の信頼度評価装置１０等は種々の予測値に対する信頼度の評価に対して適用することができる。
【実施例３】
【００７１】
図９は、上述した各実施例を実現するための本発明のコンピュータ・プログラム（信頼度評価プログラム）を実行するコンピュータ１１の内部回路５０を示すブロック図である。図９に示されるように、ＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、画像制御部５６、コントローラ５７、入力制御部５９および入出力Ｉ／Ｆ（インタフェース）部６１はバス６２に接続されている。図９において、上述の本発明のコンピュータ・プログラムは、ＲＯＭ５２、ＨＤ等の記録装置５８ａ、またはＤＶＤ若しくはＣＤ−ＲＯＭ５８ｎ等の記録媒体（脱着可能な記録媒体を含む）に記録されている。記録装置５８ａには上述した学習情報ＤＢ３０、診断情報ＤＢ３１、ニューラルネットワーク部４１等が記録されている。本発明のコンピュータ・プログラムは、ＲＯＭ５２からバス６２を介し、あるいは記録装置５８ａまたはＤＶＤ若しくはＣＤ−ＲＯＭ５８ｎ等の記録媒体からコントローラ５７を経由してバス６２を介しＲＡＭ５３へロードされる。入力制御部５９は、マウス、テンキー等の入力操作部６０と接続され入力制御等を行う。画像メモリであるＶＲＡＭ５５はコンピュータ１１の表示部１２の少なくとも一画面分のデータ容量に相当する容量を有しており、画像制御部５６はＶＲＡＭ５５のデータを画像データへ変換して表示部１２へ送出する機能を有している。入出力Ｉ／Ｆ部６１は入出力インタフェース機能を有している。
【００７２】
上述のようにＣＰＵ５１が本発明のコンピュータ・プログラムを実行することにより、本発明の目的を達成することができる。当該コンピュータ・プログラムは上述のようにＤＶＤまたはＣＤ−ＲＯＭ５８ｎ等の記録媒体の形態でコンピュータＣＰＵ５１に供給することができ、当該コンピュータ・プログラムを記録したＤＶＤまたはＣＤ−ＲＯＭ５８ｎ等の記録媒体も同様に本発明を構成することになる。当該コンピュータ・プログラムを記録した記録媒体としては上述された記録媒体の他に、例えばメモリ・カード、メモリ・スティック、光ディスク、ＦＤ等を用いることができる。
【産業上の利用可能性】
【００７３】
本発明の活用例として、油入変圧器の余寿命の推定結果における信頼度の評価に対して適用することができる。その他、（１）複数箇所の雨量データを用いて下流の流量を予測する流量予測装置における、予測された流量の信頼度の評価、（２）下水ポンプ場または終末処理場のポンプ施設へ流入する下水の流入量を予測する下水流入量予測装置、における予測された流入量の信頼度の評価、（３）空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法、における予測された空調負荷の信頼度の評価、（４）エネルギー需要の予測を行うためのエネルギー需要予測方法、における予測されたエネルギー需要の信頼度の評価、（５）対象プラントの電力負荷、熱負荷、空気負荷等の各種負荷を予測するプラント負荷の予測方法、における予測された各種負荷の信頼度の評価、（６）自流式ダムの水力発電量予測方法、における予測された水力発電量の信頼度の評価、（７）電力需要量を予測する電力需要量予測方法、における予測された電力需要量の信頼度の評価等の種々の予測値に対する信頼度の評価に対して適用することができる。
【符号の説明】
【００７４】
１０ 信頼度評価装置、 １１ コンピュータ、 １２ 表示部、 ２０ 機能ブロック、 ２１ 学習部、 ２２ ローディング行列算出部、 ２３ 診断部、 ２４ 推定値算出部、 ２５ 統計量算出部、 ２６ 推定信頼度算出部、 ３０ 学習情報ＤＢ、 ３１ 診断情報ＤＢ、 ４０ 記録装置、 ４１ ニューラルネットワーク部、
５０ 内部ブロック、 ５１ ＣＰＵ、 ５２ ＲＯＭ、 ５３ ＲＡＭ、 ５４ 表示部、 ５５ ＶＲＡＭ、 ５６ 画像制御部、 ５７ コントローラ、 ５８ａ 記録装置、 ５８ｎ 記録媒体、 ５９ 入力制御部、 ６０ 入力操作部、 ６１ 入出力Ｉ／Ｆ部、 ６２ バス。
【先行技術文献】
【非特許文献】
【００７５】
【非特許文献１】「ニューラルネットワーク計算知能、渡辺 桂吾著、森北出版株式会社発行、２００６年９月５日。
【非特許文献２】「独立成分分析 信号解析の新しい世界」、Aapo Hyvarinen,Juha Karhunnenn, Erkki Oja著、根本 幾、川勝真喜訳、東京電機大学出版局発行、２００５年２月１０日。
【非特許文献３】「化学者のための多変量解析−ケモメトリックス入門−」、尾崎幸洋、宇田明史、赤井俊雄著、株式会社講談社サイエンティフィック発行、２００７年７月１０日。
【非特許文献４】“主成分分析”、［online］、加納 学、京都大学大学院工学研究科化学工学専攻プロセスシステム工学研究室［平成２２年２月１５日検索］、インターネット、<URL: http://www.pse.cheme.kyoto-u.ac.jp/~kano/document/text-PCA.pdf>。
【技術分野】
【０００１】
本発明は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置に関し、特に油入電気機器に対する推定された余寿命の信頼度を評価する信頼度評価装置等に関する。
【背景技術】
【０００２】
ニューラルネットワークには種々のタイプが存在し、例えば、階層型ニューラルネットワークは入力層、中間層および出力層を有している。入力層ではｐ次元入力ベクトル（入力因子）ｘ＝（ｘ１，・・・，ｘｐ）が、ニューラルネットワーク内の結合荷重とニューラルネットワークを構成するノード内のシグモイド関数とによって変換され、出力層でｒ次元出力ベクトル（出力因子）ｙ＝（ｙ１，・・・，ｙｒ）が得られる（非特許文献１参照）。例えば教師あり学習の場合、ニューラルネットワークのノードは正解となる信号の入力によって結合強度が変化することにより学習を行ない、最適化されていく。ニューラルネットワークは統計処理等の多次元量のデータを有し且つ線形分離不可能な問題に対して適用されることが多い。
【０００３】
ニューラルネットワークは入出力因子間の非線形な関係を精度良くモデル化することができるが、その反面、モデル化を行うために用いたデータの範囲外のデータについては、ニューラルネットワークの出力因子に基づく推定値の精度が悪くなるという問題がある。これを一般に外挿問題という。従って、ニューラルネットワークによるモデルを用いて予測を行うときには、外挿であるか否かを判断して、できるだけ外挿でない条件で用いる等の注意が必要となる。この外挿であるか否かを判断する方法として、一般的に、上記推定値を求める場合に用いる入力因子それぞれの値がモデル構築に用いたデータの値の範囲内に含まれているか否かを、因子それぞれにチェックする上下限チェックが用いられている。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかし、上述した上下限チェックでは、因子それぞれでは上下限の中に入っていても、因子同士の組合せとしてみた場合にはデータの範囲外になっているということがあり、このような場合には、上記推定値の精度が悪化してしまうという問題があった。例えば、２つの因子Ａおよび因子Ｂがあるとした場合に、モデル化に用いたデータの範囲として両因子の組合せのデータが、（因子Ａ、因子Ｂ）＝（０、０）、（１、１）、（１０、１）、（１、１０）の４通りのデータであったとする。この場合、因子Ａ、因子Ｂともに上下限範囲は、０〜１０である。従って、上述した従来の上下限チェックでは、因子Ａと因子Ｂとが０〜１０の範囲に含まれていれば、正常と判断されることになる。この結果、例えば（因子Ａ、因子Ｂ）＝（１０、１０）というデータも正常と判断されてしまうことになる。しかし、モデル化に用いたデータの範囲には（因子Ａ、因子Ｂ）＝（１０、１０）という組合せはないため、ニューラルネットワークの出力因子に基づく推定値の精度は全く保障できなくなるという問題があった。２因子程度であれば人間によりその場で判断することができるが、因子の数が増加するほど人間によるその場での判断は不可能となる。
【０００５】
そこで、本発明の目的は、上記問題を解決するためになされたものであり、ニューラルネットワークのモデル化に用いたデータの範囲外のデータが入力された場合であっても、ニューラルネットワークの出力因子に基づく推定値の精度の信頼度を直ちに算出することができる信頼度評価装置等を提供することにある。
【課題を解決するための手段】
【０００６】
この発明の信頼度評価装置は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置であって、前記ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、
前記ニューラルネットワークに診断させる診断情報であって前記所定の対象から測定された所定の測定値を記録した診断情報記録部と、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段と、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段と、前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段と、前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段と、前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出手段と、前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段とを備えたことを特徴とする。
【０００７】
ここで、この発明の信頼度評価装置において、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【０００８】
ここで、この発明の信頼度評価装置において、前記油入電気機器は油入変圧器であり、前記劣化指標はフルフラール量とＣＯ２＋ＣＯとを含み、前記運転状態は絶縁油の交換履歴を含み、前記設計諸元は絶縁紙の量と絶縁油の量とを含むことができる。
【０００９】
この発明の信頼度評価プログラムは、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置が実行する信頼度評価プログラムであって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータを、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段、前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段、前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段、前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出手段、前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段として機能させるための信頼度評価プログラムである。
【００１０】
ここで、この発明の信頼度評価プログラムにおいて、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【００１１】
この発明の信頼度評価方法は、ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を信頼度評価装置に評価させる信頼度評価方法であって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータが、前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習ステップと、前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出ステップと、前記診断情報記録部に記録された所定の測定値を前記学習ステップで学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断ステップと、前記診断ステップで出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出ステップと、前記ローディング行列算出ステップで算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め該スコア行列からHotellingのＴ２統計量を算出し、該所定の測定値から二乗予測誤差であるＱ統計量を求める統計量算出ステップと、前記統計量算出ステップで求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出ステップで算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出ステップとを備えたことを特徴とする。
【００１２】
ここで、この発明の信頼度評価方法において、前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、前記所定の出力因子は油入電気機器の絶縁紙の平均重合度とすることができる。
【発明の効果】
【００１３】
本発明の信頼度評価装置等によれば、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワークを利用することにより精度良く平均重合度を推定する際、統計量算出部が、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標であるHotellingのＴ２統計量と、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標であるＱ統計量とを算出する。推定信頼度算出部は、統計量算出部により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度を算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて与えられる。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いた推定信頼度により容易に判断を行うことができる。
【００１４】
以上より、ニューラルネットワークのモデル化に用いたデータの範囲外のデータが入力された場合であっても、ニューラルネットワークの出力因子に基づく推定値、即ち油入変圧器の余寿命推定値の精度の信頼度を直ちに算出することができるという効果がある。さらに、推定信頼度算出部が推定信頼度を算出することにより、ニューラルネットワークの外挿問題を事前に判定することができる。このため、余寿命の推定結果の信頼性を高めることが可能となり、推定結果に対して安心感をユーザに与えることができる。加えて、上述したモデルの精度を高めていくために、学習に際してどのようなデータが必要かを提示することもできるという効果がある。
【図面の簡単な説明】
【００１５】
【図１】セルロースの化学構造式を示す図である。
【図２】日本電機工業会規格ＪＥＭ１４６３−１９９３が定めている１０００ｋＶＡを超える油入変圧器および油入リアクトルのコイル絶縁紙平均重合度の評価基準を示す図である。
【図３】フルフラール量と平均重合度との関係を示す(出典：電気共同研究 第５４巻 第５号(その1))図である。
【図４】本発明の実施例１における信頼度評価装置１０を示す図である。
【図５】ニューラルネットワーク部４１の学習に用いた入力１および２の各データを示す図である。
【図６】ニューラルネットワーク部４１による診断に用いた点ＡおよびＢの各データを示す図である。
【図７】ニューラルネットワーク部４１の学習結果と診断結果とを示す図である。
【図８】本発明の実施例１におけるコンピュータ１１が実行する信頼度評価プログラムおよび信頼度評価方法の処理の流れを示すフローチャートである。
【図９】本発明のコンピュータ・プログラムを実行するコンピュータ１１の内部回路５０を示すブロック図である。
【発明を実施するための形態】
【００１６】
以下、各実施例について図面を参照して詳細に説明する。
【実施例１】
【００１７】
実施例１では、本発明の信頼度評価装置等を油入電気機器の余寿命の推定値に対する評価へ適用した例について説明する。以下では、まず油入電気機器の劣化について概要を説明し、次に、本発明の信頼度評価装置等を適用する課題について具体的に示し、その後、本発明の信頼度評価装置等の適用例について具体的に説明する。
【００１８】
一般に、油入電気機器に使われている材料としては、以下のようなものがある。
１）銅、アルミニウム等の導電材料
２）絶縁油、絶縁紙、プレスボード等の絶縁材料
３）珪素鋼帯の鉄心材料
４）鉄、ステンレス鋼等の構造材料
これらの材料の中で、油入電気機器、例えば油入変圧器内で経年劣化が認められるのは、絶縁油や絶縁紙等の絶縁材料である。
【００１９】
絶縁油については、油劣化防止装置（開放型、空気密封型、窒素密封型等がある。）の働きもあり、劣化は非常に緩慢であり、重要な特性である絶縁破壊電圧の低下度は小さい。一方、絶縁紙については、経年劣化による絶縁破壊電圧の低下度は小さいが、機械的強度の低下度は大きい。即ち、経年劣化により紙がぼろぼろになる。絶縁紙の機械的強度の低下（劣化）が進行すると、突入電流や外部短絡時に発生する電磁力による機械的ストレスによって絶縁紙に亀裂や損壊が発生し、絶縁破壊する危険性が増大する。従って、油入電気機器の寿命は絶縁紙の機械的強度、特に、巻線導体絶縁紙の劣化度合いの影響を強く受ける。つまり、油入電気機器の余寿命とは、巻線導体絶縁紙の絶縁破壊、即ち、絶縁紙の劣化（重合度の低下）状態によって決定付けられると考えてよい。
【００２０】
（１）絶縁紙の重合度
絶縁紙は、多数のセルロース分子が重合してできた重合体である。図１は、セルロースの化学構造式を示す。図１に示されるセルロースを構成する基本分子の数を重合度という。新品のクラフト紙の場合の重合度は、約１０００である。この重合度は、絶縁紙が酸化劣化するとセルロース分子の鎖が切断されることにより、セルロース分子の低分子量化、即ち平均重合度の低下が起きる。例えば、３０年間使用した変圧器では、平均重合度が初期値の約４０〜６０％（重合度４００〜６００）に減少すると言われている。
【００２１】
（２）油入変圧器の寿命
図２は、日本電機工業会規格ＪＥＭ１４６３−１９９３が定めている１０００ｋＶＡを超える油入変圧器および油入リアクトルのコイル絶縁紙平均重合度の評価基準を示す。図２に示されるように、重合度４５０は変圧器が絶縁紙の劣化によって、その信頼度が低下し、更新が必要であると判断される寿命レベルであり、重合度２５０は絶縁紙そのものの機械的強度が消失しており、絶縁紙としての形状を保持できない危険レベルである。一般的には、この日本電機工業会規格ＪＥＭ１４６３−１９９３に従い、重合度４５０となると思われる時点を油入変圧器の寿命と定義されている。
【００２２】
（３）現状の油入変圧器劣化診断方法
変圧器の寿命診断では、コイル絶縁紙の劣化度を推定することが必要となる。しかし、稼動中の変圧器のコイル絶縁紙引張り強さや平均重合度は、コイル絶縁紙を簡単に採取することができないため、測定が困難である。そこで、変圧器内部の採取可能な絶縁物（プレスボード、リード絶縁紙）の平均重合度や、絶縁紙の分解過程における生成物である芳香族アルデヒドの一種であるフルフラール（furfural）やＣＯ２＋ＣＯ量を測定し、これらの結果を用いた劣化診断が行われている（例えば電気学会技術報告 第９２２号「経年変圧器の信頼性維持技術の現状と動向」、電気共同研究第５４巻第５号(その１)を参照）。以下、代表的な油入変圧器劣化診断方法について説明する。
【００２３】
１）重合度法
運転停止中の点検時等に、変圧器内部から絶縁に影響が無い部分のプレスボードやリード絶縁紙を採取して、絶縁紙の劣化度を診断する方法を「重合度法」という。重合度法は、採取した絶縁紙の重合度から巻線コイルの最も温度が高い箇所（ホットスポット部分）のコイル絶縁紙の劣化度を推定し、寿命を予測する方法である。
【００２４】
２）ＣＯ２＋ＣＯ法
絶縁紙は劣化によって、水やＣＯ２、ＣＯ等の種々の有機成分を生成する。劣化指標として有効な成分には、平均重合度とも相関性があるＣＯ２＋ＣＯ、フルフラール等がある。ＣＯ２＋ＣＯ法では、油中ガス分析を行い、絶縁紙の最終的な劣化生成物であるＣＯ２＋ＣＯ量から平均重合度を推定し劣化診断を行う。
【００２５】
３）フルフラール法
セルロースの分解過程でアルデヒド成分のフルフラールが生成される。絶縁油の脱気処理を行ってもフルフラールの８５％が絶縁油中に残り、気体中に拡散しない。絶縁紙への吸着率は温度に依存せず、約８５％と一定であるため、ＣＯ２＋ＣＯ法と比較して精度の高い診断が可能であると言われている。図３は、フルフラール量と平均重合度との関係を示す(出典：電気共同研究 第５４巻 第５号(その1))。図３で、横軸は平均重合度残率（％）、縦軸はフルフラール量（ｍｇ／ｇ）であり、黒丸印が実器の値を示し、斜線部分が実験値を示す。フルフラール法では、測定したフルフラール量から図３に示した関係に従って平均重合度残率を求める。しかし、図３に示されるように、測定したフルフラール量に対して平均重合度残率にかなり幅（約２０％）があるため、劣化度合いの診断結果も大きな幅を持つこととなり、高精度での寿命推定は非常に困難である。
【００２６】
上述した従来の油入変圧器劣化診断方法の問題点を纏めると、以下のようになる。１）重合度法は、油入電気機器の劣化度合いを表す絶縁紙の平均重合度を直接採取して測定する方法である。しかし、機器の運転中には実施できず、運転を停止して行わなければならないという問題があった。２）ＣＯ２＋ＣＯ法、３）フルフラール法では、推定した重合度の値に大きな幅があり、精度の良い劣化診断は困難である。例えば、図３に示したフルフラール法では、測定した油入機器のフルフラール量に対する平均重合度残率で約２０％の幅がある。これは油入電気機器の運転状態や設計諸元等の違いによって、平均重合度残率の値も影響を受けるためであると考えられる。以上のように、従来の油入変圧器劣化診断方法は、基本的には絶縁紙の劣化を表す単一の指標を用いて劣化診断を行うものであり、運転状態や設計諸元などを総合的に判断する手法ではないという問題があった。
【００２７】
４）ニューラルネットワーク法（特開２００６−３０８５１５参照）
上述した問題を解決するための発明が特開２００６−３０８５１５に示されている。特開２００６−３０８５１５に示される発明では、絶縁油中のフルフラール量、二酸化炭素および一酸化炭素の量、水分量、酸素量、水素量の各測定値、油入電気機器の運転履歴、保守履歴、および油入電気機器の設計諸元の全てまたは一部の組み合わせを入力因子群とし、絶縁紙の平均重合度を出力因子として、平均重合度推定モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを複数構築している。診断対象である油入電気機器の上記入力因子群を上記平均重合度推定モデルに入力して、得られた複数の平均重合度推定値を加工し、絶縁紙の最終的な平均重合度を推定している。特開２００６−３０８５１５に示される発明によれば、従来、単独に用いられていたフルフラール量や二酸化炭素および一酸化炭素の量だけでなく、その他の測定値、機器の運転履歴、保守履歴、設計諸元等の絶縁紙の劣化に関連がある要因を総合的に考慮することができるというものであり、実際にフィールドにおいて油入電気器の余寿命診断に活用されている。特開２００６−３０８５１５に示される発明では、上記平均重合度推定モデルとしてニューラルネットワークを用いているが、上述したニューラルネットワークにおける外挿問題は解決されずに残されていた。本願発明の実施例１における信頼度評価装置等を適用する課題は、ニューラルネットワークを用いて油入電気機器の余寿命を推定する際における外挿問題を解決することである。以下では、本発明の実施例１における信頼度評価装置等の適用例について具体的に説明する。
【００２８】
図４は、本発明の実施例１における信頼度評価装置１０を示す。信頼度評価装置１０はニューラルネットワークを用いて求められた、油入電気機器（所定の対象）の余寿命の推定値（所定の推定値）の信頼度を評価する装置である。以下では油入電気機器として油入変圧器を例にとり説明するが、油入電気機器は油入変圧器に限定されるものではない。図４において、符号１１は本発明の信頼度評価プログラムが実装されたコンピュータ、１２は後述する種々の出力値を適宜表示する、コンピュータ１１のディスプレイ等の表示部、２０は信頼度評価装置１０の機能を示す機能ブロック、３０はニューラルネットワークの学習に用いる入力因子であって油入変圧器（不図示）から測定された所定の測定値とニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報データベース（ＤＢ）（学習情報記録部）、３１はニューラルネットワークに診断させる診断情報であって油入変圧器から測定された所定の測定値を記録した診断情報ＤＢ（診断情報記録部）、４０はニューラルネットワーク部４１を記録した記録装置である。学習情報ＤＢ３０、診断情報ＤＢ３１、記録装置４０はコンピュータ１１に接続されており、機能ブロック２０に示される各機能はコンピュータ１１が実行する信頼度評価プログラムとして記録装置４０等に記録されている。以上の全体により、信頼度評価装置１０が構成されている。
【００２９】
（１）過去の実測データ入力
油入変圧器の絶縁紙の平均重合度推定用ニューラルネットワーク部４１を構築するために、ニューラルネットワーク部４１に対する学習情報として、過去に実測した油入変圧器の実測データ（入力因子。所定の測定値）を入力する。データ収集の項目は、絶縁油を分析して得られる各種劣化指標（例えば、フルフラール量、ＣＯ２＋ＣＯ量、水分量、酸素量、水素量等が好適である。）と、当該油入変圧器の運転状態（例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等が好適である。）と、油入変圧器の設計諸元（例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が好適である。）と、上記実測データに対してニューラルネットワーク部４１に学習させる答となる絶縁紙の平均重合度（ニューラルネットワーク部４１の出力。所定の出力因子）である。
【００３０】
（２）平均重合度推定モデルの構築
図４に示される学習部（学習手段）２１は、学習情報ＤＢ３０に記録された上記実測データと絶縁紙の平均重合度とを入力して、ニューラルネットワーク部４１に学習させる。即ち、上述した（１）に示されるような入力された実測データを用いて平均重合度推定モデルを構築する。平均重合度推定モデルとしては、上述したようにニューラルネットワークを用いる。ニューラルネットワークとしては、背景技術で説明した階層型ニューラルネットワークが好適であるが、これに限定されるものではなく、例えば非特許文献１に示される種々のニューラルネットワークを用いればよい。ニューラルネットワーク部４１はハードディスク等の記録装置４０に記録されており、学習した結合荷重等のパラメータが記録されている。学習中および後述する診断中にはＲＡＭ５３（後述）にロードされて用いられる。以下では特に明記しない限り、ニューラルネットワーク部４１はＲＡＭ５３にロードされている状態とする。
【００３１】
（３）データ範囲モデル構築
図４に示されるローディング行列算出部（ローディング行列算出手段）２２は、学習情報ＤＢ３０に記録された上記実測データに基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求める。即ち、上述した（１）で入力された実測データに対し、多変量解析の一手法である主成分分析を用いて少数の統計的データに集約するモデル（ローディングベクトルで構成される係数行列Ｐ）を算出する。主成分分析は多数の変数から、変数間の相関を自動的に集約するものである。主成分分析およびローディング行列Ｐについては、非特許文献２〜４を参照されたい。以下、非特許文献２〜４を適宜参照して説明する。
【００３２】
Ｋ個の変数｛ｘ１，・・・，ｘＫ｝の一次結合ｙ１が式１で与えられる場合、
【００３３】
【数１】
【００３４】
ｙ１の分散がｘＫ（ｋ＝１，．．．，Ｋ）の一次式の持つ分散の中で最大であるとき、ｙ１を第１主成分と呼ぶ。ここで、ωＫ１（ｋ＝１，．．．，Ｋ）は結合係数と呼ばれる。最大の分散の求め方に関しては非特許文献２〜４を参照されたい。今、Ｋ個の変数（上述した入力因子および出力因子の数）についてＭ個の油入変圧器に対するサンプルがある場合、測定値｛ｘｍｋ｝（ｍ＝１，．．．，Ｍ；ｋ＝１，．．．，Ｋ）からなるデータ行列を式２で示されるＸとする。結合係数ωＫ１（ｋ＝１，．．．，Ｋ）は式３で示す。
【００３５】
【数２】
【００３６】
【数３】
【００３７】
即ち、データ行列Ｘは上述した入力因子および出力因子を１組としてＭサンプル分のデータとしている。ここで、式４で示されるｍ番目のサンプルＸｍ、
【００３８】
【数４】
【００３９】
に対応する式５で示される第１主成分ｙ１の値ｔｍ１、
【００４０】
【数５】
【００４１】
を第１主成分得点と呼ぶ。Ｍ個のサンプルに対応する第１主成分得点を式６で示されるようにｔ１とおくと、式７のようになる。
【００４２】
【数６】
【００４３】
【数７】
【００４４】
第２主成分以下も同様に求められる。ここで、第Ｒ主成分まで考慮し、主成分得点からなるスコア行列（score matrix）ｔを式８で示されるように、
【００４５】
【数８】
【００４６】
とし、結合係数からなるローディング行列（loading matrix）Ｐを式９で示されるように、
【００４７】
【数９】
【００４８】
とすると、式１０のようになる。
【００４９】
【数１０】
【００５０】
説明の便宜上、式１０まで述べたが、式１０は後半で用いる。ローディング行列算出部２２は式９で示されるローディング行列Ｐを算出する。
【００５１】
（４）診断対象のデータ入力および平均重合度推定
図４に示される診断部（診断手段）２３は、診断情報ＤＢ３１に記録された実測データを学習部２１により学習させたニューラルネットワーク部４１へ入力して、診断結果として油入変圧器の絶縁紙の平均重合度を出力させる。診断部２３は診断対象の油入変圧器について、該当する入力因子を学習済みのニューラルネットワーク部４１に入力する。具体的には、絶縁油を分析して得られる各種劣化指標（例えば、フルフラール量、ＣＯ２＋ＣＯ量、水分量、酸素量、水素量等が好適である。）と、当該油入変圧器の運転状態（例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等が好適である。）と、油入変圧器の設計諸元（例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が好適である。）等の、上述した（２）平均重合度推定モデルの構築で用いた入力因子について、ニューラルネットワーク部４１にデータを入力する。その後、診断部２３は上記入力した実測データに対応する平均重合度をニューラルネットワーク部４１を用いて算出し、出力する。
【００５２】
（５）余寿命推定
図４に示される推定値算出部（推定値算出手段）２４は、診断部２３により出力された平均重合度に基づき、油入変圧器の余寿命を算出する。余寿命の算出は、図２に示した平均重合度の寿命レベルと定義されている平均重合度４５０になる時点を寿命時点と考え、現時点から寿命時点までの年数を余寿命とする。具体的には、広く用いられている以下の式１１で示される方法を採用した（「工場電気設備の診断・更新技術」、電気学会技術報告、第８３１号（２００１）、第３３頁を参照）。
【００５３】
【数１１】
【００５４】
ここで、ｎは運転年数（年）、ＤＰは運転年数ｎ年後の平均重合度、ＤＰ０は初期の重合度、ｒは定数（寿命低下率）である。まず、式１１に各々以下の値を代入して寿命低下率ｒを求める。運転年数ｎ年後の平均重合度ＤＰには上述した（４）で求めた平均重合度（推定値）を、初期の平均重合度ＤＰ０には１０００を、運転年数ｎには変圧器の導入から現時点までの運転年数を、各々代入して寿命低下率ｒを求める。次に、運転年数ｎ年後の平均重合度ＤＰに図２に示される寿命レベルを表す４５０を、初期の平均重合度ＤＰ０に上述した（４）で求めた平均重合度（推定値）を、寿命低下率ｒに上述のように算出したｒを各々代入し、寿命となる運転年数ｎを求める。
【００５５】
（７）推定結果信頼度の計算
上述した（３）で構築したデータ範囲モデルを用いて、推定結果の信頼度を計算する。データ範囲モデルを用いて、上述した（４）で入力した入力データ（式２で示されるデータ行列Ｘ）を式１０に示されるように少数の統計的データ（スコアベクトル）に集約する。さらにこれからHotellingのＴ２統計量およびＱ統計量の２つの指標に集約する。
【００５６】
図４に示される統計量算出部（統計量算出手段）２５は、ローディング行列算出部２２により算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき、式１０に示されるように主成分得点からなるスコア行列ｔを求める。次に、スコア行列ｔから、第１主成分から第Ｒ主成分までの主成分得点の標準偏差σｒを求める。さらに、以下の式１２よりローディング行列Ｐと診断情報ＤＢ３１に記録された推定対象となる測定値Ｘｄ（１行×Ｋ列）とから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’（１行×Ｒ列）を求める。求められた標準偏差σｒと推定対象の主成分得点ｔ’とから式１３で示されるHotellingのＴ２統計量を算出する。
【００５７】
【数１２】
【００５８】
【数１３】
【００５９】
続いて、統計量算出部２５は上記測定値から二乗予測誤差であるＱ統計量を求める。式１４にＱ統計量を示す。
【００６０】
【数１４】
【数１５】
【００６１】
ここで、式１４の第１項のｘｋは診断情報ＤＢ３１に記録された診断対象となる測定値であり、第２項のｘ＾ｋ（ここでは表記の都合上、記号「＾」は式１５のようにｘの上部ではなく、隣に表記している。以下、文中では同様に表記する。）はローディング行列Ｐと推定対象となる測定値とから求められる推定値である。なお、ｋ＝１からｋ＝Ｋまでの各推定値ｘ＾ｋからなる行列はＸ＾ｄと表記し、式１５によって求めることができる。式１３で示されるHotellingのＴ２統計量は、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標である。式１４で示されるＱ統計量は、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標である。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いて容易に判断を行うことができる。
【００６２】
図４に示される推定信頼度算出部（推定信頼度算出手段）２６は、統計量算出部２５により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて、式１６のように与えられる。
【００６３】
【数１６】
【００６４】
ｆ（Ｑ、Ｔ２）としては例えば以下の式１７〜２０に示されるような種々の計算式が考えられる。式１７〜２０ではHotellingのＴ２統計量とＱ統計量とが大きいほど、推定信頼度ＥＲは大きくなる。この場合、推定信頼度ＥＲが小さいほど推定結果の信頼性は高くなると考えられる。これとは逆に、HotellingのＴ２統計量とＱ統計量とが小さいほど、推定信頼度ＥＲが大きくなる式を用いてもよい。この場合、推定信頼度ＥＲが大きいほど推定結果の信頼性は高くなると考えられる。
【００６５】
【数１７】
【００６６】
図５〜図７は、本発明の実施例１における信頼度評価装置１０を用いて実験した結果を示す。説明の便宜上、入力した測定値は２つ（入力１および２）とした。図５はニューラルネットワーク部４１の学習に用いた入力１および２の各データを示す。図６はニューラルネットワーク部４１による診断に用いた点ＡおよびＢ（後述）の各データを示す。図７はニューラルネットワーク部４１の学習結果と診断結果とを示す。図７で、横軸は入力１、縦軸は入力２、菱形印はニューラルネットワーク部４１の学習データ、三角印は点Ａ（未学習の予測に用いるデータであって、学習データの範囲内のデータ）、丸印は点Ｂ（未学習の予測に用いるデータであって、学習データの範囲外のデータ）である。図７に示される学習の結果では、Ｑ統計量の最大値は０．６３４５５６となり、HotellingのＴ２統計量の最大値は４．６２５１１３となった。学習データの範囲内のデータである点Ａについては、図６および図７に示されるように、Ｑ統計量は０．０１８７となり、HotellingのＴ２統計量は０．６９８４となった。一方、学習データの範囲外のデータである点Ｂについては、図６および図７に示されるように、Ｑ統計量は２．１６５となり、HotellingのＴ２統計量は２．５９５５となった。推定信頼度ＥＲとしてはHotellingのＴ２統計量とＱ統計量とが小さいほど、推定信頼度ＥＲが大きくなる式を用いた。この場合、推定信頼度ＥＲが小さいほど推定結果の信頼性は高くなると考えられる。予測結果である点Ａに対する推定信頼度ＥＲは予測結果である点Ｂに対する推定信頼度より小さいため、予測結果である点Ａに対する信頼性は高く、一方予測結果である点Ｂに対する信頼性は低い。このように、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つの統計的データだけを用いた推定信頼度ＥＲにより容易に判断を行うことができる。言い換えれば、上述したモデルの精度を高めていくために、点Ｂのようなデータが学習に際して必要であることを提示することもできる。
【００６７】
図８は、本発明の実施例１におけるコンピュータ１１が実行する信頼度評価プログラムおよび信頼度評価方法の処理の流れをフローチャートで示す。図８に示されるように、学習情報ＤＢ３０に記録された測定値と出力因子とを入力して、ニューラルネットワーク部４１に学習させる（学習ステップ。ステップＳ１０）。学習情報ＤＢ３０に記録された測定値に基づき、主成分分析を用いて主成分の結合係数からなるローディング行列Ｐを求める（ローディング行列算出ステップ。ステップＳ１２）。診断情報ＤＢ３１に記録された測定値を学習ステップ（ステップＳ１０）で学習させたニューラルネットワーク部４１へ入力して、診断結果としての出力因子を出力させる（診断ステップ。ステップＳ１４）。診断ステップ（ステップＳ１４）で出力された出力因子に基づき、油入変圧器の余寿命の推定値を算出する（推定値算出ステップ。ステップＳ１６）。ローディング行列算出ステップ（ステップＳ１２）で算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求め、ローディング行列Ｐと診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄとから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’を求め、このスコア行列ｔと主成分得点ｔ’とからHotellingのＴ２統計量を算出し、診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄと予測モデル内部において変換された推定値Ｘ＾ｄとから二乗予測誤差であるＱ統計量を求める（統計量算出ステップ。ステップＳ１８）。統計量算出ステップ（ステップＳ１８）で求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出ステップ（ステップＳ１６）で算出された所定の推定値の信頼度を評価する推定信頼度ＥＲを算出する（推定信頼度算出ステップ。ステップＳ２０）。
【００６８】
以上のように、本発明の実施例１によれば、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用することにより精度良く平均重合度を推定する際、統計量算出部２５は、ローディング行列算出部２２により算出されたローディング行列Ｐと学習情報ＤＢ３０に記録された測定値とに基づき主成分得点からなるスコア行列ｔを求める。次に、スコア行列ｔから、第１主成分から第Ｒ主成分までの主成分得点の標準偏差σｒを求める。さらに、式１２よりローディング行列Ｐと推定対象となる測定値Ｘｄとから、推定対象の第１主成分から第Ｒ主成分までの主成分得点ｔ’を求める。求められた標準偏差σｒと推定対象の主成分得点ｔ’とから式１３で示されるHotellingのＴ２統計量を算出する。HotellingのＴ２統計量は、モデル作成に用いたデータの振幅（平均値からの変動）と比較してどれだけ外れているかを表す指標である。続いて、統計量算出部２５は診断情報ＤＢ３１に記録された推定対象の測定値Ｘｄと予測モデル内部において変換された推定値Ｘ＾ｄとから二乗予測誤差であるＱ統計量（式１４）を求める。Ｑ統計量は、モデル作成に用いたデータの変数間の相関に対して余寿命推定対象の油入変圧器のデータがこの相関からどれだけ外れているかを表す指標である。推定信頼度算出部２６は、統計量算出部２５により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、推定値算出部２４により算出された油入変圧器の余寿命の信頼度を評価する推定信頼度ＥＲを算出する。所定の関数はモデル作成に用いたデータからの乖離度合いを表すHotellingのＴ２統計量とＱ統計量とを用いて、式１６のように与えられる。油入変圧器の余寿命推定は多数の因子を用いて余寿命推定が行われるため、油入変圧器の余寿命推定結果に対する信頼度をHotellingのＴ２統計量およびＱ統計量の２つ統計的データだけを用いた推定信頼度ＥＲにより容易に判断を行うことができる。以上より、ニューラルネットワーク部４１のモデル化に用いたデータの範囲外のデータ（例えば図７に示される点Ｂ）が入力された場合であっても、ニューラルネットワーク部４１の出力因子に基づく推定値、即ち油入変圧器の余寿命推定値の精度の信頼度を直ちに算出することができる。
【００６９】
本発明の実施例１における信頼度評価装置１０は、絶縁油の分析結果に加えて、運転履歴、保守履歴、設計諸元を用いるニューラルネットワーク部４１を利用することにより精度良く平均重合度を推定する際、推定信頼度算出部２６が推定信頼度ＥＲを算出することにより、ニューラルネットワークの外挿問題を事前に判定することができる。このため、余寿命の推定結果の信頼性を高めることが可能となり、推定結果に対して安心感をユーザに与えることができる。加えて、上述したモデルの精度を高めていくために、学習に際してどのようなデータが必要かを提示することもできる。
【実施例２】
【００７０】
上述した実施例１では、本発明の信頼度評価装置１０等を油入変圧器の余寿命の推定結果における信頼度の評価に対して適用した。別の適用対象として、例えば以下の対象が考えられる。
（１）複数箇所の雨量データを用いて下流の流量を予測する流量予測装置における、予測された流量の信頼度の評価
（２）下水ポンプ場または終末処理場のポンプ施設へ流入する下水の流入量を予測する下水流入量予測装置、における予測された流入量の信頼度の評価
（３）空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法、における予測された空調負荷の信頼度の評価
（４）エネルギー需要の予測を行うためのエネルギー需要予測方法、における予測されたエネルギー需要の信頼度の評価
（５）対象プラントの電力負荷、熱負荷、空気負荷等の各種負荷を予測するプラント負荷の予測方法、における予測された各種負荷の信頼度の評価
（６）自流式ダムの水力発電量予測方法、における予測された水力発電量の信頼度の評価
（７）電力需要量を予測する電力需要量予測方法、における予測された電力需要量の信頼度の評価
その他、本発明の信頼度評価装置１０等は種々の予測値に対する信頼度の評価に対して適用することができる。
【実施例３】
【００７１】
図９は、上述した各実施例を実現するための本発明のコンピュータ・プログラム（信頼度評価プログラム）を実行するコンピュータ１１の内部回路５０を示すブロック図である。図９に示されるように、ＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、画像制御部５６、コントローラ５７、入力制御部５９および入出力Ｉ／Ｆ（インタフェース）部６１はバス６２に接続されている。図９において、上述の本発明のコンピュータ・プログラムは、ＲＯＭ５２、ＨＤ等の記録装置５８ａ、またはＤＶＤ若しくはＣＤ−ＲＯＭ５８ｎ等の記録媒体（脱着可能な記録媒体を含む）に記録されている。記録装置５８ａには上述した学習情報ＤＢ３０、診断情報ＤＢ３１、ニューラルネットワーク部４１等が記録されている。本発明のコンピュータ・プログラムは、ＲＯＭ５２からバス６２を介し、あるいは記録装置５８ａまたはＤＶＤ若しくはＣＤ−ＲＯＭ５８ｎ等の記録媒体からコントローラ５７を経由してバス６２を介しＲＡＭ５３へロードされる。入力制御部５９は、マウス、テンキー等の入力操作部６０と接続され入力制御等を行う。画像メモリであるＶＲＡＭ５５はコンピュータ１１の表示部１２の少なくとも一画面分のデータ容量に相当する容量を有しており、画像制御部５６はＶＲＡＭ５５のデータを画像データへ変換して表示部１２へ送出する機能を有している。入出力Ｉ／Ｆ部６１は入出力インタフェース機能を有している。
【００７２】
上述のようにＣＰＵ５１が本発明のコンピュータ・プログラムを実行することにより、本発明の目的を達成することができる。当該コンピュータ・プログラムは上述のようにＤＶＤまたはＣＤ−ＲＯＭ５８ｎ等の記録媒体の形態でコンピュータＣＰＵ５１に供給することができ、当該コンピュータ・プログラムを記録したＤＶＤまたはＣＤ−ＲＯＭ５８ｎ等の記録媒体も同様に本発明を構成することになる。当該コンピュータ・プログラムを記録した記録媒体としては上述された記録媒体の他に、例えばメモリ・カード、メモリ・スティック、光ディスク、ＦＤ等を用いることができる。
【産業上の利用可能性】
【００７３】
本発明の活用例として、油入変圧器の余寿命の推定結果における信頼度の評価に対して適用することができる。その他、（１）複数箇所の雨量データを用いて下流の流量を予測する流量予測装置における、予測された流量の信頼度の評価、（２）下水ポンプ場または終末処理場のポンプ施設へ流入する下水の流入量を予測する下水流入量予測装置、における予測された流入量の信頼度の評価、（３）空調負荷実績データ、気象データ、カレンダデータおよび空調機器稼働スケジュールデータを入力因子とする予測モデルを用いて空調負荷の予測を行う空調負荷予測方法、における予測された空調負荷の信頼度の評価、（４）エネルギー需要の予測を行うためのエネルギー需要予測方法、における予測されたエネルギー需要の信頼度の評価、（５）対象プラントの電力負荷、熱負荷、空気負荷等の各種負荷を予測するプラント負荷の予測方法、における予測された各種負荷の信頼度の評価、（６）自流式ダムの水力発電量予測方法、における予測された水力発電量の信頼度の評価、（７）電力需要量を予測する電力需要量予測方法、における予測された電力需要量の信頼度の評価等の種々の予測値に対する信頼度の評価に対して適用することができる。
【符号の説明】
【００７４】
１０ 信頼度評価装置、 １１ コンピュータ、 １２ 表示部、 ２０ 機能ブロック、 ２１ 学習部、 ２２ ローディング行列算出部、 ２３ 診断部、 ２４ 推定値算出部、 ２５ 統計量算出部、 ２６ 推定信頼度算出部、 ３０ 学習情報ＤＢ、 ３１ 診断情報ＤＢ、 ４０ 記録装置、 ４１ ニューラルネットワーク部、
５０ 内部ブロック、 ５１ ＣＰＵ、 ５２ ＲＯＭ、 ５３ ＲＡＭ、 ５４ 表示部、 ５５ ＶＲＡＭ、 ５６ 画像制御部、 ５７ コントローラ、 ５８ａ 記録装置、 ５８ｎ 記録媒体、 ５９ 入力制御部、 ６０ 入力操作部、 ６１ 入出力Ｉ／Ｆ部、 ６２ バス。
【先行技術文献】
【非特許文献】
【００７５】
【非特許文献１】「ニューラルネットワーク計算知能、渡辺 桂吾著、森北出版株式会社発行、２００６年９月５日。
【非特許文献２】「独立成分分析 信号解析の新しい世界」、Aapo Hyvarinen,Juha Karhunnenn, Erkki Oja著、根本 幾、川勝真喜訳、東京電機大学出版局発行、２００５年２月１０日。
【非特許文献３】「化学者のための多変量解析−ケモメトリックス入門−」、尾崎幸洋、宇田明史、赤井俊雄著、株式会社講談社サイエンティフィック発行、２００７年７月１０日。
【非特許文献４】“主成分分析”、［online］、加納 学、京都大学大学院工学研究科化学工学専攻プロセスシステム工学研究室［平成２２年２月１５日検索］、インターネット、<URL: http://www.pse.cheme.kyoto-u.ac.jp/~kano/document/text-PCA.pdf>。
【特許請求の範囲】
【請求項１】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置であって、
前記ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、
前記ニューラルネットワークに診断させる診断情報であって前記所定の対象から測定された所定の測定値を記録した診断情報記録部と、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段と、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段と、
前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段と、
前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段と、
前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出手段と、
前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段とを備えたことを特徴とする信頼度評価装置。
【請求項２】
請求項１記載の信頼度評価装置において、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価装置。
【請求項３】
請求項２記載の信頼度評価装置において、前記油入電気機器は油入変圧器であり、前記劣化指標はフルフラール量とＣＯ２＋ＣＯとを含み、前記運転状態は絶縁油の交換履歴を含み、前記設計諸元は絶縁紙の量と絶縁油の量とを含むことを特徴とする信頼度評価装置。
【請求項４】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置が実行する信頼度評価プログラムであって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータを、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段、
前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段、
前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段、
前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出手段、
前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段として機能させるための信頼度評価プログラム。
【請求項５】
請求項４記載の信頼度評価プログラムにおいて、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価プログラム。
【請求項６】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を信頼度評価装置に評価させる信頼度評価方法であって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータが、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習ステップと、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出ステップと、
前記診断情報記録部に記録された所定の測定値を前記学習ステップで学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断ステップと、
前記診断ステップで出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出ステップと、
前記ローディング行列算出ステップで算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出ステップと、
前記統計量算出ステップで求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出ステップで算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出ステップとを備えたことを特徴とする信頼度評価方法。
【請求項７】
請求項６記載の信頼度評価方法において、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価方法。
【請求項１】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置であって、
前記ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、
前記ニューラルネットワークに診断させる診断情報であって前記所定の対象から測定された所定の測定値を記録した診断情報記録部と、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段と、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段と、
前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段と、
前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段と、
前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出手段と、
前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段とを備えたことを特徴とする信頼度評価装置。
【請求項２】
請求項１記載の信頼度評価装置において、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価装置。
【請求項３】
請求項２記載の信頼度評価装置において、前記油入電気機器は油入変圧器であり、前記劣化指標はフルフラール量とＣＯ２＋ＣＯとを含み、前記運転状態は絶縁油の交換履歴を含み、前記設計諸元は絶縁紙の量と絶縁油の量とを含むことを特徴とする信頼度評価装置。
【請求項４】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を評価する信頼度評価装置が実行する信頼度評価プログラムであって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータを、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習手段、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出手段、
前記診断情報記録部に記録された所定の測定値を前記学習手段により学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断手段、
前記診断手段により出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出手段、
前記ローディング行列算出手段により算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出手段、
前記統計量算出手段により求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出手段により算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出手段として機能させるための信頼度評価プログラム。
【請求項５】
請求項４記載の信頼度評価プログラムにおいて、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価プログラム。
【請求項６】
ニューラルネットワークを用いて求められた、所定の対象に対する所定の推定値の信頼度を信頼度評価装置に評価させる信頼度評価方法であって、該ニューラルネットワークの学習に用いる入力因子であって該所定の対象から測定された所定の測定値と該ニューラルネットワークの学習に用いる所定の出力因子とを記録した学習情報記録部と、該ニューラルネットワークに診断させる診断情報であって該所定の対象から測定された所定の測定値を記録した診断情報記録部とを用い、該信頼度評価装置のコンピュータが、
前記学習情報記録部に記録された所定の測定値と所定の出力因子とを入力して、前記ニューラルネットワークに学習させる学習ステップと、
前記学習情報記録部に記録された所定の測定値に基づき主成分分析を用いて主成分の結合係数からなるローディング行列を求めるローディング行列算出ステップと、
前記診断情報記録部に記録された所定の測定値を前記学習ステップで学習させたニューラルネットワークへ入力して、診断結果としての所定の出力因子を出力させる診断ステップと、
前記診断ステップで出力された所定の出力因子に基づき、所定の推定値を算出する推定値算出ステップと、
前記ローディング行列算出ステップで算出されたローディング行列と前記学習情報記録部に記録された所定の測定値とに基づき主成分得点からなるスコア行列を求め、前記診断情報記録部に記録された所定の測定値と前記ローディング行列と前記スコア行列とからHotellingのＴ２統計量を算出し、前記診断情報記録部に記録された所定の測定値と前記ローディング行列とから二乗予測誤差であるＱ統計量を求める統計量算出ステップと、
前記統計量算出ステップで求められたHotellingのＴ２統計量とＱ統計量とに基づく所定の関数により、前記推定値算出ステップで算出された所定の推定値の信頼度を評価する推定信頼度を算出する推定信頼度算出ステップとを備えたことを特徴とする信頼度評価方法。
【請求項７】
請求項６記載の信頼度評価方法において、
前記所定の対象は油入電気機器であって前記所定の推定値は油入電気機器の余寿命であり、
前記所定の測定値は油入電気機器の絶縁油中に含まれる劣化指標と、油入電気機器の運転状態と、油入電気機器の設計諸元とを含み、
前記所定の出力因子は油入電気機器の絶縁紙の平均重合度であることを特徴とする信頼度評価方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２０１１−１８５８８０（Ｐ２０１１−１８５８８０Ａ）
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願番号】特願２０１０−５３８０１（Ｐ２０１０−５３８０１）
【出願日】平成２２年３月１０日（２０１０．３．１０）
【出願人】（０００００５２３４）富士電機株式会社 (3,146)
【Ｆターム（参考）】
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願日】平成２２年３月１０日（２０１０．３．１０）
【出願人】（０００００５２３４）富士電機株式会社 (3,146)
【Ｆターム（参考）】
[ Back to top ]