報告書番号

SS25009

タイトル（和文）

配電設備の台風被害予測における機械学習を用いた被害関数の提案

タイトル（英文）

Proposal of damage functions using machine learning for predicting typhoon damage to power distribution equipment

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
台風版リスク評価マネジメントシステムRAMPTは、台風による配電設備被害の規模や発生地域を予測する機能を有し、電力各社における台風接近時の事前・初動対応に活用されている。RAMPTの被害関数は台風時に電柱に生じる風荷重に着目し、風速・風向・安全率に基づき被害を推定している。一方、暴風継続時間や実効雨量などの入力変数は、被害の規模や発生条件の区分に用いられるが、被害推定値の算出には直接利用されていない。各入力変数の影響評価に基づく新たな被害関数の構築により、推定精度の向上が期待される。
目　　的
設備被害データの分析と機械学習により、RAMPTの入力変数が被害推定に与える影響を明らかにし、入力変数を有効活用した新たな被害関数を提案する。
主な成果
1. 入力変数と実績被害率の相関特性の明確化
過去17年分の台風による配電設備被害データに基づき、RAMPTの入力変数と実績被害率との相関を営業所単位で評価した。従来は個別の事例を対象とした分析が主であったが、本研究では多数の事例を包括的に分析した。その結果、最大風速と暴風継続時間の相関係数が同程度に大きく、次いで最大実効雨量の相関係数が大きいことを明らかにした。
2. 被害推定における変数寄与度の順位評価
勾配ブースティング決定木で被害推定モデルを構築し、入力変数のSHAPに基づく寄与度を分析した。その結果、折損被害では最大風速、傾斜被害では最大風速と暴風継続時間、断線・混線（断混線）被害では暴風継続時間が最も大きな寄与度を示した。さらに、いずれの被害モードでも最大風速と暴風継続時間が上位を占め、最大実効雨量はそれらに次ぐ寄与度であり、相関分析の結果とも整合することを確認した。
3. 機械学習を用いた新たな被害関数の提案
機械学習を用いることで、主要な変数を直接扱い影響を連続的に反映できる被害関数を構築した。これにより、閾値に基づく離散的分類を前提とする既往被害関数の制約を克服し、実績被害率に対する適合性が向上することを示した。またCVによる評価結果から、被害推定の信頼性が高い水準にあることを明らかにした。
今後の展開
本研究を踏まえた新たな被害関数の構築によりRAMPTの高精度化を図る。

概要 （英文）

The Risk Assessment and Management system for Power lifeline - Typhoon (RAMPT) predicts the scale and affected areas of equipment damage caused by typhoons, and is utilized to support pre-disaster preparations and initial response for power restoration. The RAMPT damage function (DF) focuses on wind loads acting on utility poles during typhoons and calculates damage estimates using wind speed, wind direction, and safety factors. However, input variables such as storm duration and effective rainfall are used to classify damage scale and occurrence conditions, but they are not directly incorporated into the calculation of damage estimates. These issues indicate the need to evaluate the influence of each input variable and to develop a new DF based on these findings. This study developed a damage estimation model using machine learning with RAMPT input variables and analyzed the contribution of each input variable to the estimation results, based on accumulated typhoon-induced damage data for power distribution facilities. The results revealed that in addition to maximum wind speed, storm duration and maximum effective rainfall showed significant contributions. By employing machine learning, we proposed a DF that directly models key variables and continuously reflects their impact, overcoming limitations of conventional DFs based on threshold-based discrete classification. It also exhibits improved fit to the observed damage rate. Furthermore, cross-validation results confirmed the reliability of the predictions.

報告者

キーワード