JP2000512766A

JP2000512766A - 高電圧絶縁における部分放電測定の統計的パターン分析方法

Info

Publication number: JP2000512766A
Application number: JP10544119A
Authority: JP
Inventors: ヤツィシ，バーセン; クラーン，ジョン・レイモンド
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 1997-04-11
Filing date: 1998-04-07
Publication date: 2000-09-26
Also published as: EP0909390A2; US6192317B1; WO1998047009A3; WO1998047009A2; EP0909390A3; US6088658A

Abstract

(57)【要約】ヒストグラム相似変換測定を用いる、部分放電分析の統計的方法は、高電圧電気的絶縁の品質評価および条件モニタ方法により提供される。品質評価方法は、電気的装置内の絶縁の品質を評価するために用いられる。条件モニタ方法は、その装置の正常な運転中、絶縁の低下を識別し、壊滅的絶緑故障を予測するために用いられる。

Description

【発明の詳細な説明】高電圧絶縁における部分放電測定の統計的パターン分析方法発明の背景本発明は、電気的絶縁の品質評価および条件モニタ、より詳細には高電圧絶縁の部分放電測定の統計的パターン分析および診断に関する。部分放電（ＰＤ）分析は、高電圧絶縁システムの完全性および設計上の欠点を評価するための有用な診断方法として確立された。ＰＤパターンの解釈は、ＰＤパターン発生源および発生理由を明らかにすることができ、したがって、製造業界によって条件モニタおよび品質管理方法として使用された。高電圧電気装置のためのＰＤパターン分析は、経験的推論および伝聞情報に基づく発見的プロセスであるのがしばしばであった。この事は、高電圧回転機械で見られる絶緑システムについて特に真実である。典型的には、高電圧絶縁は、テープ、マイカ薄片、および樹脂を含む不均一複合物である。どの絶縁システムも完全ではなく、絶縁システム全体にわたってボイドおよび他の欠陥は統計的に分布する。このボイド分布によって、全絶縁システムについてのＰＤ活動のベースライン・レベルが結果として得られる。付随の放電現象は、しばしば複雑な多相事象である。「正常」、と欠陥のある絶縁システムとの間の相違を見分けるには、しばしば放電レベルの単純な動向より多くの情報が要求される。多年にわたり、絶縁についてのＰＤ結果の使用は、提示された困難なデータ処理上の問題のために非実用的であった。したがって、欠陥のある高電圧の電気装置をＰＤ事象の分析によって効率よく経済的な方法で識別することが望ましい。典型的には、費用のかかる高電圧の電気装置の使用者は、その装置が不意に故障する場合、異常な出費を被る。この装置の故障を予測できれば、その装置の使用者が、条件に基づく保守手法を用いてこのような不意の故障および付随した高コストを回避することが可能になるであろう。さらに、装置が、予定された保守後も、満足に機能していることがわかった場合には、予定された保守計画は、使用者に不要なコストを負担させることになる。したがって、その欠陥によって生じる高電圧電気装置の過大な損害および不意で経費のかかる修理を回避するために、いつ壊滅的欠陥が発生するかを予測するために、高電圧装置が稼働している時に高電圧絶縁をモニタする必要がある。高電圧装置に絶縁が施される前に、絶縁の品質を評価することによって、いつ欠陥が絶縁に存在するかを識別する必要がある。また、欠陥が検出された後、絶縁の欠陥のタイプを識別しておくことが望ましい。発明の概要本発明は、品質評価および条件モニタを含めて高電圧装置の絶縁システムの評価のためのシステムを提供することによって上記の必要に対処する。品質評価方法は、トレーニング段階中に知られている絶縁の品質の部分放電（ＰＤ）測定から代表的な品質クラスしきい値を採収することを含む。ベースラインからのこれらの品質クラス代表値および品質クラスしきい値は部分放電検定データの分析的特徴と比較して、まだ求められていない絶縁の品質を評価するために使用される。絶縁の品質の各タイプの品質クラスしきい値の代表値を求めるためにヒストグラム相似変換測定が使用される。条件モニタ方法は、高電圧装置の正常運転中の絶縁の定期的ＰＤ測定を収集することを含む。高電圧の電気装置の推定されるベースラインからのいずれかの偏差を識別するために動向分析が用いられる。図面の簡単な説明新規であると信じられる本発明の特徴は、付属の請求の範囲に特定して記載されている。しかし、さらなる目的と有利な点を含めて運用の体系と方法の両者について、本発明それ自体は、図面全体を通して同じ文字が同じ部品を表す添付の図面を使用しながら以下の説明を参照することによってもっともよく理解され得る。第１図は、本発明で使用された２次元位相分解ＰＤプロットの図である。第２図は、ＰＤ測定が取られる電圧周期の図である。第３図は、本発明で使用された１次元ＰＤプロットの図である。第４図は、本発明の品質評価方法の主要ステップの図である。第５図は、品質評価方法のトレーニング・ステップの主要ステップの図である。第６図は、品質評価方法の検定ステップの主要ステップの図である。第７図は、品質評価方法中にＰＤ測定を行うための検定構成図である。発明の詳細な説明本明細書においては、絶縁システムの品質を分析するためのヒストグラムに基づく分析を使用する統計的分類方法、および絶縁システムの条件モニタのためにヒストグラム分析を使用する統計的動向方法を含む、部分放電ＰＤパターンの知的な特徴付けおよび解釈のために２つのデータ分析方法が提示されている。高電圧装置は、たとえば高電圧発電機、モータ、変圧器、および、伝送線を含む。第１図に示されているとおり、ＰＤ測定は、水平軸２６が所定数の位相窓２８によって描かれ、垂直軸３４が、ピコファラド３２で測定された各ＰＤ事象集合２２の大きさによって描かれる２次元のＰＤプロット１０に示されている。２次元ＰＤプロット１０は、位相分解されており、すなわち、ＰＤ事象集合２２は、単一の電圧周期２０と一致する所定の間隔または位相窓２８でとられる。品質評価方法の実施中に、１組のＰＤ基準測定データ３２９（第４図）が、様々な知られた欠陥を有する高電圧装置から、および欠陥を有さない装置から得られる。代表ＰＤ測定は、これらの基準測定のおのおのから採収され、欠陥および欠陥のタイプを識別するために使用されるそれぞれのヒストグラムしきい値は、まだ求められていない絶縁と、基準ＰＤデータ集合内の代表ＰＤ測定との間のヒストグラム相似変換距離を計算することによって求められる。それぞれのヒストグラムしきい値４１８、および代表ＰＤ測定は、次にデータ・ベース４１６に蓄積されて、まだ求められていない品質を有する絶縁のためのベースラインとして使用される。まだ求められていない高電圧の絶縁が検定されると、ＰＤ測定３２２が得られ、基準ＰＤデータ３２９からのデータと比較されて、統計的距離の相違が計算される。統計的距離がヒストグラム最小しきい値４１８よりも小さい場合、高電圧絶縁は正常な運転パラメータ内にあると識別され、以後「健全な」と言及される。そうでない場合、それは欠陥のある高電圧絶縁と識別される。条件モニタ実施中には、分析検定データ３２２は定期的に得られ、連続的測定はヒストグラム相似変換尺度を用いて比較される。過去に得られた測定と比較してヒストグラム相似変換尺度に有意な逸脱がある場合、アルゴリズムは、その絶縁システムの劣化に対応する表示を発する。新たに得られたヒストグラム相似変換尺度における逸脱の量は、その絶縁システムにおける劣化の深刻さに相関させられ得る。１（ａ）ヒストグラム・タイプの測定品質評価方法と条件モニタ方法との両者において、ヒストグラム相似変換測定は使用される。ＰＤ測定２２は、１周期のソース電圧２０に関して位相窓２８によって位相分解されたＰＤ測定データにグループ化される。たとえば、１周期のソース電圧２０は、第２図に示されているとおりの６０ヘルツ信号の単一周期である。ソース電圧２０の単一周期は、前もって選択された数の位相窓２８に分割される。たとえば、２５６個の位相窓が選択される場合、各位相窓２８はソース電圧位相の約１．４度で表される。各位相窓２８は、ソース電圧２０内のその相対的位置に対応する電圧周期の約３０秒の間に、それぞれのＰＤ測定データ６４、６６、および６８を収集する。このデータは、ヒストグラム・フットプリントの基礎を形成する。１次元ヒストグラムは、第３図に示されているとおり、その水平軸としてＰＤの大きさをピコファラド３４で有し、垂直軸としてＰＤ事象回数３３を有する。ＰＤ事象集合２２は、１次元ヒストグラムにプロットされる。位相分解ＰＤプロット１０は、これらの１次元ヒストグラムの集まりとして図示されている。代替として、各位相窓２８またはＰＤの大きさ３４に対して、全発生回数、すなわち、各位相窓２８についての、またはＰＤの各大きさ３４についての個別のＰＤ事象２２の合計だけが評価される必要がある。各位相窓２８についての個別ＰＤ事象２２を合計することによって得られるヒストグラムは、位相周辺ヒストグラムかまたはＸ位相周辺ヒストグラムであり、ＰＤの各大きさについての個別ＰＤ事象を合計することによって得られるヒストグラムは、大きさ周辺ヒストグラムまたはＹ周辺ヒストグラムである。１（ｂ）ヒストグラム相似変換測定以下のヒストグラム相似変換測定、（１）標本相関関係、（２）Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ距離、および（３）カイ２乗（χ²）検定が、以前に記述したヒストグラムを処理するために、例としておよび非限定的に使用される。議論を単純化するために、これらの尺度は１次元ヒストグラム１５０について記述することにする。２次元についての説明は、いくつかの１次元ヒストグラムを用いての単純な拡張である。位相窓２８およびＰＤの大きさの正規化された結合確率質量関数は、全単一領域にヒストグラムを分割することによって計算される。確率質量関数すなわち正規化されたヒストグラムは下記の方程式１によって定義される。ただし、ｈ（ｉ）は強度が「ｉ」である事象の数であり、「Ａ」は観測集合における事象の総数であり、「Ｎ」は、単一電圧周期にわたる位相窓２８の数である。クロス相関値「ｃｒ」は以下の方程式２において定義される。ただし、μ₁は確率質量関数Ｐ（ｉ）の平均値である。Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ距離は、累積分布関数、ＫｏｌｍｏｇｏｒｏｖＳｉｍｉｒｎｏｖ距離１関数、およびＫｏｌｍｏｇｏｒｏｖＳｉｍｉｒｎｏｖ距離２関数を使用して計算される。累積分布関数は、以下の方程式３によって定義される。ただし、Ｈ_i（ｋ）は、強度「ｉ」がｋ以下であるという確率である。２つの累積分布の間のＫｏｌｍｏｇｏｒｏｖＳｉｍｉｒｎｏｖ距離１は以下の方程式４によって定義される。ＫｏｌｍｏｇｏｒｏｖＳｉｍｉｒｎｏｖ距離２は以下の方程式５によって定義される。代替として、カイ２乗検定が正規化されたヒストグラムを計算するために使用される。カイ２乗統計量は以下のとおりに記述される。ただし、Ｐ（ｉ）は、知られた確率質量であり、ｈ（ｉ）は強度「ｉ」での事団から得られるかどうかがわかることが望ましい。ｈ（ｉ）がＰ（ｉ）によって表現される母集団から得られるなら、次にＡ→∞になるにつれて、方程式（６）の総和における各項は、零平均値および単位分散を有するガウスの確率変数の２乗である。したがって、χ²はカイ２乗分布を有する確率変数である。χ²の値が大きい、たとえばχ²＞＞Ｎであるということは、Ｐｒ（χ²＞Ｃ｜Ｎ）がたいへん小さいので、ｈ（ｉ）がＰ（ｉ）によって表現される母集団から得られるということがむしろ起こり得ないことを示す。Ｐｒ（χ²＞Ｃ｜Ｎ）は、ヒストグラムにおいて、ビンとも呼ばれる「Ｎ」個の位相窓２８があり、かつｈ（ｉ）が、Ｐ（ｉ）によって表現される母集団から得られる場合に、カイ２乗統計量が少なくとも「Ｃ」であるという確率である。Ｐｒ（χ²＞Ｃ｜Ｎ）の値は、以下の不完全ガンマ関数によって計算される。２つのヒストグラムのカイ２乗検定は次に記述される。ＰＤ事象集合２２の精確な確率質量関数が確かめられないので、実施されることは、２つの測定ｈ₁（ｉ）、ｉ＝１、．．．、Ｎ、およびｈ₂（ｉ）、ｉ＝１、．．．、Ｎが、所定の確率分布関数によって同一の母集団から得られるかどうかを確かめる修正カイ２乗検定である。この場合には、カイ２乗統計量は以下によって与えられる。この実施においては、ｈ₁（ｉ）はＰＤ測定の第１ヒストグラムであり、ｈ₂（ｉ）はＰＤ測定の第２ヒストグラムである。どれかの位相窓「ｉ」について、ｈ₁ （ｉ）＝ｈ₂（ｉ）＝０である場合は、その時は対応する項は方程式（８）の総和においてはずされるということに留意のこと。２．品質評価品質評価方法は、「管理された」方法であり、すなわち、高電圧装置の絶縁の検定のための基準品質クラスのタイプおよび数が前もって決められる。その方法は、基準品質クラスの検出および識別のために使用される。検出作業は、高電圧装置が「健全な」絶縁を有しているか、または「欠陥のある」絶縁を有しているかを判定する自動的決定作業を含む。他方、識別作業は欠陥検出、およびその欠陥を知られた品質クラスのうちの１つのクラスに類別する作業を含む。多くの情報がシステムに与えられれば与えられるほど、より良好な絶縁品質推定が達成可能になる。たとえば、欠陥検出については、「健全な」絶縁システムを代表する１組のＰＤ測定だけが必要である。しかし、品質クラス識別に関しては、各品質クラスからのＰＤ測定が必要である。たとえば、以下のリストは、検出される品質クラスの集団であって、絶縁体中に分散している金属粒子、外装劣化、導体および絶縁体の積層、絶縁体／絶縁体積層、および絶縁体／外装積層を含む。これらの故障の一覧表は表１に示されている。本発明を使用したこのような品質評価の結果は、これらの３つの関連した品質クラス集団表示、「健全な」絶縁、知られた品質クラスの「欠陥のある」絶縁、およびまだ決められていない品質クラスの「欠陥のある」絶縁のうちの１つを示す。より多くの品質クラスが検出タイプの基準集合にプログラムされればされるほど、システムの識別能力は向上する。品質評価方法は、第４図の流れ図に示されているとおりにプレプロセッシング３２６、基準３１４、検定３１６、およびポストプロセッシング３１８を含める４段階を備える。プレプロセッシング段階３１２では、ＰＤ基準データ３２４は、利得の正規化、位相同調、および励起雑音抑圧のような信号条件化方法の適用を受ける可能性がある。基準段階３１４では、検出された、良好な絶縁の特性値が基準データ３２４から学習され、記憶される。学習プロセスは、基準データ３２４から特性値または品質クラス特徴を採収することと、品質クラス特徴の統計的分析とを含む。品質クラス特徴の統計的分析は、第５図に示されているとおりに、品質クラス特徴についての１組の品質クラス代表値４２０および最適決定作業規則４１４をもたらす。基準データおよび決定規則を用いて、品質クラスしきい値４１８が、各品質クラス特徴について計算される。最後に、各品質クラスのそれぞれの品質クラス代表値４２０は、それぞれの品質クラスしきい値４１８とともに、検定段階３１６中に使用するためにデータ・ベース４１６に蓄積される。検定段階３１６では、それぞれの品質クラス特徴４５２は、各検定棒から採収され、それぞれの各品質クラスの品質クラス代表値４２０と品質クラス特徴との間の統計的距離が計算される。結果として得られるそれぞれの距離４５６は、検定測定を、データ・ベース４１６に蓄積された品質クラスのうちの１つに割り当てるために、データ・ベース４１６のそれぞれの品質クラスしきい値４１８と比較される。ポストプロセッシング段階３１８では、多重ＰＤ測定からの結果は、組み合わされて信頼レベルを増大させ、確率はプロセスの精確さを数量化するために各決定に関連づけられる。４つの品質評価段階の各段階は、以下によりくわしく議論されている。２．（ａ）プレプロセッシングプレプロセッシング３２６では、基準データ３２４および分析検定データ３２２は以下の方法、すなわち、ａ）２極データから１極データに変換すること、ｂ）供給電圧２０と位相同調させること、ｃ）利得因子に関して正規化されること、およびｄ）デジタルろ過が、基準データ３２４および分析検定データ３２２における励起雑音を抑圧するために使用できること、のうちのいずれか１つによって、またはそれらの方法の多集合を組み合わせて、条件付けされる可能性がある。２．（ｂ）トレーニングトレーニング・プロセス３１４の流れ図が第５図に示されている。低回数で大きさの高いＰＤ事象は、大きさの低い高回数のＰＤ事象よりも多くの差別化情報を含んでいる。特徴採収プロセスの１実施形態では、ＰＤ事象回数の対数が計算される。追加して、高回数で大きさの低い事象の影響は、所定の、より低レベルのＰＤの大きさしきい値を設定して、この値より小さいデータを無視することによって、抑圧される可能性がある。典型的には、より低レベルのＰＤの大きさしきい値は、ＰＤの大きさ範囲の下から１０パーセントである。各品質クラスからのそれぞれの品質クラス代表値４２０は、基準データ３４２を平均することによって採収される。数学的に表現した場合、Ｒ_iに品質クラスメンバとする。次に、内部品質クラス距離は、その品質クラス代表値４２０、Ｒされたヒストグラム相似変換測定を使用して計算される。ただし、ｄはヒストグラム相似変換測定である。１Ｄ（１次元）ヒストグラム相似変換測定の場合には、距離関数は各エントリーがメンバと、それぞれの位相窓２８の基準１Ｄヒストグラムとの間の距離であるベクトルであるということに留意すること。この相違を明確にするために、１Ｄヒストグラムのための以下のベクトル記法が導入される。 ωは位相窓２８に対応し、値Ｌは、上で議諭されているとおりにソース電圧２０の単位周期にわたる位相窓２８の数に基づいて選択された。各品質クラスのための最適範囲を得るためには、各品質クラス内の距離の標本平均および標準偏差が計算される。２Ｄ（２次元）ヒストグラムについては、品質クラス内の平均値範囲および標準偏差は以下のとおりに与えられる。ただし、Ｎ_iは品質クラス「ｉ］について入手可能な標本数である。１Ｄ位相分解ヒストグラムについては、クラス内平均値範囲および標準偏差は以下によってあたえられる。次に、α単位標準偏差公差は各品質クラス範囲について許容されている。クラス内距離のガウス分布の場合には、αは典型的には、９９パーセントの信頼区間を設けるために２になるように選択されるということに留意すること。それぞれの２Ｄおよび１Ｄヒストグラムについて、品質クラス範囲は以下のとおりに与えられる。最後に、各品質クラスとして、｛Ｒ_i、τ_i｝が、品質クラス代表値４２０、および各品質クラスの品質クラスしきい値４１８としてデータ・ベースに蓄積される。２．（ｃ）検定検定段階３１６の主要ステップは第６図に示されている。分析検定データ３２２は以下のステップで使用される。まず、分析検定データ３２２は、関連の特徴を採収するのに先だった、プレプロセッシング段階３１２で議論されたステップの適用を受ける。次に、分析特徴、Ｔ、と各品質クラスＲ₁の基準値との間の距離は、上記のヒストグラム相似変換測定のうちの１つを使用して計算される。２Ｄヒストグラムについては、距離はスカラ量（方程式１７）で与えられるのに対して、１Ｄヒストグラム相似変換測定については、その距離はベクトル量（方程式１８）によって与えられる。 Δ_i＝ｄ（Ｔ，Ｒ_i）ｉ＝１，．．．，Ｃ（１７） Ω_i（ω）＝ｄ（Ｔ（ω），Ｒ_i（ω）），ω＝１，．．，Ｌ，ｉ＝１，．．，Ｃ（１８）ただし、「Ｃ」は品質クラス数である。方程式（１８）で識別されたベクトル量を品質クラスしきい値４１８と比較するために、距離の累積値が、位相窓２８に渡って方程式（１８）を適用した量を加算して計算される。次に、各品質クラスの分析特徴と品質クラス代表値４２０との間のそれぞれの距離、Δｉ、が計算される。その距離が全品質クラスしきい値４１８よりも大きい場合、検定測定は「欠陥あり」として表示される。しかし、その品質クラスは、アルゴリズムが理解するようにトレーニングされているタイプのうちの１つではない。その距離が１つ以上の品質クラスしきい値４１８よりも小さい場合、検定測定は、関連の基準値と分析特徴との間の距離が最小になる品質クラスに割り当てられる。最終的割り当てが健全な絶縁の品質クラスである場合、測定は「健全な」と表示される。この品質クラス割り当ての精確さを改善するために、分析検定データ３２２の多集合に対して検定段階３１６が反復される。分析検定データ３２２の各集合について得られた決定および各特徴の各品質クラス代表値４２０への距離は、次に、まだ決定されていない絶縁システムのおのおのについて決定するためにポストプロセッシング３１８の適用を受ける。２．（ｄ）ポストプロセッシングポストプロセッシング段階３１８には、２つの主要タスクがあり、第１には、検定段階３１６での決定が組み合わされ、第２には、品質類別の精確さを反映させるために各決定に確率が関連づけられる。１品質クラスまでの分析特徴の距離は、方程式（１７）に示されているとおりに、その品質クラスの単位標準偏差によって数量化される。これらの距離の相対的比較値が最終的決定の精確さを判定する。距離は、これらの決定を比較するために、確率分布関数にマッピングされる。分析的特徴と、品質クラスとの間の距離が、零かまたはα²などの著しく、より大きい場合、分類決定は、約１００％精確である。零距離の場合には、分析検定データ集合３２２は、確率１でその品質クラスに帰属する。α²またはより大きな距離の場合には、分析検定データ集合３２２がその品質クラスに帰属する確率は零である。１確率を、零とα²との間の距離に割り当てる場合に困難が生じる。この問題を解決するために、方程式（２０）が距離空間と確率空間との間に使用される。距離が零、すなわち、Δ＝０の場合には、確率、ｆ（Δ）、は１であり、距離がγよりも大きいか等しい場合、確率は零であることに留意すること。方程式（２０）における２つのパラメータ、すなわちγおよびβはユーザ側で制御する。パラメータγは、それを超えると、特定の品質クラスから来る測定が距離γまたはそれより大きな距離を有する確率がしきい値を制御する。この距離は、しきい値αよりも大きさが、α²単位標準偏差などのように１次数大きくしたところまで設定可能である。パラメータβは検定の枠組みの品質クラス識別力における信頼を制御する。このパラメータは、前もって選択されており、したがって、８０％以上の値が正しく類別されるはずである。ある値が８０％の品質クラス識別レベルで選択される場合、βは次の通りに与えられる。 β＝−Ｉｎ０．８／Ｉｎ（１−α／γ）（２１）または、より一般には、βを選択すること、そうすればｆ（α）は確率パーセンテージとして決定される信頼レベルに等しくなる。たとえば、ｆ（Δ）が８０％であると選択される場合、γは４であると選択される可能性があり、βは−０．３２２であると計算される。これらのパラメータは品質クラスの尤度が各分析検定集合３２２に割り当てられることを可能にする。方程式（２０）のための他の値もまた、選択されることが可能である。方程式（２０）および（２１）で定義される確率マッピング関数が本発明では使用されている一方で、たとえば、コンピュータ検索表、またはコンピュータ・プログラムで定義される１組の論理規則といった、いずれかの手法が上記の結果をもたらすために使用可能である。次に、品質クラス割り当ておよび関連した確率値は、分析検定データ集合３２２のための最終的品質クラス割り当ておよび確率値を得るために組み合わされる。このプロセスのステップは次のように要約される。確率値は各分析検定データ集合３２２に割り当てられて、データ・ベースの各品質クラスに帰属する測定の尤度を表す。「Ｍ」が測定の総数である場合に、帰属する確率であるようにすること。に帰属するという確率として定義される。分析データ集合３２２によって表される絶縁は、次に最高の全体的確率で品質クラスに割り当てられ、すなわち、ある。上記の品質評価方法の１例を提示する。以降、棒または発電機棒と記述される発電機固定子棒のいくつかの品質クラスは、いくつかのそれぞれの基準データ集合３２４として統計的モデルにプログラムされている。次に、まだ決定されていない発電機棒は、それぞれの基準データ集合３２４に基づいて評価された。結果は、以下に記述および図示されている。絶縁体に分散している金属粒子、スロット外装の劣化、コロナ抑制器の劣化（つまり、外部電圧のグレージング）、絶縁体−導体積層、絶縁体−導体（凝固）積層、および「白色」絶縁体を含めた、固定子棒のいくつかのタイプの欠陥または品質クラスが調査された。これらの各品質クラスは、製造中か稼働中かのどちらかに、品質評価か条件モニタかのどちらかに対して密接な関係を有する。ＰＤデータを確実に一貫して信頼できるものにするために、各棒は、事象の特定の順次的集合にかけられた。典型的な検定構成は、第７図に示されている。６０Ｈｚの、無コロナの供給電圧２０は、連結されたインピーダンス４７７を有して、それぞれのモデル発電機固定子棒４８９にエネルギーを与える。それぞれの固定子棒４８９は、類似型の固定子スロット４８７に配置され、固定保持される。スロット４８７は、固定子棒４８９のスロット区分にフィットするようにカットされている、アルミニウムか鉄のどちらかのプレートでできている。１．３ナノファラドのセラミック結合キャパシタ４９１が結合インピーダンスとして使用され、ＰＤ電流４８３がキャパシタに結合されている電流変成器４８１を通して流れる。データ収集の周波数帯域は、１００，０００から８００，０００ヘルツまでである。データは各ＰＤパターンについて３０秒間収集される。多重、順次パターンがそれぞれの各固定子棒４８９について収集される。さまざまなヒストグラム・タイプ相似変換測定のための品質評価方法の結果が、品質評価方法の運用例として次に提示されている。この例は、ＰＤデータを統計的に分析する２Ｄカイ２乗、相反変換、およびＫｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖの方法の比較を含む。検定標本数と、各品質クラスについて使用された基準品質クラスのタイプは表１に表で示されている。品質クラスマッチングのために、線形の、および対数尺度のＰＤデータの両者が使用された。表１各品質クラスについての検定標本数この例では、合計で９つの品質クラス（欠陥分が８つで、「健全な」絶縁分が１つ）がある。５２パターンが収集された。それぞれの基準データ集合３２４とそれぞれの品質クラスしきい値４１８が各品質クラスおよび相似変換測定について求められた。各品質クラスについての相反変換方法の品質クラスしきい値４１８は、表２に、パターンの線形および対数処理の両方について表にされている。線形しきい値は、ＰＤの大きさ３４（第１図）からのデータが線形尺度である場合に計算される。対数しきい値は、対数でのＰＤの大きさ３４に基づいて計算される。表２各品質クラスについての相関しきい値各ヒストグラム相似変換測定の「品質クラス検出」および「品質クラス識別」力が求められた。欠陥検出力は、欠陥が現存することを「検出する確率」として定義される。「識別力」は、品質クラスを正しく識別する確率である。品質クラスが識別されるはずがないのに識別された場合の、品質クラス識別は「偽陽性」である。これらの結果は、表３に要約されている。表３１Ｄ位相ヒストグラムを使用する検定段階の性能ヒストグラム相似変換分析を行う場合の好ましい実施は、表３に示されているとおりに、品質クラス検出および品質クラス識別において最善の測定を提供するので１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２の方法を使用することである。欠陥棒から得られた５５パターン集合のうち、それらすべては正しく欠陥ありと識別され、表４に示されるとおりに１００％の検出信頼レベルがもたらされた。他方、５６パターンのうち５５パターンは正しく識別され、９８％のクラス識別信頼度がもたらされる。１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２検定についての詳細な実験結果は表４に示されている信頼度行列に要約されている。この表の「ｉ番目」の行と「ｊ番目」の列の数字は、品質クラス「ｉ」からいくつの標本が品質クラス「ｊ」に類別されたかを示す。たとえば、「ＮｏＩｎｔｇｒａｄｅ」すなわち内部グレージングなしと題された行は、１標本だけが品質クラス「ＣｕＤｅｌａｍ」すなわち銅積層劣化と誤まって類別される一方で、９標本は正しく品質クラス「ＮｏＩｎｔｇｒａｄｅ」と類別されることを示す。表４１Ｄ位相ヒストグラムを使用するＫｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２検定のための信頼度行列１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ１法は、１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２法と同様の結果を提供する（表５）。それもまた、表３に示されているとおりに１００％の品質クラス検出を有する。しかし、品質クラス識別は、わずかに低下して９６％である。１検定方法は、別の検定方法よりも品質クラス識別に熟達している可能性がある。表４および５では、１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２は、グレージング無しを１件誤って識別し、１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ１は、裸銅／絶縁積層検定を１件誤って識別した。これらの誤りは、異なる統計的方法を使用する多重統計距離比較値を用いることによってさらに取り除かれる。たとえば、１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ１と１Ｄ位相Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ２の両者は、偽識別を改善するために組み合わせることが可能である。表５１Ｄ位相ヒストグラムを使用するＫｏｌｍｏｇｏｒｏｖ−Ｓｉｍｉｒｎｏｖ１検定のための信頼度行列３．条件モニタ条件モニタ方法の目的は、壊滅的故障を予測するため、多大な損害および不意の停止の回数を回避するため、および条件に基づく保守を可能にするために、システムの健全さを数量化することである。条件モニタ方法は、ＰＤ測定を定期的に取って、それらを過去のＰＤ測定と比較して統計的偏差を検出する。いちばん最近の測定におけるいずれかの有意偏差は、高電圧絶縁のＰＤ活動における変化の現れとして識別される。測定が統計的に不変のままである条件は、以降、本明細書では「定常状態条件」として識別されている。健全な絶縁システムを備える典型的発電機では、定常状態条件は約３〜６ケ月継続する。各状態の測定が不変のままである一方、それらの測定はいくつかの定常状熊に渡って、時間に依存するトレンド・ラインをたどる。条件モニタおよび故障検出システムの基礎的自明の理は、壊滅的低下が、ＰＤ活動の増大率によって顕在化されると予想されるので、前壊滅的状態中の測定は、より前の状態の動向分析から得られる予測値と一致しないということである。条件モニタ方法の実施は、以下のステップ、すなわち、１）上で議論されているとおりのプレプロセッシング、２）上で議論されているとおりの特徴の採収、３）パラメトリック動向モデルを確立すること、４）動向パラメータを推定すること、および５）前壊滅的故障を検出するためにＰＤ動向を予測することとを含む。限定しない形で例を挙げれば、高電圧機械の「定常状態条件」は、約６ケ月であり、データは、全負荷運転で毎週収集される。外部運転条件、およびＰＤ活動の物理的性質により、日々のＰＤ測定には変動および雑音がある。雑音を抑圧するには、７日間のＰＤ測定が週次ベースで平均される。ＰＤ測定は、高電圧電気装置の全負荷条件で取られる。日次の揺らぎを数量化するために、週間平均と日次測定との間の距離が測定される。次に、月間平均が４つの週次平均に基づいて計算される。次に、週次の揺らぎが月間平均に基づいて計算される。これらの揺らぎは、ＰＤ活動の短期間の振る舞いについての情報を提供する。これらの揺らぎの平均値は、装置が前壊滅的状態にない限りは定数であると推定される。次に、週次および月次平均の、所定の従前のステップとの相似変換を測定する。条件モニタのためのＰＤ測定は、典型的には、推定絶縁低下率に依存の、前もって選択された期間で取られ、したがって週次および月次の期間はいずれかの他の時間間隔も可能である。予測される壊滅的故障を判定するために使用される統計的分析は、条件モニタに基づいており、以下のとおりである。およびＤ^w（τ）は、τ離れた測定、すなわち、ととの間の距離であるようにすること。ただし、距離ｄは従前に導入されたヒストグラム相似変換測定の１つである。典型的には、遅れの時間τが増大するにつれて、測定間の距離は増大する。したがって、距離値は、以下の形式のトレンド・ライン・モデルに適合する。およびただし、Ｎ^m（τ）、Ｎ^w（τ）、τ＝１、２、３、．．．Ｔは、ガウスの零平均単位分散白色雑音確率過程であり、ρ^mおよびρ^wは、それぞれがＤ^m（τ）およびＤ^w（τ）の分散である。「Ｔ」は、最近のＰＤ測定の前の所定数のＰＤ測定を表現する数である。たとえば、「Ｔ」は、最近測定されたステップからの５ステップである可能性がある。方程式（２６）および方程式（２７）が線形モデルとして表現されている一方で、方程式（２８）および（２９）に提示されている形式のそれぞれの双曲線モデルまたは対数線形モデルなどの他のモデルが使用される可能性がある。およびパラメータＡとパラメータαの両者は、部分放電活動が変化する率を制御するという点に留意すること。Ａが第１次多項式変化を数量化する一方で、αは、いずれの多項式よりも速いが、しかし、指数変化よりも小さな変化を数量化する。パラメータＡおよびパラメータαによって識別されたとおりに増大率を制御するパラメータは「動向率」として識別される。パラメータＢおよびパラメータβは連続するＰＤ測定の間の一定距離を求める。パラメータＢおよびパラメータβは、「動向定数」として識別される。プロセスの分散は、「動向分散」として識別される。動向率が一定しているうちの条件は、「定常状態条件」として識別されるものとする。週間および月間平均の「動向率」および「動向分散」は増大すると推定され、正常な増大ＰＤ活動を示す。しかし、これらのパラメータの増大は、絶縁システムが依然として比較的健全である場合には、線形であると推定される。時間的相違τおよび距離Ｄ^w（τ）が統計的に独立している場合には、動向率推定値はほぼ零であろうことに留意すること。次の議論は、線形月次モデルに基づいているが、上記で識別されたトレンド・ライン・モデルのいずれもが線形月次モデルに対して代替される可能性がある。３（ａ）動向パラメータの推定モデルのパラメータは、典型的には線形または対数線形最小２乗法を用いて推定される。たとえば、線形月次モデルは、以下の公式に基づく推定パラメータを提供する。３（ｂ）予測される部分放電活動未決定の状態を検出するためには、「動向率」は、過去のＰＤ測定に基づいて推定され、その新たな測定から推定されるＰＤ測定と比較されなければならない。そのプロセスの分散が知られている場合、「動向率」推定は以下のガウス分布をする。ｔ−分布する。したがって、（１００−２Ｐ）％の壊滅的信頼区間は、以下に与えられる。ただし、ｔ_cは、Ｔ−２の自由度でのｔ−分布については、ｔ＞ｔ_cになるＰ％の偶然性があるというふうである。同様に、知られたプロセス分散については「動向定数」推定値は、以下のガウス分布をする。まだ求められていないρ^mについては、動向定数推定値はＴ−２の自由度でｔ −分布する。したがって、（１００−２Ｐ）％の壊滅的信頼区間は以下によって与えられる。ただし、Ｐは、所期の信頼レベルを提供するための所定の数である。たとえば、０．５という「Ｐ」値は、９９％の信頼レベルを提供する。未来の部分放電測度ステップは、方程式（３７）で定義されるトレンド・ライン・モードから得られる可能性がある。８）の公式に基づくガウス分布を有する。００−２Ｐ）％の信頼区間は以下によって与えられる。条件モニタ方法のステップは次のように要約される。ステップ１．ＰＤ測定の「Ｚ」数を収集して、Ｔが測定数「Ｚ」よりも小さい値である場合にＴ以下である各τについて、いちばん最近の測定からτステップの逆部分放電測定への距離を計算すること。ステップ２．方程式（２６）〜（２９）に示されているとおりに、距離Ｄ^m （τ）とＤ^w（τ）との間のパラメトリック動向関係、および時間遅れτを形成すること。ステップ３．方程式（３３）−（３６）に記述されているとおりに動向パラメータを推定すること。ステップ４．方程式（３７）に記述されているとおりに未来の部分放電活動の次のステップを予測すること。ステップ５．次の部分放電測定を収集し、方程式（２４）または（２５）に記述されているとおりに１ステップの相違を計算すること。ステップ６．実際の１ステップ距離と予測距離との間の差を方程式（３９）に記述されている値と比較すること。実際の１ステップ距離が認められる限界内にある場合、新たな測定を用いて動向パラメータ推定を更新すること。そうでない場合には、絶縁システムの条件変更の潜在性を示すものとしてその測定にタグをつけること。絶縁システムの条件変更表示を確実にするための幾度か予測−比較手順を反復すること。ステップ７．新たな条件について、新たな動向パラメータを推定すること。ステップ８．方程式（３４）および（３６）を用いて、新たな「動向率」および定数を、従前の「動向率」および定数と比較すること。両者とも、方程式（３４）および（３６）に記述されている値を超える場合、測定された絶縁の潜在的な前破壊的条件を表す表示を行うこと。前壊滅的条件を検証するための観測を反復すること。本節で定義されたとおりの条件モニタ・プロセスは、内在する壊滅的絶縁故障を予測するために、高電圧電気装置をモニタする方法を提供する。本発明は、したがって、稼働中の高電圧装置内の電気的絶縁を条件に基づいてモニタする必要をなくす。本発明が、特許法令にしたがって、本明細書のなかで図示され、記述されているが、本発明の精神と範囲から逸脱することなく、開示されている実施形態に修正および変更が可能であることが、当業者には明らかであろう。したがって、付属の請求の範囲は、本発明の真の精神の内に入るようなすべての修正および変更をカバーすることが意図されているということが理解されなければならない。

Claims

【特許請求の範囲】１．部分放電測定を用いて高電圧装置における電気的絶縁の品質評価の統計的方法であって、以下のステップ、すなわち、まだ求められていない絶縁品質を有する前記高電圧装置の部分放電測定から、１組のヒストグラムに基づく分析特徴を得ること、前記のまだ求められていない絶縁の品質確率を計算するために、前記分析特徴を複数の絶縁条件を有する複数の基準品質クラス代表値と比較すること、前記分析特徴の前記のそれぞれの基準品質クラス特徴のおのおのへの統計的距離を分析することによって前記のまだ求められていない絶縁のための前記の選択された品質クラスに１確立を割り当てること、とを含む方法。２．品質評価の統計的方法であって、第１の基準値集合が少なくとも健全な絶縁システムからのデータを備え、第２基準値集合が少なくとも欠陥絶縁システムからのデータを備えるというように、少なくとも２組の前記基準部分放電測定を得て、前記の基準部分放電データ集合のおのおのからそれぞれ少なくとも１つの品質クラスを採収するために、前記の基準データ集合を処理し、前記のそれぞれの品質クラス特徴のおのおののために品質クラス代表値および品質クラスしきい値を計算することをさらに含む請求項１に記載の方法。３．品質評価の統計的方法であって、前記の分析特徴と、前記のそれぞれの基準品質クラス代表値のおのおのとの間のそれぞれの統計的距離を計算し、前記の統計的距離の少なくとも１つが、前記品質クラスしきい値内にある場合に、前記のそれぞれの品質クラスのうちの少なくとも１つと一致していることを識別するために、前記のそれぞれの統計的距離のおのおのと、前記の品質クラスしきい値のおのおのとを比較することによって、前記のまだ求められていない絶縁の分析的特徴を分類するステップをさらに含む請求項１に記載の方法。４．前記のまだ求められていない絶縁からの部分放電装置測定の多重集合を評価することによって前記のそれぞれの信頼レベルが求められる信頼レベルを、前記の選択された品質クラスのおのおののそれぞれについて求めるステップをさらに含む請求項３に記載の品質評価の統計的方法。５．品質評価の統計的方法であって、１組の分析的特徴を得るステップが、供給電圧周期を所定の位相窓数に分割し、前記部分放電データが、複数の前記供給電圧周期にわたって収集される前記部分放電測定のヒストグラムをまだ求められていない絶縁から得るステップをさらに含むことを特徴とする請求項４に記載の方法。６．品質評価の統計的方法であって、前記部分放電ヒストグラムの位相を、前記供給電圧の単一周期にわたって同調させ、前記部分放電ヒストグラムの部分放電の大きさを正規化し、前記部分放電ヒストグラムから励起雑音を除去するステップをさらに含む請求項５に記載の方法。７．低い大きさの高部分放電事象数を最小にするために、前記部分放電データの大きさの対数をとるステップをさらに含む請求項６に記載の品質評価の統計的方法。８．前記部分放電測定にわたって前記のそれぞれの基準品質クラスのおのおのから採収された前記のそれぞれの基準品質クラス特徴のおのおのの基準標本平均値を計算するステップをさらに含む請求項７に記載の品質評価の統計的方法。９．前記分析的特徴と、各基準品質クラス代表値との間のＫｏｌｍｏｇｏｒｏｖＳｉｍｉｒｎｏｖ距離を計算するステップをさらに含む請求項８に記載の品質評価の統計的方法。１０．前記のそれぞれの分析的特徴と、前記品質クラス代表値のおのおのとの間のカイ２乗距離を計算するステップをさらに含む請求項８に記載の品質評価の統計的方法。１１．前記のそれぞれの分析的特徴と、前記品質クラス代表値のおのおのとの間の相反変換距離を計算するステップをさらに含む請求項８に記載の品質評価の統計的方法。１２．各前記品質クラスについて、前記のそれぞれの分析的特徴のおのおのと前記品質クラス代表値との前記統計的距離の平均および分散を計算するステップをさらに含む請求項１１に記載の品質評価の統計的方法。１３．減少距離関数に基づいて下記平均尤度確率を求めるために、前記のそれぞれの分析的特徴のおのおのと前記品質クラス代表値との間の距離を写像することにより、平均尤度確率を前記の選択された品質クラスに割り当てるステップをさらに含む請求項１２に記載の品質評価の統計的方法。１４．前記の選択された品質クラスの信頼性を向上させるために、前記のそれぞれの平均尤度確率のおのおのを平均し、前記のまだ求められていない絶縁と一致する前記平均尤度確率にもっとも類似の前記品質クラスを割り当てるステップをさらに含む請求項１３に記載の品質評価の統計的方法。１５．品質評価の統計的方法であって、以下のステップ、すなわち、前記供給電圧周期を所定数の位相窓に分割し、ヒストグラム軸が部分放電の大きさを備えることを特徴とする部分放電事象数の１次元ヒストグラムを前記位相窓のおのおのについて、所定数の前記供給電圧周期にわたって形成するステップをさらに含む請求項１４に記載の品質評価の統計的方法。１６．前記ヒストグラム軸が前記の所定数の位相窓に分割される１次元ヒストグラムを形成するステップをさらに含む請求項１５に記載の品質評価の統計的方法。１７．ヒストグラム軸が前記部分放電の大きさを備え、部分放電事象数の１次元ヒストグラムを所定数の前記供給電圧周期にわたって形成するステップをさらに含む請求項１５に記載の品質評価の統計的方法。１８．部分放電測定を用いて高電圧装置における電気的絶縁条件モニタを行う統計的方法であって、以下のステップ、すなわち、複数の部分放電測定に基づいて、まだ求められていない絶縁の少なくとも１つの分析的特徴を計算し、前記分析的特徴の複数の以前に求められた動向パラメータに基づいて得られる線形トレンド・ラインに基づいて前記の少なくとも１つの分析的特徴の動向パラメータを推定し、前記トレンド・ラインに関して、前記分析的特徴の、推定の分析的特徴統計的距離を予測し、前記のまだ求められていない絶縁の条件が変化したかどうかを判定するために、前記の予測された分析的特徴の統計的距離を現実の分析的特徴の統計的距離と比較することを含む方法。１９．品質評価の統計的方法であって、コンピュータ操作のために前記部分放電測定を条件付けし、まだ求められていない絶縁を有する前記高電圧装置から、前記のまだ求められていない絶縁の少なくとも１つの前記の分析的特徴を計算するために、複数の部分放電測定を得る、ステップをさらに含む請求項１８に記載の条件モニタを行う統計的方法。２０．前記分析的特徴の以前に求められた動向パラメータに対応して得られる放物線トレンド・ラインに基づいて前記の分析的特徴の前記動向パラメータを推定するステップをさらに含む請求項１９に記載の条件モニタを行う統計的方法。２１．前記分析的特徴の以前に求められた動向パラメータに対応して得られる放物線トレンド・ラインに基づいて前記の分析的特徴の前記動向パラメータを推定するステップをさらに含む請求項１８に記載の条件モニタを行う統計的方法。２２．前記分析的特徴の以前に求められた動向パラメータに対応して得られる対数線形トレンド・ラインに基づいて前記の分析的特徴の前記動向パラメータを推定するステップをさらに含む請求項１８に記載の条件モニタを行う統計的方法。２３．測定される統計的距離が、正常の運転限界の外にある場合に、条件信号に変化を生むステップをさらに含む請求項１８に記載の条件モニタを行う統計的方法。２４．品質評価の統計的方法であって、供給電圧の単一周期に渡る前記部分放電測定の位相を同調させ、前記部分放電測定の部分放電の大きさを正規化し、前記部分放電測定から励起雑音を除去するステップをさらに含む請求項１８に記載の条件モニタを行う統計的方法。２５．低い大きさの高部分放電事象数を最小にするために、前記部分放電データの大きさの対数をとるステップをさらに含む請求項２４に記載の条件モニタを行う統計的方法。２６．最近に計算された前記動向パラメータを前記動向パラメータのうち以前に計算されたものと比較するステップをさらに含む請求項２５に記載の条件モニタを行う統計的方法。２７．前記動向パラメータのうち複数の以前のものと現在の前記動向パラメータとにおける相違が壊滅的信頼区間値よりも大きい場合に前壊滅的絶縁信号を発するステップをさらに含む請求項２６に記載の条件モニタを行う統計的方法。