JP3201959B2 - 部分放電測定方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は電力ケーブルの部分
放電測定方法に関し、特に本発明はニューラルネットワ
ークを使用して精度よく部分放電の有無を判断すること
ができる部分放電測定方法に関するものである。

【０００２】

【従来の技術】電力ケーブルの部分放電を測定しようと
する場合、例えばオシロスコープによりケーブルに課電
している電圧位相と測定信号を同時に観測し、観測され
たパルス信号と電圧位相の関係から部分放電を判断する
手法が用いられる。これは、部分放電パルスは電圧位相
φと強い相関があり、そのほとんどは、図１６に示すよ
うに、第１象限（０°〜９０°）と第３象限（１８０°
〜２７０°）を中心に発生することがわかっているから
である。

【０００３】また、上記関係を利用して、測定パルスの
電荷量ｑと課電位相φと単位頻度ｎからφ−ｑ−ｎパタ
ーンを作成し、このφ−ｑ−ｎパターンを予め部分放電
パルスのφ−ｑ−ｎを学習させたニューラルネットワー
クに入力して部分放電の有無を判断させる方法が知られ
ている（例えば、特開平５−２５６８９５号公報参
照）。

【０００４】図１７は上記φ−ｑ−ｎパターンの一例を
示す図である。同図に示すように、位相角度および電荷
量軸を複数に分割し（同図では例えば位相角度を２０分
割、電荷量軸を１０分割している）、位相φ−電荷量ｑ
を複数のセル（同図では２０×１０＝２００セル）で表
し、各セルの値に、発生数ｎ（又は発生頻度）を割り当
てる。ニューラルネットワークとしては、例えば図１８
に示すように入力層Ｕｉ、中間層Ｕｍ、出力層Ｕｏを持
つ３層のニューラルネットワークを用い、上記各セルを
ニューラルネットワークの入力層の各セルＵｉ１〜Ｕｉ
ｎに対応させ、各入力層のセルＵｉ１〜Ｕｉｎに上記発
生数ｎ（又は発生頻度）を入力する。上記ニューラルネ
ットワークの入力層、出力層に、予めφ−ｑ−ｎパター
ンと部分放電の有無を与えて学習させておけば、ニュー
ラルネットワークにφ−ｑ−ｎパターンを与えることに
より、部分放電の有無を判別することができる。

【０００５】

【発明が解決しようとする課題】オシロスコープ等によ
りケーブルに課電している電圧位相と測定信号を同時に
観測し、観測されたパルス信号と電圧位相の関係から部
分放電を判断する手法は、測定技術およびその判断に熟
練が必要となり、部分放電測定に熟練した測定者が必要
となるといった問題がある。また、上記したφ−ｑ−ｎ
パターンをニューラルネットワークに入力し部分放電を
判断する手法は、部分放電の大きさｑと発生位相φの情
報を所定の時間分まとめて発生頻度ｎとしてパターン化
しており、発生位相角度の時間的変化の情報が失われて
いる。

【０００６】したがって、発生位相角度の時間的変化の
情報が失われたφ−ｑ−ｎパターンでは、誤った判断を
する場合があり信頼性の点で問題がある。さらに、上記
したφ−ｑ−ｎパターンをニューラルネットワークに入
力し部分放電を判断する場合には、様々な測定信号に対
応させるために数多くのデータを学習させる必要があ
り、曖昧なニューラルネットワークを作成することとな
る。このため、ニューラルネットワークが誤った判断を
する場合が生じ、信頼性の点で問題になる場合がある。

【０００７】本発明は上記した従来技術の問題点を解決
するためになされたものであって、本発明の第１の目的
は、熟練した測定者を必要とせず、簡単に高い判定精度
で部分放電判定を行うことができる信頼性が高い部分放
電測定方法を提供することである。本発明の第２の目的
は、部分放電に特有な時間的変化の特徴を失うことな
く、測定信号パターンを作成することができ、これらの
測定信号パターンから部分放電の発生を確実に判断する
ことができる部分放電測定方法を提供することである。
本発明の第３の目的は、φ−ｑ−ｎデータから分類特性
値を算出してグループ分けし、各グループにそれぞれ対
応した部分放電判定手法を用いて部分放電を判定するこ
とにより、確度の高い部分放電判定を行うことができる
部分放電測定方法を提供することである。

【０００８】

【課題を解決するための手段】図１、図２は本発明によ
る部分放電測定方法を説明する図であり、本発明におい
ては下記(a)(b)のようにして部分放電の判定を行う。次
に、図１、図２により本発明における部分放電測定につ
いて説明する。

【０００９】(a) φ−ｑ−ｔデータを用いた部分放電の
判定 図１は本発明におけるφ−ｑ−ｔデータを用いた部分放
電判定を説明する図である。電力ケーブルに取り付けた
部分放電検出器により検出した測定信号をサイクル単位
で保存する。そして、保存されたサイクル毎の放電電荷
量の大きさと発生位相情報を時系列的に羅列させ、課電
位相に対する測定信号の電荷量の大きさおよび発生位相
角を示す３次元のφ−ｑ−ｔデータを作成する。

【００１０】φ−ｑ−ｔデータは、一般的にはＸ軸に課
電位相（３６０°）を、Ｙ軸には課電サイクル数を、Ｚ
軸には放電電荷量の大きさを対応させるが、任意の軸に
対応させてもよい。図１Ａに部分放電の３次元φ−ｑ−
ｔデータの一例を示す。なお、同図では、放電電荷量の
大きさ（Ｚ軸）を濃淡で示しているが、放電電荷量の大
きさを色の変化で示せばより分かりやすく表現すること
ができる。上記のようにして得た３次元φ−ｑ−ｔデー
タからニューラルネットワークＮｕ１へ入力する測定信
号φ−ｑ−ｔパターンを作成する。そのため、上記３次
元φ−ｑ−ｔデータの課電位相角度（Ｘ軸）、課電サイ
クル数（Ｙ軸）、放電電荷量軸（Ｚ軸）を前記図１７に
示したように分割する。

【００１１】ここで、本発明の主な特徴は、発生位相角
度の時間的変化の特徴を失わないようにデータ処理する
ことにある。したがって、発生位相角度の時間的変化の
特徴を保つためには、Ｘ軸とＹ軸についてはある程度の
分割数が必要となるが、Ｚ軸の分割数についてはあまり
重要とはならない。すなわち、Ｘ軸の課電位相は数１０
〜数１００程度に分割するのが望ましく、Ｙ軸のサイク
ル数は、通常サイクル単位で分けるのが望ましいが、場
合によっては複数サイクルまとめても構わない。

【００１２】上記のようにして分割したＸ，Ｙ軸の各分
割単位に囲まれた領域をセルとすれば、各セルがニュー
ラルネットワークＮｕ１の入力層Ｕｉの各セルに対応
し、入力層Ｕｉの各セルに入力する値が放電電荷量の大
きさに対応する。なお、簡略的に部分放電電荷量を２分
割とした場合には、ニューラルネットワークのセルに入
力する値は０又は１となる。０はそのセルに信号がない
場合（もしくは所定値以上の信号でない場合）、１はそ
のセルに信号がある場合（もしくは所定値以上の信号が
ある場合）に対応することとなる。また、各セルに複数
の信号が含まれる場合が生じる。しかし、上述したよう
に、Ｘ軸とＹ軸は発生位相角度の時間的変化の特徴が保
たれるような分割数に設定してあることから、複数の信
号が含まれる割合は少なく、仮に複数の測定信号が存在
しても、それらをどの様な方法でまとめてもよい。

【００１３】図１Ｂにφ−ｑ−ｔデータをパターン化し
た例を示す。同図では、Ｘ軸（課電位相角度）は１８°
を分割単位として２０分割とし、Ｙ軸（課電サイクル
数）は、２サイクルを分割単位として２５単位としてい
る。また、Ｚ軸（放電電荷量の大きさ）は、測定レベル
ＳとノイズレベルＮの比率でＳ／Ｎ＝２をしきい値とす
る２分割とし、信号があれば１（同図中ではセルを塗り
つぶしている）、それ以外は０とした。図１Ｂから明ら
かなように、パターン化した後においても発生位相角度
の時間的変化の特徴は保たれている。

【００１４】ニューラルネットネットワークにはいくつ
もの種類があり、どれを使用してもかまわないが、通常
はバックプロパゲーションを使用した図１に示す３層型
（入力層、中間層、出力層）のものを用いるのがよい。
学習させるにはジグモイド関数を使用し、また、未知の
データに対しても判定精度をよくするため、あらかじめ
学習データには誤差をのせて学習させる方法がよい。

【００１５】学習データには実際に発生した部分放電信
号のデータを用いるのが最もよいが、場合によっては部
分放電信号の特徴を持つように作成してもよい。いずれ
にしても実際に発生した部分放電信号あるいは部分放電
信号の特徴をもつφ−ｑ−ｔデータから前記したような
方法により発生位相角度と時間的変化の特徴を失わない
ように部分放電のφ−ｑ−ｔパターンを作成し、これら
のパターンによりニューラルネットワークＮｕ１を学習
させておく。学習の済んだニューラルネットワークに、
前記したように測定信号から得たφ−ｑ−ｔパターンを
入力することにより、ニューラルネットワークの出力層
から部分放電の有無を示す信号を得ることができ、精度
よく部分放電の有無を判断させることができる。

【００１６】(b) 測定信号のグループ化による部分放電
判定 図２は測定信号のグループ化による部分放電判定を説明
する図である。電力ケーブルに取り付けた部分放電検出
器により得た部分放電信号と課電位相から、放電電荷量
ｑ、発生位相角度φ、発生数または発生頻度ｎを求め
る。そして、図２（ａ）に示すように、これらの値から
分類特性値を計算する。分類特性値は、グループ分けの
指標となるため、測定信号データの特徴を集約した値と
なることが望ましい。したがって、ｑ、φ、ｎから少な
くとも２つ以上の値を用いて統計的手法によって計算す
る。

【００１７】実際の特性値は、計算で求めた値であれば
どのような特性値を用いても構わないが、例えば、放電
電荷量の平均変動、放電電荷量の分散変動、発生位相角
の平均変動、発生位相角の分散変動、発生数の変動とい
った特性値を使用することが望ましい。そして、これら
の分類特性値に基づいて、図２（ａ）に示すように測定
信号データを幾つかのグループＧｒ１〜Ｇｒｎに分類す
る。分類グループは、予め目的別に作成しておく。部分
放電の有無を判別することが主な目的であれば、部分放
電グループ、ノイズグループ、そして、部分放電とノイ
ズが混在するグループの３種類となる。

【００１８】また、部分放電の発生要因を判別すること
が主な目的であれば、想定される欠陥の種類によってグ
ループを作成する。また、部分放電劣化の程度を判定す
るのが主な目的であれば、劣化の進行状況に応じてグル
ープを作成する。いずれにしても、部分放電特性が異な
る幾つかのグループを作成しておく。グループの作成に
あたっては、できるだけ多くの測定の目的に応じた部分
放電データとノイズデータを集めて、各データの分類用
特性値を計算し、この特性値をもとにグループ分けを行
う。グループを作成するときに使用する分類手法として
はクラスター分類方法が望ましいが、これ以外の分類手
法を使用してもかまわない。

【００１９】一方、測定データを上記のようにして作成
したグループに分類する方法は、どの様な方法でも構わ
ないが、図２（ｂ）に示すようにニューラルネットワー
クＮｕ２を利用する方法が簡便である。そのため、上記
のようにグループ分けされた各グループのデータから代
表的なデータを選び、分類特性値を求め、図２（ｂ）に
示すニューラルネットワークＮｕ２の学習データとす
る。そして、ニューラルネットワークＮｕ２の入力層に
分類用特性値、出力層にグループを与えて学習させ、分
類判定用ニューラルネットワークＮｕ２を作成する。こ
の分類判定用ニューラルネットワークＮｕ２に測定デー
タから計算した分類用特性値を入力し、出力された値に
よって測定データを各グループＧｒ１〜Ｇｒｎに分類す
る。

【００２０】次に、図２（ｃ）に示すように各グループ
に分類された測定信号を、各グループに対応する部分放
電判別手段Ｄ１〜Ｄｎに入力し、測定信号が部分放電か
ノイズであるかを判定させる。上記部分放電判定手段Ｄ
１〜Ｄｎについても、ニューラルネットワークを利用す
る方法が簡便である。学習データは、各グループの代表
的なデータから計算した特性値を使用することが望まし
いが、他の計算方法による値を用いてもよい。この学習
データを元に、出力値を例えば部分放電とノイズに対応
させたニューラルネットワークをグループ毎に作成す
る。

【００２１】分類された測定用データは、それぞれの部
分放電判定用ニューラルネットワークに入力され、出力
された値によって部分放電かノイズであるかを判定す
る。また、判定手法としては、カオス、ウェーブレッ
ト、ファジイ、主成分分析等の統計的計算のいずれの方
法を使用してもかまわないし、また、これらの手法を組
み合わせて使用してもよい。さらに、上記(b) の手法に
前記した(a) の手法を追加し、(b) の手法により得た結
果について、前記(a) のφ−ｑ−ｔパターンを利用した
ニューラルネットワークを用いて部分放電とノイズを判
定することにより、さらに精度よく部分放電判定を行う
ことができる。

【００２２】以上のように本発明においては次のように
して前記課題を解決する。 （１）電力ケーブルの部分放電を測定する方法におい
て、測定された信号の発生位相角度φと放電電荷量の大
きさｑを、１乃至複数の課電位相サイクルｔ毎に時系列
的に羅列させたφ−ｑ−ｔパターンを作成し、予め部分
放電信号のφ−ｑ−ｔパターンを学習させたニューラル
ネットワークに上記測定信号より得たφ−ｑ−ｔパター
ンを入力し、部分放電信号の有無を判断させる。

【００２３】（２）電力ケーブルの部分放電を測定する
方法において、測定された信号のうち、所定の放電電荷
量の大きさ以上の信号が発生した位相角度φを、１乃至
複数の課電位相サイクル毎に課電位相サイクルｔ毎に時
系列に羅列させてφ−ｔパターンを作成し、予め部分放
電信号のφ−ｔパターンを学習させたニューラルネット
ワークに上記測定信号を入力し部分放電の有無を判断さ
せる。

【００２４】（３）電力ケーブルの部分放電を測定する
方法において、放電電荷量ｑ、発生位相角度φ、発生数
ｎの中から、少なくとも２つ以上の値を用いて統計的手
法により分類用特性値を計算し、上記特性値に基づい
て、上記測定信号を少なくとも２つ以上のグループに分
類し、上記分類結果を用いて部分放電判定を行う。

【００２５】（４）上記（３）において、グループを、
部分放電グループ、ノイズグループ、部分放電とノイズ
が混在するグループのうち２以上のグループとする。

【００２６】（５）電力ケーブルの部分放電を測定する
方法において、放電電荷量ｑ、発生位相角度φ、発生数
ｎの中から、少なくとも２つ以上の値を用いて統計的手
法により分類用特性値を計算し、上記特性値に基づい
て、上記測定信号を少なくとも２つ以上のグループに分
類し、上記分類結果を用いて部分放電判定を行うととも
に、上記部分放電判定結果に対応した学習用φ−ｑ−ｔ
パターンを上記部分放電判定結果に対応させて用意した
ニューラルネットワークに入力して学習させ、測定され
た信号の発生位相角度φと放電電荷量の大きさｑを、課
電位相サイクルｔ毎に時系列的に羅列させたφ−ｑ−ｔ
パターンを作成し、測定された信号の発生位相角度φと
放電電荷量の大きさｑを、課電位相サイクルｔ毎に時系
列的に羅列させたφ−ｑ−ｔパターンを作成し、上記そ
れぞれのニューラルネットワークに上記部分放電判定結
果を得たφ−ｑ−ｔパターンを入力し、上記ニューラル
ネットワークにより上記分類結果を用いて行った部分放
電の判定結果を評価する。

【００２７】本発明の請求項１〜２の発明においては、
上記（１）〜（２）のように、測定信号と課電位相から
測定信号のφ−ｑ−ｔパターンを作成し、発生位相角度
の時間的変化の特徴を失っていないこれらの測定信号パ
ターンを予め部分放電パターンの学習を済ませたニュー
ラルネットワークに入力し部分放電判定を行っているの
で、部分放電の有無を正確に判断することができる。こ
のため、熟練した測定者を必要とせず、部分放電の判定
を簡単に行うことができる。

【００２８】本発明の請求項３〜４に発明においては、
上記（３）〜（４）のように、測定信号と課電位相信号
からφ、ｑ、ｎを算出して、φ、ｑ、ｎを用いて統計的
手法により分類用特性値を計算し、この特性値をもとに
予め測定の目的に応じて作成したグループに分類し、各
グループに対応した各グループ専用の部分放電判定手段
により部分放電の有無を判定させているので、判定精度
の高い部分放電判定を行うことができる。本発明の請求
項５の発明においては、上記（５）のように構成したの
で、さらに高精度な部分放電判定を行うことができる。

【００２９】

【発明の実施の形態】図３は本発明の実施例の測定回路
の構成を示す図であり、本実施例においては、２２ｋＶ
ＣＶケーブル（絶縁厚６ｍｍ）を用いて模擬的に欠陥を
作り課電試験を実施した。同図において、１はＣＶケー
ブル、２ａ，２ｂは気中端末部、３は結合コンデンサ、
４ａ，４ｂは部分放電検出器である。また、９は電力ケ
ーブルに設けられた模擬欠陥部である。本実施例におい
て、模擬欠陥部９は部分放電の発生を容易にするため、
ケーブルシースおよび遮蔽層の一部をはぎ取り、外部導
電層を露出させ、その外部導電層上から絶縁体中にトリ
ーイング針を約１ｍｍ差し込んだ。

【００３０】５はバランサー、６は部分放電測定器であ
り、部分放電検出器４ａ，４ｂの出力はバランサー５を
介して部分放電測定器６に入力され、部分放電測定器６
により測定された部分放電測定信号は課電位相信号８と
ともにデジタル信号に変換されデジタルメモリ７に格納
される。１０はパソコンであり、パソコン１０は上記部
分放電測定信号と課電位相に基づき、以下説明するよう
にして部分放電判定を行う。１１はディスプレイ装置で
あり、パソコン１０により求めた、φ−ｑ−ｎグラフ、
φ−ｑ−ｔグラフ、部分放電判定結果等を表示する。ま
た、１２は課電トランスである。

【００３１】次に上記試験回路を使用した本発明の実施
例について説明する。 （１）φ−ｑ−ｔデータを用いた部分放電判定 (i) 実施例１ 図３の試験回路において、課電電圧４０ｋＶで部分放電
が発生していることを確認し、この時の測定信号と課電
位相信号をデジタルメモリ７に取り込む。次に、デジタ
ルメモリ内のデータをパソコン１０に読み出して、部分
放電信号パターンを２０件作成し、パソコン１０のソフ
トウェアで実現したニューラルネットワークの学習デー
タとした。パターンの位相軸分割数は、図４（ａ）に示
すように２０分割（分割単位：１８°）とし、時間軸は
５０サイクルを２５分割（分割単位、２サイクル）とし
た。そして、測定された信号を、信号レベルＳと信号レ
ベルＮの比率で、Ｓ／Ｎ＝２をしきい値とする２分割と
して、各セルにそれ以上の測定信号が含まれていた場合
を１とし、含まれていない場合を０として、図４（ｂ）
に示すφ−ｑ−ｔパターンを作成した。

【００３２】ニューラルネットワークはバックプロパゲ
ーションを使用した３層型（入力層、中間層、出力層）
のものを使用した。そして図５に示すように、入力層Ｕ
ｉの数は位相軸分割数に時間軸分割数を乗じた５００個
とし、また、中間層Ｕｍの数を５０個とし、出力層Ｕｏ
の数を２個とした。学習はシグモイド関数を使用し、未
知のデータに対しても判定精度をよくするため、予め学
習データには１０％程度の誤差をのせてバックプロパゲ
ーション法により５００００回学習させた。また、課電
を行っていないときに検出されたノイズ信号について
も、同様にパターン化してニューラルネットワークに部
分放電なしとして学習させた。

【００３３】次に、６ｋＶの電力ケーブルサンプル５本
の課電試験を実施し、部分放電測定器で測定した信号を
上記のようにして学習させたニューラルネットワークに
入力して、部分放電の有無を判定させた。課電方法およ
び測定方法は、図３と同様であるが、模擬欠陥部９は設
けていない。課電試験は１０ｋＶ／５分ステップで昇圧
させ、１００ｋＶを上限電圧とした。各電圧ステップに
おいて、ニューラルネットワークにより部分放電判定を
行い、部分放電が判定された場合は、課電を中止した。
試験結果は次の表１のようになった。

【００３４】

【表１】

【００３５】ニューラルネットワークによる部分放電判
定の結果、Ｎｏ．１〜Ｎｏ．３およびＮｏ．５は上限電
圧１００ｋＶで部分放電無しと判定された。Ｎｏ．４
は、８０ｋＶにおいて部分放電有りと判定され、課電を
中止した。その後、Ｎｏ．４のサンプルについて調査し
たところ、絶縁体に外傷の存在が確認された。

【００３６】(ii)実施例２ 現場に布設された２７５ｋＶ級ＣＶケーブル線路の運用
時および運用休止時（無課電時）に部分放電信号の測定
を行い、本発明による方法を実施した。また、同時に従
来のφ−ｑ−ｎパターンをニューラルネットに入力して
部分放電を判別させる方法との比較をおこなった。本発
明およびφ−ｑ−ｎパターンを用いる従来のニューラル
ネットワークのどちらも、前記図１６に示したような第
１象限と第３象限に発生する典型的な部分放電信号とノ
イズ信号を学習させた。

【００３７】本発明のニューラルネットワークは、前記
図４に示したものと同様、パターンの位相軸分割数を２
０分割（分割単位：１８°）とし、時間軸は５０サイク
ルを２５分割（分割単位、２サイクル）とした。したが
って、前記図５に示してように、入力層の数は５００個
とし、また、中間層の数を５０個、出力層の数を２個と
した。学習はバックプロパゲーション法により５０００
０回学習させた。測定時間は、運用時に４時間、その後
の運用休止時に４時間とした。

【００３８】運用時の測定において、約３時間経過した
時点から継続して測定開始時には見られない異常信号が
検出された。その時の測定信号をもとに、φ−ｑ−ｎパ
ターンおよびφ−ｑ−ｔパターンを作成し、従来のφ−
ｑ−ｎパターンを用いるニューラルネットワークおよび
本発明のニューラルネットワークにそれぞれのパターン
を入力し、部分放電の有無を判別させた。

【００３９】本発明のニューラルネットワークでは部分
放電なしと判別されたが、従来のニューラルネットワー
クでは、部分放電有りと判別された。その後、運用を休
止した状態で、同様に測定を実施した。運用時の途中か
ら見られた異常信号が測定され、課電に伴う信号ではな
いことが確認された。その後の測定においては、異常信
号は確認されなかった。これらの測定結果から、測定さ
れた信号の時間的変化が失われたφ−ｑ−ｎパターンで
行う従来方法に比べて、本発明のφ−ｑ−ｔパターンで
判別を行う方法の有効性が検証された。

【００４０】（２）測定信号のグループ化による部分放
電判定 (i) 実施例３ 未知の測定データに対して、グループ判定を利用した部
分放電測定を実施した。予め部分放電データとノイズデ
ータにより分類グループを作成した。部分放電データは
図３に示した試験回路を用い、前記した模擬欠陥９を設
けた２２ｋＶＣＶケーブルに４０〜６０ｋＶを課電した
ときに発生した部分放電信号をデータとした。また、ノ
イズデータとしては、洞道に布設された２７５ｋＶ２５
００ｓｑＣＡＺＶケーブル線路において無課電時に測定
したデータを用いた。

【００４１】図６に部分放電データおよびノイズデータ
の例を示す。なお、同図の横軸は位相角φ、縦軸は電荷
量ｑであり、濃淡は発生数ｎ（発生頻度）を示す。これ
らの各データのφ−ｑ−ｎパターンから５種類の特性値
を求めた。５種類の特性値は、放電電荷量の平均変動、
放電電荷量の分散変動、発生位相角の平均変動、発生位
相角の分散変動、発生数の変動である。それぞれの概要
を次に示す。また、部分放電およびノイズについて求め
た特性値の例を図７、図８に示す。 放電電荷量の平均変動 ある位相φi における平均電荷量を次の式（１）で表
し、平均電荷量を各位相について求めたものを平均電荷
量の変動値とする。

【００４２】

【数１】

【００４３】 放電電荷量の分散変動 電荷量分散を次の式（２）で表し、電荷量分散を各位相
について求めたものを平均電荷量の分散変動値とする。

【００４４】

【数２】

【００４５】 発生位相角の平均変動 平均発生位相角を次の式（３）とし、各位相について求
めた平均発生位相角を平均発生位相角の変動値とする。

【００４６】

【数３】

【００４７】 発生位相角の分散変動 位相角分散を次の式（４）とし、位相角分散を角位相に
ついて求めたものを平均発生位相角の分散変動値とす
る。

【００４８】

【数４】

【００４９】 発生位相角の変動 ある位相φｉにおけるｎｉの合計をＮとして、Ｎを各位
相について求めたものを発生数の変動値とする。これら
の特性値により、クラスター分類によるグループ分けを
行った。クラスター分類とは分類アルゴリズムの総称で
あり、一般的に用いられている凝集法（ツリークラスタ
リング）を使用した。これは、クラスター間の類似性や
距離（多次元空間のパターン間の距離）を利用した逐次
的にある凝集ルール（結合ルール）のもとにクラスター
を結び付けていく方法である。凝集ルールとして小集団
を分類しやすい特徴があるウォード法を採用した。

【００５０】分類用データからそれぞれ５つの特性値を
計算し、この特性値をもとにクラスター分類を行って作
成した樹形図を図９、図１０に示す。データ群は、まず
結合距離９０以上の位置で大きく２つのグループ（Ｇｒ
１，Ｇｒ２）に分けることができ、各々のグループ内の
データは結合距離３０以下の位置でサブグループを構成
している。結合距離約８をしきい値とすると、図９、図
１０に示すようにデータ群は５つのサブグループ（Ｇｒ
１−１，Ｇｒ１−２，Ｇｒ１−３，Ｇｒ２−１，Ｇｒ２
−２）に分けることができる。ここで、各グループに分
類されたデータの内訳と主な特徴を表２に示す。

【００５１】

【表２】

【００５２】Ｇｒ１の大半は部分放電で占められてお
り、ほとんどはＧｒ１−１とＧｒ１−２に分類される。
Ｇｒ１−３は一部に第１、第３象限を含んでいるか又は
単独象限に発生している様なケースが分類されており、
その多くはノイズが占めている。Ｇｒ２の場合は、部分
放電の５％を除いて全てノイズである。上記したクラス
ター分類の結果をもとに、前記図２に示したようにグル
ープ分けを行うグループ判定用ニューラルネットワーク
と、各グループに対応した部分放電判定ニューラルネッ
トワークを作成した。

【００５３】ニューラルネットワークには、バックプロ
パゲーションを利用した３階層（入力層、中間層、出力
層）のものを使用した。グループ判定用のニューラルネ
ットワークの入力層は９２個、中間層を４６個、出力層
を５個とした。各グループに対応した部分放電判定用ニ
ューラルネットワークの入力層は９２個、中間層を４６
個、出力層を２個とした。学習データは各グループから
代表的なデータを選び、学習にはジグモイド関数を利用
して、未知のデータに対しても判定精度をよくするため
に、１０％程度のランダムノイズを与えて収束するまで
学習させた。

【００５４】図１１はグループ判定を利用した本実施例
の部分放電判定フローの概要である。同図に示すよう
に、未知のデータ４００件を用いて５つの分類用特性値
を計算し、グループ判定用のニューラルネットワークに
上記５つの分類特性値を入力し、特性値をもとにグルー
プＧｒ１−１〜Ｇｒ２−２に分類した。さらに各グルー
プ毎の部分放電判定用ニューラルネットワークに上記分
類特性値を入力し、上記各ニューラルネットワークによ
り部分放電とノイズ（同図において、ＰＤは部分放電、
ＮＯＩＳＥはノイズを表している）の判定を行った。一
方、比較として、全てのグループの学習データを用いて
φ−ｑ−ｎパターンのデータを入力するニューラルネッ
トワークを作成し、同じデータで評価を行った。下記表
３に上記評価結果を示す。

【００５５】

【表３】

【００５６】上記表３から、グループ判定なしの場合は
８６．３％の正答率であったものが、グループ判定を用
いた場合には、グループ毎で正答率にバラツキがあるも
のの全体で９３．８％と、判定精度が向上していること
がわかる。

【００５７】(ii)実施例４ 上記実施例３におけるグループ判定方法を用いた場合
に、誤判別したデータを確認したところ、特にＧｒ１−
１，Ｇｒ１−２に関してφ−ｑ−ｎパターンの第１、第
３象限に発生している誤ったノイズが比較的多く見られ
た。そこで、さらに正答率を向上させるため、第１、第
３象限に発生するノイズを識別するため、実施例３のグ
ループ判定用のニューラルネットワークによる部分放電
判定に、前記実施例１，２で説明したφ−ｑ−ｔパター
ンによるニューラルネットワーク判定を追加して実施し
た。

【００５８】すなわち、狭い時間範囲を見た場合、部分
放電信号はある位相範囲内にランダム的に発生している
のに対し、ノイズは同じ位相に継続して発生している
（以下、同期ノイズと称す）か、または、時間とともに
発生位相がずれていく傾向が見られる。これらの特徴を
前記実施例１、２で説明したφ−ｑ−ｔパターン判定ニ
ューラルネットワークに入力して判定させることにし
た。

【００５９】図１２に本実施例の部分放電判定のフロー
の概略を示す。同図に示すように、グループ判定用のニ
ューラルネットワークによりグループＧｒ１−１〜Ｇｒ
２−２に分類し、各グループ毎の部分放電判定用ニュー
ラルネットワークにより部分放電とノイズの判定を行っ
た。そして、上記部分放電とノイズにそれぞれに対応さ
せたφ−ｑ−ｔパターン判定ニューラルネットワークに
より部分放電とノイズの判別をおこなった。φ−ｑ−ｔ
パターン判定ニューラルネットワークの入力データは、
位相角度φを２０分割、時間軸ｔは２０サイクルを１０
分割とし、各セルの値に部分放電電荷量ｑを入力した。
なお、同じセルに複数の信号が含まれる場合は、最も大
きい電荷量で代表させた。

【００６０】図１３に部分放電と同期ノイズの一例を示
す。φ−ｑ−ｔパターン判定ニューラルネットワーク
は、グループ判定と同様に３層型を使用し、入力層は２
００個（２０×１０）、中間層を５０個、出力層を３個
とした。出力層の３個は、「部分放電」、「１・３象限
ノイズ」、「その他のノイズ」に対応させ、学習データ
には、それぞれの特徴を持つデータを選んだ。学習方法
は前記したのと同様である。

【００６１】未知のデータ４００件を用いて、グループ
判定ニューラルネットおよび各グループの部分放電判定
用ニューラルネットワークには、前記したようにφ−ｑ
−ｎパターンから分析した５つの特性値を入力し、部分
放電とノイズの何方の場合にも、最終的にφ−ｑ−ｔパ
ターンによって部分放電判別の評価を行った。また、比
較として、全てのグループの学習データを用いてφ−ｑ
−ｎパターンのデータを入力するニューラルネットワー
クを作成し、同じデータを入力して評価した。上記評価
結果を表４に示す。

【００６２】

【表４】

【００６３】上記表４からグループ判定なしの場合は、
８６．３％の正答率であったものが、本実施例のように
φ−ｑ−ｔパターンによるニューラルネットワークを追
加したグループ判定を用いた場合には、全体で９６．８
％と、判定精度が大きく向上している。また、実施例３
と比較しても正答率が高くなっている。

【００６４】ところで、上記したように電圧位相と、部
分放電信号および同期ノイズは例えば図１４に示すよう
に表れ、部分放電信号は電圧位相φ１およびφ３の中で
発生位相がばらつくが、同期ノイズの発生位相にはほと
んどバラツキがない特徴がある。したがって、上記部分
放電信号と同期ノイズをφ−ｑ−ｔパターンで表示する
と前記した図１３に示すようになり、同期ノイズは電圧
位相に対する発生位相位置が安定するが、部分放電信号
は電圧位相に対する発生位置がランダムになり、両者の
差がはっきり分かり区別がつく。

【００６５】一方、φ−ｑ−ｎパターンでは時間的変化
の特徴が失われるので、部分放電信号をφ−ｑ−ｎパタ
ーンで表示すると前記図６に示すようになり、部分放電
信号と同期ノイズの差が分かりにくいが、φ−ｑ−ｎパ
ターンは欠陥種別の判別等には必要な情報を提供する。
そこで、φ−ｑ−ｎパターンとφ−ｑ−ｔパターンの両
方を前記したディスプレイ装置１１に表示させることに
より、それぞれの表示方法の特徴を生かすことができ
る。

【００６６】図１５にその表示結果の一例を示す。同図
において上段はφ−ｑ−ｎパターン、中段は部分放電電
荷量ｑの時間的変化、下段はφ−ｑ−ｔパターン、ＣＨ
１，ＣＨ２，ＣＨ３は測定チャンネルである。なお、同
図では発生数ｎ、電荷量ｑを濃淡で示しているが、濃淡
に変えてカラー表示することにより、発生数ｎ、電荷量
ｑ等を容易に把握できるようになる。なお、ディスプレ
イ装置１１へ表示するグラフの種類は、被測定対象によ
り変えてもよい。例えば、ノイズ判別を対象に行う場合
には、上段に電荷量−発生周波数を表示してもよい。

【００６７】上記のように、１画面上に少なくとも２種
類以上のパターンを表示することにより、それぞれの表
示方法の特徴を生かして精度のよい部分放電の判定が可
能となる。したがって、上記表示方法を単独で用いた
り、あるいは、上記した実施例１〜４に示した部分放電
判定手法等と組み合わせることにより、より一層部分放
電の判定精度を向上させることができる。

【００６８】

【発明の効果】以上説明したように、本発明において
は、以下の効果を得ることができる。 （１）φ−ｑ−ｔパターンを用いることにより、部分放
電に特有な発生位相角度の時間的変化の特徴を失うこと
なく、測定信号パターンを作成することができ、これら
の測定信号パターンによりニューラルネットワークで部
分放電判定を行っているので、熟練した測定者を必要と
せず、部分放電の判定を簡単に行うことが可能となる。

【００６９】（２）測定信号と課電位相信号からφ、
ｑ、ｎを算出して分類用特性値を計算し、この特性値を
もとに予め測定の目的に応じて作成したグループに分類
し、各グループに対応した各グループ専用の部分放電判
定手段により部分放電の有無を判定させているので、判
定精度の高い部分放電判定を行うことができる。また、
これらのグループ判定による部分放電判定に、φ−ｑ−
ｔパターンによるニューラルネットワーク判定を追加す
ることにより、更に判定精度を向上させることができ、
確度の高い部分放電判定を行うことができる。

【図面の簡単な説明】

【図１】本発明のφ−ｑ−ｔパターンを用いた部分放電
判定を説明する図である。

【図２】本発明の測定信号のグループ化による部分放電
判定を説明する図である。

【図３】本発明の試験回路の構成を示す図である。

【図４】φ−ｑ−ｔパターンの一例を示す図である。

【図５】本発明の第１の実施例のニューラルネットワー
クの構成を示す図である。

【図６】部分放電データおよびノイズデータの例を示す
図である。

【図７】部分放電について求めた特性値の例を示す図で
ある。

【図８】ノイズについて求めた特性値の例を示す図であ
る。

【図９】クラスター分類を行って作成した樹形図を示す
図である。

【図１０】クラスター分類を行って作成した樹形図（続
き）を示す図である。

【図１１】グループ判定を利用した部分放電判定フロー
の概要である。

【図１２】グループ判定とφ−ｑ−ｔパターンを利用し
た部分放電判定フローの概要である。

【図１３】部分放電と同期ノイズの一例を示す図であ
る。

【図１４】電圧位相と信号およびノイズを示す図であ
る。

【図１５】２種類以上のパターンの表示例を示す図であ
る。

【図１６】課電位相に対する部分放電発生角度を示す図
である。

【図１７】φ−ｑ−ｎパターンの一例を示す図である。

【図１８】部分放電判定用のニューラルネットワークの
一例を示す図である。

【符号の説明】

１ ＣＶケーブル ２ａ，２ｂ 気中端末部 ３ 結合コンデンサ ４ａ，４ｂ 部分放電検出器 ９ 模擬欠陥部 ５ バランサー ６ 部分放電測定器 ８ 課電位相信号 ７ デジタルメモリ １０ パソコン １１ ディスプレイ装置 １２ 課電トランス

───────────────────────────────────────────────────── フロントページの続き (72)発明者 土屋 廣明 東京都千代田区丸の内二丁目６番１号 古河電気工業株式会社内 (72)発明者 柴田 恵一 東京都千代田区丸の内二丁目６番１号 古河電気工業株式会社内 (72)発明者 鳴井 陽子 東京都千代田区丸の内二丁目６番１号 古河電気工業株式会社内 (56)参考文献 特開 平８−166421（ＪＰ，Ａ) 特開 平５−256895（ＪＰ，Ａ) 特開 平５−80112（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01R 31/12

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 電力ケーブルの部分放電を測定する方法
   において、 測定された信号の発生位相角度φと放電電荷量の大きさ
   ｑを１乃至複数の課電位相サイクル毎に時系列的に羅列
   させたφ−ｑ−ｔパターンを作成し、 予め部分放電信号のφ−ｑ−ｔパターンを学習させたニ
   ューラルネットワークに上記測定信号より得たφ−ｑ−
   ｔパターンを入力し、部分放電信号の有無を判断させる
   ことを特徴とする部分放電測定方法。
2. 【請求項２】 電力ケーブルの部分放電を測定する方法
   において、 測定された信号のうち、所定の放電電荷量の大きさ以上
   の信号が発生した位相角度φを１乃至複数の課電位相サ
   イクル毎に時系列に羅列させてφ−ｔパターンを作成
   し、 予め部分放電信号のφ−ｔパターンを学習させたニュー
   ラルネットワークに上記測定信号を入力し部分放電の有
   無を判断させることを特徴とする部分放電測定方法。
3. 【請求項３】 電力ケーブルの部分放電を測定する方法
   において、放電電荷量ｑ、発生位相角度φ、発生数ｎの中から、少
   なくとも２つ以上の値を用いて統計的手法により分類用
   特性値を計算し、 上記特性値に基づいて、上記測定信号を少なくとも２つ
   以上のグループに分類し、上記分類結果を用いて部分放
   電判定を行うことを特徴とする部分放電測定方法。
4. 【請求項４】 上記グループは、部分放電グループ、ノ
   イズグループ、部分放電とノイズが混在するグループの
   うちの２以上のグループとすることを特徴する請求項３
   の部分放電測定方法。
5. 【請求項５】 電力ケーブルの部分放電を測定する方法
   において、放電電荷量ｑ、発生位相角度φ、発生数ｎの中から、少
   なくとも２つ以上の値を用いて統計的手法により分類用
   特性値を計算し、 上記特性値に基づいて、上記測定信号を少なくとも２つ
   以上のグループに分類し、上記分類結果を用いて部分放
   電判定を行うとともに、 上記部分放電判定結果に対応させた学習用φ−ｑ−ｔパ
   ターンを上記部分放電判定結果に対応させて用意したニ
   ューラルネットワークに入力して学習させ、 測定された信号の発生位相角度φと放電電荷量の大きさ
   ｑを、課電位相サイクルｔ毎に時系列的に羅列させたφ
   −ｑ−ｔパターンを作成し、 上記それぞれのニューラルネットワークに上記部分放電
   判定結果を得たφ−ｑ−ｔパターンを入力し、 上記ニューラルネットワークにより上記分類結果を用い
   て行った部分放電の判定結果を評価することを特徴とす
   る部分放電測定方法。