JP6952575B2 - 部分放電診断装置 - Google Patents

Description

本発明の実施形態は、部分放電診断装置に関する。

従来から、電気機器や電気機器を収容する箱体等の電気設備における部分放電を診断する部分放電診断装置がある。近年では、部分放電診断装置に、機械学習（例えば、ニューラルネットワークを用いた機械学習）が用いられるようになってきている。

特開平７−１８１２１８号公報

佐々木恵一、他２名、「可搬形部分放電検出装置と絶縁診断サービス」、東芝レビュー、２００３年５月、ＶＯＬ．５８、ＮＯ．５、ｐ．５４−５７ 藤井祐樹、他２名、「ＴＥＶ法による現地ノイズ環境下での部分放電高感度センシング手法の検討」、平成２９年電気学会全国大会、Ｖｏｌ．６、ｐ．８２

しかしながら、従来の機械学習を用いた部分放電診断装置では、電気設備における部分放電を高精度で診断することはできても、その診断の根拠を提示することはできなかった。

そこで、本発明の実施形態の課題は、機械学習を用いた部分放電診断装置において、電気設備における部分放電を診断するとともに、診断の根拠を提示することである。

実施形態の部分放電診断装置は、電気設備における部分放電を診断する部分放電診断装置であって、総合判定部と、俯瞰波形抽出部と、俯瞰波形判定部と、詳細波形抽出部と、詳細波形判定部と、判定根拠選択部と、表示制御部と、を備える。総合判定部は、前記電気設備において部分放電を発生させる可能性のある複数の候補原因と、前記電気設備における部分放電の強度の時間推移を示す部分放電波形を測定する部分放電波形測定部によって測定された部分放電波形と、の関係性を予め機械学習によって学習し、新たに取得した前記部分放電波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する。俯瞰波形抽出部は、前記部分放電波形から所定区間ごとの最大値および最小値を取り出して時間軸方向に波形圧縮を行って俯瞰波形を抽出する。俯瞰波形判定部は、前記複数の候補原因と、前記俯瞰波形抽出部によって抽出された俯瞰波形と、の関係性を予め機械学習によって学習し、前記新たに取得した部分放電波形から前記俯瞰波形抽出部によって抽出された俯瞰波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する。詳細波形抽出部は、所定区間の前記部分放電波形から最も振幅の大きい部分を取り出して詳細波形を抽出する。詳細波形判定部は、前記複数の候補原因と、前記詳細波形抽出部によって抽出された詳細波形と、の関係性を予め機械学習によって学習し、前記新たに取得した部分放電波形から前記詳細波形抽出部によって抽出された詳細波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する。判定根拠選択部は、前記総合判定部による判定結果と、前記俯瞰波形判定部による判定結果と、前記詳細波形判定部による判定結果と、に基いて、前記総合判定部による判定結果の根拠を決定する。表示制御部は、前記総合判定部による判定結果と、前記判定根拠選択部によって決定された前記判定結果の根拠と、を表示部に表示させる。

図１は、第１実施形態における診断対象のスイッチギヤの模式図である。 図２は、第１実施形態の部分放電診断装置の構成図である。 図３は、第１実施形態の部分放電波形を示す図である。 図４は、第１実施形態で用いるニューラルネットワークの模式図である。 図５は、第１実施形態の部分放電診断装置における表示画面例である。 図６は、第１実施形態の部分放電診断装置による処理を示すフローチャートである。 図７は、第３実施形態の印加電圧波形と部分放電波形を示す図である。 図８は、第５実施形態の部分放電診断装置の構成図である。 図９は、第６実施形態の部分放電診断装置の構成図である。 図１０は、第６実施形態で用いるニューラルネットワークの模式図である。 図１１は、第７実施形態の部分放電診断装置における表示画面例である。

以下、添付の図面を用いて、第１実施形態〜第７実施形態の部分放電診断装置等について説明する。なお、第２実施形態以降において、それまでの実施形態と重複する事項の説明は、適宜省略する。

以下では、部分放電の診断対象として、スイッチギヤ（電気設備）を例にとる。スイッチギヤとは、接地（アース）された金属の箱体の中に電力受配電機器等を収納したものであり、ビルや工場等に設置されている。

一般に広く用いられている電力受配電機器は、電力の電圧変換・力率調整、電力の接続・遮断等を行う機器であり、絶縁部を内包している。その絶縁部にボイド（空隙）等の欠陥が存在し、欠陥の電界が高くなると、そこで部分放電が発生する。部分放電は固体絶縁物を浸食するため、機器の故障の主な原因となる。電力機器が破壊されると下の系統が停電するため、大きな損害に繋がる。そのため、部分放電を検出する技術と、その発生源（発生原因）を特定する技術が求められている。

部分放電を検出するためのセンサとして様々なものが提案されている。例えば、クランプ式のものを接地線に取付けて漏れ電流信号を検出するＣＴ（Current Transformer）センサや、部分放電に伴う超音波領域の盤振動または箱体振動を検出するＡＥ（Acoustic Emission）センサや、部分放電に伴う盤表面の電位変動を検出するＴＥＶ（Transient Earth Voltage）センサ等である。

また、上述したように、近年では、部分放電診断装置に、機械学習が用いられるようになってきている。以下では、機械学習として、ニューラルネットワークを用いた機械学習（以下、単に「ニューラルネットワーク」ともいう。）を例にとる。例えば、周波数特性データや位相特性データをニューラルネットワークに学習させ、部分放電発生源（部分放電発生原因）を特定する技術が提案されている。

しかしながら、従来のニューラルネットワークを用いた部分放電診断手法では、高精度な診断が可能である一方、その診断の根拠の説明性に乏しい。電力機器等の社会インフラを支える設備機器では、誤診断時の影響の大きさや責任の所在の明確化等の理由から、診断の根拠の説明を求められることもあるが、従来のニューラルネットワークを用いた部分放電診断手法では、診断の根拠が提示されないため、診断の根拠を説明することは困難である。

（第１実施形態）
まず、図１を参照して、第１実施形態における診断対象のスイッチギヤ１００について説明する。図１は、第１実施形態における診断対象のスイッチギヤ１００の模式図である。

スイッチギヤ１００において、箱体１内には、電流計測の変流器２、受電のケーブルヘッド３、電圧計測の変成器４、主回路を開閉する電源側の断路器５、主回路を保護する遮断器６、隣接盤との接続を行う母線７が収納されている。

このようなスイッチギヤ１００において、部分放電発生源（部分放電発生原因。候補原因）としては、例えば、「ボイド」、「異物」、「巻線」が挙げられる。ボイドによる部分放電は、例えば、ケーブルヘッド３、変成器４、母線７等の絶縁部で発生する。また、導電体の異物（例えば金属表面からの剥離物）による部分放電は、例えば、異物が付着した各所の金属表面等で発生する。また、巻線による部分放電は、例えば、変成器４（トランス）の巻線部分で発生する。ただし、部分放電発生源はこれらに限定されず、ほかに、例えば、剥離した金属表面からの部分放電等の別のものであってもよい。

次に、図２、図３、図４を参照して、第１実施形態の部分放電診断装置１１の構成について説明する。図２は、第１実施形態の部分放電診断装置１１の構成図である。図３は、第１実施形態の部分放電波形を示す図である。図４は、第１実施形態で用いるニューラルネットワークの模式図である。

部分放電診断装置１１に接続されている部分放電波形測定部８は、スイッチギヤ１００に設置され、部分放電波形を測定する手段であり、例えば、上述のＣＴ（Current Transformer）センサ、ＡＥ（Acoustic Emission）センサ、ＴＥＶ（Transient Earth Voltage）センサ等である。

部分放電波形測定部８は、例えば、図３のような部分放電波形を測定する。図３に示すように、測定期間全体（図３（ａ））を見ると部分放電波形はパルスのような形状に見えるが、パルスを時間軸方向に拡大（図３（ｂ））すると部分放電の詳細な波形形状が確認できる。本実施形態では、図３（ｂ）に示すような詳細な波形を詳細波形という。

また、総合判定部１２１が用いるニューラルネットワークのイメージは、図４に示す通りである。総合判定部１２１は、部分放電波形（図３）の全データ（時刻１信号〜時刻Ｎ信号）を入力とし、部分放電発生源の判定結果（巻線、ボイド、異物等）を出力とする。換言すると、総合判定部１２１は、ニューラルネットワーク（図４）を用いて部分放電波形とその部分放電発生源の関係性を事前に学習し、新たに与えられた部分放電波形について、対応する部分放電発生源を推定し、出力する。

具体的には、総合判定部１２１は、このようなニューラルネットワークを用いて、部分放電発生源ごとのスコア（尤度）を算出し、このスコアが最大のものを部分放電発生源と判定（推定）する。図４の例では、総合判定部１２１は、巻線、ボイド、異物のそれぞれのスコアを０．０５，０．１５，０．８０と算出し、スコアが一番大きい異物を部分放電発生源と判定する。総合判定部１２１によるこの判定は、部分放電波形のデータ全体の情報を用いて行われるため、後述する俯瞰波形判定部１２３や詳細波形判定部１２５と比較して、高精度である。

図２に戻って、部分放電診断装置１１は、スイッチギヤ１００における部分放電を診断する装置であって、処理部１２、記憶部１３、入力部１４、表示部１５を備える。記憶部１３は、処理部１２の動作プログラム、演算結果等を記憶する。入力部１４は、ユーザによる入力インタフェースであり、例えば、キーボードやマウスである。表示部１５は、表示手段であり、例えば、ＬＣＤ（Liquid Crystal Display）である。

処理部１２は、総合判定部１２１、俯瞰波形抽出部１２２、俯瞰波形判定部１２３、詳細波形抽出部１２４、詳細波形判定部１２５、判定根拠選択部１２６、および、表示制御部１２７を備える。

総合判定部１２１は、スイッチギヤ１００において部分放電を発生させる可能性のある複数の候補原因（ボイド、巻線、異物等）と、スイッチギヤ１００における部分放電の強度の時間推移を示す部分放電波形を測定する部分放電波形測定部８によって測定された部分放電波形（図３）と、の関係性を予めニューラルネットワークによって学習し、新たに取得した部分放電波形と機械学習に基いて複数の候補原因の中から部分放電発生源を判定する。

俯瞰波形抽出部１２２は、部分放電波形から所定区間ごとの最大値および最小値を取り出してその区間の代表値として採用することで、時間軸方向に波形圧縮を行って俯瞰的な波形を抽出する。これにより、図３（ａ）に示すようなパルス形状を損なうことなく部分放電波形を時間軸方向に圧縮できる。本実施形態では、部分放電波形に対して時間軸方向に波形圧縮を行った俯瞰的な波形を俯瞰波形という。

俯瞰波形判定部１２３は、複数の候補原因と、俯瞰波形抽出部１２２によって抽出された俯瞰波形と、の関係性を予めニューラルネットワーク（図４と同様）によって学習し、新たに取得した部分放電波形から俯瞰波形抽出部１２２によって抽出された俯瞰波形と機械学習に基いて複数の候補原因の中から部分放電発生源を判定する。

具体的には、俯瞰波形判定部１２３は、総合判定部１２１と同様に、新たに与えられた俯瞰波形について、ニューラルネットワークを用いて部分放電発生源ごとのスコア（尤度）を算出し、このスコアが最大のものを部分放電発生源と判定（推定）する。

俯瞰波形判定部１２３による判定は、部分放電波形を時間軸方向に圧縮した俯瞰波形に基いているため、総合判定部１２１による判定よりも判定精度は劣ると考えられる。一方で、その結果が正しい場合には、俯瞰波形のみから部分放電発生源を特定できることがわかる（詳細は後述）。

詳細波形抽出部１２４は、所定区間の部分放電波形から最も振幅の大きい部分を取り出して詳細波形を抽出する。具体的には、詳細波形抽出部１２４は、図３（ａ）のような所定区間の部分放電波形から、最も振幅の大きいパルスの部分波形（図３（ｂ））を取り出し、出力する。

詳細波形判定部１２５は、複数の候補原因と、詳細波形抽出部１２４によって抽出された詳細波形と、の関係性を予めニューラルネットワーク（図４と同様）によって学習し、新たに取得した部分放電波形から詳細波形抽出部１２４によって抽出された詳細波形と機械学習に基いて複数の候補原因の中から部分放電発生源を判定する。

具体的には、詳細波形判定部１２５は、総合判定部１２１と同様に、新たに与えられた詳細波形について、ニューラルネットワークを用いて部分放電発生源ごとのスコア（尤度）を算出し、このスコアが最大のものを部分放電発生源と判定（推定）する。

詳細波形判定部１２５による判定は、部分放電波形の一部である詳細波形のみに基いているため、総合判定部１２１による判定よりも判定精度は劣ると考えられる。一方で、その結果が正しい場合には、詳細波形のみから部分放電発生源を特定できることがわかる（詳細は後述）。

判定根拠選択部１２６は、総合判定部１２１による判定結果と俯瞰波形判定部１２３による判定結果を比較するとともに、総合判定部１２１による判定結果と詳細波形判定部１２５による判定結果を比較して、総合判定部１２１による判定結果の根拠を決定する。具体的には、判定根拠選択部１２６は、例えば、判定結果の根拠を「周期的変動」、「波形形状」、「複合的判定」の中から選択する。

周期的変動とは、俯瞰波形のみから部分放電発生源を特定できたことを表す。波形形状とは、詳細波形のみから部分放電発生源を特定できたことを表す。複合的判定とは、俯瞰波形のみから部分放電発生源を特定できず、かつ、詳細波形のみからも部分放電発生源を特定できず、したがって、俯瞰波形と詳細波形の両方に基いて部分放電発生源を特定したことを表す。

表示制御部１２７は、各種情報を表示部１５に表示させる。表示制御部１２７は、例えば、総合判定部１２１による判定結果と、判定根拠選択部１２６によって決定された判定結果の根拠と、を表示部１５に表示させる。また、表示制御部１２７は、例えば、俯瞰波形抽出部１２２によって抽出された俯瞰波形、および、俯瞰波形判定部１２３による判定結果と、詳細波形抽出部１２４によって抽出された詳細波形、および、詳細波形判定部１２５による判定結果と、のうち少なくとも一方を表示部１５に表示させる。

表示制御部１２７は、例えば、図５で示すような表示画面を表示する。図５は、第１実施形態の部分放電診断装置１１における表示画面例である。図５の表示部１５において、領域１５１には、総合判定結果として、総合判定部１２１による判定結果（部分放電発生源：異物）が表示されている。

また、領域１５２には、判定根拠（判定結果の根拠）として、周期的変動が表示されている。また、領域１５３には、俯瞰波形抽出部１２２によって抽出された俯瞰波形、および、俯瞰波形判定部１２３による診断結果（判定結果）と各部分放電発生源のスコアが表示されている。また、領域１５４には、詳細波形抽出部１２４によって抽出された詳細波形、および、詳細波形判定部１２５による診断結果（判定結果）と各部分放電発生源のスコアが表示されている。

なお、領域１５３、１５４の表示はこれに限定されない。例えば、領域１５２に表示する判定根拠が波形形状の場合は、領域１５３、１５４のうち上に位置していてより目につく領域１５３に、詳細波形抽出部１２４によって抽出された詳細波形、および、詳細波形判定部１２５による診断結果（判定結果）と各部分放電発生源のスコアを表示するようにしてもよい。また、表示するスコアの個数は、それぞれ上位３個ずつでなくても、上位１個ずつ等であってもよい。

次に、図６を参照して、第１実施形態の部分放電診断装置１１による処理について説明する。図６は、第１実施形態の部分放電診断装置１１による処理を示すフローチャートである。

まず、ステップＳ１において、処理部１２は、総合判定部１２１、俯瞰波形判定部１２３、詳細波形判定部１２５による判定結果と各スコアを取得する（ステップＳ１）。

次に、ステップＳ２において、判定根拠選択部１２６は、総合判定部１２１による判定結果と他の判定結果（俯瞰波形判定部１２３による判定結果と詳細波形判定部１２５による判定結果）を比較する。

ステップＳ２で、２つとも総合判定部１２１の判定結果と一致する場合、ステップＳ３に進み、判定根拠選択部１２６は、総合判定部１２１の判定結果に対応するスコアを取得し、俯瞰波形判定部１２３のスコアが最大か、詳細波形判定部１２５のスコアが最大かを判定する。

ステップＳ３で俯瞰波形判定部１２３のスコアが最大の場合、ステップＳ４において、判定根拠選択部１２６は、判定根拠を周期的変動とする。

ステップＳ３で詳細波形判定部１２５のスコアが最大の場合、ステップＳ５において、判定根拠選択部１２６は、判定根拠を波形形状とする。

ステップＳ２で、俯瞰波形判定部１２３の判定結果のみが総合判定部１２１の判定結果と一致する場合、ステップＳ６に進み、判定根拠選択部１２６は、判定根拠を周期的変動とする。

ステップＳ２で、詳細波形判定部１２５の判定結果のみが総合判定部１２１の判定結果と一致する場合、ステップＳ７に進み、判定根拠選択部１２６は、判定根拠を波形形状とする。

ステップＳ２で、２つとも総合判定部１２１の判定結果と一致しない場合、ステップＳ８に進み、判定根拠選択部１２６は、判定根拠を複合的判定とする。

ステップＳ４〜Ｓ８の後、ステップＳ９において、表示制御部１２７は、ステップＳ４〜Ｓ８のうち経由したステップに応じて、総合判定部１２１による判定結果と、判定根拠選択部１２６によって決定された判定結果の根拠と、を表示部１５に表示させる（図５）。

このようにして、第１実施形態の部分放電診断装置１１によれば、機械学習（ニューラルネットワーク）を用いて部分放電を診断して、判定結果（図５の領域１５１）とともにその根拠（図５の領域１５２）を提示することができる。したがって、診断の根拠の説明性が向上する。

（第２実施形態）
次に、第２実施形態の部分放電診断装置１１について説明する。第１実施形態では、詳細波形抽出部１２４が部分放電波形から最も振幅の大きいパルスの１つの部分波形を取り出して出力していたが、第２実施形態では、部分放電波形から振幅が第１の閾値よりも大きい複数の部分を取り出して複数の詳細波形それぞれを出力するものとする。具体的には、例えば、詳細波形抽出部１２４は、あらかじめ設定しておいた閾値を超えるパルスを全て取り出して出力する。

そして、詳細波形判定部１２５は、複数の詳細波形それぞれに対して部分放電発生源を判定し、最も多い部分放電発生源を選択する。また、同数の場合は、例えば、判定結果の平均スコアが高い方を選択すればよい。

このように、第２実施形態の部分放電診断装置１１によれば、詳細波形判定部１２５による判定精度が向上する。

（第３実施形態）
次に、第３実施形態の部分放電診断装置１１について説明する。第１実施形態では、部分放電波形測定部８は、部分放電波形のみを測定していたが、第３実施形態では、部分放電波形とともに印加電圧波形を測定する。ここで、図７は、第３実施形態の印加電圧波形と部分放電波形を示す図である。

図７に示すように、部分放電波形だけでなく、印加電圧波形も測定すれば、部分放電発生源の判定精度を向上できる。例えば、巻線とボイドは、電圧位相の立ち上がり／下がりの部分で出やすい傾向があることがわかっている。また、異物は、電圧位相のピークで出やすい傾向があることがわかっている。

そして、俯瞰波形抽出部１２２は、俯瞰波形とともに対応する印加電圧波形を抽出する。また、詳細波形抽出部１２４は、詳細波形とともに対応する印加電圧波形を抽出する。また、総合判定部１２１は、部分放電波形測定部８によって測定された印加電圧波形も併せて用いて部分放電発生源を判定する。また、俯瞰波形判定部１２３は、俯瞰波形抽出部１２２によって抽出された印加電圧波形も併せて用いて部分放電発生源を判定する。また、詳細波形判定部１２５は、詳細波形抽出部１２４によって抽出された印加電圧波形も併せて用いて部分放電発生源を判定する。

このようにして、第３実施形態の部分放電診断装置１１によれば、総合判定部１２１、俯瞰波形判定部１２３、詳細波形判定部１２５による判定精度が向上する。

（第４実施形態）
次に、第４実施形態の部分放電診断装置１１について説明する。第１実施形態では、俯瞰波形判定部１２３、詳細波形判定部１２５において、ニューラルネットワークが出力するスコアが最大の候補原因を部分放電発生源として判定していた。

一方、第４実施形態では、俯瞰波形判定部１２３は、ニューラルネットワークに基いて候補原因ごとのスコアを算出し、最大のスコアが第２の閾値以上であれば当該スコアに対応する候補原因を部分放電発生源と判定し、最大のスコアが第２の閾値未満であれば部分放電発生源は不明であると判定する。

また、詳細波形判定部１２５は、ニューラルネットワークに基いて候補原因ごとのスコアを算出し、最大のスコアが第３の閾値以上であれば当該スコアに対応する候補原因を部分放電発生源と判定し、最大のスコアが第３の閾値未満であれば部分放電発生源は不明であると判定する。

つまり、ニューラルネットワークを用いた場合、最大のスコアが所定の閾値よりも低い場合には、その判定結果の精度は低いと解釈できる。したがって、そのような場合、俯瞰波形判定部１２３や詳細波形判定部１２５による判定結果を不明とし、判定根拠選択部１２６により判定根拠として採用しないようにすることで、判定根拠選択部１２６の信頼度を向上することができる。

（第５実施形態）
次に、第５実施形態の部分放電診断装置１１について説明する。図８は、第５実施形態の部分放電診断装置１１の構成図である。図８の部分放電診断装置１１は、図２の部分放電診断装置１１と比較して、総合判定部１２１が、部分放電波形測定部８からデータを取得せずに、俯瞰波形抽出部１２２および詳細波形抽出部１２４からデータを取得する点で異なる。

つまり、総合判定部１２１は、部分放電波形測定部８から部分放電波形を新たに取得する代わりに、俯瞰波形抽出部１２２から俯瞰波形を取得するとともに、詳細波形抽出部１２４から詳細波形を取得して、取得した俯瞰波形および詳細波形に基いて部分放電発生源を判定する。

図３（ａ）に示す部分放電波形は、部分放電による波形の部分の割合が小さく、ノイズ信号のみからなる部分が大半と思われる。総合判定部１２１は、部分放電に関する情報が効率的に抽出されている俯瞰波形、詳細波形を入力として部分放電発生源を判定することで、精度をほとんど落とさずに、計算量を削減できると考えられる。

このようにして、第５実施形態の部分放電診断装置１１によれば、総合判定部１２１におけるニューラルネットワークを用いた学習時、および、部分放電発生源の判定時の計算量を大きく削減できる。

（第６実施形態）
次に、第６実施形態の部分放電診断装置１１について説明する。図９は、第６実施形態の部分放電診断装置１１の構成図である。図９の部分放電診断装置１１は、図２の部分放電診断装置１１と比較して、総合判定部１２１が、部分放電波形測定部８からデータを取得せずに、俯瞰波形判定部１２３および詳細波形判定部１２５からデータを取得する点で異なる。

つまり、総合判定部１２１は、部分放電波形測定部８から部分放電波形を新たに取得する代わりに、俯瞰波形判定部１２３から中間情報を取得するとともに、詳細波形判定部１２５から中間情報を取得し、取得した２つの中間情報に基いて部分放電発生源を判定する。

ここで、図１０は、第６実施形態で用いるニューラルネットワークの模式図である。ニューラルネットワーク中の中間情報は元のデータを集約した情報となっている。したがって、図１０（ａ）の俯瞰波形判定部１２３のニューラルネットワークの中間情報（符号１２３１、１２３２）と、図１０（ｂ）の詳細波形判定部１２５のニューラルネットワークの中間情報（符号１２５１、１２５２）とを、図１０（ｃ）の総合判定部１２１のニューラルネットワークの入力とすることで、総合判定部１２１において、精度をほとんど落とさずに、計算量を削減できると考えられる。

このようにして、第６実施形態の部分放電診断装置１１によれば、第５実施形態と比較してさらに、総合判定部１２１におけるニューラルネットワークを用いた学習時、および、部分放電発生源の判定時の計算量を大きく削減できる。

（第７実施形態）
次に、第７実施形態の部分放電診断装置１１について説明する。図１１は、第７実施形態の部分放電診断装置１１における表示画面例である。図１１の表示画面例は、図５の表示画面例と比較して、領域１５５における「既知」か「未知」かの画面選択表示が追加されている点で異なっている。

つまり、表示制御部１２７は、総合判定部１２１による判定結果と、判定根拠選択部１２６によって決定された判定結果の根拠と、に加えて、判定結果の根拠を既知か未知かをユーザが入力するための画面選択表示を表示部１５に表示させ、画面選択表示と入力部１４を用いてユーザが入力した既知か未知かの情報を記憶部１３に記憶する。

ここでのユーザとは、例えば、現場技術者等の有識者である。このユーザが表示部１５での表示（判定結果と判定根拠）を見て、自分の知識の範囲内であれば入力部１４を用いて「既知」を入力し、自分の知識の範囲外であれば入力部１４を用いて「未知」を入力する。

このようにして「既知」と「未知」のデータを記憶部１３に蓄積しておけば、例えば、その後、ユーザは、新たな気付きを得るために多くの「未知」のデータを検証することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、本発明の部分放電診断装置１１による部分放電の診断対象は、スイッチギヤ１００に限定されず、電気機器や電気機器を収容する箱体等の電気設備全般である。

また、本実施形態の部分放電診断装置１１で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disc）−ＲＯＭ（Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータ装置で読み取り可能な記録媒体に記録して提供することができる。また、本実施形態の部分放電診断装置１１で実行されるプログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。

１ 箱体
２ 変流器
３ ケーブルヘッド
４ 変成器
５ 断路器
６ 遮断器
７ 母線
８ 部分放電波形測定部
１１ 部分放電診断装置
１２ 処理部
１３ 記憶部
１４ 入力部
１５ 表示部
１２１ 総合判定部
１２２ 俯瞰波形抽出部
１２３ 俯瞰波形判定部
１２４ 詳細波形抽出部
１２５ 詳細波形判定部
１２６ 判定根拠選択部
１２７ 表示制御部

Claims (8)

1. 電気設備における部分放電を診断する部分放電診断装置であって、
   前記電気設備において部分放電を発生させる可能性のある複数の候補原因と、前記電気設備における部分放電の強度の時間推移を示す部分放電波形を測定する部分放電波形測定部によって測定された部分放電波形と、の関係性を予め機械学習によって学習し、新たに取得した前記部分放電波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する総合判定部と、
   前記部分放電波形から所定区間ごとの最大値および最小値を取り出して時間軸方向に波形圧縮を行って俯瞰波形を抽出する俯瞰波形抽出部と、
   前記複数の候補原因と、前記俯瞰波形抽出部によって抽出された俯瞰波形と、の関係性を予め機械学習によって学習し、前記新たに取得した部分放電波形から前記俯瞰波形抽出部によって抽出された俯瞰波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する俯瞰波形判定部と、
   所定区間の前記部分放電波形から最も振幅の大きい部分を取り出して詳細波形を抽出する詳細波形抽出部と、
   前記複数の候補原因と、前記詳細波形抽出部によって抽出された詳細波形と、の関係性を予め機械学習によって学習し、前記新たに取得した部分放電波形から前記詳細波形抽出部によって抽出された詳細波形と前記機械学習に基いて前記複数の候補原因の中から部分放電発生原因を判定する詳細波形判定部と、
   前記総合判定部による判定結果と前記俯瞰波形判定部による判定結果を比較するとともに、前記総合判定部による判定結果と前記詳細波形判定部による判定結果を比較して、前記総合判定部による判定結果の根拠を決定する判定根拠選択部と、
   前記総合判定部による判定結果と、前記判定根拠選択部によって決定された前記判定結果の根拠と、を表示部に表示させる表示制御部と、を備える部分放電診断装置。
2. 前記表示制御部は、
   前記俯瞰波形抽出部によって抽出された前記俯瞰波形、および、前記俯瞰波形判定部による判定結果と、
   前記詳細波形抽出部によって抽出された前記詳細波形、および、前記詳細波形判定部による判定結果と、のうち少なくとも一方を前記表示部に表示させる、請求項１に記載の部分放電診断装置。
3. 前記詳細波形抽出部は、前記部分放電波形から振幅が第１の閾値よりも大きい複数の部分を取り出してそれぞれの詳細波形を抽出し、
   前記詳細波形判定部は、複数の前記詳細波形それぞれに対して前記部分放電発生原因を判定し、最も多い前記部分放電発生原因を選択する、請求項１または請求項２に記載の部分放電診断装置。
4. 前記部分放電波形測定部は、前記部分放電波形とともに印加電圧波形を測定し、
   前記俯瞰波形抽出部は、前記俯瞰波形とともに対応する印加電圧波形を抽出し、
   前記詳細波形抽出部は、前記詳細波形とともに対応する印加電圧波形を抽出し、
   前記総合判定部は、前記部分放電波形測定部によって測定された前記印加電圧波形も併せて用いて前記部分放電発生原因を判定し、
   前記俯瞰波形判定部は、前記俯瞰波形抽出部によって抽出された印加電圧波形も併せて用いて前記部分放電発生原因を判定し、
   前記詳細波形判定部は、前記詳細波形抽出部によって抽出された印加電圧波形も併せて用いて前記部分放電発生原因を判定する、請求項１から請求項３のいずれか一項に記載の部分放電診断装置。
5. 前記俯瞰波形判定部は、
   前記機械学習に基いて前記候補原因ごとのスコアを算出し、
   算出された前記候補原因ごとのスコアのうち最大の前記スコアが第２の閾値以上であれば当該スコアに対応する候補原因を部分放電発生原因と判定し、
   前記最大の前記スコアが第２の閾値未満であれば部分放電発生原因は不明であると判定し、
   前記詳細波形判定部は、
   前記機械学習に基いて前記候補原因ごとのスコアを算出し、
   算出された前記候補原因ごとのスコアのうち最大の前記スコアが第３の閾値以上であれば当該スコアに対応する候補原因を部分放電発生原因と判定し、
   前記最大の前記スコアが第３の閾値未満であれば部分放電発生原因は不明であると判定する、請求項１から請求項４のいずれか一項に記載の部分放電診断装置。
6. 前記総合判定部は、前記部分放電波形を新たに取得する代わりに、前記俯瞰波形抽出部から前記俯瞰波形を取得するとともに、前記詳細波形抽出部から前記詳細波形を取得して、取得した前記俯瞰波形および前記詳細波形に基いて部分放電発生原因を判定する、請求項１から請求項５のいずれか一項に記載の部分放電診断装置。
7. 前記総合判定部は、前記部分放電波形を新たに取得する代わりに、前記俯瞰波形判定部から中間情報を取得するとともに、前記詳細波形判定部から中間情報を取得し、取得した２つの前記中間情報に基いて部分放電発生原因を判定する、請求項１から請求項５のいずれか一項に記載の部分放電診断装置。
8. 前記表示制御部は、前記総合判定部による判定結果と、前記判定根拠選択部によって決定された前記判定結果の根拠と、に加えて、前記判定結果の根拠を既知か未知かをユーザが入力するための画面選択表示を前記表示部に表示させ、前記画面選択表示を用いて前記ユーザが入力した既知か未知かの情報を記憶部に記憶する、請求項１から請求項７のいずれか一項に記載の部分放電診断装置。

Images