JP7097017B2 - 部分放電診断装置 - Google Patents

Description

本発明は、部分放電診断装置に関するものである。

例えばガス絶縁開閉装置、電力用トランス、配電盤などの電気機器では、通常、絶縁破壊に至る前に部分放電が発生する。この部分放電を検出することによって、絶縁診断、すなわち絶縁破壊に至る兆候を発見することができる。

部分放電発生時には電磁波、異常電流、超音波、機械振動等が発生するので、電磁波センサ、電流センサ、超音波センサ、機械振動センサ等を用いて、それらの検出信号から部分放電の有無を診断することができる。

例えば、特許文献１や特許文献２に示す部分放電診断装置は、電磁波を検出するアンテナにより検出された検出信号から部分放電の有無を診断するものである。そして、この部分放電診断装置は、部分放電の有無を的確に診断するために、部分放電とは異なるノイズに起因するノイズ成分を除去している。

特開２０１０－２７６３６５号公報 特開２０１６－６１７３３号公報

しかしながら、従来の部分放電診断装置は部分放電の発生の有無を検出するものであり、部分放電が例えば突起性放電であるか、空隙性放電であるか、沿面放電であるか等の様相（発生態様）を判別することができない。

一方で本願発明者は、センサの検出信号の波形が部分放電の様相に応じて異なることを見出し、この様相を判別することによって、電気機器における部分放電の発生箇所を特定することができると考えた。

そこで本発明は、部分放電により発生する信号をサンプリングして得られた部分放電データを用いて部分放電の様相を判別することをその主たる課題とするものである。

すなわち本発明に係る部分放電診断装置は、電気機器の部分放電により発生する信号を検出するセンサと、前記センサからの信号をサンプリングして部分放電データを取得するデータ取得部と、前記データ取得部が取得した部分放電データを処理するデータ処理部とを備え、前記データ処理部は、部分放電の様相毎に取得された部分放電データからなる学習データセットを用いて機械学習を行い、前記データ取得部により取得された部分放電データから様相を判別するための機械学習モデルを生成する機械学習部と、前記機械学習部により生成された機械学習モデルと前記データ取得部が取得した部分放電データとを用いて前記部分放電の様相を判別する判別部とを有することを特徴とする。

このようなものであれば、部分放電の様相毎に取得された部分放電データからなる学習データセットを用いて生成された機械学習モデルによって、データ取得部が取得した部分放電データから部分放電の様相を判別することができる。その結果、電気機器の部分放電の発生箇所（絶縁劣化箇所）を特定することができる。

機械学習部の学習アルゴリズムとしては、サポートベクターマシン、自己組織化マップ、人工ニューラルネットワーク、決定木、ランダムフォレスト、ｋ平均法、ｋ近傍法、遺伝的アルゴリズム、ベイジアンネットワーク、又はディープラーニング手法を用いることが考えられる。

データ取得部の具体的な実施態様としては、前記センサからの信号を、複数の周波数毎に、商用電源の少なくとも２サイクル分サンプリングすることにより部分放電データを取得するものであることが考えられる。ここで部分放電診断装置が例えば可搬型の場合、商用電源から商用周波数を取り込むこと、つまり商用電源と同期させることが難しく、複数の周波数毎に取得したサンプリングデータの位相が互いにずれてしまう恐れがある。このため、前記データ処理部は、前記複数の周波数毎に取得したサンプリングデータの位相を補正する位相補正部をさらに有することが望ましい。

部分放電の様相の判別を容易にするためには、前記データ処理部は、前記部分放電データの特徴量を抽出する特徴量抽出部をさらに有し、前記機械学習部は、前記学習データセットとして与えられた部分放電データの特徴量を用いて機械学習モデルを生成するものであり、前記判別部は、前記機械学習モデルと前記特徴量抽出部により得られた特徴量とを用いて前記部分放電の様相を判別することが望ましい。

具体的に前記特徴量抽出部は、前記部分放電データを特異値分解し、それにより得られた最大特異値の右特異ベクトル（時間領域の特徴を表す特異ベクトル）を特徴量として抽出するものであり、前記機械学習部は、前記学習データセットとして与えられた部分放電データの右特異ベクトルを用いて機械学習モデルを生成するものであることが考えられる。

また、演算処理を速くするためには、前記特徴量抽出部は、前記部分放電データを特異値分解し、それにより得られた最大特異値の右特異ベクトルをフーリエ変換した特徴ベクトルを特徴量として抽出するものであり、前記機械学習部は、前記学習データセットとして与えられた部分放電データの右特異ベクトルをフーリエ変換した特徴ベクトルを用いて前記機械学習モデルを生成するものであることが望ましい。
また、右特異ベクトルをフーリエ変換することによって、周期性の特徴を明確化することができる。また、各測定時の時刻０の調整を省略することができる。つまり、商用周波数との位相差を無視することができる。

電気機器の代表的な部分放電の様相を判別するためには、前記機械学習部は、前記機械学習モデルとして、正常モデル、突起性放電モデル、空隙性放電モデル、及び沿面放電モデルを生成することが考えられる。

このように構成した本発明によれば、部分放電により発生する信号をサンプリングして得られた部分放電データを用いて部分放電の様相を判別することができる。

本実施形態の部分放電診断装置の構成を模式的に示す図である。 同実施形態の部分放電データの内容を示す図である。 同実施形態の部分放電データの３次元グラフである。 同実施形態の位相補正前後の部分放電データを示す図である。 同実施形態の最大特異値の右特異ベクトルを示すグラフと特徴ベクトルを示すグラフである。 同実施形態のＳＶＭによる機械学習を示す模式図である。 正常である場合の（ａ）部分放電データの三次元グラフ、（ｂ）位相補正後の部分放電データと、（ｃ）最大特異値の右特異ベクトルデータ、（ｄ）フーリエ変換後の特徴ベクトルデータを示す図である。 突起性放電である場合の（ａ）部分放電データの三次元グラフ、（ｂ）位相補正後の部分放電データと、（ｃ）最大特異値の右特異ベクトルデータ、（ｄ）フーリエ変換後の特徴ベクトルデータを示す図である。 空隙性放電である場合の（ａ）部分放電データの三次元グラフ、（ｂ）位相補正後の部分放電データと、（ｃ）最大特異値の右特異ベクトルデータ、（ｄ）フーリエ変換後の特徴ベクトルデータを示す図である。 沿面放電である場合の（ａ）部分放電データの三次元グラフ、（ｂ）位相補正後の部分放電データと、（ｃ）最大特異値の右特異ベクトルデータ、（ｄ）フーリエ変換後の特徴ベクトルデータを示す図である。 同実施形態のクラス判別を示す模式図である。 周波数間の位相補正方法の変形例を示す図である。 周波数間の位相補正方法の変形例を示す図である。

以下に、本発明に係る部分放電診断装置の一実施形態について、図面を参照して説明する。

図１に示す本実施形態の部分放電診断装置１００は、ガス絶縁開閉装置、電力用トランス、配電盤などの電気機器２００の絶縁異常時に発生しうる部分放電Ｘの有無及び様相（発生態様）を診断する可搬型の装置である。

具体的に部分放電診断装置１００は、部分放電Ｘにより発生する信号として電磁波信号を検出するものであり、図１に示すように、部分放電Ｘにより発生する電磁波を検出する電磁波センサ２と、電磁波センサ２からの信号をサンプリングして部分放電データを取得するデータ取得部３と、データ取得部３が取得した部分放電データを処理するデータ処理部４とを備えている。

本実施形態の電磁波センサ２は電磁波アンテナであり、電磁波を受けてその強度に比例した検出信号（例えば電圧信号）をデータ取得部３に出力する。

データ取得部３は、例えばスペクトラム・アナライザ、Ａ／Ｄ変換器、ＣＰＵ、内部メモリ等から構成されている。データ取得部３は、電磁波センサ２の検出信号を、複数の周波数毎に、商用周波数（５０Ｈｚ又は６０Ｈｚ）の少なくとも２周期分の時間でサンプリングすることにより部分放電データを取得する。

具体的にデータ取得部３は、図２に示すように、所定の周波数帯域（例えば１～１００ＭＨｚ）において、１ＭＨｚ毎に商用周波数の２周期（商用２サイクル）分の時間において例えば１００サンプリング（ｔ１～ｔ１００）を行う。商用周波数が５０Ｈｚの場合、データ取得部３は０．４［ｍｓ］毎にサンプリングを行い、商用周波数が６０Ｈｚの場合、データ取得部３は０．３３３［ｍｓ］毎にサンプリングを行う。各サンプリングにおいて取得されるデータは、検出信号の振幅値である。本実施形態では可搬型の部分放電診断装置１００であるため、商用電源から商用周波数信号を取り込むこと無く、商用周波数が５０Ｈｚであれば商用周波数の２周期分を４０［ｍｓ］とし、商用周波数が６０Ｈｚであれば商用周波数の２周期分を３３．３［ｍｓ］としている。

このデータ取得部３により取得された部分放電データは、複数の周波数（ｆ１～ｆ１００）に対する周波数毎の波形データとして、内部メモリにより構成されるデータ格納部５に格納される。この部分放電データを周波数軸と時間軸（すなわちサンプリング軸）と強度軸の３軸で三次元的に示すと図３となる。

図１に示すデータ処理部４は、ＣＰＵ、内部メモリ等から構成されている。データ処理部４は、データ格納部５に格納された部分放電データにおける周波数間の位相のズレを補正する位相補正部４ａと、位相補正された部分放電データの特徴量を抽出する特徴量抽出部４ｂと、部分放電Ｘの様相を判別するための機械学習モデルを生成する機械学習部４ｃと、機械学習部４ｃにより生成された機械学習モデルを用いて、部分放電Ｘの様相を判別する判別部４ｄとを有している。

＜周波数間の位相補正＞
位相補正部４ａは、複数の周波数毎に取得したサンプリングデータの位相を補正するものであり、以下の方法により位相のズレを補正する。

まず、相互相関値を計算する準備として、複数の周波数（ｆ１～ｆ１００）それぞれについて、各々の中間値を引き算し、中間値を０に揃える。

各周波数に対して他の周波数と最も強い相関を持つ周波数成分（ｆ）をｆ１～ｆ１００の中から選び出し、キー周波数成分（ｆｋｅｙ）と決める。

そして、ｆｋｅｙを基準として、ｆｋｅｙとｆ１との相互相関値（ｆｋｅｙの１００個とｆ１の１００個の相関）を求める。

具体的には、ｆ１の要素を１つシフトして（ｔを１つずらす）、ｆｋｅｙとｆ１との相互相関値を求める。これを全数（１００回）実施して、相互相関値が最大となるシフト数を求めて、サンプリングデータのシフト量とする。

ｆ２～ｆ１００についても同様に実施して、各周波数におけるシフト量を求めて、サンプリングデータのシフト量とする。

そして、各周波数で求めたシフト量により各サンプリングデータをシフトさせることによって、位相が補正される。このような位相補正前後の部分放電データを図４（ａ）および図４（ｂ）に示す。同図より周波数間の位相補正ができていることがわかる。

＜特徴抽出＞
特徴量抽出部４ｂは、位相補正された部分放電データから以下の方法により特徴量を抽出する。

まず、位相補正後の部分放電データを特異値分解する。

そして、最大特異値の右特異ベクトル（時間領域の特徴を表す特異ベクトル、図５（ａ）参照）を求める。この右特異ベクトルは、１００次元である。

この特異ベクトルをフーリエ変換してその絶対値を特徴ベクトル（図５（ｂ）参照）とする。この特徴ベクトルは５１次元である。この特徴ベクトルを部分放電データの特徴量とする。

＜ＳＶＭによる機械学習＞
機械学習部４ｃは、図６に示すように、部分放電Ｘの様相毎に取得された部分放電データ（１００×１００ポイントのデータ）からなる学習データセットを用いて機械学習を行い、機械学習モデルを生成する。本実施形態の機械学習部４ｃは、機械学習アルゴリズムとしてサポートベクターマシン（ＳＶＭ）を用いたものである。

そして、機械学習部４ｃにより生成される機械学習モデルは、「正常」を判別するための個別判別器（ＳＶＭ＃１）、「突起性放電」を判別するための個別判別器（ＳＶＭ＃２）、「空隙性放電」を判別するための個別判別器（ＳＶＭ＃３）、及び「その他の放電（沿面放電）」を判別するための個別判別器（ＳＶＭ＃４）である。

このため、機械学習部４ｃに入力される学習データセットは、「正常」である場合の部分放電データ及び「正常」を示すラベルデータと、「突起性放電」である場合の部分放電データ及び「突起性放電」を示すラベルデータと、「空隙性放電」である場合の部分放電データ及び「空隙性放電」を示すラベルデータと、「沿面放電」である場合の部分放電データ及び「沿面放電」を示すラベルデータである。

これら部分放電データ（学習データセット）は、上述した位相補正部４ａにより位相補正され、特徴量抽出部４ｂにより特徴ベクトルが抽出される。図７～図１０に各様相における（ａ）部分放電データの三次元グラフと、（ｂ）位相補正後の部分放電データと、（ｃ）最大特異値の右特異ベクトルデータ、（ｄ）フーリエ変換後の特徴ベクトルデータを示している。

そして、抽出された特徴ベクトルが機械学習部４ｃに入力される。そして、機械学習部４ｃにおいて、各特徴ベクトルとその様相を示すラベルデータとが学習されて、個別判別器（ＳＶＭ＃１～ＳＶＭ＃４）が生成される。

＜測定データ（部分放電データ）の様相判別＞
判別部４ｄは、図１１に示すように、機械学習部４ｃにより生成された個別判別器（ＳＶＭ＃１～ＳＶＭ＃４）を用いて、部分放電Ｘの様相を判別する。

この判別部４ｄは、データ取得部３により取得された部分放電データの特徴ベクトルを特徴量抽出部４ｃから取得する。そして、判別部４ｄは、取得した部分放電データの特徴ベクトルを各個別判別器（ＳＶＭ＃１～ＳＶＭ＃４）に入力して、得られるスコア（スコア＃１～スコア＃４）が最大の個別判別器（ＳＶＭ）のラベルを選択する。

この選択されたラベル（「正常」、「突起性放電」、「空隙性放電」、「沿面放電」）により、判別部４ｄは、部分放電Ｘの様相を判別することができる。

＜本実施形態の効果＞
本実施形態の部分放電診断装置１００によれば、部分放電Ｘの様相毎に取得された部分放電データからなる学習データセットを用いて生成された機械学習モデル（ＳＶＭ＃１～ＳＶＭ＃４）によって、データ取得部３が取得した部分放電データから部分放電Ｘの様相を判別することができる。その結果、電気機器２００の部分放電Ｘの発生箇所（絶縁劣化箇所）を特定することができる。

＜その他の変形実施形態＞
なお、本発明は前記実施形態に限られるものではない。

前記実施形態では、部分放電により発生する信号として電磁波を検出するものであったが、部分放電により発生する電流、超音波又は機械振動を検出するものであっても良い。この場合、部分放電診断装置はホール素子、ＭＲ素子等の電流センサ、電磁マイク、圧電マイク等の超音波センサ、又は圧電セラミック素子、圧電結晶素子等の機械振動センサを備えている。

また、前記実施形態では、部分放電の様相を正常、突起性放電、空隙性放電及び沿面放電の４つに判別するものであったが、状況に応じて、その他の様相を判別するものであっても良い。

前記実施形態の周波数間の位相補正方法の他に、図１２に示すように、例えば以下の方法が考えられる。
周波数（ｆ１～ｆ１００）の位相のズレは一定（単調）であることが多いことを利用して、位相の傾きが直線であると仮定する。
ｆ１を固定して、ｆ１００の時間シフト量を１ずつ変化させ、ｆ１とｆ１００の間の周波数は比例配分した時間シフト量とする。そして、各時間シフト後の結果に対して縦方向の標準偏差をとり、最も標準偏差が小さくなる（ばらつきが小さくなる）時間シフト量を採用する。そして、この時間シフト量を用いて位相補正を行う。

また、図１３に示すように、以下の方法も考えられる。
周波数（ｆ１～ｆ１００）のデータの時間軸方向のグラフについて、それぞれピーク位置を見つける。ここで、ピーク位置を見つける方法は、時間軸方向に２回微分して最小値とその隣接する極大値との差を取り、その差が大きい最小値をピーク位置と認定する方法などが考えられる。この時点でピークが存在しない周波数のデータは以下の計算から除外する。
ピークの大きさの上位例えば３０個を用いて近似曲線を引く。その線を補正量として、位相補正を行う。
なお、上記において１００×１００個のデータに対して、例えば包絡線作成処理又は移動平均処理により凹凸を滑らかにする平滑化処理しても良い。

さらに、前記実施形態では、特徴量としてフーリエ変換後の絶対値である特徴ベクトルを用いて様相を判別しているが、フーリエ変換すること無く最大特異値の右特異ベクトルを用いて様相を判別するように構成しても良い。

加えて、前記実施形態の機械学習アルゴリズムはＳＶＭであったが、その他、自己組織化マップ、人工ニューラルネットワーク、決定木、ランダムフォレスト、ｋ平均法、ｋ近傍法、遺伝的アルゴリズム、ベイジアンネットワーク、又はディープラーニング手法であっても良い。例えば自己組織化マップを用いた場合には、自己組織化マップデータに様相のラベルを色表示したものを用いることが考えられる。

その他、本発明は前記実施形態に限られず、その趣旨を逸脱しない範囲で種々の変形が可能であるのは言うまでもない。

１００・・・部分放電診断装置
２００・・・電気機器
Ｘ ・・・部分放電
２ ・・・センサ
３ ・・・データ取得部
４ ・・・データ処理部
４ａ ・・・位相補正部
４ｂ ・・・特徴量抽出部
４ｃ ・・・機械学習部
４ｄ ・・・判別部

Claims (5)

1. 電気機器の部分放電により発生する信号を検出するセンサと、
   前記センサからの信号をサンプリングして部分放電データを取得するデータ取得部と、
   前記データ取得部が取得した部分放電データを処理するデータ処理部とを備え、
   前記データ処理部は、
   部分放電の様相毎に取得された部分放電データからなる学習データセットを用いて機械学習を行い、前記データ取得部により取得された部分放電データから様相を判別するための機械学習モデルを生成する機械学習部と、
   前記機械学習部により生成された機械学習モデルと前記データ取得部が取得した部分放電データとを用いて前記部分放電の様相を判別する判別部とを有し、
   前記データ処理部は、前記部分放電データを特異値分解し、それにより得られた最大特異値の右特異ベクトルを特徴量として抽出する特徴量抽出部をさらに有し、
   前記機械学習部は、前記学習データセットとして与えられた部分放電データの右特異ベクトルを用いて機械学習モデルを生成するものであり、
   前記判別部は、前記機械学習モデルと前記特徴量抽出部により得られた右特異ベクトルとを用いて前記部分放電の様相を判別する、部分放電診断装置。
2. 電気機器の部分放電により発生する信号を検出するセンサと、
   前記センサからの信号をサンプリングして部分放電データを取得するデータ取得部と、
   前記データ取得部が取得した部分放電データを処理するデータ処理部とを備え、
   前記データ処理部は、
   部分放電の様相毎に取得された部分放電データからなる学習データセットを用いて機械学習を行い、前記データ取得部により取得された部分放電データから様相を判別するための機械学習モデルを生成する機械学習部と、
   前記機械学習部により生成された機械学習モデルと前記データ取得部が取得した部分放電データとを用いて前記部分放電の様相を判別する判別部とを有し、
   前記データ処理部は、前記部分放電データを特異値分解し、それにより得られた最大特異値の右特異ベクトルをフーリエ変換した特徴ベクトルを特徴量として抽出する特徴量抽出部をさらに有し、
   前記機械学習部は、前記学習データセットとして与えられた部分放電データの右特異ベクトルをフーリエ変換した特徴ベクトルを用いて前記機械学習モデルを生成するものであり、
   前記判別部は、前記機械学習モデルと前記特徴量抽出部により得られた特徴ベクトルとを用いて前記部分放電の様相を判別する、部分放電診断装置。
3. 前記機械学習部は、サポートベクターマシン、自己組織化マップ、人工ニューラルネットワーク、決定木、ランダムフォレスト、ｋ平均法、ｋ近傍法、遺伝的アルゴリズム、ベイジアンネットワーク、又はディープラーニング手法を用いて構成される、請求項１又は２記載の部分放電診断装置。
4. 前記データ取得部は、前記センサからの信号を、複数の周波数毎に、商用電源の少なくとも２サイクル分サンプリングすることにより部分放電データを取得するものであり、
   前記データ処理部は、前記複数の周波数毎に取得したサンプリングデータの位相を補正する位相補正部をさらに有する、請求項１乃至３の何れか一項に記載の部分放電診断装置。
5. 前記機械学習部は、前記機械学習モデルとして、正常モデル、突起性放電モデル、空隙性放電モデル、及び沿面放電モデルを生成する、請求項１乃至４の何れか一項に記載の部分放電診断装置。
   

Images