JP7297575B2 - 部分放電診断装置、部分放電診断方法、部分放電診断システム及びコンピュータプログラム - Google Patents

Description

本発明の実施形態は、部分放電診断装置、部分放電診断方法、部分放電診断システム及びコンピュータプログラムに関する。

近年、部分放電診断装置では、電気機器の部分放電の有無を診断するにあたって、機械学習を用いた診断が検討されている。機械学習を用いた診断では、部分放電診断装置は、過去の診断結果に基づいて生成された識別器と新しく取得された放電に関するデータとに基づいて電気機器の診断を行う。このような診断方法では識別器の生成に用いられたデータと新しく取得されたデータとが類似していることが求められる。しかし、識別器の生成に用いられたデータと新しく取得されたデータとが類似しているか否かを判断することは難しい場合がある。このため、診断者は、部分放電の診断結果が信頼できる結果であるか否かを判断することが難しい場合があった。

特開２０１８－１６５９２６号公報

本発明が解決しようとする課題は、部分放電の診断結果が信頼できるか否かを判断するための情報を提供することができる部分放電診断装置、部分放電診断方法、部分放電診断システム及びコンピュータプログラムを提供することである。

実施形態の部分放電診断装置は、状態診断部と、信用情報生成部と、出力部とを持つ。状態診断部は、所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けた学習データを用いて所定の機械学習を行うことで生成される識別器と診断対象の電気機器から発生した部分放電の信号に関する放電データとに基づいて、前記診断対象の電気機器の状態を診断する。信用情報生成部は、前記識別器によって識別される前記電気機器の状態に基づいて、前記診断の結果の信頼度に関する情報を生成する。出力部は、前記信頼度に関する情報と前記診断の結果とを所定の出力装置に出力する。

第１の実施形態の部分放電診断装置１００の機能構成を表す機能ブロック図。 第１の実施形態の学習データの一具体例を示す図。 第１の実施形態の評価データの一具体例を示す図。 第１の実施形態におけるニューラルネットの中間層の出力の一具体例を示す図。 第１の実施形態の生成された診断結果の一具体例を示す図。 第１の実施形態の識別器の生成の処理の流れの一具体例を示すフローチャート。 第１の実施形態の診断結果の生成の処理の流れの一具体例を示すフローチャート。 第２の実施形態の部分放電診断装置１００ａの機能構成を表す機能ブロック図。 第２の実施形態の生成された診断結果の一具体例を示す図。 第２の実施形態の診断結果の生成の処理の流れの一具体例を示すフローチャート。

以下、実施形態の部分放電診断装置、部分放電診断方法、学習装置、学習方法、部分放電診断システム及びコンピュータプログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態の部分放電診断装置１００の機能構成を表す機能ブロック図である。部分放電診断装置１００は、パーソナルコンピュータ、サーバ、タブレットコンピュータ又はスマートデバイス等の情報処理装置である。部分放電診断装置１００は、電気機器が収容された箱体の近傍に設けられる。部分放電診断装置１００は、診断対象の電気機器から発生した部分放電信号に基づいて、電気機器の状態を診断する。電気機器の状態は、例えば故障Ａ、故障Ｂ又は正常等の複数の種類で表される。部分放電診断装置１００は、部分放電診断プログラムを実行することによって通信部１０１、出力部１０２、学習データ記憶部１０３、識別器記憶部１０４及び制御部１０５を備える装置として機能する。

電気機器は、遮断機、断路器、変流器又は変圧器等の機器（いずれも不図示）によって構成される。電気機器は、外部から電源ケーブルを介して、高電圧及び大電流を通電する。電気機器は、異常時には通電を遮断する機能を有する。電気機器は、電力用変圧器、ガス絶縁開閉器、発電機、電動機又はリアクトル等のように、部分放電を発生する可能性がある機器であればどのような機器であってもよい。箱体は、例えばスイッチギヤ等の電力盤である。なお、箱体の下部には、接地極が接続される。

通信部１０１は、ネットワークインタフェースである。通信部１０１はネットワークを介して、外部の通信装置と通信する。通信部１０１は、例えば無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＬＴＥ（Long Term Evolution）（登録商標）等の通信方式で通信してもよい。

出力部１０２は、部分放電診断装置１００に接続された不図示の出力装置を介し、部分放電診断装置１００のユーザに対してデータの出力を行う。出力装置は、例えば画像や文字を画面に出力する装置を用いて構成されても良い。例えば、出力装置は、ＣＲＴ（Cathode Ray Tube）や液晶ディスプレイや有機ＥＬ（Electro Luminescence）ディスプレイ等を用いて構成できる。また、出力装置は、画像や文字をシートに印刷（印字）する装置を用いて構成されても良い。例えば、出力装置は、インクジェットプリンタやレーザープリンタ等を用いて構成できる。また、出力装置は、文字を音声に変換して出力する装置を用いて構成されても良い。この場合、出力装置は、音声合成装置及び音声出力装置（スピーカー）を用いて構成できる。出力装置は、ＬＥＤ（Light Emitting Diode）等の発光装置を用いて構成されてもよい。出力部１０２は、部分放電診断装置１００に設けられた通信装置を介して他の情報処理装置に対し判定結果を送信してもよい。ユーザは、例えば、電気機器の診断を行う診断員等の部分放電診断装置１００を使用する可能性がある者であればどのような者であってもよい。

学習データ記憶部１０３は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。学習データ記憶部１０３は、１つ以上の学習データを記憶する。学習データは識別器の生成に用いられる。図２は、第１の実施形態の学習データの一具体例を示す図である。学習データは、データ番号とデータと状態とを対応付けて有する。データ番号は、学習データ記憶部１０３に記憶される学習データの識別情報である。データは、所定の電気機器から発生した部分放電信号に関するデータである。データは、部分放電信号の波形で表されてもよいし、φ－ｑ－ｎパターン等の画像で表されてもよい。データは、どの位相に、どのような強度の放電信号が表れているのかわかるならばどのような形式のデータであってもよい。図２では、データは、波形で表されたデータである。状態は、所定の電気機器の状態を表す。状態は、故障Ａ、故障Ｂ又は正常等の、電気機器が取りうる状態のいずれかを表す。学習データ記憶部１０３は、予め学習データを記憶していてもよい。また、学習データ記憶部１０３は、学習データを記憶していない場合、外部の装置から受け付けた学習データを記憶してもよい。

図１に戻って、部分放電診断装置１００の説明を続ける。識別器記憶部１０４は、識別器を記憶する。識別器は、識別器生成部１０６によって生成される。識別器は、入力された評価データに基づいて、電気機器の状態を識別する。具体的には、識別器は、例えば電気機器の状態を複数の状態のうち、いずれか１つに識別する。識別器は、識別された電気機器の状態を出力する。複数の状態とは、識別器の生成に用いられた学習データが有する状態であってもよい。

入力される評価データは、評価データ生成部１０７によって生成される。評価データは、電気機器の部分放電信号に関するデータである。評価データは、診断対象の電気機器の状態に関する評価に用いられるデータである。評価データは、部分放電信号の波形で表されてもよいし、φ－ｑ－ｎパターン等の画像で表されてもよい。評価データは、学習データが有するデータのカラムと同じ形式のデータである。例えば、学習データが有するデータのカラムが部分放電信号の波形である場合、評価データは部分放電信号の波形で表される。識別器記憶部１０４は、識別器生成部１０６によって生成された識別器を記憶してもよいし、予め学習済みの識別器が記憶されていてもよい。なお、評価データは、どの位相に、どのような強度の放電信号が表れているのかわかるデータであってもよい。

図３は、第１の実施形態の評価データの一具体例を示す図である。図３の評価データは、部分放電信号の波形で表される。図３の評価データは、横軸が時間を表す。図３の評価データは、縦軸が信号強度を表す。なお、評価データは、図３の態様に限定されない。例えば、評価データは、識別器の生成に用いられた学習データのデータのカラムと同じ形式であれば、どのような形式であってもよい。

制御部１０５は、部分放電診断装置１００の各部の動作を制御する。制御部１０５は、例えばＣＰＵ（Central Processing Unit）等のプロセッサ及びＲＡＭ（Random Access Memory）を備えた装置により実行される。制御部１０５は、診断プログラムを実行することによって識別器生成部１０６、評価データ生成部１０７、状態識別部１０８、信用情報生成部１０９及び診断結果生成部１１０として機能する。

識別器生成部１０６は、学習データ記憶部１０３に記憶された学習データに基づいて、識別器を生成する。具体的には、識別器生成部１０６は、所定の機械学習を用いて、識別器を生成する。所定の機械学習とは、ニューラルネットワーク等の中間層の出力が可能な学習アルゴリズムである。所定の機械学習は、例えばＲ－ＣＮＮ（Region-based CNN）であってもよい。所定の機械学習は、例えばＬＳＴＭ（Short-Term Memory）であってもよい。所定の機械学習は、例えばＦａｓｔ Ｒ－ＣＮＮであってもよい。識別器生成部１０６は、中間層の出力が可能な機械学習であればどのような機械学習を用いてもよい。識別器生成部１０６は、生成された識別器を識別器記憶部１０４に記録する。

評価データ生成部１０７は、取得された放電信号に基づいて評価データを生成する。具体的には、評価データ生成部１０７は、センサから放電信号を取得する。センサは、診断対象となる電気機器が収容された箱体の表面に設けられる。センサは、電気機器から生じる部分放電に関する物理量を測定する。センサは、例えばＣＴ（Current Transformer）センサであってもよい。センサは、例えばＡＥ（Acoustic Emission）センサであってもよい。センサは、例えばＴＥＶ（Transient Earth Voltageであってもよい。センサは、部分放電から物理量を測定できるセンサであればどのようなセンサであってもよい。物理量は、例えば、電位、電流、電磁波、振動又は音等の部分放電によって生じる物理量であればどのようなものでもよい。評価データ生成部１０７は、取得された物理量に基づいて、評価データを生成する。評価データ生成部１０７は、学習データ記憶部１０３に記憶されているデータと同じ形式のデータを評価データとして生成する。例えば、評価データ生成部１０７は、部分放電の波形を評価データとして生成してもよい。評価データ生成部１０７は、散布図（Φ－ｑプロット）を評価データとして生成してもよい。この場合、評価データ生成部１０７は、一定期間の部分放電信号に対して、印加される電源電圧の位相（Φ）を横軸、部分放電の電荷量（ｑ）を縦軸とする。評価データ生成部１０７は、散布図（Φ－ｑプロット）の軸を量子化し、各軸に対応する発生頻度nを表現するΦ－ｑ－ｎパターンを評価データとして生成してもよい。評価データは、放電データの一具体例である。放電データは、診断対象の電気機器から発生した部分放電の信号に関するデータである。

状態識別部１０８は、評価データと識別器とに基づいて、電気機器の状態を識別する。具体的には、状態識別部１０８は、識別器記憶部１０４から識別器を取得する。状態識別部１０８は、生成された評価データを識別器に入力する。識別器に評価データが入力されると、識別器は、電気機器の状態を出力する。状態識別部１０８は、識別器によって出力された電気機器の状態を診断結果生成部１１０に出力する。状態識別部１０８は、状態診断部の一具体例である。状態診断部は、識別器と評価データとに基づいて、診断対象の電気機器の状態を診断する。

信用情報生成部１０９は、状態識別部１０８によって識別された電気機器の状態に対する信頼度に関する情報を生成する。信用情報生成部１０９は、生成された信頼度に関する情報を診断結果生成部１１０に出力する。信用情報生成部１０９は特徴量取得部１９１を備える。

特徴量取得部１９１は、評価データ又は学習データの特徴量を取得する。特徴量取得部１９１は、取得された特徴量を状態識別部１０８によって識別された電気機器の状態に対する信用度に関する情報として、診断結果生成部１１０に出力する。特徴量とは、評価データ又は学習データに対して所定の変換が行われた情報である。所定の変換とは、例えば、主成分分析等の次元削減に関する処理であってもよい。

状態識別部１０８が識別器としてニューラルネットワークを用いた場合の具体例について説明する。まず、特徴量取得部１９１は、識別器に評価データ又は学習データを入力する。ここで、識別器は、識別器記憶部１０４に記憶された識別器である。識別器は、電気機器の状態の識別に用いられた識別器である。図４は、第１の実施形態におけるニューラルネットの中間層の出力の一具体例を示す図である。図４では、識別器はｚ１からｚｎまでのｎ次元の中間層を出力する。特徴量取得部１９１は、識別器に入力されたデータに対するｎ次元の中間層の出力を取得する。特徴量取得部１９１は、取得されたｎ次元の中間層の出力に対して次元削減を行う。例えば、特徴量取得部１９１は、主成分分析等の次元削減手法を用いて次元削減を行ってもよい。例えば、特徴量取得部１９１は、主成分分析を用いて第一主成分及び第二主成分からなる２次元の特徴量を取得してもよい。特徴量取得部１９１は、学習データ記憶部１０３に記憶された学習データと生成された評価データとそれぞれのデータに対して特徴量を取得する。特徴量取得部１９１は、取得された特徴量を診断結果生成部１１０に出力する。なお、本実施形態では、特徴量取得部１９１は、２次元の特徴量を取得したが、２次元に限定されない。例えば、特徴量取得部１９１は、１次元の特徴量を取得してもよいし、３次元以上の特徴量を取得してもよい。信用情報生成部１０９は、特徴量取得部１９１によって取得された特徴量を診断結果生成部１１０に出力する。

診断結果生成部１１０は、状態識別部１０８によって出力された識別結果と、信用情報生成部１０９によって出力された特徴量とに基づいて、電気機器の診断結果を生成する。診断結果は、電気機器の状態を識別した結果と、特徴量とが対応付けされた情報である。診断結果生成部１１０は、生成された診断結果を出力部１０２に出力する。

図５は、第１の実施形態の生成された診断結果の一具体例を示す図である。図５は、識別結果２１０と、散布図２２０とを含む。診断結果生成部１１０は、識別結果２１０と散布図２２０とを並べた画像を診断結果として出力部１０２に出力する。識別結果２１０は、状態識別部１０８によって出力された識別結果を表す。識別結果２１０によると、診断対象となる電気機器は、状態１に識別されている。散布図２２０は、信用情報生成部１０９によって出力された特徴量を表す。診断結果生成部１１０は、信用情報生成部１０９によって出力された特徴量に基づいて散布図２２０を生成する。

散布図２２０は、評価データ又は学習データから取得された特徴量がプロットされる。散布図２２０の両軸は、主成分分析における第一主成分及び第二主成分であるが、これに限定されない。また、散布図は２次元に限定されない。散布図は、取得された特徴量の次元数に応じて生成されてもよい。例えば、特徴量が３次元である場合、散布図は３次元で生成されてもよい。また、特徴量が４次元以上である場合、行列で表されてもよい。

散布図２２０は、領域２２１と領域２２２とを含む。領域２２１は散布図２２０にプロットされたデータの形状を表す。領域２２１によると、データの形状は、状態に対応付けされる。例えば、状態１に対応付けされたデータは、四角形で散布図２２０にプロットされる。例えば、状態２に対応付けされたデータは、円形で散布図２２０にプロットされる。例えば、状態３～５に対応付けされたデータは、向きの異なる三角形で散布図２２０にプロットされる。領域２２２は、プロットされたデータの色を表す。領域２２２は、評価データと学習データとで散布図２２０にプロットされる色が異なることを表す。なお、散布図２２０に表される各データの表示態様は、これらに限定されない。散布図２２０は、データの内容に応じて形状と色とが区別可能な態様で描画されればよい。

ユーザは出力部１０２に出力された診断結果に基づいて、電気機器の状態に対する識別結果の信用度を判断することができる。例えば、評価データがＡの位置にプロットされた場合（評価データＡ）について説明する。評価データＡは、状態１に識別されている。評価データＡは、状態１を有する学習データと同様の位置にプロットされている。このため、ユーザは、評価データＡが状態１に識別された結果に対して信用できると判断できる。

評価データがＢの位置にプロットされた場合（評価データＢ）について説明する。評価データＢは、状態１に識別されている。評価データＢは、状態１を有する学習データと状態３を有する学習データとの中間にプロットされている。このため、評価データＢは、状態３に識別される可能性もあったと考えられる。ユーザは、評価データＢが状態１に識別された結果に対して信用できないと判断できる。

評価データがＣの位置にプロットされた場合（評価データＣ）について説明する。評価データＣは、状態１に識別されている。評価データＣは、状態３を有する学習データと同様の位置にプロットされている。このため、評価データＣは、状態３に識別されることが望ましいデータであったと考えられる。ユーザは、評価データＣが状態１に識別された結果に対して信用できないと判断できる。

評価データがＤの位置にプロットされた場合（評価データＤ）について説明する。評価データＤは、状態１に識別されている。評価データＤは、学習データとは離れた場所にプロットされている。このため、評価データＤは、学習データに類似していないと考えられる。ユーザは、評価データＤが状態１に識別された結果に対して信用できないと判断できる。

図６は、第１の実施形態の識別器の生成の処理の流れの一具体例を示すフローチャートである。識別器の生成は、所定のタイミングで行われる。所定のタイミングとは、予め指定されたタイミングであってもよいし、学習データ記憶部１０３に予め定められた数の学習データが記憶されたタイミングであってもよい。識別器生成部１０６は、学習データ記憶部１０３に記憶された学習データを取得する（ステップＳ１０１）。識別器生成部１０６は、取得された学習データに対して所定の機械学習を行うことで識別器を生成する（ステップＳ１０２）。識別器生成部１０６は、生成された識別器を識別器記憶部１０４に記録する（ステップＳ１０３）。

図７は、第１の実施形態の診断結果の生成の処理の流れの一具体例を示すフローチャートである。診断結果の生成は、電気機器から放電信号が取得されたタイミングで行われてもよい。診断結果の生成は、放電信号が取得された所定期間後に行われてもよい。診断結果の生成は、予め指定されたタイミングで行われてもよい。診断結果の生成は、放電信号が取得された後であればどのようなタイミングで行われてもよい。評価データ生成部１０７は、取得された放電信号に基づいて評価データを生成する（ステップＳ２０１）。評価データ生成部１０７は、学習データ記憶部１０３に記憶されているデータと同じ形式のデータを評価データとして生成する。状態識別部１０８は、識別器記憶部１０４から識別器を取得する。状態識別部１０８は、生成された評価データと取得された識別器とに基づいて、電気機器の状態を識別する（ステップＳ２０２）。

特徴量取得部１９１は、学習データ記憶部１０３に記憶された学習データを取得する。特徴量取得部１９１は、識別器記憶部１０４から識別器を取得する。特徴量取得部１９１は、評価データ又は学習データの特徴量を取得する（ステップＳ２０３）。例えば、特徴量取得部１９１は、評価データ又は学習データを識別器に入力する。特徴量取得部１９１は、識別器に入力されたデータに対するｎ次元の中間層の出力を取得する。特徴量取得部１９１は、主成分分析に基づいて、ｎ次元の中間層の出力の次元を削減する。例えば、特徴量取得部１９１は、ｎ次元の中間層の出力から２次元の特徴量を取得する。特徴量取得部１９１は、評価データと学習データとそれぞれのデータに対して特徴量を取得する。

診断結果生成部１１０は、特徴量に基づいて散布図を生成する（ステップＳ２０４）。例えば、診断結果生成部１１０は、特徴量が２次元である場合、両軸に第一主成分と第二主成分とがプロットされた散布図を生成する。診断結果生成部１１０は、取得された特徴量の次元数に応じて散布図を生成してもよい。

診断結果生成部１１０は、識別結果と散布図とに基づいて診断結果を生成する（ステップＳ２０５）。例えば、診断結果生成部１１０は、識別結果と散布図とを並べた画像を診断結果として生成してもよい。診断結果生成部１１０は、出力部１０２に出力する。出力部１０２は、診断結果を出力する（ステップＳ２０６）。

このように構成された部分放電診断装置１００では、状態識別部１０８が、識別器と評価データとに基づいて、診断対象の電気機器の状態を識別する。識別器は、学習データを用いて所定の機械学習を行うことで生成される。学習データは、所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けたデータである。また、信用情報生成部１０９は、前記識別器によって生成される中間層の出力に基づいて、識別の結果の信頼度に関する情報を生成する。このように、部分放電診断装置１００は、部分放電の診断結果が信頼できるか否かを判断するための情報を提供することができる。

また、信用情報生成部１０９の特徴量取得部１９１は、評価データ及び学習データに対して所定の変換を行うことで特徴量を取得する。特徴量取得部１９１は、取得された特徴量を診断結果生成部１１０に出力する。このため、診断結果生成部１１０は、特徴量に基づいて、識別された電気機器の状態と学習データに対応付けされた状態との違いや、状態評価データと学習データとの違いをプロットした散布図を生成することができる。特に、特徴量取得部１９１は、ニューラルネットの中間層の出力を用いて特徴量を取得した場合、ニューラルネットが識別するために変換したデータを使用することができる。このため、特徴量取得部１９１は、より簡単に特徴量を取得することができる。

（第２の実施形態）
次に、第２の実施形態における部分放電診断装置１００ａについて説明する。第１の実施形態における部分放電診断装置１００は、識別結果の信用度を表す情報として散布図を生成する。ユーザは、生成された散布図に基づいて、識別結果が信頼できるものであるか否かを判断する。このため、判断基準が主観的となっていた。第２の実施形態における部分放電診断装置１００ａでは、識別結果の信用度を数値情報として算出する。このため、部分放電診断装置１００ａは、識別結果の客観性を確保できる。

図８は、第２の実施形態の部分放電診断装置１００ａの機能構成を表す機能ブロック図である。第２の実施形態における部分放電診断装置１００ａは、制御部１０５の代わりに制御部１０５ａを備える点で第１の実施形態とは異なるが、それ以外の構成は同じである。以下、第１の実施形態と異なる点について説明する。

制御部１０５ａは、部分放電診断装置１００ａの各部の動作を制御する。制御部１０５ａは、例えばＣＰＵ等のプロセッサ及びＲＡＭを備えた装置により実行される。制御部１０５ａは、部分放電診断プログラムを実行することによって識別器生成部１０６、評価データ生成部１０７、状態識別部１０８、信用情報生成部１０９ａ及び診断結果生成部１１０ａとして機能する。

信用情報生成部１０９ａは、状態識別部１０８によって識別された電気機器の状態に対する信頼度に関する情報を生成する。信用情報生成部１０９ａは、生成された信頼度に関する情報を診断結果生成部１１０ａに出力する。信用情報生成部１０９ａは、特徴量取得部１９１、特異度算出部１９２、確信度算出部１９３及び信用度算出部１９４を備える。

特異度算出部１９２は、評価データの特異度を算出する。特異度は、評価データと所定の学習データ群とがどの程度類似しているかを表す情報である。評価データと所定の学習データ群との距離が遠くなるほど、評価データと学習データとの類似度は小さくなる。所定の学習データ群とは、学習データ記憶部１０３に記憶された学習データのうち、評価データに対する識別結果と同じ状態を持つ学習データである。特異度は、評価データと、所定の学習データ群と、に基づいて算出される。特異度は、数値化された情報であってもよい。具体的には、特異度算出部１９２は、所定のアルゴリズムに学習データと評価データとを入力することで特異度を算出する。所定のアルゴリズムとは、例えばＬＯＦ（Local Outlier Factor）等の外れ値を検知するアルゴリズムである。所定のアルゴリズムに入力される情報は、学習データ及び評価データの特徴量（例えば、第一主成分と第二主成分）である。このように、特異度算出部１９２は、評価データが学習データからどの程度類似しているかを算出する。特異度は、類似指標情報の一具体例である。類似指標情報は、評価データが学習データにどの程度類似しているかを示す情報である。

確信度算出部１９３は、評価データに対する識別結果の確信度を算出する。確信度は、評価データに対する識別結果の確からしさを表す情報である。確信度は、評価データが状態の識別境界からどの程度離れているかによって表される。評価データが、状態の識別境界から離れて、その状態を有するデータの集合に近くなるほど、評価データに対する識別結果の確信度は大きくなる。状態の識別境界とは、いずれかの状態を有する学習データがプロットされた領域の境界を表す。状態の識別境界とは、例えば、座標群で表されてもよい。座標群は、状態の境界線を構成する。確信度は、評価データと、所定の学習データとに基づいて算出される。確信度は、数値化された情報であってもよい。具体的には、確信度算出部１９３は、所定のアルゴリズムに学習データと評価データとを入力することで確信度を算出する。所定のアルゴリズムとは、例えばＳＶＭ（Support Vector Machine）等のパターン認識アルゴリズムである。所定のアルゴリズムに入力される情報は、学習データ及び評価データの特徴量（例えば、第一主成分と第二主成分）である。このように、確信度算出部１９３は、評価データが、状態の識別境界からどの程度離れているかを表す距離を確信度として算出する。例えば、図５における評価データＢのように状態１及び状態３の２種類の状態の境界付近に位置する評価データに対しては、識別器は状態の識別を誤る可能性がある。しかし、確信度を算出することで、ユーザは識別器の誤りに気が付くことが可能になる。確信度は、距離指標情報の一具体例である。距離指標情報は、診断の結果と学習データに対応付けされた状態との距離を示す情報である。

信用度算出部１９４は、評価データに対する識別結果の信用度を算出する。信用度は、評価データに対する識別結果がどの程度信用することができるのかを定量化した情報である。信用度は、特異度と確信度とに基づいて算出される。信用度は、数値化された情報であってもよい。具体的には、信用度算出部１９４は、特異度と確信度とを乗算することで信用度を算出する。このように、信用度算出部１９４は、特異度と確信度とを踏まえた評価を信用度として算出する。信用情報生成部１０９ａは、算出された特異度、確信度及び信用度を診断結果生成部１１０に出力する。

診断結果生成部１１０ａは、識別結果、特徴量、特異度、確信度及び信用度とに基づいて、電気機器の診断結果を生成する。診断結果は、電気機器の状態、特徴量、特異度、確信度及び信用度が対応付けされた情報である。診断結果生成部１１０ａは、生成された診断結果を出力部１０２に出力する。

図９は、第２の実施形態の生成された診断結果の一具体例を示す図である。図９は、識別結果２１０、評価データ特異度２１１、識別確信度２１２、結果信用度２１３及び散布図２２０を含む。診断結果生成部１１０ａは、識別結果２１０、評価データ特異度２１１、識別確信度２１２、結果信用度２１３及び散布図２２０を並べた画像を診断結果として出力部１０２に出力する。識別結果２１０及び散布図２２０については、上記で説明したため説明を省略する。

評価データ特異度２１１は、特異度算出部１９２によって算出された特異度を表す。評価データ特異度２１１によると、評価データの特異度は０．８である。識別確信度２１２は、確信度算出部１９３によって算出された特異度を表す。識別確信度２１２によると、評価データに対する識別結果の確信度は０．８である。結果信用度２１３は、信用度算出部１９４によって算出された信用度を表す。結果信用度２１３によると、評価データに対する識別結果の信用度は０．６４である。

診断結果生成部１１０ａは、識別結果２１０、評価データ特異度２１１、識別確信度２１２、結果信用度２１３及び散布図２２０をすべて含む画像を診断結果として生成しなくてもよい。例えば、診断結果生成部１１０ａは、識別結果２１０、評価データ特異度２１１、識別確信度２１２、結果信用度２１３及び散布図２２０のうち、いずれか１つ以上を含む情報を診断結果として生成してもよい。診断結果生成部１１０ａは、識別結果２１０、評価データ特異度２１１、識別確信度２１２、結果信用度２１３及び散布図２２０のうち、いずれか1つ以上を含む情報を文字や記号等の画像以外の手段で生成してもよい。

図１０は、第２の実施形態の診断結果の生成の処理の流れの一具体例を示すフローチャートである。診断結果の生成は、電気機器から放電信号が取得されたタイミングで行われてもよいし、放電信号が取得された所定期間後に行われてもよいし、予め指定されたタイミングで行われてもよい。診断結果の生成は、放電信号が取得された後であればどのようなタイミングで行われてもよい。なお、ステップＳ３０１～Ｓ３０３までの処理は、図７におけるステップＳ２０１～Ｓ２０３までの処理と同様であるため、説明を省略する。なお、ステップＳ３０７～Ｓ３０９までの処理は、図７におけるステップＳ２０４～Ｓ２０６までの処理と同様であるため、説明を省略する。

特異度算出部１９２は、評価データの特異度を算出する（ステップＳ３０５）。具体的には、特異度算出部１９２は、ＬＯＦ等の外れ値を検知するアルゴリズムに学習データと評価データとを入力することで特異度を算出する。確信度算出部１９３は、評価データに対する識別結果の確信度を算出する。具体的には、確信度算出部１９３は、ＳＶＭ等のパターン認識アルゴリズムに学習データと評価データとを入力することで確信度を算出する。信用度算出部１９４は、評価データに対する識別結果の信用度を算出する（ステップＳ３０６）。具体的には、信用度算出部１９４は、特異度と確信度とを乗算することで信用度を算出する。

このように構成された部分放電診断装置１００ａの信用情報生成部１０９ａでは、特異度算出部１９２が評価データの特異度を算出する。確信度算出部１９３が、確信度を算出する。信用度算出部１９４が信用度を算出する。診断結果生成部１１０ａが、特異度、確信度及び信用度を表示する。このように、ユーザは、特異度、確信度及び信用度に基づいて、電気機器の状態の識別結果が信頼できるか否かをより客観的に判断することが可能になる。

＜変形例＞
部分放電診断装置１００は、電気機器の設置場所で放電信号を取得することが求められる。しかし、その他の機能は、電気機器の設置場所で実施しなくてもよい。例えば、ユーザは評価データ生成部１０７を電気機器の設置場所に配置する。評価データ生成部１０７は、インターネット等の所定の通信網を通して、評価データを部分放電診断装置１００に送信してもよい。この場合、部分放電診断装置１００は、電気機器の設置場所から離れた遠隔地で、電気機器の診断を行うことが可能になる。

また、ユーザは、評価データ生成部１０７及び出力部１０２を電気機器の設置場所に配置してもよい。この場合、評価データ生成部１０７は、インターネット等の所定の通信網を通して、評価データを部分放電診断装置１００に送信してもよい。部分放電診断装置１００は、電気機器の設置場所から離れた遠隔地で、電気機器の診断を行う。部分放電診断装置１００は、所定の通信網を介して、診断結果を出力部１０２に出力する。このように構成されることで、負荷のかかる計算処理を遠隔地に設置されたより高い処理能力を備える情報処理装置等で実施することが可能になる。

部分放電診断装置１００は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、部分放電診断装置１００が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。例えば、識別器生成部１０６と状態識別部１０８とはそれぞれ異なる情報処理装置に実装されてもよい。

上記各実施形態では、制御部１０５が備える各機能部はソフトウェア機能部であるものとしたが、ＬＳＩ等のハードウェア機能部であってもよい。

以上説明した少なくともひとつの実施形態によれば、評価データ生成部、状態識別部及び信用情報生成部を持つことで、部分放電の診断結果に対する信頼性を提供できる。

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同様に、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ものである。

１００、１００ａ…部分放電診断装置、１０１…通信部、１０２…出力部、１０３…学習データ記憶部、１０４…識別器記憶部、１０５、１０５ａ…制御部、１０６…識別器生成部、１０７…評価データ生成部、１０８…状態識別部、１０９、１０９ａ…信用情報生成部、１１０、１１０ａ…診断結果生成部、１９１…特徴量取得部、１９２…特異度算出部、１９３…確信度算出部、１９４…信用度算出部

Claims (11)

1. 所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けた学習データを用いて所定の機械学習を行うことで生成される識別器と診断対象の電気機器から発生した部分放電の信号に関する放電データとに基づいて、前記診断対象の電気機器の状態を診断する状態診断部と、
   前記識別器によって識別される前記電気機器の状態に基づいて、前記診断の結果の信頼度に関する情報を生成する信用情報生成部と、
   前記識別の結果に基づいて、前記放電データ及び前記学習データをプロットした散布図を前記信頼度に関する情報として生成する診断結果生成部と、
   前記信頼度に関する情報と前記診断の結果とを所定の出力装置に出力する出力部と、
   を備える、部分放電診断装置。
2. 前記診断結果生成部は、前記学習データ及び前記放電データをそれぞれ異なる態様でプロットする、
   請求項１に記載の部分放電診断装置。
3. 前記診断結果生成部は、前記学習データ及び前記放電データを対応付け又は診断された前記状態毎に異なる態様でプロットする、
   請求項１又は２に記載の部分放電診断装置。
4. 所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けた学習データを用いて所定の機械学習を行うことで生成される識別器と診断対象の電気機器から発生した部分放電の信号に関する放電データとに基づいて、前記診断対象の電気機器の状態を診断する状態診断部と、
   前記識別器によって識別される前記電気機器の状態に基づいて、前記診断の結果の信頼度に関する情報を生成する信用情報生成部と、
   前記信頼度に関する情報と前記診断の結果とを所定の出力装置に出力する出力部と、
   を備え、
   前記信用情報生成部は、前記診断の結果と前記学習データに対応付けされた状態との距離を示す距離指標情報を前記放電データと前記学習データとに基づいて決定する、
   部分放電診断装置。
5. 前記信用情報生成部は、前記放電データが前記学習データにどの程度類似しているかを示す類似指標情報を前記放電データと前記学習データとに基づいて決定する、
   請求項４に記載の部分放電診断装置。
6. 前記信用情報生成部は、前記類似指標情報と前記距離指標情報とに基づいて、前記信頼度に関する情報を定量化した情報を算出する、
   請求項５に記載の部分放電診断装置。
7. 前記識別器は、ニューラルネットワークを用いた機械学習によって生成される、
   請求項１から６のいずれか一項に記載の部分放電診断装置。
8. 前記信用情報生成部は、前記ニューラルネットワークの中間層の出力に基づいて、前記識別の結果の信頼度に関する情報を生成する、
   請求項７に記載の部分放電診断装置。
9. 部分放電診断装置が、所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けた学習データを用いて所定の機械学習を行うことで生成される識別器と診断対象の電気機器から発生した部分放電の信号に関する放電データとに基づいて、前記診断対象の電気機器の状態を診断する状態診断ステップと、
   部分放電診断装置が、前記識別器によって識別される前記電気機器の状態に基づいて、前記診断の結果の信頼度に関する情報を生成する信用情報生成ステップと、
   前記識別の結果に基づいて、前記放電データ及び前記学習データをプロットした散布図を前記信頼度に関する情報として生成する診断結果生成ステップと、
   部分放電診断装置が、前記信頼度に関する情報と前記診断の結果とを所定の出力装置に出力する出力ステップと、
   を有する、部分放電診断方法。
10. 所定の電気機器から発生した部分放電の信号に関する情報と前記所定の電気機器の状態に関する情報とを対応付けた学習データを用いて所定の機械学習を行うことで生成される識別器と診断対象の電気機器から発生した部分放電の信号に関する放電データとに基づいて、前記診断対象の電気機器の状態を診断する状態診断部と、
    前記識別器によって識別される前記電気機器の状態に基づいて、前記診断の結果の信頼度に関する情報を生成する信用情報生成部と、
    前記識別の結果に基づいて、前記放電データ及び前記学習データをプロットした散布図を前記信頼度に関する情報として生成する診断結果生成部と、
    前記信頼度に関する情報と前記診断の結果とを所定の出力装置に出力する出力部と、
    を備える、部分放電診断システム。
11. 請求項１から８のいずれか一項に記載の部分放電診断装置としてコンピュータを機能させるためのコンピュータプログラム。

Images