JPH11237432A

JPH11237432A - 部分放電判別法

Info

Publication number: JPH11237432A
Application number: JP10042312A
Authority: JP
Inventors: Yasuhiro Takahashi; 康弘高橋; Nobuo Kikuta; 修夫菊田; Kazuo Watanabe; 和夫渡辺; Yuji Yamawaki; 裕二山脇; Toshihide Fujimaki; 俊秀藤巻
Original assignee: Fujikura Ltd; AdIn Research Inc
Current assignee: Fujikura Ltd; AdIn Research Inc
Priority date: 1998-02-24
Filing date: 1998-02-24
Publication date: 1999-08-31

Abstract

(57)【要約】【課題】ファジィ化ニューロネットワークを用いて、
学習時間の短縮が可能な電力ケーブルにおける部分放電
／ノイズの自動判別システムを提供することを目的とす
る。【解決手段】部分放電測定器により検出された信号を
φ−ｑ−ｎの３次元データとしてファジィ化ニューロネ
ットワークに入力し、正規化データを算出し、メンバー
シップ関数との合致度を算出するパターン照合処理と、
パターン合致度に重み付けを用いて合成することにより
入力信号パターンとしてのパターンセット合致度を生成
するパターンセットと、パターンセット合致度が最大の
パターンセットを選択し、放電／ノイズのカテゴリごと
に対する合致度として出力するパターンテーブルを有す
るシステムにより部分放電とノイズとを判別することを
特徴とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】電力ケーブル及び接続部の部
分放電測定において、特にニューラルネットワークにフ
ァジィ推論を取り込んだファジィ化ニューロネットワー
ク型の情報処理システムを用いて、部分放電信号の自動
判別をする方法に関するものである。

【０００２】

【従来の技術】近年、電力ケーブルの健全性の確認とし
て部分放電測定することによって電力ケーブル及び接続
部の絶縁診断を行う手法がある。しかし、外来雑音が原
因となって部分放電信号の有無の判別が困難なことが多
い。

【０００３】従来部分放電信号の有無の判別として、
（１）コンピュータ（解析装置）による放電電荷量、発
生頻度、発生位相等の測定信号と予め定めたしきい値と
を比較し、このしきい値を越える測定信号に基づき、部
分放電の発生を検出する方法、（２）ニューラルネット
ワークを利用して部分放電が発生したか否かを判別させ
るもので、例えば、ニューラルネットワークにより部分
放電及びノイズの発生位相（φ）−大きさ（ｑ）−発生
頻度（ｎ）パターンを学習し、部分放電信号とノイズ信
号の判別を行なうものである。

【０００４】

【発明が解決しようとする課題】上記（１）コンピュー
タ（解析装置）により判定基準を設定し、部分放電信号
をノイズ信号との判別を行う方法では、判定基準のうち
の位相特性を図１３のように第１，第３象限と決定して
も、図１３に示すように、例えば放送波又は無線の様な
連続ノイズでは、位相判定基準の第１，第３象限におい
て部分放電信号と判定してしまう。

【０００５】また、上記（２）のニューラルネットワー
クは、情報処理を行う構造が人間の脳の神経細胞をモデ
ルとしたもので、図１４に示すように、例として入力層
１１、中間層１２、出力層１３の３層構造となってお
り、入力層１１の各セル１１１〜１１３は、部分放電測
定器に記憶されている情報の内、特定の位相範囲と振幅
範囲（例えば１０〜２０ｐＣ）に対応しており、その範
囲を満たす信号の数が各セルの入力値となる。入力層１
１の各セルに値が入力されると、中間層１２および出力
層１３において評価がなされ、出力層１３のセル１３１
と１３２に評価値が得られる。これらの評価値の大小関
係により部分放電の有無を判別するものである。

【０００６】ニューラルネットワーク技術においては、
学習に多大な時間を要することである。

【０００７】本願発明に係わるファジィ化ニューロネッ
トワークでは、妥当な教師信号を与えれば、１０〜１０
０個のデータでルールを構築することが出来るが、ニュ
ーラルネットワークでは一般に１０００個以上の教師信
号が必要であると言われている。

【０００８】また、学習の対象となるシステム内部の処
理記述が基本的にはリンクの重みという形で表現され、
概念的な具体性を持たないため、学習の結果を入出力デ
ータからしか判定できない、即ち、視覚的に学習内容が
把握できないので、学習結果の調整ができないという問
題があった。

【０００９】本発明はこのような点に鑑みてなされたも
ので、部分放電の識別技術の信頼性を高め、学習時間の
短縮が可能な部分放電信号の自動判別方法を提供するこ
とを目的とする。

【００１０】

【課題を解決するための手段】上記課題を解決するた
め、本発明は、電力ケーブルおよび接続部から発生する
部分放電信号を判別する方法において、部分放電測定器
により検出された信号を発生位相φ（課電圧に対する位
相領域）に対する信号の大きさｑと発生頻度ｎの３次元
データを所定時間取り出す手段と、前記取り出された発
生頻度ｎのデータを所定課電圧位相領域毎に入力する信
号入力部と、前記入力されたデータを前記位相領域毎に
内部データに変換する正規化テーブルと、前記正規化さ
れたデータを評価するメンバーシップ関数に入力して照
合処理させることによって合致度に変換され、該合致度
を重みＷを用いて合成することにより各入力信号パター
ンとしての合致度が算出されるものであり、該メンバー
シップ関数のセットからなるパターンセット（ＰＳ）
と、カテゴリー（放電／非放電）毎に対する前記複数の
パターンセットの中で、算出された合致度が最大のパタ
ーンセットを選択し、該パターンセットの合致度を入力
信号の前記カテゴリーに対する合致度として出力するパ
ターンテーブル（ＰＴ）とを有するシステムにより部分
放電とノイズとを判別することを特徴とする。

【００１１】また、前記パターンセット（ＰＳ）の形成
において、メンバーシップ関数（ＭＦ）の初期分散値を
定めて初期学習を行い、この初期学習によりパターンセ
ット（ＰＳ）が新規生成され、初期学習データが所定個
数蓄積された時点で、通常学習に移行し、以降これまで
学習した凡てのパターンセットのデータを利用して統計
処理することによりメンバーシップ関数を変更し、該メ
ンバーシップ関数の重み（Ｗ）を、教示データに合致す
る方向のものに対して上げ、それ以外のものに対して下
げる方向に変更させて学習することによりパターンセッ
ト（ＰＳ）が生成されることを特徴とする。

【００１２】また、パターンセットの形成において、入
力データとパターンセット（ＰＳ）との照合処理の結
果、拡張のしきい値を下回っているとき、パターンセッ
トの自動拡張が実施され、新規にメンバーシップ関数が
生成されることを特徴とする。

【００１３】

【発明の実施の形態】以下、図面と共に本発明の実施形
態を詳細に説明する。図１２は電力ケーブルの部分放電
判別を行うための説明図である。課電トランス７には電
力ケーブル１が接続されており、この例では中間に絶縁
接続部２が接続されている。部分放電信号は検出電極３
を介して検出インピーダンス４に生ずる。なお、本発明
では、信号の検出方式はどの様な形式であってもかまわ
ない。検出されたパルス信号は部分放電解析装置５に入
力され、部分放電解析装置５には、課電トランスの３次
巻線８を介して、ケーブルの課電圧位相情報も入力され
ており、そこでカテゴリごとに、φ−ｑ−ｎグラフが作
成される。このφ−ｑ−ｎグラフを形成している信号デ
ータをファジィ化ニューロネットワーク６に入力され
る。

【００１４】この例では、課電圧位相の第１象限（０°
〜９０°）、第２象限（９０°〜１８０°）、第３象限
（１８０°〜２７０°）、第４象限（２７０°〜３６０
°）に区分して複数回（例えば１０秒間）のパルスカウ
ント数が記憶され、前記象限に区分してファジィ化ニュ
ーロネットワーク６に入力されるものである。

【００１５】図１は、ファジィ化ニューロネットワーク
６を説明する説明図である。

【００１６】上記のφ−ｑ−ｎの３次元データＩ₀，Ｉ
₁，Ｉ₂，Ｉ₃をファジィ化ニューロネットワークに入
力すると、正規化テーブル（以下ＮＴと称す）を通過す
ることにより内部データ型に変換され、正規化データと
なる。即ち、入力データ毎に写像関数を設けてメンバー
シップ関数の横軸の次元にそろえられる。例えば、入力
信号の発生頻度ｎが第１象限〜第４象限の順に１００
０，１００，５００，２００であるとすると、正規化デ
ータは、１００，１０，５０，２０となる。

【００１７】この正規化データに対してメンバーシップ
関数（以下ＭＦと称す）を用いて学習が行なわれる。

【００１８】先づ、未学習状態では、情報処理システム
の内部状態は図２の様な形態となる。入力側に４個の領
域（Ｉ₀〜Ｉ₃）が設定され、出力側に２個のパターン
テーブル（以下ＰＴと称す）が準備される。各ＰＴに属
するパターンセット（以下ＰＳと称す）はまだ無い状態
である。

【００１９】次に学習が開始された当初の様子を示す。
例として、放電データとして第１〜第４象限の順に１０
０，０，１００，０というデータが与えられ、非放電デ
ータとして同順に１００，１００，１００，１００，が
与えられるものとする。図３に示すように、放電データ
はＰＴ₀に対して学習処理され、非放電データはＰＴ₁
に対して学習処理される。これらには元々ＰＳが存在し
なかったので、それぞれＰＳ₀，ＰＳ₁が新規生成され
る。これらのＭＦの分散値は、予めパラメータ設定され
ていて、例えば、すべて片側で２１％である。また、各
ＭＦに対する重みＷは重み初期値設定によりすべて５０
％（０．５）として初期設定される。

【００２０】次にＰＳの学習、つまりＭＦの形状を入力
データを元に如何に決定されるかについて説明する。ま
ず正規化データがＭＦに対して入力されると、その正規
化データが示す座標（横軸）のＭＦの高さ（縦軸上の
値）が合致度として得られる（図４参照）。

【００２１】上記図３に示す初期学習の状態に対して、
非放電データとして、図５に示すように、９０，１０
０，９０，１００という入力が与えられたとすると、Ｐ
Ｓ₁に対して入力データと照合（合致度の演算）が行わ
れる（実際は、ＰＴ₁に属する全ＰＳに照合がかかる
が、現在はＰＳ₁しかありません）。

【００２２】入力データに対するＰＳ₁の各ＭＦに対す
る合致度は、おおよそ５１，１００，５１，１００とな
る。これを重み付きで加重相乗平均したものがＰＳ₁に
対する合致度である。この値を演算すると約７１とな
る。これは、予めパラメータに設定したＰＳ拡張のしき
い値（５０）を上回っているので、拡張は実施されず、
ＰＳ₁に対して学習が行われるわけであるが、ＰＳ₁は
まだ小数学習モードにあるので（今回学習したデータを
加えても総数２個であり、履歴バッファサイズ（５）に
満たない）、ＭＦ形状は直ちに変更される。変更する方
式を図６に示す。このＭＦの分散値は“小数学習時の初
期分散値”によって規定される。なお、入力データに対
するＰＳ₁の合致度がＰＳ拡張のしきい値（５０）を下
回っている（例えば、図７参照）とき拡張は実施され、
ＰＳ₁₁が生成され、ＰＳ₁₁に対して学習が実施される。
この結果、図８に示すように、ＰＴ₁には、ＰＳ₁₀とＰ
Ｓ₁₁という２個のパターンセットが生成される。このよ
うに、ＰＳがすでに複数ある場合、例えば、図８の結果
に対して、さらに非放電信号として９９，９９，９９，
９９といった入力が与えられたものとする。この場合、
ＰＴ₁に属する全てのＰＳに対して照合が行われ、それ
ぞれの合致度は、ＰＳ₁₀で約９５、ＰＳ₁₁で０となる、
そうすると、合致度が最も高いＰＳの１個（ＰＳ₁₀）が
選択され、学習が行われる。この時、ＰＳ₁₁には学習は
実施されない。

【００２３】上記で説明した小数学習モードでＰＳ₁₀に
対して既に学習されている履歴バッファデータ数が４個
だったと仮定すると、今回の学習で、総数が５個となる
ので、今回の学習から通常学習モードに移行する。通常
学習では、統計処理により得た平均値と標準偏差を算出
して、パラメータにて指定している曖昧度倍率、分散値
倍率により下記のような方式で変換を行う。

【００２４】中心値＝平均値曖昧度＝標準偏差×曖昧度倍率左分散値＝右分散値＝標準偏差×分散値倍率上記の今回の学習では、小数学習の１回〜４回の全ての
入力データで統計処理される。

【００２５】また、今後ＰＳ₁に学習される場合は、履
歴バッファサイズ（５個）毎に上記演算によってＭＦが
変更される。従ってＭＦが変更されるタイミングは、
５，１０，１５，……個という間隔となり、常にそれま
での全データに対して統計処理をした結果を用いてＭＦ
が設定される。

【００２６】次に、重み学習に関して説明する。まず、
図９に示すように、現在放電、非放電共にＰＳが２個づ
つ存在し、これらのＭＦの曖昧度が０、分散値が５０で
あると仮定する。また、重み学習のしきい値（上側）を
６０、（下側）を４０と仮定する。

【００２７】９０，１０，７５，４０という入力データ
を放電として教示した例について説明する。

【００２８】重み学習は、全てのＭＦに対して実施さ
れ、次の様になされる。

【００２９】＜教示側（＝放電）のＭＦに関して＞・合致度が上側のしきい値より高いＭＦに関しては重み
を増加させる。

【００３０】・合致度が下側のしきい値より低いＭＦに
関しては重みを減少させる。

【００３１】＜非教示側（＝非放電）のＭＦに関して＞・合致度が上側のしきい値より高いＭＦに関しては重み
を減少させる。

【００３２】・合致度が下側のしきい値より低いＭＦに
関しては重みを増加させる。

【００３３】これにより各ＭＦの重みの変化方向は図９
の矢印にて示す方向となる。

【００３４】重み変更の量は、合致度としきい値との差
に比例し、その最大値は「重み変更のゲイン値」により
規定される。

【００３５】上述した学習により逐次学習が実施され、
例えば、放電側に微小ボイドによる部分放電パターン
と、突起による部分放電パターンの２個のＰＳ₀₀，ＰＳ
₀₁が生成され、非放電側に時間帯をずらして無課電状態
で測定した外部ノイズパターンの３個のＰＳが生成され
たものとする。この構成を便宜上ルールと呼ぶ。

【００３６】このルールに対して、推論用の入力データ
を与えた場合の推論手順を次に示す。

【００３７】図１０に示す様に各ＭＦが構築されていて
（現実には台形形状が一般的であるが、簡単にするため
曖昧度を０としたものを想定した）、点線の様に入力デ
ータが与えられたものとする。この時、次の手順で推論
を実施する。

【００３８】（１）放電側（ＰＴ₀）の合致度を算出す
る。

【００３９】ＰＴ₀の合致度は、ＰＳ₀₀の合致度とＰＳ
₀₁の合致度の内の大きい方として算出する。各ＰＳの合
致度は、各ＭＦ（４個）の重み付き相乗平均によって算
出する。例えばＰＳ₀₀の各ＭＦの重みが左から６０％，
４０％，３０％，３０％であったとする。また、それぞ
れのＭＦの合致度が同様に左から７５％，７５％，５０
％，２５％であったとすると、ＰＳ₀₀の合致度はＶ
^{(0.6+0.4+0.3+0.3)}＝７５^0.6×７５^0.4×５０^0.3×
５０^0.3により算出される。因みに、この結果ＰＳ₀₀の
合致度は６４．４％となる。次に同様の演算でＰＳ₀₁の
合致度が５６％だったとする。その後、最終的に合致度
が高いＰＳ（＝ＰＳ₀₀）が選択され、ＰＴ₀の合致度が
６４．４％となる。

【００４０】（２）非放電側（ＰＴ₁）の合致度を算出
する。

【００４１】前項の場合と同様に、各ＰＳの合致度を算
出する。これらの合致度がそれぞれ０％であるからＰＴ
₁の合致度は０％となる。

【００４２】（３）最終判断をする。

【００４３】今まで得られた結果により、ＰＴ₀の合致
度が６４．４％、ＰＴ₁の合致度が０％であった。従っ
て、最終的にはＰＴ₀の合致度が高いので、この入力に
対しての推論結果は放電と結論づけることとなる。

【００４４】因みに、ＰＴ₀，ＰＴ₁共に合致度が０で
あった場合は失報として処理する。

【００４５】ここで、統計処理によりＭＦの生成を行う
には、まず、各ＭＦに対する入力値を履歴バッファに格
納する。履歴バッファに蓄積したデータが一定の数に達
したら、入力信号の発生頻度ｎの度数分布を作成する。
この度数分布を正規分布に近似させることによって、平
均値と標準偏差の２つのパラメータが得られる。これに
対して本発明に係るパラメータは中心値、左右分散値、
曖昧度である。既述したように、両者を下記のような方
式で変換を行う。

【００４６】中心値ｃ＝平均値曖昧度ａ＝標準偏差σ×曖昧度倍率左分散値Ｖl ＝右分散値Ｖr ＝標準偏差σ×分散値倍率分散値が初期設定値よりも縮小される様な結果が得られ
ても、初期設定値を下限と設定できる。

【００４７】元の分布、近似正規分布、ＭＦの関係の例
を図１１に示す。

【００４８】上記のような手順でＭＦは生成され、上述
したように、このＭＦの合致度を求めることによって放
電、非放電の推論が行なわれる。

【００４９】学習は、今迄に蓄積された各種の部分放電
信号、ノイズ信号により行なわれ、また、実際の測定時
の無課時に検出されたノイズ信号を新たな教師信号とし
て入力し、その現場における判定精度の向上を図る。さ
らに、万一そこで部分放電が検出された場合も、教師信
号として入力し、同様に、判定精度の向上を計る。

【００５０】尚、上記の例では、入力信号の課電圧位相
区分を第１象限０°〜９０°、第２象限９０°〜１８０
°、第３象限１８０°〜２７０°、第４象限２７０°〜
３６０°としたが、これにこだわらず、例えば、０°〜
１１０°、１１０°〜１８０°、１８０°〜２９０°、
２９０°〜３６０°とすることにより放電、非放電の判
別をしやすくすることができる。

【００５１】また、必ずしも４入力（４個の象限）とす
る必要はなく、例えば８入力とすることも出来る。

【００５２】本発明は、電力ケーブル以外の高電圧機器
から発生している部分放電の判別にも応用できることは
勿論である。

【００５３】

【発明の効果】本発明によれば、下記の効果を奏するこ
とができる。

【００５４】１）従来のコンピュータ解析装置で判別不
可能な無線波のような連続ノイズの判別も可能となる。

【００５５】２）本発明に係るファジィ化ニューロでは
１件の教師信号毎に学習するのではなく、一定数蓄積の
後にまとめて統計処理等を施して学習するために、通常
のニューラルネットワーク（バックプロバゲーション
法）に比べて高速学習が可能となる。

【００５６】３）視覚的に学習内容が把握できるので、
学習結果の調整が可能となる。

【００５７】４）離散的な領域にカテゴリーがある場合
でも、パターンセットの自動生成によりデータが排除さ
れることなく、問題なく学習が行なえる。従って、推論
の精度が向上する。

【図面の簡単な説明】

【図１】本発明に係るファジィ化ニューロネットワーク
を示す説明図である。

【図２】本発明に係る部分放電自動判別システムにおけ
る未学習状態のファジィ化ニューロネットワークの内部
状態を示す説明図である。

【図３】図２の未学習状態から学習が開始された当初の
様子を示す説明図である。

【図４】本発明に係るＭＦにおける合致度算出を示す説
明図である。

【図５】本発明における拡張しない学習例を示す説明図
である。

【図６】本発明における小数データによる学習（小数学
習）によりＭＦを生成する状態を示す説明図である。

【図７】本発明における拡張する学習例を示す説明図で
ある。

【図８】図７における拡張結果の学習例を示す説明図で
ある。

【図９】本発明における重み学習の例を示す説明図であ
る。

【図１０】本発明に係るファジィ化ニューロネットワー
クにおける推論処理を示す説明図である。

【図１１】本発明において統計処理によってＭＦ生成す
る際の、元の分布、近似正規分布、ＭＦの関係を示す説
明図である。

【図１２】電力ケーブル部分放電判別法の一実施形態を
示す概略構成図である。

【図１３】従来技術の部分放電判別例を説明する図であ
る。

【図１４】従来のニューラルネットワークを示す説明図
である。

【符号の説明】

１電力ケーブル２接続部３検出電極４検出インピーダンス５部分放電解析装置６ファジィ化ニューロネットワーク７課電トランス８３次巻線

フロントページの続き (72)発明者渡辺和夫千葉県富津市新富42−１株式会社フジクラ富津工場内 (72)発明者山脇裕二北海道札幌市中央区南一条西十丁目四番タイムビル５Ｆ株式会社アドイン研究所内 (72)発明者藤巻俊秀北海道札幌市中央区南一条西十丁目四番タイムビル５Ｆ株式会社アドイン研究所内

Claims

【特許請求の範囲】

【請求項１】電力ケーブルおよび接続部から発生する
部分放電信号を判別する方法において、部分放電測定器により検出された信号を発生位相φ（課
電圧に対する位相領域）に対する信号の大きさｑと発生
頻度ｎ（パルス発生頻度）の３次元データを所定時間取
り出す手段と、前記取り出された発生頻度ｎのデータを所定課電圧位相
領域ごとに入力する信号入力部と、前記入力されたデータを前記位相領域毎に内部データに
変換する正規化テーブルと、前記正規化されたデータを評価するメンバーシップ関数
に入力して照合処理させることによって、合致度に変換
され、該合致度を重みＷを用いて合成することにより各
入力信号パターンとしての合致度が算出されるものであ
り、該メンバーシップ関数のセットからなるパターンセ
ット（ＰＳ）と、カテゴリー（放電／非放電）毎に対する前記複数のパタ
ーンセット（ＰＳ）の中で、算出された合致度が最大の
パターンセットを選択し、該パターンセットの合致度を
入力信号の前記カテゴリー（放電／非放電）に対する合
致度として出力するパターンテーブル（ＰＴ）と、を有
するシステムにより部分放電とノイズとを判別すること
を特徴とする部分放電判別法。
【請求項２】請求項１記載のパターンセット（ＰＳ）
の形成において、メンバーシップ関数（ＭＦ）の初期分散値を定めて初期
学習を行い、この初期学習によりパターンセット（Ｐ
Ｓ）が新規生成され、初期学習データが所定個数蓄積さ
れた時点で、通常学習に移行し、統計処理によりメンバ
ーシップ関数（ＭＦ）を変更して学習することによりパ
ターンセット（ＰＳ）が生成されることを特徴とする請
求項１記載の部分放電判別法。
【請求項３】請求項２記載のメンバーシップ関数（Ｍ
Ｆ）を変更する際、これまで学習した凡てのパターンセ
ットのデータを利用して統計処理することを特徴とする
請求項１記載の部分放電判別法。
【請求項４】請求項１記載のパターンセット（ＰＳ）
の形成において、メンバーシップ関数（ＭＦ）の重み（Ｗ）を、教示デー
タに合致する方向のものに対して上げ、それ以外のもの
に対して下げる方向に変更させて学習を行うことを特徴
とする請求項１記載の部分放電判別法。
【請求項５】請求項１記載のパターンセット（ＰＳ）
の形成において、入力データとパターンセット（ＰＳ）との照合処理の結
果、拡張のしきい値を下回っているとき、パターンセッ
トの自動拡張が実施され、新規にメンバーシップ関数
（ＭＦ）が生成されることを特徴とする請求項１記載の
部分放電判別法。