[論文レビュー] A Pattern Recognition Method for Partial Discharge Detection on Insulated Overhead Conductors

Ming Dong, Jessie Sun+1 more|arXiv (Cornell University)|May 5, 2019

High voltage insulation and dielectric phenomena参考文献 6被引用数 3

ひとこと要約

本論文では、信号前処理にLoessを用いた季節的・トレンド的分解（STL）と、ガウス径基数カーネルを用いたサポートベクターマシン（SVM）を組み合わせた、絶縁架空送電線における部分放電（PD）活動を分類する新しいパターン認識手法を提案する。この手法は、VSB Kaggleデータセットにおいて高い分類精度を達成し、過電流シグネチャを示さないため従来の保護装置が検出できないPDイベントを効果的に検出する。

ABSTRACT

Today,insulated overhead conductors are increasingly used in many places of the world due to the higher operational reliability, elimination of phase-to-phase contact, closer distances between phases and stronger protection for animals. However, the standard protection devices are often not able to detect the conductor phase-to-ground fault and the more frequent tree/tree branch hitting conductor events as these events only lead to partial discharge (PD) activities instead of causing overcurrent seen on bare conductors. To solve this problem, in recent years, Technical University of Ostrava (VSB) devised a special meter to measure the voltage signal of the stray electrical field along the insulated overhead conductors, hoping to detect the above hazardous PD activities. In 2018, VSB published a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, looking for promising pattern recognition methods for this application. To tackle this challenge, we developed a unique method based on Seasonal and Trend decomposition using Loess (STL) and Support Vector Machine (SVM) to recognize PD activities on insulated overhead conductors. Different SVM kernels were tested and compared. Satisfactory classification rates on VSB dataset were achieved with the use of Gaussian radial basis kernel.

研究の動機と目的

• 過電流を発生させないため標準保護装置が検出できない絶縁架空送電線における部分放電（PD）活動を検出する課題に対処すること。
• 雑音の多い電磁界電圧測定値から微弱なPD信号を識別できる、頑健なパターン認識手法を開発すること。
• VSB Kaggleデータセットから得た実世界の波形データを活用し、機械学習技術を応用してPD検出の信頼性を向上させること。
• PD信号分類における最適な分類性能を達成するため、さまざまなSVMカーネルを評価・比較すること。

提案手法

• 本手法は、原始的な電圧信号を季節的・トレンド的成分と残差成分に分解するため、Loessを用いた季節的・トレンド的分解（STL）を適用し、PD検出に適した信号の明瞭性を向上させる。
• STL分解の残差成分を、後続の分類処理の主な入力として使用し、一時的なPD関連の異常を分離する。
• 分解された信号特徴量を入力として、複数のカーネルタイプ（例：線形、多項式、ガウス径基数）を評価したサポートベクターマシン（SVM）分類器を訓練する。
• 性能指標に基づき、ガウス径基数関数（RBF）カーネルが最適なカーネルとして選択され、優れた分類精度を示した。
• 本手法は、絶縁架空送電線からの実世界の電圧波形記録を含むVSB Kaggleデータセットを用いて訓練および検証した。
• 特徴量抽出と分類処理は、標準分類指標を用いて評価される、教師あり学習フレームワークで実施された。

実験結果

リサーチクエスチョン

• RQ1 STL分解は、ノイズの多い雑音電磁界電圧信号から、部分放電検出に有用な特徴量を効果的に抽出できるか？
• RQ2 VSBデータセットにおいて、正常動作状態とPDイベントを区別するための分類精度が最も高いSVMカーネルはどれか？
• RQ3 提案手法は、過電流を発生させない部分放電活動を、従来の保護システムが検出できない状況においても信頼性高く検出できるか？
• RQ4 本研究の目的に応じて、STLとSVMの組み合わせは、他の信号処理および分類手法と比較して、どのような優位性を示すか？

主な発見

• 提案手法は、VSB Kaggleデータセットにおいて高い分類精度を達成し、部分放電イベントの検出において優れた性能を示した。
• SVM分類器におけるガウス径基数関数（RBF）カーネルが他のカーネルタイプを上回り、最高の分類結果を達成した。
• STL分解により、原始的な電圧信号から一時的なPD関連成分が効果的に分離され、分類に適した信号対雑音比が向上した。
• 本手法は、故障電流を発生させないため従来の過電流保護装置では検出できない部分放電活動を、正常に同定できた。
• VSBデータセット全体にわたり一貫した性能を示したため、実世界の信号データの変動に対して本手法は頑健であることが裏付けられた。