[論文レビュー] Condition Monitoring of HV Bushings in the Presence of Missing Data Using Evolutionary Computing

Sizwe M. Dhlamini, Fulufhelo V. Nelwamondo+1 more|arXiv (Cornell University)|May 17, 2007

Energy Load and Power Forecasting参考文献 10被引用数 17

ひとこと要約

本論文では、高電圧（HV）ブッシングにおける欠損した溶解ガス分析（DGA）データの推定に遺伝的アルゴリズム（GA）と粒子群最適化（PSO）を用いることを提案し、状態監視の改善を図る。GAはPSOを上回り、2つの欠損変数を想定した場合に84%の正確性を達成したのに対し、PSOは66%に低下し、IEEE C57.104、IEC 599、およびIEEE生産率法を用いたブッシング状態分類におけるデータ補完において、GAの優れた耐性を示した。

ABSTRACT

The work proposes the application of neural networks with particle swarm optimisation (PSO) and genetic algorithms (GA) to compensate for missing data in classifying high voltage bushings. The classification is done using DGA data from 60966 bushings based on IEEEc57.104, IEC599 and IEEE production rates methods for oil impregnated paper (OIP) bushings. PSO and GA were compared in terms of accuracy and computational efficiency. Both GA and PSO simulations were able to estimate missing data values to an average 95% accuracy when only one variable was missing. However PSO rapidly deteriorated to 66% accuracy with two variables missing simultaneously, compared to 84% for GA. The data estimated using GA was found to classify the conditions of bushings than the PSO.

研究の動機と目的

• 高電圧ブッシングの状態監視における欠損した溶解ガス分析（DGA）データの課題に対処すること。
• 特に遺伝的アルゴリズム（GA）と粒子群最適化（PSO）を含む進化計算技術の、欠損DGA変数の推定における有効性を評価すること。
• HVブッシング分類におけるデータ補完の文脈で、GAとPSOの正確性および計算効率を比較すること。
• 補完されたDGAデータを用いて、油に含浸されたパルプ（OIP）ブッシングの状態分類の信頼性を向上させること。
• 欠損データの状況が変化する条件下で、より正確で安定したデータ推定を提供する進化型アルゴリズムを特定すること。

提案手法

• 本研究では、PSOおよびGAを統合したニューラルネットワークを用いて、HVブッシングデータにおける欠損DGA値の推定を実施する。
• PSOおよびGAは、60,966個の油に含浸されたパルプ（OIP）ブッシングのデータセットにおける欠損データ点の補完を最適化するために適用される。
• ブッシング状態の分類は、基準に基づく手法（IEEE C57.104、IEC 599、およびIEEE生産率）を用いて実施される。
• 補完の正確性は、推定値と実際の値を比較することで評価され、1つおよび2つの欠損変数を想定した状況で性能が測定される。
• ニューラルネットワークモデルは補完データを用いて訓練され、ブッシング状態の分類が行われ、欠損データのさまざまなシナリオにおける正確性が評価される。
• GAとPSOの計算効率および収束速度を比較し、実用的導入の可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 PSOおよびGAは、高電圧ブッシングにおける欠損DGAデータをどの程度正確に推定できるか？
• RQ2 2つのDGA変数が同時に欠損している場合、PSOおよびGAの性能はどのように低下するか？
• RQ3 PSOとGAのうち、どのアルゴリズムがHVブッシング状態分類におけるより信頼性の高いデータ補完を実現するか？
• RQ4 欠損データ推定の文脈において、PSOとGAの間で計算効率にどのような差があるか？
• RQ5 GAによって補完されたデータは、PSOによる補完よりもブッシング状態分類の正確性を向上させるか？

主な発見

• 1つのDGA変数が欠損している場合、GAおよびPSOの両方が平均95%の正確性を達成した。
• 2つの変数が同時に欠損している場合、PSOの正確性は66%に低下したが、GAは84%の正確性を維持した。これは、GAの優れた耐性を示している。
• GAを用いて推定されたデータは、PSOを用いた推定よりも、ブッシング状態の分類においてより正確であった。
• GAは、複数の欠損変数が存在する状況でも、欠損データの補完においてより安定性と信頼性を示した。
• PSOは収束が速いが、欠損データの複雑さが増すと性能が低下し、速度と正確性のトレードオフが顕著に現れた。
• 本研究は、GAがHVブッシング状態監視システムにおける欠損DGAデータ補完にPSOよりも適していることを確認した。