[論文レビュー] Convolutional Neural Network and Transfer Learning for High Impedance Fault Detection

Rui Fan, Tianzhixi Yin|arXiv (Cornell University)|Apr 18, 2019

Power Systems Fault Detection参考文献 9被引用数 8

ひとこと要約

本稿では、分布系統における高インピーダンス故障（HIF）検出のための畳み込みニューラルネットワーク（CNN）と転移学習を提案する。空間的パターン認識と事前学習済み特徴を活用することで、精度を向上させるとともに、データ要件を低減する。CNNはIEEE 34-Bus系統で99.52%の精度を達成し、IEEE 13-Bus系統では転移学習を用いて95.06%の精度を記録した。従来のMLPベースのモデルを上回り、学習時間を顕著に短縮した。

ABSTRACT

This letter presents a novel high impedance fault (HIF) detection approach using a convolutional neural network (CNN). Compared to traditional artificial neural networks, a CNN offers translation invariance and it can accurately detect HIFs in spite of variance and noise in the input data. A transfer learning method is used to address the common challenge of a system with little training data. Extensive studies have demonstrated the accuracy and effectiveness of using a CNNbased approach for HIF detection.

研究の動機と目的

• 低故障電流とノイズのため、検出が困難な高インピーダンス故障（HIF）を分布系統で検出する課題に対処すること。
• 多層パーセプトロン（MLP）ネットワークの限界、特に変換不変性の欠如と高いデータ要件を克服すること。
• 電流波形における空間的パターンを捉える1次元CNNを用いることで、検出精度と耐障害性を向上させること。
• 事前学習済みCNNモデルを活用して、新規系統における学習時間とデータ依存性を低減するため、転移学習を適用すること。

提案手法

• 電流波形データから階層的特徴を抽出するために、4層構成の1次元CNN（畳み込み、ReLU活性化、マックスプーリング、全結合層）を用いる。
• 畳み込み演算は (f*g)[n] = Σi f[i] × g[i] で定義され、入力信号全体にわたり局所的パターンの検出を可能にする。
• ReLU活性化（r(x) = max(0, x)）を適用することで、勾配消失を軽減し、計算効率を向上させる。
• マックスプーリングにより次元削減が行われ、変換不変性が向上し、信号のずれやノイズに対しても耐性が高まる。
• 2値分類（HIF対通常の過渡現象）のため、シグモイド出力層と交差エントロピー損失 J = -(1/m)Σ[y(j)log(ŷ(j)) + (1-y(j))log(1-ŷ(j))] を使用する。
• 転移学習では、大規模データセット（例：IEEE 34-Bus）で事前学習したCNN重みを再利用し、小規模データセット（例：IEEE 13-Bus）で微調整することで、新規系統に適応させる。

実験結果

リサーチクエスチョン

• RQ1 ノイズや変動する入力条件下でも、CNNベースのモデルは従来のMLPネットワークを上回るHIF検出性能を示せるか？
• RQ2 新規分布系統において訓練データが限られる状況で、転移学習はどの程度HIF検出精度を向上させるか？
• RQ3 畳み込み層とプーリングの活用が、HIF検出における信号ばらつきやノイズに対する耐性をどのように向上させるか？
• RQ4 低データ環境下において、転移学習は学習収束速度と計算コストにどのような影響を与えるか？

主な発見

• CNNベースの手法は、IEEE 34-Bus系統で99.52%の精度を達成した。これは、MLPベースのモデル（91.13%）を顕著に上回った。
• IEEE 13-Bus系統では約300件の測定データでのみ、転移学習で95.06%の精度を達成した。一方、初期化をランダムにした場合の精度は74.69%にとどまった。
• CNNに転移学習を適用した場合、20エポック未満で収束に至った。一方、初期化から学習を開始した場合、数百エポックを要したため、計算コストが顕著に削減された。
• 13-Bus系統でランダム初期化から学習したCNNでは、学習損失と検証損失の差が大きく、過学習が発生した。一方、転移学習では低く安定した損失を維持した。
• 交差エントロピー損失曲線から、CNNベースのモデルがMLPベースのモデルよりも一貫して低い損失を達成していることが確認され、より優れた一般化性能とパターン識別能力が裏付けられた。
• 2%のホワイトノイズ、故障発生角度の変動、故障抵抗（100–600 Ω）、系統負荷状態の変化に対しても、モデルは耐性を示した。