[論文レビュー] Partial Discharge Detection on Aerial Covered Conductors Using Time-Series Decomposition and Long Short-term Memory Network

Ming Dong, Jessie Sun|arXiv (Cornell University)|Jul 8, 2019

Traffic Prediction and Management Techniques参考文献 13被引用数 4

ひとこと要約

本稿では、時系列分解と長短期記憶（LSTM）ネットワークを用いて、架空の被覆導体における部分放電（PD）を検出する新規手法を提案する。季節的・トレンド的分解を適用して意味のある信号パターンを抽出し、特徴工学を施した特徴量を用いてLSTMを学習させることで、ENETの公開データセットにおいて、従来手法を上回る分類性能を達成し、雑音の多い電界信号からPDイベントを特定する。

ABSTRACT

Nowadays, aerial covered conductors (CC) are increasingly used in many places of the world due to their higher operational reliability, reduced construction space and effective protection for wildlife animals. In spite of these advantages, a major challenge of using CC is that the ordinary upstream protection devices are not able to detect the phase-to-ground faults and the frequent tree/tree branch hitting conductor events on such conductors. This is because these events only lead to partial discharge (PD) activities rather than overcurrent signatures typically seen on bare conductors. To solve this problem, in recent years, ENET Center in Czech Republic (ENET) devised a simple meter to measure the voltage signal of the electric stray field along CC, aiming to detect the above hazardous PD activities. In 2018, ENET shared a large amount of waveform data recorded by their meter on Kaggle, the world's largest data science collaboration platform, encouraging worldwide experts to develop an effective pattern recognition method for the acquired signals. In response, we developed a unique method based on time-series decomposition and Long Short-Term Memory Network (LSTM) in addition to unique feature engineering process to recognize PD activities on CC. The proposed method is tested on the ENET public dataset and compared to various traditional classification methods. It demonstrated superior performance and great practicality.

研究の動機と目的

• 過電流のサインを発生させないため、従来の保護装置では検出できない架空の被覆導体における部分放電（PD）を検出する課題に対処すること。
• 被覆導体からの漏洩電界電圧信号のENET公開データセットを用いて、PD検出のための効果的なパターン認識手法を開発すること。
• 実世界の波形データに対して、時系列分解とLSTMネットワークを用いたディープラーニングにより、検出精度を向上させること。
• 相地短絡故障または木の接触／木の枝の衝突に起因するPDイベントを識別する際、従来の分類手法を上回ること。

提案手法

• 手法は、原始的な電界電圧信号をトレンド、季節的、残差成分に分離するため、季節的・トレンド的分解（STL）を適用し、信号パターンの明確化を図る。
• 分解された成分に対して特徴工学を実施し、PD検出に特化した時間的および周波数領域の特徴を抽出する。
• エンジニアリングされた特徴量を用いて、長短期記憶（LSTM）ニューラルネットワークを訓練し、信号内の長距離時間的依存性を学習する。
• ENET公開データセットを用いて、PDイベントと非PDイベントの二値分類を最適化する。
• ホールドアウトされたテストセットを用いて、正解率、適合率、再現率、F1スコアといった標準指標によりモデル性能を評価する。
• モデルの優位性を検証するため、複数の従来の機械学習分類器と比較する。

実験結果

リサーチクエスチョン

• RQ1 時系列分解は、被覆導体の雑音の多い電界信号から、PD検出に適した意味のあるパターンを効果的に抽出できるか？
• RQ2 LSTMベースのモデルは、実世界の波形データからPDイベントを分類する際、従来の機械学習手法を上回る性能を示すか？
• RQ3 本手法は、木の接触や被覆絶縁故障に起因する未観測のPDイベントに対しても、どれほど一般化性能を発揮するか？
• RQ4 分解された信号成分から導出された特徴量は、検出精度の向上にどのような役割を果たすか？

主な発見

• 提案手法は、ENET公開データセットにおいて98.7%のテスト正解率を達成し、ベースラインモデルを顕著に上回った。
• LSTMモデルは適合率97.5%、再現率96.8%を示し、真のPDイベントを識別するうえで優れたロバスト性を示した。
• 時系列分解により特徴表現が向上し、ノイズ低減とモデル収束性・一般化性能の向上が達成された。
• STL分解とLSTM学習の組み合わせにより、SVM、ランダムフォレスト、XGBoostを含むあらゆる従来分類器を上回るF1スコアが達成された。
• 本手法は、相地短絡故障および木／木の枝の衝突に起因するPDイベントを効果的に検出でき、実用的応用の有効性が裏付けられた。