[論文レビュー] Transfer Learning for Fault Diagnosis of Transmission Lines

Fatemeh Mohammadi Shakiba, Milad Shojaee+2 more|arXiv (Cornell University)|Jan 20, 2022

Power Systems Fault Detection被引用数 10

ひとこと要約

本論文は、100 kmの送電線で事前学習されたLeNet-5 CNNを用いた転移学習フレームワークを提案し、長さが異なる送電線の故障を診断し、故障位置を推定するための再訓練をほとんど必要とせずに実現する。100 kmの線路で学習されたソースモデルから、異なる線路長のターゲットモデルへ知識を転送することで、分類精度と故障位置推定誤差を専用モデルと同等に保ちながら、学習時間を最大4倍短縮する。

ABSTRACT

Recent artificial intelligence-based methods have shown great promise in the use of neural networks for real-time sensing and detection of transmission line faults and estimation of their locations. The expansion of power systems including transmission lines with various lengths have made a fault detection, classification, and location estimation process more challenging. Transmission line datasets are stream data which are continuously collected by various sensors and hence, require generalized and fast fault diagnosis approaches. Newly collected datasets including voltages and currents might not have enough and accurate labels (fault and no fault) that are useful to train neural networks. In this paper, a novel transfer learning framework based on a pre-trained LeNet-5 convolutional neural network is proposed. This method is able to diagnose faults for different transmission line lengths and impedances by transferring the knowledge from a source convolutional neural network to predict a dissimilar target dataset. By transferring this knowledge, faults from various transmission lines, without having enough labels, can be diagnosed faster and more efficiently compared to the existing methods. To prove the feasibility and effectiveness of this methodology, seven different datasets that include various lengths of transmission lines are used. The robustness of the proposed methodology against generator voltage fluctuation, variation in fault distance, fault inception angle, fault resistance, and phase difference between the two generators are well shown, thus proving its practical values in the fault diagnosis of transmission lines.

研究の動機と目的

• 限られたラベル付きデータを用いて、長さやインピーダンスが異なる送電線における故障診断の課題に対処すること。
• ストリームベースのリアルタイム電力システムデータにおける故障診断のための学習時間と計算コストを低減すること。
• 完全な再トレーニングを伴わずに、さまざまな送電線構成に再利用可能な汎用的なディープラーニングモデルの開発。
• 故障発生角度、抵抗、発電機電圧、発電機間の位相差の変動に対する耐性を向上させること。
• 高変動性でストリームベースの電力システムデータにおける故障診断のための転移学習の実現可能性を示すこと。

提案手法

• 100 kmの送電線のラベル付き故障データを含むソースデータセット上で、LeNet-5畳み込みニューラルネットワークを事前学習する。
• 学習済みモデルの特徴抽出層を凍結し、学習済み表現を保持する。
• 新しい送電線長に適した新しいCNNアーキテクチャに、凍結された特徴抽出器を転送する。
• 新しい線路長に特化したラベル付きデータを用いて、ターゲットネットワークの全結合層のみを再学習する。
• ターゲットデータセット上でさらに性能を向上させるために微調整を実施し、誤差を最小限に抑えながら学習時間を短縮する。
• 入力として電圧および電流信号を用い、時系列画像変換によりCNN入力形式に適合させる。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、さまざまな長さの送電線における故障診断の学習時間を短縮できるか、かつ精度を損なわないか？
• RQ2 異なる線路長に対して、転移学習の性能は、初期から専用のCNNを学習する方法と比べてどうか？
• RQ3 故障抵抗、発生角度、発電機電圧、位相差の変動に対して、この手法はどの程度耐性を示すか？
• RQ4 ソース線路長とターゲット線路長の差が大きくなると、性能はどの程度低下するか？
• RQ5 この手法は、IEEE基準を満たすリアルタイム推論速度を達成できるか？

主な発見

• 転移学習に基づく手法により、故障位置推定のための学習時間が、専用CNNが要する時間の四分の一未満にまで短縮され、学習時間は75%削減された。
• 全テスト線路長（12.5 km〜800 km）において、故障位置推定の平均二乗誤差（MSE）は、専用CNNベースラインと0.1 m²以内に収まり、400 km線路で最も高い性能（6.79×10⁻² m²）を示した。
• 故障検出、分類、位置推定の累積テスト時間は6 μs未満であり、リアルタイム応用のIEEE基準を満たしていた。
• 微調整により、非微調整の転移学習手法と比較してMSEが50%以上低減され、精度向上の有効性が示された。
• 故障抵抗、発生角度、発電機電圧の変動のすべてのテスト条件下でも、高い精度を維持し、耐性の高さが裏付けられた。
• ソース線路長とターゲット線路長の差が大きくなるにつれ、MSEはわずかに増加したが、これは予想される特徴分布のずれを示しており、全長にわたり性能は依然として妥当であった。