報告書番号

GD25031

タイトル（和文）

機械学習を活用したOFケーブル接続箱の異常ランク推定法における学習データの見直しと異常判別式の再構築

タイトル（英文）

Revision of Training Data in Machine-Learning-Enhanced Estimation Method of Abnormal Ranks for Joints and Terminations of Oil-filled Cables and Reconstruction of Abnormality Decision Formulas

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
OFケーブルの接続箱における油浸紙絶縁層の健全性は定期的に接続箱から採取した絶縁油の油中ガス分析によって確認されており，絶縁層の状態を４つに区分したランク注１）で評価している。当所では，解体調査により得られる異常様相を４つに区分した異常ランクと油中ガス溶存量注２）を機械学習の一つであるサポートベクターマシン（SVM）の学習データとし，異常ランクをより精緻に推定する方法を提案した[1]。また，近年の新たな知見注３）に基づき，OFケーブル接続箱の異常ランクを評価する方法を提案した[2]。SVMを活用した推定では，本手法に基づいて評価された異常ランクを新たな学習データとして用い，異常判別式を再構築する必要がある。また，油止接続箱注４）や終端接続箱の学習データが不足しており，データを拡充する必要がある。

目　　的
SVMを活用したOFケーブル接続箱の異常ランク推定法において，新たな異常ランク判定結果を用いて異常判別式を再構築する。その際に，油止接続箱や終端接続箱を新たに解体調査し，異常ランクの判別結果に加えることで，学習データを拡充する。

主な成果
1. OFケーブル接続箱における絶縁層の異常ランクの評価
SVMの学習データとするため，油止接続箱や終端接続箱を含む116試料のOFケーブル接続箱の絶縁層における異常様相を確認するとともに，既報注５）の結果と合わせて382試料のOFケーブル接続箱の異常ランクを評価した（図1）。油止接続箱を除く電圧階級154～275 kVの中間接続箱では，絶縁性能的に危険な状態であるaランクを含むすべてのランクが含まれている。一方，油止接続箱を除く電圧階級66，77 kVの中間接続箱，油止接続箱，終端接続箱ではaランクは確認されず，油止接続箱と送電線用終端接続箱の異常ランクは低かった。送電線用と変電所構内連絡線用の終端接続箱を比較すると，開閉サージがより多く印加される後者の方が異常ランクは高かった。
2. 機械学習を活用した推定法における異常判別式の再構築
上記の異常ランク判定結果と油中ガス分析結果を用いてSVMによる異常ランク推定法の判別式を再構築した注６）。leave-one-out交差検定注７）により求めた正答率は，油止接続箱を除く中間接続箱が73.8%，油止接続箱が88.2%，終端接続箱が78.2%であり（表1），現在一般送配電事業者等で利用されている，銅化合物を炭化として評価した異常ランクを学習データに用いた電気協同研究70巻1号に記載のSVMによる推定法と同程度の正答率であった。また，アセチレン濃度と可燃性ガス総量注２）を用いた中間接続箱の異常ランク推定法や一酸化炭素の濃度を用いた終端接続箱の異常ランク推定法より高い正答率であった。油止接続箱を除く中間接続箱の正答率が73.8%に留まった理由として，多様な異常様相を4つのランクで評価していることと，ガス濃度が明らかに高いaランクの試料を除くと，異常ランクによるガス濃度の違いが明確でないことが挙げられる。

概要 （英文）

Abnormal conditions in insulation layers of oil-filled (OF) cable joints and terminations are diagnosed by using the dissolved gas analysis (DGA) of insulating oil. In our previous study, we proposed a method to estimate the abnormal conditions with four ranks by using the support vector machine (SVM), which is one of machine learning methods, and also proposed a new method for classifying the abnormal conditions into four ranks defined as abnormality ranks. Therefore, the new abnormality ranks should be used as training data to reconstruct the abnormality decision formulas in the SVM model. Also, in the estimation method, there is not enough data on stop joints and terminations. In this study, we investigated 91 joints and 27 terminations, including 49 stop joints, and combining the results in the previous study, we evaluated the abnormality ranks of 382 joints and termination. We reconstructed the abnormality decision formulas in the SVM model using the new abnormality ranks and the results of DGA, and the accuracy rates of the estimated abnormal ranks were 73.8% for the joints except stop joints, 88.2% for the stop joints, and 78.2% for the terminations. To improve the accuracy rate for the joints except stop joints, we used a SVM model for 97 joints at 154 to 275 kV by taking account of results of the DGA and data of AC breakdown voltage, dielectric dissipation factor, and resistivity of the corresponding insulating oil as the training data. As a result, the accuracy rate of the estimated abnormal ranks improved compared to that obtained using only the DGA results.

報告者

キーワード