敵対的ドメイン適応によるノイズ環境下の部分放電診断精度向上

カテゴリ：部門大会

論文No：334

グループ名：【B】令和7年電気学会電力・エネルギー部門大会

発行日：2025/9/5

タイトル(英語)：Improving Noise Robustness of Partial Discharge Diagnosis through Adversarial Domain Adaptation

著者名：大竹泰智（三菱電機），松山幸太郎（三菱電機），Sun Hongbo（Mitsubishi Electric Research Labs），Raghunathan Arvind（Mitsubishi Electric Research Labs）

著者名(英語)： Yasutomo Otake (Mitsubishi Electric Co.), Kotaro Matsuyama (Mitsubishi Electric Co.), Sun Hongbo (Mitsubishi Electric Research Labs), Raghunathan Arvind (Mitsubishi Electric Research Labs)

キーワード：部分放電,診断,PRPDパターン,転移学習,ドメイン適応,partial discharge,diagnosis,PRPD pattern,transfer learning,domain adaptation

要約(日本語)：電力機器の絶縁劣化による故障を未然に防ぐため、部分放電（PD: Partial Discharge）診断は不可欠である。PD診断ではPDの発生有無に加え、交流電圧位相におけるPDの発生位置および強度分布（PRPDパターン）を解析することで、PDの発生要因を推定できる。この結果は、機器の運転継続可否の判断や、保守計画立案において用いられる。近年、PRPDパターンによるPD発生要因の推定には機械学習が用いられており、軽量かつ高精度な診断モデルが構築できる(2)。診断精度は学習データ量と質に大きく依存するが、実フィールドにおいては、データは収集が困難な上、ノイズの影響による診断精度の低下の課題がある。本研究では少量のデータに対しても高精度な診断を可能とするため、敵対的ドメイン適応を用いた診断アルゴリズムを開発した。このアルゴリズムは、ソースドメインとターゲットドメイン間の分布差を低減することで、ソースドメインのデータを活用してターゲットドメインでの高精度な分類を実現する。具体的には、ノイズの影響が少ないラボデータをソースドメイン、実フィールドから取得されたノイズを含むデータをターゲットドメインとして設定し、転移学習を実施した。その有効性の検証結果を報告する。

PDFファイルサイズ：488Kバイト