現代では産業用システムの安定性と効率の要求がますます高まっているため、通常の運用保守手法である”しきい値アラーム”や”トレンドアラーム”などを使用した正確な監視が難しくなっています。

これに対して、機械学習に基づく早期警告手法は、正常状態のパラメータ変化の規則を学習することで、より敏感に異常状態に対応することができるようになります。

問題と課題

1．変電所の中核的機器である変圧器は、安全性、信頼性、経済的な運用の面で高い要求を受けています。変圧器の故障は大規模停電につながり、電力網全体に重大な影響を及ぼします。

↓

変圧器の安定性と信頼性の確保は重要な課題であり、故障が発生した場合の対応が迅速かつ効果的である必要があります。

2．過去の統計結果によれば、変圧器の故障における主な原因は絶縁容量の低下です。この低下は主に固定子巻線の異常温度によって引き起こされます。

↓

絶縁容量の低下による変圧器の故障リスクを軽減するためには、巻線温度の早期警報が必要です。しかし、どのようにして迅速な監視と対応を実現するかが重要な課題となります。

解決策

従来の手法では、巻線温度の異常状態をタイムリーに監視することが難しいため、このケースでは、"次元削減法"と"アルゴリズムに基づく異常データ再構成"という2つの方法を使用しすることで、巻線温度の早期警告モデルを構築しています。

この手法には、主成分分析（PCA）と混合ガウスモデルに基づく階層回帰手法が含まれています。

図1：巻線温度警告の解決フロー

1．早期警告変数と特徴変数のサンプル検証とトレーニングサンプルの範囲が広いことを確認し、異常データを排除します。

2．トレーニングサンプルに対して相関性の検出、タイミング特徴分析、差分特徴分析などの特徴エンジニアリングを実行し、相関性の低いものを排除しながらより深いレベルの特徴を発見します。

3．主成分分析に基づく異常データの次元削減および再構成方法：

トレーニングサンプルに対して主成分分析による次元削減を実行し、テストサンプルを再構築した後に異常サンプルを検出します。

混合ガウスモデルに基づく階層回帰手法では、トレーニングサンプル内の「典型的な」データを選択および分類し、回帰法を使用して各タイプのデータを個別にモデル化します。

4．3種類の異なる異常データセットでのモデル検証では、どちらの方法でも異常データを正確かつ高感度に識別でき、このスキームの有効性が示されています。

メリット

・巻線温度の異常警告

機械学習方式は従来と比較して、センサーで測定した温度とモデルで推定した温度の差を設定するだけで、巻線温度が異常なデータ点をより敏感に感知することができます。

これにより、より効果的な温度警告が可能となりました。

・動的温度警告ゾーン

機械学習に基づく早期警告は、正常値からの逸脱度合い（差分）を設定するだけでよいため、基本的に動的な早期警報ゾーンを設定します。

このアプローチは、従来の静的な警告帯域と比較して柔軟性が高く、信頼性が向上します。

応用事例

データモデリング・分析ソフトウェアであるDTEmpowerでは、このような機械学習に基づく機械の早期警告モデルを構築することができます。

また、専用GUIなどの開発と連動することで、使いやすくて分かりやすいカスタムソフトウェアを提供することも可能となります。

図2：温度警報システムのカスタムGUI