経験的モード分解（EMD）と関連ベクトル機（RVM）を用いた電流変成器（CT）飽和の分類

なぜ停電を防ぐために重要なのか

現代の電力網では、保護装置が故障時に機器を遮断するかどうかを数ミリ秒で判断する必要があります。これらの判断は、電流を縮小して電子機器が安全に測定できるようにするセンサー、電流変成器（CT）に依存しています。CTが「飽和」すると実際の電流を正しく伝えられなくなり、保護システムが遅れたり不必要に動作して停電や機器損傷のリスクを招くことがあります。本研究は、雑音が多く急速に変化する系統条件下でも、CT飽和を素早く確実に検出する新しいデータ駆動型手法を提示します。

重要なセンサーの隠れた弱点

電流変成器は、高圧線の何千アンペアという大電流を継電器や計器が扱える小さな信号に変換する精密な計測じょうごのように働きます。しかし、長距離送電線での短絡などの故障時には、CTの磁性コアが許容範囲を超えてしまうことがあります。一度飽和すると、出力波形は歪み、先端が平らになる「フラットトップ」形状となり、実際の電流を忠実に反映しなくなります。こうした歪んだ信号に依存する保護リレーは、故障が保護区域内か外かを誤判定する可能性があります。従来の飽和検出法は固定閾値、単純な波形傾き、あるいは特定のCTモデルに基づくものが多く、雑音や負荷変動、初期段階の微妙な飽和に対しては脆弱でした。

系統の多様な異常をシミュレーションする

新しい手法を厳密に評価するため、著者らはPSCADで発電機、送電線、保護機器を結合した詳細な電力系統のコンピュータモデルを構築しました。送電線のさまざまな地点で故障を注入し、地絡や三相故障などの故障種別、故障抵抗の変化、電圧波のどの位相で故障が始まるかといった条件を変化させました。さらに、二次側の負荷、CTコアの残留磁化、測定の雑音レベルといったCT固有の要因も調整しました。CTの現実的なヒステリシスモデルを用いて、飽和なし、軽度飽和、重度飽和の3カテゴリにまたがる20万例以上の電流波形を生成しました。この大規模で注意深く構成されたデータセットにより、実務の保護技術者が遭遇する条件下で手法が検証されるようにしました。

複雑な波をより単純な要素に分解する

提案手法の核は、経験的モード分解（EMD）という信号処理法です。すべての信号が固定周波数の正弦波で表せると仮定する代わりに、EMDは各CT電流波形を適応的に内在モード関数（IMF）と呼ばれるより単純な構成要素に分解します。これらの成分は、CTが飽和し始める際に現れる高周波バーストや微妙な波形変化を自然に分離します。著者らはそれらの成分から、周波数ごとのエネルギー分布、波形の尖りや歪み、瞬時周波数のジャンプ、時間経過におけるエネルギーの広がりや秩序性といった簡潔な記述的特徴量を算出しました。これらの特徴は、人間の目では見落としがちな明白な兆候と隠れた兆候の双方を捉えます。

賢い分類器に判断を任せる

特徴量を抽出した後、それらを関連ベクトル機（RVM）と比較用の標準的なサポートベクターマシン（SVM）に入力します。両分類器はシミュレーションケースの80%で学習し、残りの20%で評価されます。RVMはベイズ的アプローチを取っており、役に立たない特徴を自動的に捨て、意思決定に最も重要な少数の「関連ベクトル」だけを残します。その結果、与えられた信号が正常、軽度飽和、重度飽和のどれであるかについて確率も出力するコンパクトなモデルが得られます。著者らは、EMD由来の特徴がこれら三つのクラスを視覚化すると明瞭に分離すること、RVMが約23.5ミリ秒で判定できることを示しています。これは典型的なリレーの判断時間である50～60ミリ秒を十分に上回る速さです。

性能と今後の展開

数千件のテストケースで、両分類器は非常に高い精度でCT飽和を検出しましたが、RVMが一貫して最良の性能を示しました。全体としてRVMは約99.7%の正分類率を達成し、特に正常および軽度飽和条件での微妙な歪みの検出に強みを示しました。またSVMよりもはるかに少ないサポート点で済むため、計算効率が良く、デジタルリレーでのリアルタイム運用に適しています。著者チームはまた、制御された故障条件下で実際のCT波形を生成するためのハードウェア・イン・ザ・ループ実験設備も構築しており、シミュレーションを越えた検証の基盤を整えています。要するに、適応的な信号分解と簡潔で確率的な学習モデルを組み合わせることで、送配電事業者はCT飽和を早期かつ確実に検出でき、保護リレーの判断をより迅速かつ正確にし、電力網の全体的な回復力を改善できると本研究は示しています。

引用: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

キーワード: 電流変成器の飽和, 電力系統保護, 故障検出, 経験的モード分解, 送配電網における機械学習