深層信念ネットワークと群知能最適化アルゴリズムに基づくケーブルのオンライン部分放電検出と状態評価

電力ケーブルの隠れた健康状態を見守る

現代の都市は、照明、列車、データセンターを稼働させるために広大な埋設電力ケーブル網に依存しています。しかし、これらのケーブルの絶縁体内部では、部分放電と呼ばれる小さな電気スパークが数か月あるいは数年にわたって材料を静かに侵食し、あるとき突然の故障で送電網の一部を停止させることがあります。本論文は、雑音の多い都市環境でもリアルタイムにこうした初期警告信号を検出し、ケーブルの健全性を明確に評価する新しいインテリジェントな監視手法を提示します。

なぜ小さなスパークが大問題なのか

地下ケーブルは信頼性が高く、コンパクトで視覚的にも目立たないため広く使われています。しかし、製造上の欠陥、湿気、機械的応力などにより絶縁に小さな欠陥が生じることがあります。高電圧が印加されると、こうした弱点から連続した電流の流れではなく小さな放電が生じます。それぞれの放電が周囲の絶縁をわずかに損耗させ、時間とともにこのプロセスが雪だるま式に進行して突発的な絶縁破壊や大規模な停電につながり得ます。従来の監視法は音響、温度、光学、無線などのセンサーを用いますが、それぞれにトレードオフがあります：長距離にわたり展開すると高コストになるもの、環境ノイズで容易に乱されるもの、各ケーブル種別ごとに専門家が特徴量を設計したり設定を調整したりする必要があるものなどです。

雑音信号を読み解く機械の教育

著者らはこの課題に対し、深層信念ネットワークに基づくデータ駆動型アプローチで取り組みます。深層信念ネットワークは、生の測定データから自動的にパターンを学習できる層状のニューラルネットワークです。エンジニアが手作業で信号の特徴を設計する代わりに、ネットワーク自身が部分放電信号の有用な表現を発見します。実世界の連続的な測定値をより適切に扱うために、従来の二値的な構成要素をアナログデータに自然な形に改良したものに置き換えています。さらに、過学習を防ぐために学習中にネットワークの結合をランダムに間引くDropConnectと、新たな種類のデータが到来しても学習内容を保持しやすくする「弾性」重み付けスキームという、現代の機械学習から借用した二つの手法を導入しています。

群れに着想を得たネットワーク設計の最適化

いかに巧妙なニューラルネットワークであっても、その内部構造（層数、ニューロン数、学習率など）が勘に頼って選ばれると性能を発揮しきれないことがあります。これを避けるために、著者らは自然界の集合行動に着想を得た最適化手続きを導入します。クリル群モデル、コウモリに着想を得た探索パターン、螺旋飛行経路を組み合わせた単一のアルゴリズムで仮想群れを構築し、多様なネットワーク設計を探索させます。各候補ネットワークは、ケーブル状態の分類精度だけでなく、処理速度やコンパクトさといった点でも評価されます。多くの反復を経て、この群れは精度、速度、リソース使用のバランスが最適な構成へと収束し、変電所やエッジデバイスでの展開に適した軽量モデルを生み出します。

実験室データから実世界の雑音へ

提案フレームワークの評価のため、研究者らは公開されているバッテリーデータセットおよび追加のケーブルデータで学習と評価を実施し、一般的な深層学習モデルやハイブリッドモデルと比較しました。改良したネットワーク単体で、畳み込みネットワークや勾配ブースティング法に対して、適合率、再現率、受信者動作特性曲線下面積といった標準的な指標で優れた成績を示しました。群れベースの最適化器を加えると、性能はさらに向上しつつ、パラメータ数、必要演算量、メモリフットプリント、学習時間が大幅に削減されました。都市部のケーブルラインから得られた実地測定に強い雑音を加えても、本手法は競合手法よりも高い精度を維持し、非常に低い信号対雑音比でも堅牢に機能しました。

停電を防ぐために意味すること

日常的な観点から見ると、本研究はコンパクトで自己調整する人工知能が埋設電力ケーブルの微かな電気的「鼓動」を継続的に聴き取り、信頼性を持って初期のトラブル兆候を検知できることを示しています。部分放電を早期に捉え、軽度の欠陥と深刻な欠陥を識別することで、事業者は停電に対処するのではなく計画的な保守を行えるようになります。堅牢な信号理解、雑音耐性、効率的な計算の組み合わせにより、提案フレームワークは都市の電力網を大規模かつ常時監視する用途に有望であり、電力供給の安全性とコスト効率の両立に寄与します。

引用: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

キーワード: 電力ケーブル監視, 部分放電, 深層学習, スマートグリッドの信頼性, 予知保全