抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
・電力機器において生じうる放電要因を模擬した異なる36種の部分放電特性の分類をConvolutional Neural Network(CNN)を用いて行った結果を報告。
・放電要因の推定に用いる特徴量はΦ-qパターンとΦ-qパターン100波形における部分放電の発生頻度nを用いた頻度分布(Φ-q-nパターン)を使用,これら2つを比較検証。
・機械学習による部分放電発生要因推定の結果,特徴量としてΦ-qパターンを用いた場合よりもΦ-q一nパターンを用いた場合により分類精度が高くなることが判明。
・Φ-qパターンにおいての分類精度低下の要因は,部分放電が発生していないデータの存在,Φ-q-nパターンでは部分放電の発生頻度も含むため,分類精度が向上したと考察。