AI 支援による変圧器レビューのための PRPD 測定品質

PRPD パターン認識が魅力的なのは、その視覚的な証跡が豊富になり得るからです。位相位置、放電の大きさ、パルスの繰り返し、そしてパターン形状は、部分放電活動の発生源として考えられるものをエンジニアが見分ける助けとなる場合があります。しかし PRPD の有用性は、その背後にある測定コンテキストの質を超えることはありません。

AI 支援によるレビューは、PRPD プロットを単独の画像として扱うべきではありません。その証跡が校正されているか、位相基準が取られているか、再現性があるか、そしてノイズから分離されているかを問うべきです。それこそが、有用な意思決定支援と、過信に基づくパターンマッチングとの違いです。

標準規格の基礎

IEC 60270 は、電荷ベースの部分放電測定における主要な基準です。IEEE C57.113 は、液体充填変圧器およびリアクトルにおける部分放電測定を扱っています。TB 366、TB 662、TB 676 といった CIGRE のガイダンスは、規律ある測定と解釈の必要性を裏付けています。

ソフトウェアにとっての教訓は明確です。すなわち、エージェントはパターンとしての結果だけでなく、その測定がどのように行われたかを保持すべきだということです。

PRPD がもたらすもの

PRPD の記録は、次のような事柄を記述する助けとなります。

• 放電活動の位相位置。
• 放電の大きさと繰り返し率。
• パターンの分類と持続性。
• 試験キャンペーン間の変化。
• 内部放電、表面放電、コロナ、あるいは複数発生源による挙動の可能性。
• UHF、音響、DGA、あるいは点検による証跡との相関。

パターンは重要ですが、それが診断のすべてではありません。

現場の実態が厄介になる場面

現場での PRPD レビューは、センサーの配置、結合方式、位相基準の品質、干渉、接地、フィルタリング、そして重畳する発生源の影響を受けることがあります。従来型および非従来型の PD 手法に関する CIGRE の刊行物が有用なのは、実験室的な規律から実際の資産環境へ移行する際の複雑さを認めているからです。

AI モデルは視覚的なパターンを素早く見つけ出せるかもしれません。しかし、そのモデルを取り巻くエージェント型ワークフローは、依然として次のことを問わなければなりません。ノイズ環境はどうだったか、校正の状態はどうだったか、前回の試験から何が変化したか、そしてその解釈をどのような他の証跡が裏付けているのか、という問いです。

エージェント型 APM の役割

GridAPM の PRPD エージェントは、次のことを行うべきです。

1. 記録を、正しい変圧器、位相、巻線、ブッシング、または試験キャンペーンに紐付ける。
2. 測定方式、センサー、校正、位相基準、フィルタリングに関する記録を保持する。
3. パターンを過去の記録および類似の条件と比較する。
4. 考えられるパターンの分類と確信度を特定する。
5. DGA のガス生成速度の挙動、熱的コンテキスト、点検履歴、そして SFRA による証跡と相関付ける。
6. エンジニアによるレビューに向けた推奨事項を起草する。

その推奨事項は、決して単なる「PD 検出」で終わってはなりません。どの証跡がその懸念を裏付けているのか、そしてどのような不確実性が残っているのかを説明すべきです。

パターンからアクションへ

有用な PRPD レビューは、再試験、監視、点検、別手法とのクロスチェック、停止時レビューの計画、あるいは当面のアクションは不要と記録すること、といったアクションを支えます。その判断は、重大度、持続性、帰結、そして確信度に依存します。

GridAPM の human-in-the-loop AI ワークフロー は、まさにこの種の曖昧さのために設計されています。AI が PRPD の証跡を整理し、エンジニアがそれをどう使うかを判断します。