Chẩn đoán sự cố tiềm ẩn máy biến áp lực theo tiêu chuẩn IEC

CHẨN ĐOÁN SỰ CỐ TIỀM ẨN MÁY BIẾN ÁP LỰC

THEO TIÊU CHUẨN IEC

DIAGNOSING THE INSULATION OF THE INSULATOR

ACCORDING TO IEC STANDARDS

Tran Ngoc Hung

Trường đại học Sư phạm Kỹ thuật TP.HCM

TÓM TẮT

Bài viết này nghiên cứu các dạng sự cố tiềm ẩn và tỷ lệ nồng độ các loại khí phát sinh khi

xuất hiện sự cố tiềm ẩn trong MBA lực; Nghiên cứu phương pháp chẩn đoán sự cố tiềm ẩn MBA

lực bằng phương pháp phân tích tỷ lệ nồng độ khí trong dầu MBA theo tiêu chuẩn IEC

61181:2012. Giải thuật K_mean được sử dụng để rút ngắn thời gian huấn luyện và giảm dung

lượng bộ nhớ. Kết quả cho thấy từ số lượng mẫu ban đầu là 1000 mẫu đã rút xuống còn 900

mẫu, tức là giảm 10% số lượng mẫu đầu vào mà độ chính xác nhận dạng sự cố trong máy biến

áp vẫn đạt yêu cầu.

Từ khóa: K_mean; tỷ lệ nồng độ khí; mạng Neural nhân tạo; giải thuật huấn luyện, chương

trình nhận dạng sự cố máy biến áp.

ABSTRACT

This paper examines the types of potential malfunctions and the concentration ratios of

gases emitted when potential mismatches occur in the force majeure. Research on the method of

diagnosing potential power failures by gas concentration analysis method in MBA oil according

to IEC 61181: 2012. The K_mean algorithm is used to shorten the training time, and reduce the

amount of memory. The results show that from the initial sample size of 1000 samples has been

reduced to 900 samples, ie 10% reduction in the number of input samples that the fault

identification in the transformer is still satisfactory.

Keywords:

K_mean; gas concentration ratio; artificial neural networks; training algorithm, transformer

trouble recognition program

1. GIỚI THIỆU

Metan (CH₄), Etan (C₂H₆), Etylen (C₂H₄), và

Acetylen (C₂H₂). Các phương pháp phát hiện

dựa trên phân tích khí hòa tan được sử dụng

để chẩn đoán sự cố khởi đầu trong máy biến

áp trước khi dẫn đến tình trạng nghiêm trọng

hơn [2-3]. Năm tiêu chuẩn thường được sử

dụng phân tích khí hòa tan là tiêu chuẩn ủy

ban kỹ thuật điện quốc tế (IEC), Bảng quy

tắc cấp điện trung tâm (CEGB) dựa trên 4 tỷ

lệ Rogers, phương pháp Rogers, phương

pháp Dornenburg và tam giác Duval dựa

theo viện tiêu chuẩn kỹ thuật điện – điện tử

(IEEC) [4]. Các tiêu chí trên không liên quan

đến bất kỳ công thức toán học nào và cách

diễn giải của chúng dựa trên phương pháp

heuristic có thể thay đổi dựa trên kinh

nghiệm của nhà phân tích, dẫn đến phân tích

không đáng tin cậy [5]. Để khắc phục những

hạn chế đến từ các tiêu chí này, các mô hình

Máy biến áp lực là một phần không thể

thiếu, quan trọng và đắt tiền trong hệ thống

điện. Bất kỳ sự cố nào của máy biến áp cũng

có thể gây ra tình trạng mất điện trầm trọng,

do đó việc phát hiện sớm các sự cố mới phát

sinh nhằm cải thiện độ tin cậy và hoạt động

của nó. Do đó, việc phát hiện sớm những sự

cố ban đầu máy biến áp tạo ra sự cải thiện độ

tin cậy và hoạt động của hệ thống điện. Hơn

nữa, việc thay thế một máy biến áp rất tốn

kém và tốn nhiều thời gian; do đó việc chẩn

đoán các lỗi sớm nhất là rất quan trọng càng

sớm càng tốt để ngăn ngừa sự gia tăng các

lỗi máy biến áp. Phân tích khí hòa tan (DGA)

trong dầu biến áp là một phương pháp được

sử dụng để xác định sự cố mới phát sinh

trong dầu máy biến áp. Các khí hoà tan chủ

yếu trong dầu máy biến áp là: Hydro (H₂),

tính toán khác nhau sử dụng trí tuệ nhân tạo

(AI) đã được sử dụng để phân tích sự cố phát

sinh trong máy biến áp. Ứng dụng AI trong

chẩn đoán sự cố máy biến áp yêu cầu dữ liệu

DGA thực. Trong giai đoạn 1987 – 2012, có

hơn 400 nghiên cứu được công bố trên IEEE

(26 EPS, 72 ANN, 58 FL và ANN – FL, 20

ANN – EPS, 248 DGA). Một số phương

pháp trí tuệ nhân tạo được phát triển chẩn

đoán chính xác hơn. Những phương pháp

này hầu hết phù hợp với máy biến áp với một

sự cố duy nhất hoặc một sự cố chủ yếu.

Những phương pháp trí tuệ nhân tạo này là

mạng nơ ron nhân tạo, logic mờ, nơ ron – tập

mờ, di truyền, mô hình Markov ẩn, Support

vector machine và kỹ thuật đồ họa. Chúng

được phát triển như một kỹ thuật mới để giải

thích các sự cố của máy biến áp. Trong bài

báo này, mô hình ANN truyền ngược được

xây dựng dựa trên phân tích khí hòa tan theo

tiêu chuẩn IEC. Một so sánh giữa các kết quả

của ANN và kết quả thu được từ các tài liệu

được trình bày. Các kết quả đề cập đến độ tin

cậy của mô hình ANN được đề xuất như một

công cụ chẩn đoán cho lỗi máy biến áp điện.

Mỗi mẫu đặc trưng cho từng dạng tình

trạng máy biến áp, sẽ có có 3 thông số về tỷ

lệ nồng độ khí bao gồm: R₁= C₂H₂/C₂H₄; R₂

= C₂H₄/H₂; R₃= C₂H₄/C₂H₆.

Tập mẫu ngõ vào là ma trận có số cột tương

ứng với số mẫu và 3 hàng tương ứng với 3

thông số về tỳ lệ nồng độ khí của mỗi mẫu.

Ma trận này có cấu trúc trình bày ở Bảng 1.

Trạng thái

Tỷ lệ các loại khí

R₁=

R₂=

R₃=

Mẫu

C₂H₂/ C₂H₄/H C₂H₄/C

C₂H₄

R₁<

0,1

-

R₁<

0,1

R₁<

0,1

-

₂H₆

R₃< 1

-

2

0,1 ≤

R₂≤ 1

-

0,1 ≤

R₂≤ 1

1

-

1000000000

100

R₃< 1

101

-

R₂< 0,1 R₃< 1

0100000000

-

R₁<

0,1

200

R₂< 0,1 R₃< 1

201

-

300

R₁≤ 3 R₂< 0,1 R₃< 1

0010000000

-

R₁≤ 3 R₂< 0,1 R₃< 1

2. PHÂN TÍCH KHÍ HÒA TAN THEO

R₁≤ 3

301 or R₁>

3

0,1 ≤

R₂≤ 1

R₃< 1

-

0001000000

MÃ TIÊU CHUẨN IEC

Tình trạng của MBA thường được chia

làm 10 dạng theo mã sau:

-

R₁≤ 3

400 or R₁>

3

0,1 ≤

R₂≤ 1

R₃< 1

Mã

1

Tình trạng máy biến áp lực

Bình thường

R₁≤ 3

0,1 ≤

R₂≤ 1

-

0,1 ≤

R₂≤ 1

0,1 ≤

R₂≤ 1

-

401

R₃> 3 0000100000

2

Phóng điện cục bộ với năng lượng

-

0000100000

thấp

R₁≤ 3

3

4

5

6

7

8

9

Phóng điện cục bộ với năng lượng

cao

Phóng hồ quang điện với năng

lượng thấp

Phóng hồ quang điện với năng

lượng cao

500

R₃> 3

R₁<

0,1

-

R₁<

0,1

R₁<

0,1

-

R₁<

0,1

R₁<

0,1

-

R₁<

0,1

R₁<

0,1

1 ≤ R₃≤ 0000010000

501

-

3

-

1 ≤ R₂≤

3

0000010000

0,1 ≤

R₂≤ 1

600

601

-

R₂> 1

-

R₃< 1

-

0000001000

Sự cố nhiệt với nhiệt độ dưới

150^oC

Sự cố nhiệt với nhiệt độ 150^oC -

700

R₂> 1

R₃< 1

300^oC

1 ≤ R₂≤

Sự cố nhiệt với nhiệt độ 300^oC -

701

-

R₂> 1

-

0000000100

3

-

700^oC

Sự cố nhiệt với nhiệt độ lớn hơn

1 ≤ R₂≤ 0000000100

800

R₂> 1

700 ^oC

3

0000000010

10 Sự cố không xác định

801

R₂> 1

R₃> 3

-

000000001

0

0000000010

tra được lấy theo phần trăm số mẫu huấn

luyện.

-

R₁<

0,1

R₁> 3

-

900

R₂> 1

R₃> 3

Các thông số của mẫu đầu vào là các mã

tỷ lệ khí hoà tan theo từng dạng sự cố MBA.

Đối với mỗi mẫu đầu vào, tồn tại một mô

hình đầu ra mô tả loại sự cố.

901

-

R₂> 1

-

R₂> 1

R₃> 3

-

R₃> 3

0000000001

1000 R₁> 3

Bảng 1. Cấu trúc tập mẫu ngõ vào

Ngõ ra của mạng Neural là 9 dạng sự cố

tiềm ẩn và tình trạng bình thường của MBA

Ở đây, dựa vào số liệu của các tài liệu tham

khảo có liên quan, xây dựng 1000 mẫu để

huấn luyện. Với tập mẫu ngõ vào bao gồm:

100 mẫu cho mỗi dạng tình trạng máy biến

áp nêu trên. Tập dữ liệu ngõ vào được đặt tên

là input1000. Đây là một ma trận có 1000 cột

tương ứng với 1000 mẫu và 3 hàng tương

ứng với 3 thông số đặc trưng cho tỷ lệ các

loại khí của mỗi mẫu.

Các giải thuật huấn luyện mạng neural

được xem xét bao gồm:

✓ Giải thuật Levenberg – Marquardt

✓ Giải thuật Bayesian

✓ Giải thuật Scaled Conjugate Gradient

✓ Giải thuật Resillient Backpropagation

Giải thuật huấn luyện được lựa chọn là

giải thuật có độ chính xác nhận dạng sự cố

tiềm ẩn MBA cao nhất. Trong nghiên cứu

này, để rút ngắn thời gian huấn luyện và

giảm dung lượng bộ nhớ cần sử dụng, tiến

hành lựa chọn mẫu điển hình trên cơ sở áp

dụng thuật toán K_mean. Chương trình lựa

chọn mẫu điển hình được xây dựng trong

Tập mục tiêu được đặt tên là target là một

ma trận có 1000 cột tương ứng với 1000 mẫu

và 10 dòng tương ứng với 10 dạng sự cố, là

10 mục tiêu để mạng Neural phân loại. Cấu

trúc tập mục tiêu được trình bày ở Bảng 2.

Trạng thái theo Mã

Mẫu

1

2

3

0

4

5

6

7

8

9

10

0

môi

trường

MATLAB.

1 – 100

101 – 200

201 – 300

301 – 400

401 – 500

501 – 600

601 – 700

701 – 800

801 – 900

901 – 1000

1

0

1

0

1

0

1

0

1

0

1

0

1

0

1

0

1

0

1

0

Bảng 2. Cấu trúc tập mục tiêu target

3. ỨNG DỤNG MẠNG NEURAL

NHÂN TẠO TÌM RA SỰ CỐ TIỀM ẨN

MÁY BIẾN ÁP

Mô hình ANN được xây dựng bằng cách

sử dụng phần mềm MATLAB cho phương

pháp giải mã mã chuẩn IEC IEC 61181:2012.

Mô hình kiến trúc ANN bao gồm ba lớp

mạng (một lớp đầu vào, một lớp ẩn và một

lớp đầu ra).

Các mẫu huấn luyện được xây dựng từ

các mẫu sự cố MBA đã biết, các mẫu kiểm

Hình 2. Giao diện huấn luyện mạng

Neural theo giải thuật Bayesian

Sau 784 lần huấn luyện, sai số bình

phương trung bình đạt giá trị rất nhỏ

0,00188112, nhỏ hơn giá trị mong muốn là

0,01

Hình 1. Lưu đồ lựa chọn mẫu điển hình

theo K_mean

4. ĐÁNH GIÁ HỆ THỐNG CHẨN

ĐOÁN SỰ CỐ TIỀM ẨN MÁY

BIẾN ÁP ĐƯỢC ĐỀ XUẤT

Lần lượt xây dựng cấu trúc mạng Neural

(xác định số Neural lớp ẩn) và 4 giải thuật

huấn luyện nêu ở trên trong bài toán nhận

dạng sự cố tiềm ẩn MBA. Từ kết quả so sánh

độ chính xác nhận dạng trong từng trường

hợp khảo sát, lựa chọn cấu hình mạng Neural

có độ chính xác nhận dạng cao nhất.

Hình 3. Sai số bình phương trung bình của

mạng Neural theo giải thuật Bayesian

Qua đó, giải thuật Bayesian có số mẫu

huấn luyện là 70% mẫu đầu vào, số mẫu phê

chuẩn là 15% mẫu đầu vào và số mẫu kiểm

tra là 15% mẫu đầu vào.

Giá trị R đạt xấp xỉ 1 chứng tỏ mối quan

hệ tuyến tính giữa ngõ ra và mục tiêu huấn

luyện tương đối cao, đạt yêu cầu.

Hình 6. Giao diện chương trình chẩn đoán

sự cố tiềm ẩn máy biếp áp

Hình 4. Quan hệ tuyến tính giữa ngõ ra và

mục tiêu huấn luyện của mạng Neural

theo giải thuật Bayesian

theo tiêu chuẩn IEC

Trong quá trình nghiên cứu, tác giả rút ra các

nhận xét như sau:

Độ chính xác nhận dạng lớn đạt 98,78%

đối với mẫu huấn luyện và 98,7% đối với

mẫu kiểm tra tương ứng với số neural lớp ẩn

là 9.

- Giải thuật Kmean được sử dụng để rút

ngắn thời gian huấn luyện, và giảm dung

lượng bộ nhớ. Kết quả cho thấy từ số lượng

mẫu ban đầu là 1000 mẫu đã rút xuống còn

900 mẫu, tức là giảm 10% số lượng mẫu đầu

vào mà độ chính xác nhận dạng sự cố trong

máy biến áp vẫn đạt yêu cầu.

- Cấu hình mạng Neural đề xuất gồm 3

lớp: lớp đầu vào gồm 3 biến (tương ứng với 3

dạng tỷ lệ nồng độ khí trong dầu MBA), lớp

ẩn bao gồm 9 Neural, lớp ngõ ra bao gồm 10

biến (tương ứng với 10 dạng sự cố tiềm ẩn của

máy biến áp). Trên cơ sở đánh giá độ chính

xác nhận dạng, giải thuật huấn luyện được lựa

chọn là giải thuật Bayesian với độ chính xác

nhận dạng lên đến 98,7%.

- Chương trình chẩn đoán sự cố tiềm ẩn

máy biến áp dựa trên phương pháp phân tích

tỷ lệ nồng độ các loại khí trong dầu theo tiêu

chuẩn IEC có giao diện thân thiện, dễ sử

dụng.

Hình 5. Quan hệ giữa độ chính xác nhận

dạng và số Neural lớp ẩn của mạng Neural

theo giải thuật Bayesian

Như vậy, giải thuật Bayesian được chọn.

5. KẾT LUẬN

Tác giả hoàn thành tất cả các nội dung

nghiên cứu được giao bao gồm: Tổng quan

về đề tài; Nghiên cứu kiến thức chung về

mạng Neural; Nghiên cứu nhận dạng loại sự

cố tiềm ẩn của MBA theo tiêu chuẩn IEC dựa

trên tỷ lệ nồng độ các chất khí C₂H₂/C₂H₄,

CH₄/H₂, C₂H₄/C₂H₆và xây dựng thành công

chương trình chẩn đoán sự cố tiềm ẩn của

MBA theo tiêu chuẩn IEC trong môi trường

Matlab.

- Xem xét các phương pháp chẩn đoán

sự cố tiềm ẩn MBA khác như: Phương pháp

phân tích khí chính, Phương pháp NTT

Flagpoint, …

- Để tổng quát hóa mẫu huấn luyện cần

nâng xây dựng mạng Neural tự học, tự cập

nhật dữ liệu sau khi nhận dạng sự cố tiềm ẩn

MBA.

TÀI LIỆU THAM KHẢO

[1] SherifS. M. Ghoneim and Ibrahim B. Taha, “Artificial Neural Networks for Power

Transformers Fault Diagnosis Based on IEC Code Using Dissolved Gas Analysis ”,

International Joural of Control, Automation and Systems ISSN 2165-8277, Vol.4 No.2, April

2005.

[2] IEC Publication 599, “Interpretation of the analysis of gases in

transformers and other oil-filled electrical equipment in service”, First Edition

1978.

[3] IEEE Guide for the Interpretation of Gases Generated in Oil- Immersed

Transformers, IEEE StandARCd C57.104-2008, Feb.2009.

[4] Rahmat-Allah Hooshmand, and Mahdi Banejad, “Fuzzy Logic Application

in Fault Diagnosis of Transformers Using Dissolved Gases”, Journal of Electrical

Engineering & Technology, Vol. 3, No. 3, pp. 293~299, 2008.

[5] Fathiah Zakaria, Dalina JohARCi and Ismail Musirin, “Artificial Neural

Network (ANN) Application in Dissolved Gas Analysis (DGA) Methods for the

Detection of Incipient Faults in Oil-Filled Power Transformer”, 2012 IEEE

International Conference on Control System, Computing and Engineering, Penang,

Malaysia, 23 - 25 Nov. 2012.

Tác giả chịu trách nhiệm bài viết:

Họ tên: TRẦN NGỌC HƯNG

Đơn vị: Trường Cao đẳng nghề Tiền Giang

Điện thoại: 038 338 7215

Email: [email protected]

XÁC NHẬN CỦA CÁN BỘ HƯỚNG DẪN

PGS. TS. QUYỀN HUY ÁNH

BÀI BÁO KHOA HỌC

THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ

Bài báo khoa học của học viên

có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn

Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.

Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý

của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!

Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học

Sư phạm Kỹ thuật Tp. Hồ Chí Minh.