Đồ án Tốt nghiệp Chẩn đoán lỗi thường gặp trong máy biến áp sử dụng kỹ thuật phân tích khí hòa tan

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỒ ÁN TỐT NGHIỆP Chẩn đoán lỗi thường gặp trong máy biến áp sử dụng kỹ thuật phân tích khí hòa tan NGUYỄN THẾ LINH Linh.nt152204@sis.hust.edu.vn Ngành Kỹ thuật điện Chuyên ngành Thiết Bị Điện- Điện Tử Giảng viên hướng dẫn: Chữ ký của GVHD TS. Nguyễn Bích Liên Bộ môn: Thiết Bị Điện- Điện Tử Viện: Điện HÀ NỘI, 1/2021 Lời cảm ơn Năm năm học ở Bách Khoa không phải là khoảng thời gian dài nhưng cũng không quá ngắn, trải qua biết bao môn học, từ các môn học đại cương đến các môn học chuyên ngành, mỗi môn đều mang một ý nghĩa riêng và không hề dễ dàng để vượt qua. Nhưng đến giờ phút này, em cũng đã đến được môn học cuối cùng, đó là Đồ án tốt nghiệp. Từ khi đặt chân vào trường Đại học Bách Khoa Hà Nội luôn là một cảm giác bất ngờ vì rất nhiều các môn đại cương khó như Toán cao cấp, Vật lí đại cương... Sang đến các năm tiếp theo, tưởng chừng mọi chuyện sẽ dễ dàng hơn, nhưng không, các môn cơ sở ngành cũng là những khái niệm rất lạ lẫm. Có nhiều lúc em đã hoang mang và lo sợ, sợ rằng mình không thể tiếp tục theo đuổi được môi trường học tập này. Nhưng bên cạnh những sự khó khăn đó là sự giảng dạy rất tận tình của các thầy cô, của những bàn tay đã cả đời quen với bụi phấn. Cánh cửa thư viện luôn rộng mở, chào đón sinh viên đến mượn những quyển sách cần thiết cho môn học. Và cũng cảm ơn đến những người bạn chân thành, luôn luôn giúp đỡ mỗi khi mình gặp khó khăn, là những người anh em cùng chiến tuyến, cùng gồng gánh nhau vượt qua những năm tháng đại học. Tất cả đã cho em một sự động viên, nghị lực để có thể đi được đến ngày hôm nay. Sau những năm tháng gắn bó với trường Đại học Bách Khoa Hà Nội, em xin gửi lời cảm ơn chân thành nhất đến các thầy cô Ban lãnh đạo nhà trường, các giảng viên hết lòng tận tụy vì sinh viên, đặc biệt là TS. Nguyễn Bích Liên, cô đã tận tình chỉ bảo để em có thể hoàn thành đồ án tốt nghiệp. Cảm ơn những người bạn thân thiết, những hành lang trường đầy nắng và gió, cảm ơn Đại học Bách Khoa Hà Nội đã tô điểm thêm thanh xuân và chặng đường học tập của em! Tóm tắt nội dung đồ án Nội dung đồ án trình bày về việc chẩn đoán lỗi cho máy biến áp sử dụng kỹ thuật phân tích khí hòa tan trong dầu máy biến áp bằng các phương pháp: khí chính; tỷ lệ; tam giác Duval; và quan trọng nhất là phương pháp sử dụng mạng neural network. Đồ án sẽ chỉ ra những ưu nhược điểm cũng như tính chính xác của các phương pháp kể trên. Đồng thời, nắm được cách xây dựng một mạng neural network và kết quả đầu ra của mạng trong việc chẩn đoán lỗi máy biến áp điện lực. Linh Nguyễn Thế Linh Mục lục DANH MỤC HÌNH VẼ Hình 2.1 Biểu đồ phương pháp khí chính 6 Hình 2.2 Tam giác phân Duval 10 Hình 2.3 Xác định điểm lỗi trên tam giác Duval 11 Hình 2.4 Xác định điểm lỗi trên tam giác Duval 16 Hình 3.1 Cấu trúc mạng Neural Network 17 Hình 3.2 Cấu trúc mạng Neural Network 18 Hình 3.3 Ví dụ về đồ thị của hàm (a) sigmoid và hàm (b)tanh 19 Hình 3.4 Hàm ReLU và tốc độ hội tụ khi so sánh với hàm tanh 20 Hình 3.5 Mạng neural network quá đào tạo 24 Hình 4.1 Mô hình mạng Neural Network 25 Hình 4.2 Thông số đầu vào của mạng Neural Network 27 Hình 4.3 Tham số của mạng Neural Network 28 Hình 4.4 Mạng neural network thu được 29 Hình 4.5 Kết quả sau khi đào tạo 30 Hình 4.6 Đồ thị đầu ra sau huấn luyện 31 DANH MỤC BẢNG BIỂU Bảng 1.1 Sự tương quan giữa các lỗi trong MBA và các nguyên nhân 2 Bảng 2.1 Các tiêu chuẩn chẩn đoán của phương pháp khí chính 6 Bảng 2.2 Định nghĩa các tỷ lệ của các phương pháp tỷ lệ 7 Bảng 2.3 Phương pháp hệ số tỷ lệ Doernenburg 7 Bảng 2.4 Nồng độ khí hòa tan cho phương pháp tỷ lệ Doernenburg 8 Bảng 2.5 Phương pháp tỷ lệ Rougers 8 Bảng 2.6 Phương pháp tỷ lệ IEC 9 Bảng 2.7 Thông số các khí 11 Bảng 2.8 Bảng so sánh 5 phương pháp phân tích DGA 12 Bảng 2.9 Bảng thông số các khí của MBA khi mắc lỗi phóng điện cục bộ (Mẫu số 1) 13 Bảng 2.10 Bảng thông số các khí của MBA khi trong máy có hiện tượng tia lửa điện (Mẫu số 2) 13 Bảng 2.11 Bảng phần trăm các khí 13 Bảng 2.12 Tỷ lệ các khí 14 Bảng 2.13 Bảng phần trăm ba khí 15 Bảng 4.1 Kết quả phân loại của tập huấn luyện 33 Bảng 4.2 Kết quả phân loại của tập thử nghiệm 33 TỔNG QUAN VỀ CHẨN ĐOÁN LỖI CHO MÁY BIẾN ÁP ĐIỆN LỰC Giới thiệu về máy biến áp điện lực Máy biến áp điện lực (MBA) là một thiết bị điện quan trọng trong các hệ thống truyền tải và phân phối điện. Sự hoạt động ổn định, an toàn và hiệu quả của thiết bị này ảnh hưởng trực tiếp đến sự ổn định của toàn bộ hệ thống. Vì vậy để cải thiện độ tin cậy của máy biến áp và giảm chi phí cho công tác bảo trì, các kỹ thuật chẩn đoán và theo dõi là rất cần thiết. Để chẩn đoán sự cố trong máy biến áp có nhiều phương pháp khác nhau khi máy biến áp ở trạng thái online hoặc offline. Khi máy biến áp đang ở trạng thái offline, các thử nghiệm có thể được thực hiện như: đo điện trở cách điện, đo hệ số tổn thất điện môi, đo độ phân cực mặt phân cách, kiểm tra tỉ lệ số vòng dây, đo điện trở cách điện cuộn dây Khi máy biến áp làm việc ở trạng thái online, các phương pháp có thể áp dụng như: phương pháp đáp ứng tần số, phân tích phổ âm thanh, phương pháp hồng ngoại, phương pháp phân tích khí hòa tan Trong đối tượng nghiên cứu ở đây, ta sử dụng phương pháp phân tích khi hòa tan, là phương pháp đang dần trở nên phổ biến hiện nay bởi những ưu điểm: Thực hiện phân tích lấy mẫu mà không phải ngắt nguồn điện máy biến áp. Việc lấy mẫu trở đơn giản cũng như chi phí tiết rẻ hơn nhờ sự phát triển của khoa học-công nghệ. Cảnh báo trước về sự xuất hiện các lỗi tiềm ẩn. Dễ dàng lập kế hoạch cho các phương án ngăn ngừa lỗi. Tổng quan về chẩn đoán lỗi cho máy biến áp điện lực Mục đích chẩn đoán lỗi của hệ thống là để phát hiện, cách ly nhận dạng các nguyên nhân gây nên sự vận hành bất thường của hệ thống đó mà đối tượng cụ thể ở đây là dựa theo kết quả phân tích khí hòa tan để chẩn đoán tình trạng của máy biến áp. Các lỗi tiềm ẩn của máy biến áp có thể phân thành các dạng chính sau: hồ quang điện, vầng quang điện, quá nhiệt của giấy cách điện (cellulose), quá nhiệt của dầu. Các loại sự cố máy biến áp: Hồ quang điện, vầng quang điện, quá nhiệt cách điện chất rắn, quá nhiệt cách điện lỏng. Các nguyên nhân gây ra sự cố trong máy biến áp: Một loại hư hỏng xảy ra do nhiều nguyên nhân, cũng như việc các nguyên nhân có thể gây ra một vài lỗi. Bảng 1.1 Sự tương quan giữa các lỗi trong MBA và các nguyên nhân Nguyên nhân Hư hỏng Hồ Quang Vầng Quang Quá nhiệt giấy Quá nhiệt dầu Ngắn mạch các vòng dây x x Hở mạch cuộn dây x x Xê dịch hoặc biến dạng cuộn dây x x Xê dịch hoặc biến dạng các thanh dẫn x x Lỏng các đầu nối tại đầu sứ, dây dẫn, quấn dây x x x Nước tự do hoặc độ ẩm quá mức trong dầu x x Các hạt kim loại x x Lỏng mối nối các tấm chắn vầng quang x Lỏng vòng siết, dây nối đất x Sự cố đánh thủng x x Quá tải x x Hư hỏng bu lông cách điện x Rỉ sét hoặc hư hỏng khác trên lõi x Hư hỏng đai bó quanh vỏ máy x Bảng phân loại này chỉ mang tính tương đối mang tính tham khảo, dựa trên một số tiêu chuẩn cụ thể. Theo bảng thì một loại lỗi có thể do nhiều nguyên nhân gây ra, điều này làm cho việc phân vùng lỗi trở nên khó khăn. Do đó, khi vận hành thực tế, việc chẩn đoán lỗi chỉ mang tính xác định lỗi tiềm ẩn ban đầu chứ chưa phải đưa ra kết luận cuối cùng. Các kiểm tra khác và thậm chí việc mở MBA có thể là cần thiết để khoanh vùng lỗi cùng như tìm ra nguyên nhân chính xác hơn. Các phương pháp chẩn đoán lỗi tiềm ẩn cho máy biến áp Kiểm tra cách điện Cách điện của các máy biến áp điện lực bao gồm cách điện rắn và dầu. Nước có thể gây hư hại hệ thống cách điện này. Nó làm giảm độ bền điện môi, có thể đo được trong dầu cách điện. Hiệu ứng hình thành bọt khí cũng có thể xảy ra, làm tăng cường độ điện trường tại bề mặt của bọt hơi nước và có thể dẫn đến phóng điện cục bộ. Hơn nữa, nước gây ra sự thủy phân trong cách điện cellulose (thường là giấy, tấm bìa ép). Đây là một quá trình hóa học làm hư hỏng cellulose. Cùng với khí oxy, nó có thể tạo thêm nước, gây ra hiệu ứng bóng tuyết và làm gia tăng quá trình lão hóa của cách điện rắn. Trong phần lớn trường hợp, sự già cỗi và hàm lượng nước trong cách điện rắn có liên hệ với nhau, do đó hàm lượng nước có thể được sử dụng như một chỉ số cho sự lão hóa của cellulose. Tuy nhiên, nếu sự suy giảm độ bền điện môi giảm mạnh, dầu có thể được thay thế, đó là một nỗ lực để phục hồi cách điện rắn. Do đó, xác định hàm lượng nước là rất quan trọng để đánh giá tình trạng cách điện. Phóng điện cục bộ Phóng điện cục bộ (Partial Discharge – PD) là các phóng điện tập trung làm cầu nối từng phần trong cách điện cao áp. Đo PD là một công cụ được chấp nhận trên thế giới để kiểm soát chất lượng của hệ thống cách điện cao áp. Phóng điện cục bộ thường xuất hiện trước một phá hủy hoàn toàn trong trường không đồng nhất, do đó có thể phát hiện các lỗi liên quan đến các điểm yếu cục bộ trước khi sự cố xảy ra. Các nhà sản xuất được khuyến cáo nên thực hiện đo PD để đảm bảo chất lượng tuân theo một số tiêu chuẩn như IEC 60076. Do đó, có thể khuyến cáo thực hiện thí nghiệm PD trong quá trình thiết kế từng bộ phận riêng lẻ trên các bộ phận của máy biến áp khi sản xuất và sau đó trên toàn bộ máy biến áp. Một phép đo PD có thể phát hiện các khiếm khuyết trong cách điện (ví dụ các vết nứt, các tạp chất) gây ra bởi quá trình sản xuất không hoàn thiện hoặc áp lực tăng cao trong cách điện do thiết kế kém. Loại phóng điện cục bộ cũng như vị trí của chúng có thể đưa lại thông tin quan trọng về hư hỏng. Phân tích khí hòa tan (DGA) Các MBA cho phép truyền tải năng lượng điện hiệu quả ở điện áp cao và sử dụng điện ở mức điện áp thấp một cách thuận tiện. MBA được sử dụng kể từ những ngày đầu sản xuất và truyền tải điện năng và ngày nay đã trở nên phổ biến trên toàn thế giới- ước tính có khoảng hơn 2,000,000 MBA lớn trên toàn thế giới (>100kVA). Mặc dù hàng nghìn MBA mới đang được sản xuất mỗi năm, phần lớn các MBA trên toàn cầu đã đi vào hoạt động và một tỷ lệ đáng kể trong đó đã và đang tiếp cận, thậm chí vượt xa so với tuổi thọ thiết kế của chúng. Hầu như tất cả các MBA lớn, dù cũ hay mới đều có lõi và các cuộn dây ngâm trong dầu cùng với các kết nối điện đầu vào và đầu ra. Các cuộn dây MBA sẽ được cách điện bởi nhiều lớp giấy dày bọc xung quanh từng phần của mỗi cuộn dây. Dầu hoạt động với vai trò tản nhiệt và cách điện trung bình. Khi dầu hoặc giấy cách điện bị quá tải, chẳng hạn như trong điều kiện nhiệt độ cao kết hợp với lượng tải lớn hoặc trong điều kiện lỗi hoặc thậm chí trong điều kiện hoạt động bình thường, nó sẽ bị phá vỡ và tạo ra một loạt các sản phẩm phụ và các khí đơn giản. Các khí này ngay lập tức hòa tan vào trong dầu và sẽ ở trong dầu mãi (nếu như không thể thoát ra khỏi thiết bị thông qua breather của máy). Các khí có liên quan đến các lỗi cụ thể là khí H2, CO2, CO, C2H6, CH4, C2H4 và C2H2. Phân tích khí hòa tan (Dissolved Gas Analysis - DGA) từ lâu đã được công nhận là kỹ thuật mạnh nhất trong việc phát hiện dự đoán lỗi MBA. Nó đã đi đầu trong các chiến lược tiến bộ cho các tiện ích giám sát trong vòng bốn thập kỷ qua. Điều này đã được chứng minh qua rất nhiều ấn phẩm phát hành và rất nhiều tiêu chuẩn quốc gia cũng như quốc tế liên quan đến cách thức tiến hành DGA và cách thức mà các kết quả được phân tích. Đối mặt với các thế hệ MBA đã cũ cộng với áp lực giảm thiểu vốn và chi phí hoạt động, DGA đã trở nên càng quan trọng hơn cho các đơn vị quản lý và vận hành các trạm biến áp trên toàn quốc. CHẨN ĐOÁN LỖI TRONG MÁY BIẾN ÁP ĐIỆN LỰC SỬ DỤNG PHƯƠNG PHÁP KHÍ HÒA TAN Giới thiệu về khí hòa tan trong dầu máy biến áp Qua thực tiễn đã chứng minh, việc phân tích khí hòa tan trong dầu là phương pháp chẩn đoán phát hiện các hư hại ban đầu trong các thiết bị điện chính xác, hiệu quả và kinh tế nhất. Theo dõi thường xuyên để chẩn đoán kịp thời các hư hỏng tiềm ẩn trong quá trình vận hành, sẽ giúp việc quản lí, vận hành lưới điện một cách hoàn hảo. Dây quấn của máy biến áp bao gồm lớp cách điện bằng giấy được ngâm trong dầu cách điện, do đó cách điện giấy và dầu cách điện được xem như là đối tượng chính dùng cho việc phát hiện các sự cố tiến triển nhanh, các sự cố ban đầu và xu hướng cách điện ứng với điều kiện thể trạng của máy biến áp khi đang vận hành. Do các lỗi nhiệt và điện, sự phân ly của giấy và dầu dẫn tới các lỗi nghiêm trọng. Một số khí thoát ra do quá trình phân ly làm giảm cường độ cách điện và khả năng giảm nhiệt của dầu máy biến áp. Ethane (C2H6), methane (CH4), hydrogen (H2), acetylene (C2H2) và ethylene (C2H4) là các khí tạo ra do phân ly của dầu. Carbon dioxide (CO2) và carbon monoxide (CO) được tạo ra do phân ly của giấy. Các lỗi của Máy Biến Áp có thể chia thành 2 nhóm: Nhóm các lỗi nhiệt: Lỗi dầu (C2H4, C2H6), Lỗi giấy (CO, CO2). Nhóm các lỗi điện: Phóng điện cục bộ (H2, CH4), Hồ quang (C2H2) Ngoại trừ khí CO và CO2 thì các chất khí còn lại được sinh ra do sự phân ly của dầu. Tỷ lệ CO/CO2 có thể sử dụng để đánh giá sự xuống cấp của giấy cách điện (theo IEC 599). Các phương pháp phân tích khí hòa tan để chẩn đoán lỗi tiềm ẩn trong máy biến áp Ta sẽ trình bày một số phương pháp cơ bản sử dụng khí hòa tan trên cơ sở chẩn đoán lỗi tiềm ẩn của máy biến áp bao gồm phương pháp khí chính, các phương pháp tỷ lệ và phương pháp tam giác Duval. Phương pháp khí chính (KGM) Đây là phương pháp sử dụng nồng độ riêng biệt của 6 chất khí bao gồm CO, H2, CH4, C2H2, C2H4 và C2H6. Phương pháp này đánh giá 4 lỗi cơ bản: Quá nhiệt dầu (Overheated oil), Quá nhiệt giấy (Overheated cellulose), Phóng điện cục bộ trong dầu (Partial discharge in oil), Hồ quang trong dầu (Arcing in oil). Tỷ lệ phần trăm này được xác định dựa trên kinh nghiệm thực tế. Bảng 2.1 Các tiêu chuẩn chẩn đoán của phương pháp khí chính Lỗi Khí chính Nội dung Tỷ lệ phần trăm của khí Hồ quang Acetylen (C2H2) Bao gồm 1 lượng lớn H2 và C2H2, ngoài ra thì có thể bao gồm một lượng nhỏ CH4 và C2H4 H2: 60% C2H2: 30% Phóng điện cục bộ Hydrogen (H2) Bao gồm lượng lớn H2, một lượng CH4, một lượng nhỏ C2H4 và C2H6 H2: 85% CH4: 13% Quá nhiệt dầu Ethylene (C2H4) Bao gồm lượng lớn C2H4, một lượng C2H6, ngoài ra có thể có H2 và CH4 C2H4: 63% C2H6: 20% Quá nhiệt giấy Carbon Monixide (CO) Bao gồm lượng lớn các khí CO và CO2 CO: 92% Thành phần phần trăm chi tiết của các chất khí khác được mô tả trực quan qua biểu đồ hình 2.1. Hình 2.1 Biểu đồ phương pháp khí chính Phương pháp này đơn giản tuy nhiên lại không được áp dụng rộng rãi trong thực tế như các phương pháp khác. Các nghiên cứu dựa trên ngân hàng dữ liệu IEC của máy biến áp được điều tra chỉ ra rằng chỉ 42% của các chẩn đoán ứng dụng phương pháp này là chính xác (theo tài liệu số [3]). Phương pháp tỷ lệ Các phương pháp tỷ lệ sử dụng khí hòa tan là cơ sở để chẩn đoán các lỗi. Các tỷ lệ được sử dụng được ký hiệu như trong bảng 2.2. Bảng 2.2 Định nghĩa các tỷ lệ của các phương pháp tỷ lệ Tỉ số CH4/H2 C2H2/C2H4 C2H2/CH4 C2H6/C2H2 C2H4/C2H6 Ký hiệu X1 X2 X3 X4 X5 Phương pháp tỷ lệ Doernenburg (DRM) Đây là phương pháp được nghiên cứu và phát triển bởi Doernenburg vào năm 1970. Phương pháp này sử dụng việc đánh giá 4 hệ số tỷ lệ của các chất khí để xác định các lỗi bao gồm lỗi nhiệt, lỗi phóng điện cục bộ và lỗi hồ quang. Bảng 2.3 Phương pháp hệ số tỷ lệ Doernenburg Lỗi X1 X2 X3 X4 Lỗi nhiệt >0,1 0,4 Phóng điện cục bộ 0,4 Hồ quang >0,1 hoặc 0,75 >0,3 <0,4 Ngoài ra, ta cần kiểm tra các giá trị giới hạn của chất khí theo tiêu chuẩn L1. Tiêu chuẩn này thiết lập lên ngưỡng tới hạn cho các chất khí. Để phương pháp này có thể áp dụng thì ít nhất một chất khí cho mỗi một hệ số tỷ lệ phải vượt quá chuẩn L1 tương ứng. Các giá trị L1 được ghi lại theo bảng 2.4. Bảng 2.4 Nồng độ khí hòa tan cho phương pháp tỷ lệ Doernenburg Khí Giới hạn L1 H2 100 CH4 120 CO 350 C2H2 35 C2H4 50 C2H6 65 Phương pháp tỷ lệ Rougers (RRM) Phương pháp này tương tự như phương pháp tỷ lệ Doernenburg được đề xuất vào năm 1973, cải tiến vào các năm 1975 và 1977. Tuy nhiên, trái với phương pháp tỷ lệ Doernenburg đòi hỏi nồng độ đáng kể của các khí lỗi, phương pháp này có thể được sử dụng với các nồng độ vượt quá các giá trị L1 trong bảng 2.4. Ban đầu, phương pháp tỷ lệ Rougers sử dụng ba tỷ lệ nồng độ, cụ thể C2H2/C2H4, CH4/H2 và C2H4/C2H6 dẫn tới có 12 chẩn đoán được đề xuất. Sau đó 12 chẩn đoán gốc được thay thế bởi 6 chẩn đoán kể cả trạng thái bình thường như bảng 2.5. Tuy nhiên, tỷ lệ thành công cho việc nhận dạng lỗi chính xác theo phương pháp này chỉ đạt được 58.9% (theo tài liệu số [3]). Bảng 2.5 Phương pháp tỷ lệ Rougers Kiểu lỗi X2 X1 X5 Biến chất thông thường 3 Lỗi quá nhiệt yếu 1 1-3 Lỗi nhiệt >700oC 1 >3 Phương pháp tỷ lệ IEC (IRM) Phương pháp này sử dụng chung ba tỷ lệ như phương pháp tỷ lệ Rougers sửa đổi nhưng đưa ra đề xuất khác về dải tỷ lệ và các giải thích như bảng 2.6. Bảng 2.6 Phương pháp tỷ lệ IEC Kí hiệu Tên lỗi X2 X1 X5 PD Phóng điện cục bộ Không xác định 1 0,1-0,5 >1 D2 Phóng điện năng lương cao 0,6-2,5 0,1-1 >2 T1 Lỗi nhiệt 1 1 1-4 T3 Lỗi nhiệt >700oC 1 >4 Phương pháp Tam giác Duval (DTM) Phương pháp Tam giá Duval được phát minh bởi nhà khoa học Michel Duval. Phương pháp này được phát triển từ một phương pháp tỷ lệ IEC 60599 hiện tại và cơ sở dữ liệu IEC TC10. Nó giải thích dữ liệu phân tích khí hòa tan dưới dạng đồ họa sử dụng các nồng độ phần trăm của CH4, C2H2 và C2H4 được vẽ ra dọc theo ba cạnh của một tam giác như hình 2.2. Hình 2.2 Tam giác phân Duval Bên trong tam giác có bảy vùng lỗi bao gồm: PD: Phóng điện cục bộ D1: Phóng điện năng lượng thấp D2: Phóng điện năng lượng cao T1: Các lỗi nhiệt T < 300oC T2: Các lỗi nhiệt 300 oC < T < 700 oC T3: Các lỗi nhiệt T > 700 oC DT: Các sự cố xếp chồng về điện và nhiệt Để sử dụng phương pháp ta cần xác định được phần trăm của các chất khí. CH4(%) =100× aa+b+c (1); C2H2(%) =100× ba+b+c (2) C2H4(%) =100× ca+b+c (3) Trong đó: a = CH4 (ppm), b = C2H2 (ppm), c = C2H4 (ppm) Sau khi đã có các thông số trên vẽ đường thẳng của đại lượng CH4(%) song song với cạnh C2H2, đường thẳng của đại lượng C2H4(%) song song với cạnh CH4 và đường thẳng của đại lượng C2H2(%) song song với cạnh C2H4. Giao điểm của 3 đường thằng chính là lỗi thu được. Ví dụ ta có bảng thông số DGA đo được. Bảng 2.7 Thông số các khí Khí CH4 C2H2 C2H4 Tổng DGA 192 7 170 369 Ta xác định được phần trăm mỗi khí: CH4(%) =100× 192369 = 52% C2H2(%)=100× 7369 = 2% C2H4(%) =100× 170369 = 46% Sau khi xác định giao của 3 đường thẳng của các đại lượng ta thu được kết quả. Lỗi Hình 2.3 Xác định điểm lỗi trên tam giác Duval Do điểm thu được nằm trong miền của lỗi T2 nên lỗi thu được chính là sự cố nhiệt trong khoảng từ 300-700oC. So sánh các phương pháp Ta có bảng tổng hợp và so sánh các phương pháp chẩn đoán lỗi sử dụng nguồn dữ liệu phân tích là khí hòa tan (theo tài liệu số [3]). Bảng 2.8 Bảng so sánh 5 phương pháp phân tích DGA Kiểu Phương pháp Kiểu lỗi Khí phân tích KGM Sử dụng nồng độ khí ga riêng biệt, dễ thực hiện nhưng độ tin cậy chưa cao Hồ quang, Phóng điện cục bộ, quá nhiệt dầu, quá nhiệt cellulolse CO,CO2,H2,CH4, C2H4,C2H2 và C2H6 DRM Sử dụng 4 tỷ lệ của các chất khí(CH4/H2,C2H2/C2H4, C2H2/CH4,C2H6/C2H2) để xác định 3 loại lỗi dựa trên các giới hạn tỷ lệ đã xác định Phóng điện cục bộ, hồ quang, lỗi nhiệt H2,CH4,C2H4, C2H2 và C2H6 RRM Sử dụng 3 tỷ lệ của các chất khí(CH4/H2,C2H2/C2H4, C2H4/C2H6) để xác định 5 loại lỗi, dựa trên các giới hạn tỷ lệ đã xác định Phóng điện cục bộ, hồ quang, lỗi quá nhiệt yếu, lỗi nhiệt 700oC H2,CH4,C2H4, C2H2 và C2H6 IRM Tượng tự như phương pháp IRM tuy nhiên có một số thay đổi ở các tỷ lệ, để xác định 6 loại lỗi Phóng điện cục bộ, phóng điện năng lượng thấp, phóng điện năng lượng cao, các lỗi nhiệt T 700 oC H2,CH4,C2H4, C2H2 và C2H6 DTM Sử dụng tam giác kinh nghiệm để xác định 7 lỗi, tuy nhiên thì không thể xác định trường hợp không xảy ra lỗi Phóng điện cục bộ, phóng điện năng lượng thấp, phóng điện năng lượng cao, các lỗi nhiệt T 700 oC và các sự cố xếp chồng về nhiệt và điện CH4, C2H4 và C2H2 Để so sánh tính hiệu quả và thống nhất của phương pháp, ta thực hiện kiểm tra lỗi sử dụng tất cả phương pháp đối với hai mẫu khí hòa tan của hai máy biến áp trên thực tế. Kết hợp với các thử nghiệm khác, hai mẫu khí này đã được xác định tương ứng với tình trạng lỗi xảy ra trong máy biến áp là máy có phóng điện cục bộ và máy có hiện tượng chớp tia lửa điện. Bảng 2.9 Bảng thông số các khí của MBA khi mắc lỗi phóng điện cục bộ (Mẫu số 1) Khí CH4 C2H2 C2H4 C2H6 CO H2 Tổng DGA 123 0 0 7 727 1312 2169 Bảng 2.10 Bảng thông số các khí của MBA khi trong máy có hiện tượng tia lửa điện (Mẫu số 2) Khí CH4 C2H2 C2H4 C2H6 CO H2 Tổng DGA 70 1 22 112 231 10 446 Từ bảng 2.9 và 2.10 ta sẽ kiểm tra lỗi theo từng phương pháp để kiểm tra độ chính xác và trùng khớp giữa các phương pháp. Ta xác định được phần trăm mỗi khí dựa vào bảng 2.9 và 2.10: Bảng 2.11 Bảng phần trăm các khí Khí CH4(%) C2H2(%) C2H4(%) C2H6(%) CO(%) H2(%) Mẫu số 1 (phóng điện cục bộ) 5.67 0 0 0.32 33.52 60.49 Mẫu số 2 (hiện tượng chớp tia lửa điện) 15.7 0.22 4.94 25.1 51.8 2.24 Phương pháp khí chính (KGM) Mẫu số (1) Dựa trên các phần trăm khí đã tính ở bảng 2.11 kết hợp với bảng 2.1 thì với phương pháp khí chính này ta có thể kết luận lỗi trong trường hợp này là phóng điện cục bộ và với phần trăm khí CO (%) = 33.52% thì ta có thể kết luận lỗi trong trường hợp này là quá nhiệt giấy cách điện. Mẫu số (2) Dựa trên các phần trăm khí đã tính ở bảng 2.11 kết hợp với bảng 2.1 thì với tỷ lệ khí CH4 (%) = 15.7%, C2H4 (%) =4.94%, C2H6 (%) = 25.1% thì ta có thể xác định được máy đang có lỗi quá nhiệt tuy nhiên ta không thể xác định được chính xác lỗi nhiệt này tương ứng với nhiệt độ bao nhiêu oC và với phần trăm khí CO (%) = 51.8% thì ta có thể kết luận lỗi trong trường hợp này là quá nhiệt giấy cách điện. Phương pháp tỷ lệ Doernenburg (DRM) Ta có bảng tỷ lệ : Bảng 2.12 Tỷ lệ các khí Tỉ số CH4/H2 C2H2/C2H4 C2H2/CH4 C2H6/C2H2 C2H4/C2H6 Mẫu số 1 (phóng điện cục bộ) 0.094 Không xác định 0 Không xác định 0 Mẫu số 2 (hiện tượng chớp tia lửa điện) 7 0.045 0.014 112 0.1 Mẫu số (1) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.3 thì với phương pháp tỷ lệ Doernenburg ta không thể kết luận được lỗi trong trường hợp này. Mẫu số (2) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.3 thì với phương pháp tỷ lệ Doernenburg ta có thể kết luận rằng máy biến áp đã mắc lỗi nhiệt. Phương pháp tỷ lệ Rougers (RRM) Mẫu số (1) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.5 thì với phương pháp tỷ lệ Rougers ta không thể kết luận được lỗi trong trường hợp này. Mẫu số (2) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.5 thì với phương pháp tỷ lệ Rougers ta không thể kết luận được lỗi trong trường hợp này. Phương pháp tỷ lệ IEC (IRM) Mẫu số (1) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.6 thì với phương pháp tỷ lệ IEC ta có thể kết luận rằng máy biến áp đã mắc lỗi phóng điện cục bộ. Mẫu số (2) Dựa trên các phần trăm khí đã tính ở bảng 2.12 kết hợp với bảng 2.6 thì với phương pháp tỷ lệ IEC ta không thể kết luận được lỗi trong trường hợp này. Phương pháp tam giác Duval (DTM) Ta có phần trăm các khí như sau: Bảng 2.13 Bảng phần trăm ba khí Khí CH4(%) C2H2(%) C2H4(%) Mẫu số 1 (phóng điện cục bộ) 100 0 0 Mẫu số 2 (hiện tượng chớp tia lửa điện) 75.27 1.08 23.65 Sau khi xác định giao của 3 đường thẳng của các đại lương ta thu được kết quả. (1) (2) Hình 2.4 Xác định điểm lỗi trên tam giác Duval Mẫu số (1) Theo hình 2.4, ta thấy điểm lỗi nằm trên miền lỗi PD nên lỗi thu được chính là Phóng điện cục bộ. Mẫu số (2) Theo hình 2.4, ta xác định giao điểm của các đường thẳng của các đại lượng và nhận thấy nó nằm trong vùng lỗi của T2 nên ta kết luận lỗi thu được là sự cố nhiệt 300oC <T<700oC. Kết luận : Từ việc phân tích hai mẫu khí trên, ta có thể đưa ra nhận xét với cùng một mẫu khí thực tế đã biết và đã được xác định lỗi cho máy biến áp thì đối với mỗi phương pháp lại cho ra một kết quả khác nhau. Do đó, ta có thể nhận thấy được độ chính xác và tính thống nhất của các phương pháp nói trên là chưa cao. Chính vì vậy mà ta cần một phương pháp tối ưu hơn, độ tin cậy cao hơn và phương pháp đó sẽ được trình bày ở chương 3. TỔNG QUAN VỀ MẠNG NEURAL NETWORK Nhận thấy sự không thống nhất cũng như độ chính xác chưa cao của các phương pháp đã trình bày ở trên nên ở chương này, chúng ta sẽ đi tìm hiểu một phương pháp khác đó là chẩn đoán lỗi MBA bằng mạng neural network. Một phương pháp được rất nhiều chuyên gia sử dụng với mức độ chính xác rất cao. Giới thiệu về mạng Neural Network Mạng Neural Network được lấy cảm hứng từ nơron thần kinh sinh học, trong đó dữ liệu từ nhiều dây thần kinh đầu vào đi về một nhân tế bào. Nhân tế bào tổng hợp thông tin và đưa ra quyết định ở tín hiệu đầu ra. Trong mạng neural network nhân tạo thì dữ liệu đầu vào sẽ qua hàm tính tổng và hàm kích hoạt có chức năng tương tự nhân tế bào. Tên gọi mạng neural network nhân tạo bắt nguồn từ đây. Hình 3.1 Cấu trúc mạng Neural Network Cấu trúc mạng neural network Lớp Ngoài lớp đầu vào và lớp đầu ra thì mạng neural network đa lớp có thể có rất nhiều lớp ẩn (hidden layer). Các lớp ẩn từ đầu vào tới đầu ra được đánh số thứ tự từ một. Hình 3.1 là một ví dụ điển hình của mạng neural network nhiều lớp. Số lượng lớp trong mạng neural network nhiều lớp được kí hiệu là L, được tính bằng tổng số lớp ẩn cộng với một. Khi đếm số lớp ẩn của mạng neural network nhiều lớp thì lớp đầu vào và lớp đầu ra không được tính. Nút Quan sát Hình 3.2, mỗi điểm hình tròn trong một tầng được gọi là một nút (node hoặc unit). Đầu vào của tầng ẩn thứ l được ký hiệu bởi z(l) , đầu ra tại mỗi tầng thường được ký hiệu là a(l) (thể hiện activation, tức giá trị tại các nút sau khi áp dụng hàm kích hoạt lên đầu vào z(l) ). Đầu ra của nút thứ i trong tầng thứ l được ký hiệu là ai(l) . Giả sử thêm rằng số nút trong tầng thứ l (không tính hệ số điều chỉnh) là d(l) . Vector biểu diễn đầu ra của tầng thứ l là a(l) ∈ Rd(l) . Hình 3.2 Cấu trúc mạng Neural Network Trọng số và hệ số điều chỉnh Có L ma trận trọng số cho một mạng neural network có L tầng. Các ma trận này được ký hiệu là W(l)∈ Rd(l-1)×d(l) ,l = 1, 2, ..., L trong đó W(l) thể hiện các kết nối từ tầng thứ l −1 tới tầng thứ l (nếu ta coi tầng đầu vào là tầng thứ 0). Cụ thể hơn, phần tử wij(l) thể hiện kết nối từ nút thứ i của tầng thứ (l − 1) tới nút từ j của tầng thứ (l). Các hệ số điều chỉnh của tầng thứ (l) được ký hiệu là b(l) ∈ Rd(l) . Các trọng số này được ký hiệu trên Hình 5.2. Khi tối ưu một mạng đa tầng cho một công việc nào đó, chúng ta cần đi tìm các trọng số và hệ số điều chỉnh này. Tập hợp các trọng số và hệ số điều chỉnh lần lượt được ký hiệu là W và b. Hàm kích hoạt Mỗi đầu ra tại một tầng, trừ tầng đầu vào, được tính theo công thức: a (l) = f (l)(WlT al-1 +b(l) ) (31) Trong đó f (l) (.) là một hàm kích hoạt phi tuyến. Nếu hàm kích hoạt tại một tầng là một hàm tuyến tính, tầng này và tầng tiếp theo có thể rút gọn thành một tầng vì hợp của các hàm tuyến tính là một hàm tuyến tính. Hàm kích hoạt thường là một hàm số áp dụng lên từng phần tử của ma trận hoặc vector đầu vào. Dưới đây là một số hàm cơ bản (theo tài liệu số [4]). Sigmoid và tanh: ( a) (b) Hình 3.3 Ví dụ về đồ thị của hàm (a) sigmoid và hàm (b)tanh Hàm sigmoid có dạng: sigmoid(z) = 11 +e-z với đồ thị như trong Hình 3.3a. Nếu đầu vào lớn, hàm số sẽ cho đầu ra gần với một. Với đầu vào nhỏ (rất âm), hàm số sẽ cho đầu ra gần với không. Trước đây, hàm kích hoạt này được sử dụng nhiều vì có đạo hàm rất đẹp. Những năm gần đây, hàm số này ít khi được sử dụng. Một hàm tương tự thường được sử dụng và mang lại hiệu quả tốt hơn là hàm tanh với: tanh(z) = ez-e-z ez +e-z (32) Hàm số này có tính chất đầu ra chạy từ -1 đến 1, khiến cho nó có tính chất tâm không (zero-centered) thay vì chỉ dương như hàm sigmoid. Gần đây, hàm sigmoid chỉ được sử dụng ở tầng đầu ra khi đầu ra là các giá trị nhị phân hoặc biểu diễn các xác suất. Một nhược điểm dễ nhận thấy là khi đầu vào có trị tuyệt đối lớn, đạo hàm của cả sigmoid và tanh rất gần với không. Điều này đồng nghĩa với việc các hệ số tương ứng với nút đang xét sẽ gần như không được cập nhật khi sử dụng công thức cập nhật gradient desent. Thêm nữa, khi khởi tạo các hệ số cho mạng neural network đa tầng với hàm kích hoạt sigmoid, chúng cần tránh trường hợp đầu vào một tầng ẩn nào đó quá lớn, vì khi đó đầu ra của tầng đó rất gần không hoặc một, dẫn đến đạo hàm bằng không và gradient desent hoạt động không hiệu quả (theo tài liệu số [4]). Hàm ReLu: Hình 3.4 Hàm ReLU và tốc độ hội tụ khi so sánh với hàm tanh ReLU (Rectified Linear Unit) gần đây được sử dụng rộng rãi vì tính đơn giản của nó. Đồ thị của hàm ReLU được minh họa trên Hình 3.4. Hàm ReLU có công thức toán học f(z) = max(0,z) – rất đơn giản trong tính toán. Đạo hàm của nó bằng không tại các điểm âm, bằng một tại các điểm dương. ReLU được chứng minh giúp việc huấn luyện các mạng neural networrk đa tầng nhanh hơn rất nhiều so với hàm tanh. Hình 3.4 so sánh sự hội tụ của hàm mất mát khi sử dụng hai hàm kích ReLU hoặc tanh. Ta thấy rằng với các mạng sử dụng hàm kích hoạt ReLU, hàm mất mát giảm rất nhanh sau một vài epoch đầu tiên. Ngoài ra, các biến thể của ReLU như leaky rectified linear unit (Leaky ReLU), parametric rectified linear unit (PReLU) và randomized leaky rectified linear units (RReLU) cũng được sử dụng và cho kết quả tốt (theo tài liệu số [4]). Thuật toán Levenberg – Marquardt Một trong những vấn đề quan trọng nhất trong việc phát triển mạng neural network là việc huấn luyện mạng. Việc huấn luyện một mạng neural network về cơ bản có nghĩa là tìm một tập hợp các tham số mạng nhằm tối ưu hóa hàm chi phí (cost function) để mạng có hiệu suất tốt nhất. Hầu hết các thuật toán được sử dụng trong huấn luyện mạng neural network đều sử dụng một số hình thức giảm độ dốc (gradient descent). Điều này được thực hiện bằng cách lấy đạo hàm của hàm chi phí (cost function) theo các tham số mạng và sau đó thay đổi các tham số đó để có thể giảm được độ dốc của hàm chi phí (cost function). Thuật toán Levenberg-Marquardt được biết đến là một thuật toán nổi tiếng về huấn luyện mạng bằng cách tính đạo hàm cấp hai của hàm chi phí để quá trính huấn luyện mạng có hàm chi phí (cost function) có giá trị nhỏ nhất. Điều đó đã làm cho thuật toán Levenberg – Marquardt trở thành một phương pháp tiêu chuẩn để giải quyết các vấn đề liên quan đến các bài toán tối ưu phi tuyến tính dựa trên kỹ thuật bình phương nhỏ nhất (least-squares), được áp dụng rộng rãi trong các lĩnh vực khác nhau. Ở đây, thuật toán Levenberg-Marquardt được chọn để được sử dụng làm thuật toán huấn luyện mạng vì nó là một trong những phương pháp huấn luyện nhanh nhất và ổn định nhất cho quá trình huấn luyện mạng. Thuật toán được trình bày chi tiết như sau: Gọi vectơ đầu vào là x và vectơ đầu ra mục tiêu là t và giả sử rằng mạng neural network tạo ra một vectơ đầu ra thực tế là y. Hàm đánh giá mục tiêu sẽ được sử dụng huấn luyện mạng neural network được định nghĩa là E(w) = (y – t)2 . Hàm có thể được biểu diễn như sau: Ew=12n=1N{y(xn,w)- tn}2 =n=1Ne2w=eTwe(w) (33) Trong đó N là số điểm dữ liệu của tập huấn luyện. Mục đích của thuật toán Levenberg – Marquardt là tính toán vectơ trọng số w của mạng để E(w) là giá trị nhỏ nhất. Để làm điều này, vectơ trọng số wk+1 sẽ được cập nhật dựa trên vecto trong số trước đó wk bằng chuỗi Taylor bận hai như sau: Ewk+1=Ewk+∆wk≈Ewk+∂Ewk∂w∆wk+12∆wkT∂2E(wk)∂w2∆wk (34) Hàm lỗi này có thể được tối thiểu hóa bằng cách lấy đạo hàm của hàm đối với ∆wk và đặt nó bằng 0, ta được : wk+1=wk+Ak-1gk (35) Trong đó: gk= ∇E(w)|w=wk và Ak= ∇2E(w)|w=wk Cả đạo hàm bậc nhất và đạo hàm bậc hai của hàm lỗi sẽ được tính bằng việc ứng dụng của quy tắc chuỗi và quy tắc nhân. Đầu tiên, đạo hàm bậc nhất được tính là: ∇Ew= ∂E(w)∂w=2i=1Ne(w)∂e(w)∂w (36) Ở dạng ma trận: ∇Ew=2JTwe(w) (37) Trong đó J(w) là ma trận Jacobian được biểu diễn dưới dạng: Jw=∂e1(w)∂e1∂e1(w)∂e2∂e1(w)∂eN⋮⋮⋮∂eN(w)∂e1∂eN(w)∂e2∂eN(w)∂eN (38) Đạo hàm bậc hai của hàm lỗi tạo thành ma trận Hessian có phần từ J sẽ là : [∇2Ew]k,j= ∂2E(w)∂wk∂wj=2i=1N∂e(w)∂wk∂e(w)∂wj+e(w)∂2ew∂wk∂wj (39) Ở dạng ma trận: A=∇2Fw=2JTwJw+2Sw (310) Trong đó Sw=i=1Nei(w)∇2ei(w) Giả sử các lỗi trong tập huấn luyện là khá độc lập và được phân phối giống nhau xung quanh giá trị trung bình bằng 0, do đó, thành phần S(w) có thể bỏ qua và ma trận Hessian có thể biểu diễn là: ∇2Fx≈2JTwJ(w) (311) Thay phương trình 3-11 và phương trình 3-10 vào phương trình 3-5 ta được: wk+1=wk-JTwkJwk-1JT(wk)e(wk) (312) Phương pháp cập nhật này được gọi là Gauss – Newton. Lợi thế của nó so với phương pháp tiêu chuẩn là nó không yêu cầu tính toán đạo hàm bậc 2. Tuy nhiên, ma trận Hessian A= JTJ có thể không đảo ngược. Để khắc phục điều này, một ma trận gần đúng Hessian gần đúng được tính bằng: G=A+μI (313) Trong đó I là ma trận đơn vị và μ là hệ số tỷ lệ sẽ được cập nhật trong quá trình đạo tạo. Bằng cách tăng μ cho đến một giá trị đủ lớn, ma trận G chắc chắn là khả nghịch và điều này dẫn đến thuật toán Levenberg – Marquardt: wk+1=wk- JTwkJwk+μkI-1JTwkewk (314) Hoặc wk+1=- JTwkJwk+μkI-1JTwkewk (315) Tóm lại, với mục đích huấn luyện mạng neural network, thuật toán Levenberg – Marquardt nhằm mục địch giảm thiểu hàm E(w) được trình bày như sau : Tính toán E(w) Khởi tạo μk với giá trị nhỏ Giải wk+1 để tính E(wk+1) Nếu E(wk+1)≥E(wk) thì tăng μktheo hệ số γ(e.g γ=10) và quay lại bước 3 Nếu E(wk+1)<E(wk) thì giảm μk theo hệ số γ và quay lại bước 3 Kỹ thuật xác nhận chéo để huấn luyện cho mạng neural network Tính tổng quát là một trong những yếu tố quan trọng nhất khi đánh giá hoạt động của mạng neural network. Xét về hiệu suất phân loại, tính tổng quát của mạng có nghĩa là sau được huấn luyện, mạng có thể phân loại dữ liệu từ một tập dữ liệu mà mạng chưa từng thấy trước đây. Lý tưởng nhất là mạng được huấn luyện cho đến khi đạt được mục tiêu mong muốn về hàm chi phí (cost function) đạt được. Tuy nhiên, quá trình này có thể dẫn đến một sai sót nổi bật là việc huấn luyện mạng quá mức (thời gian huấn luyện quá dài, hàm chi phí huấn luyện buộc phải là giá trị rất nhỏ). Trong trường hợp này, hiệu suất của mạng neural network trên dữ liệu huấn luyện vẫn liên tục được cải thiện trong khi hiệu suất trên các tập dữ liệu khác trở nên kém hơn, dẫn đến việc tính tổng quát của mạng là kém (như trong Hình 3.5). Để hạn chế sự huấn luyện quá mức của mạng và nâng cao tính tính tổng quát của mạng, trong đồ án này, kỹ thuật xác nhận chéo được áp dụng. Để làm điều này, dữ liệu có sẵn được chia thành ba tập con riêng biệt: tập huấn luyện, tập xác nhận và tập thử nghiệm. Tập huấn luyện được sử dụng để huấn luyện mạng bằng cách cập nhật dữ liệu của mạng và độ dốc ​​thông qua việc giảm thiểu hàm chi phí (hàm lỗi). Trong quá trình huấn luyện, chức năng hàm lỗi trên tập xác nhận cũng được tính toán song song cùng với tập huấn luyện. Lỗi trên tập xác thực bình thường giảm trong giai đoạn đầu của quá trình huấn luyện, cũng như lỗi trên tập huấn luyện. Tuy nhiên, khi mạng bắt đầu trạng thái huấn luyện quá mức, lỗi trên tập xác thực thường bắt đầu tăng trong khi lỗi huấn luyện vẫn giảm (Hình 3.5). Khi mà lỗi trên tập xác thực tăng lên đối với một số lần lặp lại cụ thể, quá trình huấn luyện bị dừng, trọng số và độ lệch ở mức tối thiểu của lỗi xác thực được trả về là giá trị cuối cùng thông số mạng. Tập hợp thử nghiệm được tách biệt với hai tập hợp con khác và chỉ được sử dụng để kiểm tra hiệu suất của mạng cuối cùng như một tập dữ liệu hoàn toàn không bị ảnh hưởng của quá trình huấn luyện. Hình 3.5 Mạng neural network quá đào tạo SỬ DỤNG MẠNG NEURAL NETWORK KẾT HỢP VỚI PHƯƠNG PHÁP PHÂN TÍCH KHÍ HÒA TAN ĐỂ CHẨN ĐOÁN LỖI CHO MÁY BIẾN ÁP ĐIỆN LỰC Xây dựng mô hình thuật toán Hình 4.1 Mô hình mạng Neural Network Theo như lý thuyết đã được trình bày ở chương 3, nhằm mục đích phát hiện lỗi cho máy biến áp điện lực, mạng neural network sẽ bao gồm 3 lớp. Cấu trúc mạng sẽ được thiết kế như sau: Lớp đầu vào chứa 5 nút đầu vào tương ứng với 5 loại chất khí được xét (H2, CH4, C2H2, C2H4, C2H6) Lớp ẩn bao gồm N nút ẩn. Ứng với 5 nút đầu vào và 5 nút đầu ra thì thay đổi N từ 5-30. Trong quá trình thay đổi thì N = 20 nút ẩn thì kết quả đạt hiệu suất cao nhất. Vậy nên ta sẽ chọn N = 20 để thiết lập thông số cho mạng Lớp đầu ra bao gồm 5 nút. Cho biết trạng thái đầu ra mỗi nút tương ứng với một lỗi đầu ra của máy biến áp. Bao gồm: Nút 1: Phóng điện cục bộ (PD) Nút 2: Phóng điện năng lượng thấp (D1) Nút 3: Phóng điện năng lượng cao (D2) Nút 4: Lỗi nhiệt <700oC (T1 và T2) Nút 5: Lỗi nhiệt >700oC (T3)). Xây dựng mạng neural network Dựa trên những dữ liệu cơ bản trên, dưới đây là các bước để thiết lập cũng như tạo một mạng neural network hoàn chỉnh nhằm mục đích phát hiện lỗi cho MBA điện lực: Cấu hình của mạng: Đầu vào (input): Gồm 5 nút tương ứng với thông số của 5 chất khí (H2, C2H4, CH4, C2H2, C2H6) Lớp ẩn (hidden): Mạng gồm 1 lớp ẩn, mỗi lớp bao gồm 20 nút. Đầu ra (output): Bài toán phân loại với 5 lỗi thường gặp nên sẽ tương ứng 5 nút đầu ra. Lựa chọn hàm kích hoạt Tansig là hàm truyền sigmoid tiếp tuyến hypebol của lớp ẩn. tansiga=ea-e-aea+e-a Thiết lập mạng neural network sử dụng toolbox matlab Hình 4.2 Thông số đầu vào của mạng Neural Network Lựa chọn tham số để huấn luyện Số lượng Epoch: 1000 Số lượng Batch: 100 Hình 4.3 Tham số của mạng Neural Network Mô hình mạng neural network thu được: Hình 4.4 Mạng neural network thu được Kết quả huấn luyện thu được: Hình 4.5 Kết quả sau khi đào tạo Hình 4.6 Đồ thị đầu ra sau huấn luyện Hiệu suất phân loại Sau khi được huấn luyện bởi thuật toán Levenberg – Marquardt và kỹ thuật xác thực chéo, cấu trúc và thông số cuối cùng của mạng neural network phát triển được xác định. Hiệu suất phân loại của mạng sẽ được tính bằng cách đánh giá hai thông số: Sensitivity và Specificity của mạng neural network trên mỗi tập dữ liệu. Sensitivity= TPTP+FN (41) Specificity= TNTN+FP (42) Trong đó: TP (True Positive): là số điểm dữ liệu có lỗi được phân loại chính xác là có lỗi. TN (True Negative): là số điểm dữ liệu có trạng thái bình thường được phân loại chính xác là trạng thái bình thường. FP (False Positive): là số điểm dữ liệu có lỗi được phân loại chính xác là không có lỗi. FN (False Negative): là số điểm dữ liệu có trạng thái bình thường được phân loại chính xác là có lỗi. Kết quả thu được Để huấn luyện mạng neural network bằng cách sử dụng thuật toán Levenberg – Marquardt, tập dữ liệu tổng thể được tách thành tập huấn luyện và tập thử nghiệm. Tập huấn luyện được sử dụng để phát triển các tham số của mạng, trong khi tập thử nghiệm được sử dụng để xác minh hiệu suất của mạng neural network đã được huấn luyện. Số điểm dữ liệu của mỗi tập được trình bày trong bảng 4.1 và bảng 4.2. Trong đó tập huấn luyện bao gồm 465 điểm dữ liệu và tập thử nghiệm có 135 điểm dữ liệu. Sau khi huấn luyện mạng theo thuật toán Lenvenberg – Marquardt thì thu được kết quả như sau: Hiệu suất phân loại của tập huấn luyện: Bảng 4.1 Kết quả phân loại của tập huấn luyện TP TN FP FN Tổng Sensitivity Specificity 67 364 24 10 465 0.870 0.938 Sensitivity= TPTP+FN= 6767+10=0.870 Specificity= TNTN+FP= 364364+24=0.938 Hiệu suất phân loại của tập thử nghiệm: Bảng 4.2 Kết quả phân loại của tập thử nghiệm TP TN FP FN Tổng Sensitivity Specificity 19 106 8 2 135 0.905 0.929 Sensitivity= TPTP+FN= 1919+2=0.905 Specificity= TNTN+FP= 106106+8=0.929 Với kết quả phân loại của tập thử nghiệm như trên, Sensitivity = 0.905 và Specificity = 0.929, ta thấy rằng kết quả của việc chấn đoán lỗi MBA sử dụng mạng neural đạt được độ chính xác cao, đủ khả năng phát hiện được lỗi tiềm ẩn cho MBA. Kết luận chương Qua chương này ta có thể nắm được những vấn đề sau: Nắm được các bước để có thể xây dựng được một mạng neural network hoàn chỉnh khi sử dụng toolbox Matlab Biết thêm về các thông số cần hiệu chỉnh cho mạng Kết quả thu được với tập huấn luyện là Sensitivity = 0.870 và Specificity = 0.929 và với tập thử nghiệm là Sensitivity = 0.905 và Specificity = 0.929 điều này cho thấy độ chính xác khi sử dụng mạng neural network là phù hợp cho việc chẩn đoán lỗi máy biến áp KẾT LUẬN Qua quá trình nghiên cứu, được sử hướng dẫn nhiệt tình của TS. Nguyễn Bích Liên, đồ án tốt nghiệp đã làm rõ được một số vấn đề sau: Tổng quan lỗi của MBA điện lực Một số phương pháp chẩn đoán lỗi cho MBA Giới thiệu về phương pháp phân tích khí hòa tan DGA Giới thiệu về mạng neural network nhân tạo Xây dựng một mạng neural network sử dụng toolbox Matlab để ứng dụng vào việc chẩn đoán lỗi cho máy biến áp Đồ án cũng đạt được kết quả rất tốt qua việc từ mạng đã xây dựng tính được hiệu suất phân loại với tập huấn luyện là Sensitivity = 0.870 và Specificity = 0.929 và với tập thử nghiệm là Sensitivity = 0.905 và Specificity = 0.929. Điều này cho thấy được tính chính xác của phương án này là rất cao và hoàn toàn có thể áp dụng trong thực tế. Một trong những hạn chế của đồ án cũng như phương pháp này là sự thiếu hụt dữ liệu và còn phụ thuộc nhiều vào kinh nghiệm của người tiến hành kiểm tra lỗi. Và với kết quả như trên thì các thuật toán nâng cao hơn sẽ được nghiên cứu trong tương lai để cải thiện được hiệu suất tốt hơn nữa. TÀI LIỆU THAM KHẢO [1] Trần Bách, Lưới điện và hệ thống điện, Nhà xuất bản Khoa học Kỹ thuật, 2004. [2] Microsoft, "Add citations in a Word document," 2017. [3] N. A. Bakar, "A Review of Dissolved Gas Analysis Measurement and Interpretation Techniques," Feature Article, 2014. [4] V.H.Tiệp, Machine Learning cơ bản, 2016.