1 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸTHUẬT CÔNG NGHIỆP LUẬN VĂN THẠC SĨ KỸ THUẬT ỨNG DỤNG MẠNG NƠ RON CHẨN ĐOÁN SỰ CỐ TRONG MÁY BIẾN ÁP LỰC Ngành : TỰ ĐỘNG HOÁ Mã số:23.04.3898 Học viên: BÙI ĐỨC CƯỜNG Người HD Khoa học : PGS.TS NGUYỄN HỮU CÔNG THÁI NGUYÊN - 2010 Học viên: Bùi Đức Cường 2 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của tôi dưới sự hướng dẫn khoa học của PGS TS Nguyễn Hữu Công Các kết quả tính toán, số liệu nêu trong luận văn là trung thực và chưa từng được công bố trong bất kỳ công trình khoa học nào khác Tác giả luận văn Bùi Đức Cường Học viên: Bùi Đức Cường 3 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Mục lục CHƯ NG I TÓM TẮ VỀCÁC PHƯ NG PHÁP TRUYỀ THỐ CHẨ Ơ T Ơ N NG N Đ OÁN SỰCỐMÁY BIẾ ÁP LỰ .12 N C 1.1 Tổng quan về máy biến áp .12 1.2 Các thông số cơ bản của máy biến áp .12 1.3 Thí nghiệm truyền thống MBA .15 1.3.1 Kiểm tra tổng thể bên ngoài .15 1.3.2 Thí nghiệm không tải .15 1.3.3 Đo điện trở cách điện và hệ số hấp thụ cuộn dây MBA 17 1.3.4 Đo điện trở một chiều các cuộn dây 19 1.3.5 Kiểm tra tỷ số biến .21 1.3.6 Kiểm tra tổ nối dây 23 1.3.7 Thí nghiệm dầu cách điện 24 1.4 Kết luận .24 CHƯ NG II: PHƯ NG PHÁP PHÂN TÍCH KHÍ HOÀ TAN TRONG DẦ Đ Ơ Ơ U Ể CHẨ Đ N OÁN SỰCỐTIỀ Ẩ MBA LỰ (DGA) 26 M N C .26 2.1 Tổng quan về chẩn đoán lỗi tiềm ẩn trong MBA lực 26 2.1.1 Tầm quan trọng của việc chẩn đoán lỗi tiềm ẩn trọng MBA lực .26 2.1.2 Phương pháp chẩn đoán lỗi tiềm ẩn 26 2.2 Chẩn đoán lỗi tiềm ẩn MBA trên cơ sở DGA 31 2.2.1 Nghiên cứu các đặc tính sinh khí trong MBA lực 31 2.2.2 Các lỗi tiềm ẩn của MBA 33 2.2.3 Sự nghiên cứu và ứng dụng của các phương pháp tỉ lệ 34 2.2.4 Ứ dụng của phương pháp Rogers, khí chính 37 ng 2.2.5 Các phương pháp chẩn đoán và trải nghiệm công nghiệp khác 38 2.3 Các quy tắc cơ bản trong chẩn đoán lỗi MBA 39 2.3.1 Các giả thiết .39 2.3.2 Nền tảng của các quy tắc – hướng dẫn IEC 40 2.3.3 Sự thể hiện và sửa đổi của các quy tắc hướng dẫn 41 2.3.4 Quy tắc chẩn đoán lỗi đặc biệt (đặc thù) 44 2.4 Kết luận .45 CHƯ NG III: MẠ NƠ Ơ NG RON KẾ HỢ DGA Đ CHẨ Đ T P Ể N OÁN SỰCỐTIỀ M Ẩ MBA LỰ .48 N C .48 3.1 Các phương pháp trí tuệ nhân tạo cơ bản 48 3.2 Giới thiệu về mạng nơron 50 3.2.1 Não, nơron sinh học 51 3.2.2 Mạng nơron sinh học .53 3.2.3 Mạng nơron nhân tạo .55 3.2.4 Luyện mạng nơron 64 3.3 Tính chất kỹ thuật – Cơ chế của chẩn đoán trên cơ sở mạng nơron 76 3.4 Ứ dụng mạng nơron để chẩn đoán lỗi tiềm ẩn MBA lực 77 ng 3.5 Kết luận .80 CHƯ NG IV: KẾ QUẢTHỰ NGHIỆ SỬDỤ MẠ NƠ Ơ T C M NG NG RON TRONG CHUẨ Đ N OÁN LỖ TIỀ Ẩ MBA LỰ 81 I M N C 4.1 Lựa chọn cấu trúc mạng tối ưu 81 4.2 Huấn luyện mạng nơron 81 Học viên: Bùi Đức Cường 4 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công 4.2.1 Ứ dụng Neural Network Toolbox để luyện mạng Neural MLP 3 lớp ng 82 4.2.2 Chương trình lập trình theo thuật toán lan truyền ngược huấn luyện mạng nơron trong chẩn đoán sự cố theo công nghệ DGA 84 4.3 Các kết quả thực nghiệm về cấu trúc mạng 88 4.3.1 Cấu trúc mạng nơron 5–8–3 88 4.3.2 Cấu trúc mạng nơron 5–10–3 89 4.3.3 Cấu trúc mạng nơron 5–15–3 89 4.3.4 Cấu trúc mạng nơron 5–16–3 90 4.3.5 Kết luận 90 4.4 Kết quả chẩn đoán 90 4.4.1 Tập dữ liệu vào-ra .90 4.5 Kết luận .96 KẾ LUẬ VÀ KIẾ NGHỊ .98 T N N DANH MỤ TÀI LIỆ THAM KHẢ .99 C U O TÓM TẮ LUẬ VĂ 100 T N N Học viên: Bùi Đức Cường 5 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Danh mục các ký hiệu, các chữ viết tắt Viết tắt ANNEPS COC DGA DGA AI ANN LVQ NN NR OH OHO CD OHC PD LEDA HEDA H2 CH4 C2H6 C2H4 C2H2 CO2 CO O2 N2 TDCG TCG TDHG L1 Giải thích Tiếng Anh The combined Artificial Nơron Network and ExPert System tool for power transformer incipient fault diagnosis Combined Output Confidence Dissolved Gas-in_oil Analysis Dissolved Gas-in_oil Analysis Artificial Intelligence Artificial Nơron Network Learning Vector Quantization nơron network Nơron Network Normal condition OverHeating OverHeating of Oil Cellulose Degradation OverHeating of Cellulose Partial discharge Low Energy discharge High Energy Discharge Hydrogen Ethane Methane Ethylene Acetylene Carbon dioxide Carbon monoxide Oxygen Nitrogen Total Dissolved Combustible Tiếng Việt Kết hợp mạng nơron nhân tạo và hệ chuyên gia trong chuẩn đoán sự cố máy biến áp MBA kết hợp đầu ra tin cậy Phân tích khí hòa tan trong dầu Phân tích khí hòa tan trong dầu Trí tuệ nhân tạo Nơron nhân tạo luyện mạng nơron Nơron Điều kiện bình thường Quá nhiệt độ Quá nhiệt độ dầu Suy giảm cách điện của cellulose Quá nhiệt của cellulose Phóng điện cục bộ Phóng điện năng lượng thấp Phóng điện năng lượng cao Tổng hợp các lượng khí hòa tan Gases Total Combustible Gases Tổng hợp 1 lượng khí hòa tan Total Dissolved Hydrocarbon Tổng hợp lượng khí Hydrocarbon Gases Critical gas-in-oil levels for lượng khí trong dầu nằm ngoài Học viên: Bùi Đức Cường 6 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công AE DP IFT IR KOH: LTC PD PF abnormal screening Acoustic Emission Degree of Polymerization InterFacial Tension Insulation Resistance KOH: acid number Load Tap Changer Partial Discharge Power Factor IP Polarization Index SFL IFID TA LOC TRN TST WNDG oxidation stability InFormative InDex Test Accuracy Location Training Testing Windings Học viên: Bùi Đức Cường giới hạn quy định tiếng kêu bất thường Mức độ hóa dầu so cuộn dây Cách điện kháng Hàm lượng axít Bộ điều áp dưới tải Phóng điện cục bộ Hệ số công xuất Chỉ số phân cực “trong vật liệu cách điện” Độ ổn định oxi hóa Chỉ số thông tin Kiểm tra cấp chính xác Định vị Huấn luyện Thử nghiệm Cuộn dây 7 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Danh mục bảng biểu Học viên: Bùi Đức Cường 8 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Danh mục hình vẽ, đồ thị Học viên: Bùi Đức Cường 9 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công MỞ ĐẦU Ngày nay, cùng với sự phát triển của các ngành kỹ thuật, nhiều công cụ tính toán thông minh hỗ trợ trong các hệ thống phần mềm chẩn đoán sự cố thiết bị Trong hệ thống lưới điện, máy biến áp (MBA) lực là thiết bị có chức năng thay đổi cấp điện áp phù hợp đối với yêu cầu cung cấp điện cụ thể của phụ tải, là một trong những thiết bị quan trọng trong hệ thống điện, vì vậy độ tin cậy cung cấp điện của nó liên quan trực tiếp đến độ tin cậy của cả hệ thống Trong quá trình vận hành, có nhiều lý do để MBA rơi vào trạng thái làm việc không bình thường hoặc thậm chí là gặp sự cố: như điều kiện thời tiết, mưa bão sấm sét, công suất của phụ tải, tuổi thọ của máy, … Nếu MBA vận hành ở trạng thái không bình thường kéo dài thì tuổi thọ của MBA sẽ giảm và có khả năng xảy ra sự cố làm gián đoạn cung cấp điện Khi này, tuỳ theo tính chất của phụ tải mà thiệt hại so sự cố gây ra là rất lớn Chính vì thế MBA cần được kiểm tra và bảo dưỡng định kỳ bằng các biện pháp khác nhau, ngay cả khi MBA đang vận hành (on-line) hay cắt điện (off-line) Để tăng độ tin cậy cung cấp điện, tăng tuổi thọ cũng như giảm thiểu các thiệt hại về kinh tế do việc cắt MBA gây ra, đã có nhiều biện pháp thử nghiệm khi MBA đang mang điện Trong đó, phương pháp phân tích khí hoà tan (Dissolved Gas Analysis DGA) rất hiệu quả trong việc chẩn đoán các trạng thái hư hỏng tiềm ẩn trong MBA Mặc dù vậy, độ chính xác của phương pháp DGA truyền thống cũng còn phụ thuộc vào kinh nghiệm của các chuyên gia và tiêu tốn thời gian trong quá trình chẩn đoán Việc phối hợp phương pháp DGA với phương pháp chẩn đoán thông minh có thể góp phần giảm thời gian và nâng cao độ chính xác của kết quả chẩn đoán MBA Luận văn này là một nghiên cứu ứng dụng trí tuệ nhân tạo cho việc chẩn đoán các lỗi tiềm ẩn của máy biến áp lực Các kỹ thuật AI bao gồm các mạng nơron nhân tạo (ANN hoặc ngắn gọn là mạng nơron - NN), các hệ chuyên gia, các hệ mờ và phương pháp hồi quy đa biến Việc chẩn đoán lỗi được dựa trên cơ sở phân tích khí hoà tan trong dầu (DGA) Người ta đã chỉ ra rằng các phương pháp chẩn đoán lỗi thông thường như Học viên: Bùi Đức Cường 10 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công các phương pháp tỉ lệ (Rogers, Dornenburg and IEC) và phương pháp khí chính, có sự hạn chế nhất định như bài toán “không có sự quyết định” Rất nhiều kỹ thuật AI khác nhau có thể giải quyết các bài toán trên và cho thấy đó là giải pháp tốt hơn Theo tiêu chuẩn IEC 599 và các thí nghiệm trong thực tiễn, một kết luận mang tính máy móc trên cơ sở kiến thức cơ bản để phát hiện lỗi cho MBA đã được pháp triển Bằng việc sử dụng các dữ liệu thống kê về lỗi của MBA từ một MBA công nghiệp tương ứng, một mô hình mạng nơron MLP đã được đánh giá là lựa chọn tốt nhất trong số các kiến trúc mạng nơron Các phương pháp logic mờ trên cơ sở đánh giá điều kiện cách điện của biến áp dầu/giấy và ước lượng khoảng thời gian lấy mẫu dầu cũng như các đề xuất về bảo dưỡng cũng được đưa ra nghiên cứu và thực hiện một cách đầy đủ Một vài phương pháp định vị lỗi tiềm ẩn trong MBA lực cũng đã được nghiên cứu tỉ mỉ, kết quả cho thấy mạng MLP là sự lựa chọn tốt nhất Nhiều phương pháp on-load tap changer (OLTC) coking diagnosis cũng đã được nghiên cứu tỉ mỉ và một mạng MLP dựa trên một modul mạng vẫn được coi là sự lựa chọn tốt nhất Phân tích hồi quy cũng được xem là một phương pháp tốt trong mạng nơron của quá trình chọn mẫu đầu vào Các kết quả trên có thể giúp phát triển chiến lược bảo dưỡng MBA lực được tốt hơn và đóng vai trò như một nền tảng cơ sở của sự giám sát MBA bằng phương pháp DGA trực tuyến Xuất phát từ các vấn đề trên, học viên lựa chọn đề tài “Ứng dụng mạng nơron chẩn đoán sự cố trong máy biến áp lực” Phần nội dung của bản luận văn được trình bày gồm 4 chương: Chương I: Tóm tắt về các phương pháp truyền thống chẩn đoán sự cố máy biến áp lực Chương II: Phương pháp phân tích khí hoà tan trong dầu để chẩn đoán sự cố máy tiềm ẩn MBA lực Chương III: Mạng nơron kết hợp DGA để chẩn đoán sự cố tiềm ẩn máy biến áp lực Học viên: Bùi Đức Cường 86 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Hình 4 1 Minh hoạ thuật toán lan truyền ngược Sơ đồ biểu diễn tương đương như sau: Hình 4 2 Sơ đồ biểu diễn tương đương Học viên: Bùi Đức Cường 87 Hướng dẫn khoa học: PGS TS Nguyễn Hữu Công Chương trình lập trình: % % The program simulate train nơron to diagnose Power tranformer incipient faults % function y = PPTlaptrinh(p,t) L=3;%so lop g=inline('1./(1+exp(-x))');%Activation function unl=[5 16 3];%The units of each layers lt=0.3;% learning rate J=1; sum=0; sum1=0; %Initital the Weights and biases for i=1:L-1 for n=1:unl(i) for m=1:unl(i+1) w{i}(m,n)=1*rand;%The Weights end end for m=1:unl(i+1) b{i}(m,1)=1*rand;% The biases end end w{L}=eye(unl(L)); while (J>0.00001)& sum