Xây dựng mô hình mô phỏng cáp ngầm cao thế

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN THỊ TUYẾT NHUNG NGHIÊN CỨU PHƯƠNG PHÁP XÁC ÐỊNH SỰ CỐ TIỀM ẨN TRONG MÁY BIẾN ÁP PHÂN PHỐI NGÀNH: KỸ THUẬT ÐIỆN – 60520202 S KC 0 8 Tp Hồ Chí Minh, tháng 4/2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SỸ NGUYỄN THỊ TUYẾT NHUNG NGHIÊN CỨU PHƯƠNG PHÁP XÁC ĐỊNH SỰ CỐ TIỀM ẨN TRONG MÁY BIẾN ÁP PHÂN PHỐI NGÀNH: KỸ THUẬT ĐIỆN – 60520202 Hướng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH Tp Hồ Chí Minh, tháng 04 / 2016 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Chương TỔNG QUAN 1.1 Tổng quan hướng nghiên cứu Máy biến áp dầu thiết bị quan trọng sử dụng tất hệ thống truyền tải phân phối điện Các cố hư hỏng máy biến áp dầu có tác động trực tiếp đến độ ổn định hệ thống điện, đặc biệt cố điện nhiệt Các cố không sửa chữa kịp thời gây hư hỏng, cuối dẫn đến cố máy biến áp phá hủy toàn hệ thống điện Các trạng thái cố phóng hồ quang điện, phát tia lửa điện, phóng điện cục nhiệt máy biến áp dẫn đến phân hủy hóa học vật liệu cách điện [1], giấy cách điện máy biến áp tăng cường nồng độ khoảng cách chất điện môi cho cuộn dây máy biến áp Sự già hóa giấy cách điện phụ thuộc vào nhiệt độ hoạt động, độ ẩm, độ ơxy hóa, nồng độ axit dầu loại giấy sử dụng Dầu cách điện máy biến áp có nhiệm vụ làm mát cho máy biến áp Dầu máy biến áp bị phân hủy sốc điện nhiệt Một sớ chất khí xuất q trình cố máy biến áp xảy ra, là: H2, O2, N2, CO, CO2, CH4, C2H6, C2H4, C2H2, C3H6 C3H8 [2] Các khí hòa tan phần tồn dầu cách điện Vì thế, kết phân tích khí hòa tan dầu cung cấp thơng tin cần thiết việc bảo trì sửa chữa máy biến áp Tuy nhiên, khoảng thời gian trước cố xảy có thay đổi vật lý dầu cách điện của máy biến áp Những thay đổi phân tích, để đưa tín hiệu cảnh báo sớm loại cố máy biến áp, đồng thời đưa biện pháp xử lý xác Có nhiều cơng trình nghiên cứu chẩn đoán cố máy biến áp dựa sở phân tích khí phát sinh dầu cách điện như: phương pháp hệ logic mờ [3], [4], [5], [6], phương pháp mạng nơron hay phương pháp mạng thần kinh nhân tạo trí tuệ nhân tạo [7], [8], [9], [10], [11], phương pháp hệ chuyên gia kết hợp với hệ HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh chuyên gia [12], [13], [14], [15] Nhưng phương pháp đòi hỏi phải có thời gian phân tích liệu, thời gian huấn luyện mạng dừng lại việc phát cố mà chưa xác định xác nguyên nhân gây cố chưa đưa biện pháp giảm thiểu cố 1.2 Tính cấp thiết, ý nghĩa khoa học tính thực tiễn 1.2.1 Tính cấp thiết Việc sử dụng mạng Neural phân tích nồng độ khí hòa tan dầu (DGA) để chẩn đoán cố tiềm ẩn máy biến áp, dẫn đến giảm bớt nguy ngừng cấp điện hư hỏng MBA giảm chi phí bảo dưỡng, sửa chữa MBA Hơn nữa, hiệu suất phòng ngừa cố MBA dẫn đến cắt điện cải thiện rõ rệt với việc sử dụng hệ thống giám sát trực tuyến (SCADA) để liên tục kiểm tra trạng thái máy biến áp đề xuất kịp thời biện pháp khắc phục 1.2.2 Ý nghĩa khoa học Đề xuất mạng Neural chẩn đoán cố tiềm ẩn MBA phương pháp phân tích nồng độ khí 1.2.3 Tính thực tiễn Kết nghiên cứu luận văn sử dụng làm tài liệu tham khảo cho công ty điện lực, học viên cao học ngành kỹ thuật điện quan tâm đến việc xây dựng hệ thống chẩn đoán cố tiềm ẩn MBA phương pháp phân tích nồng độ khí 1.3 Mục đích đối tượng nghiên cứu 1.3.1 Mục đích nghiên cứu Mục đích nghiên cứu đề tài bao gồm: - Các dạng cố tiềm ẩn MBA - Các loại khí nồng độ khí phát sinh xuất cố tiềm ẩn MBA HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ - GVHD: PGS.TS Quyền Huy Ánh Phương pháp chẩn đoán cố tiềm ẩn MBA phương pháp phân tích nồng độ khí dầu MBA - Tổng quan mạng Neural, lựa chọn cấu hình, giải thuật huấn luyện, số Neural lớp ẩn - Neural toolbox phần mềm Matlab - Ứng dụng mạng Neural chẩn đoán cố tiềm ẩn MBA 1.3.2 Đối tượng nghiên cứu Đối tượng nghiên cứu đề tài chẩn đoán cố tiềm ẩn MBA phương pháp phân tích nồng độ khí dầu MBA Nhiệm vụ giới hạn đề tài 1.4 1.4.1 Nhiệm vụ đề tài - Xây dựng mạng Neural chẩn đoán cố tiềm ẩn MBA phương pháp phân tích nồng độ khí dầu MBA 1.4.2 Giới hạn đề tài - Nghiên cứu phương pháp phân tích nồng độ khí dầu MBA để đánh giá cố tiềm ẩn cố MBA 1.4 Phương pháp nghiên cứu - Phương pháp phân tích nồng độ khí - Mạng Neural nhận dạng cố tiềm ẩn MBA 1.5 Kế hoạch thực Kế hoạch thực bao gồm chương: - Chương 1: Tồng quan - Chương 2: Cơ sở lý thuyết - Chương 3: Mạng Neural HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh - Chương 4: Nhận dạng cố tiềm ẩn MBA mạng Neural - Chương 5: Kết luận hướng nghiên cứu phát triển HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Chương CƠ SỞ LÝ THUYẾT 2.1 Giấy cách điện dầu máy biến áp Giấy cách điện máy biến áp có nhiệm vụ cố định dây quấn cách điện cuộn dây Nó có nhiệm vụ tăng cường chất điện môi Tuổi thọ giấy cách điện phụ thuộc vào nhiệt độ hoạt động, độ ẩm, mức oxy hóa, tính axít dầu cách điện loại giấy cách điện, có ba loại phân hủy giấy cách điện [16] Thứ phân hủy nhiệt, phá hủy mối liên kết vòng phân tử glucosidic Thứ hai phân hủy thủy phân xenlulo, bao gồm phân hủy phân tử glucosidic nước axít Cuối phân hủy oxy hóa, xảy oxy hóa phân tử hydrocarbon để tạo thành phân tử carbonyl làm giảm liên kết phân tử glucosidic Tuy nhiên, sản phẩm cuối trình phân hủy giấy cách điện carbon dioxide (CO2), carbon monoxide (CO), nước, axít hữu glucose Dầu máy biến áp thu nhờ chưng cất tinh lọc dầu mỏ, giúp làm mát máy biến áp trình vận hành Đồng thời có nhiệm vụ liên kết với giấy để cách điện cho dây quấn vật liệu rắn khác Trong chế độ làm việc dài hạn, nhiệt độ dầu tăng cao làm cho dầu bị oxy hóa kết tủa Sự già hóa dầu cách điện tăng nhanh độ ẩm dầu tăng Bên cạnh đó, nhiệt độ phóng điện làm giảm chất lượng dầu Khi bị phân hủy, dầu biến áp xuất nguyên tử hydro ion hydrocarbon Các nguyên tử ion kết hợp với tạo thành khí methane (CH4), ethane (C2H6), ethylen (C2H4), acetylen (C2H2) hydro (H2) Các khí biểu thị cho trạng thái cố khác máy biến áp Chẳng hạn xuất lượng lớn khí acetylen (C 2H2) tương ứng với trạng thái có phóng điện hồ quang nhiệt độ cao 700 0C, với mức cao khí hydro (H2) biểu thị cho phóng điện cục máy biến áp Do đó, phân tích nồng độ khí phát sinh máy biến áp phát sớm HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh nhanh chóng cố máy biến áp để xử lý kịp thời tránh hư hỏng nặng ảnh hưởng đến toàn hệ thống [17] 2.2 Sự cố máy biến áp khí phát sinh Trong q trình hoạt động máy biến áp ln chịu đựng hai tác động nhiệt điện Vì thế, có hai cách phân loại cố chủ yếu máy biến áp Tuy nhiên, có hai cố phân loại năm cố khác nhau, cố nhiệt cố điện Năm loại cố phần lớn giống nhau, độ bền điện nhiệt khác Hồ quang điện nguy hiểm ba loại cố điện, việc phát sinh tượng tia lửa điện sau phóng điện cục tượng vầng quang Các cố điện xuất tiếp xúc cuộn dây máy biến áp Tiếp theo, cố nhiệt phân loại nhiệt cục nhiệt nghiêm trọng, hai biểu giới hạn độ lớn khác nhiệt máy biến áp Dầu máy biến áp bị phân hủy điện nhiệt tạo thành khí Sự hình thành khí ngun nhân chủ yếu ion hóa phá vỡ cấu trúc phân tử dầu mỏ Cơ phá vỡ mối liên kết carbon - hydrogen carbon - carbon, nguyên tử hydrogen tự ion hydrocarbon tạo Nguyên tử tự kết hợp với ion khác để tạo khí, phân tử hydrogen (H2), methane (CH4) ethane (C2H6) Nguyên tử tự kết hợp lại để tạo thành phân tử cô đặc Hơn phân hủy trình xếp lại để tạo thành sản phẩm khí ethylene (C2H4) acetylene (C2H2) Quá trình phụ thuộc vào có mặt hydrocarbon riêng lẻ, phân bố lượng nhiệt độ chu trình cố, thời gian mà dầu máy biến áp bị tác động điện nhiệt Mô hình nhiệt động học cho phép tính tốn áp suất cục sản phẩm khí hàm quan hệ nhiệt độ, sử dụng số cân biết cho phản ứng phân hủy thích hợp Ví dụ, lượng hydrogen (H2) methane (CH4) hình thành có quan hệ với nhiệt độ khoảng 1500C, 250°C, ethane (C2H6) phát sinh, HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh nhiệt độ khoảng 350°C, tạo ethylene (C2H4) Acetylene (C2H2) xuất 500°C 700°C Tuy nhiên, khám phá gần đưa đến kết luận cố nhiệt (hot spot) 500°C tạo số lượng CH4, với số lượng lớn acetylene tạo nhiệt độ 700°C hồ quang điện Chú ý nhiệt độ 200°C 300°C, lượng methane sinh lớn hydrogen Bắt đầu khoảng 275°C nhiệt độ lớn hơn, lượng khí ethane vượt lượng khí methane Tại nhiệt độ khoảng 450°C, lượng khí hydrogen sinh vượt khí khác khoảng 750°C tới 800°C, sau lượng lớn acetylene tạo Cần ý lượng nhỏ khí H2, CH4, CO phát sinh già hóa bình thường Nhiệt độ làm phân hủy giấy cách điện, phát sinh khí CO, CO2, H2, CH4, O2 Sự phân hủy giấy cách điện bắt đầu khoảng 100°C nhỏ Vì thế, nhiệt độ hoạt động máy biến áp bắt buộc không lớn 90°C Tuy nhiên, acetylene (C2H2) phát sinh nhiệt độ đạt gần 10000C, hình thành khí methane (CH4), ethylene (C2H4) ethane (C2H6) phụ thuộc vào nhiệt độ [7] Sự phân hủy dầu cách điện nhiệt độ 1500C tới 5000C có phát sinh khí có trọng lượng phân tử thấp, hydrogen (H2) methane (CH4) Đồng thời kéo theo việc hình thành khí trọng lượng phân tử cao ethylene (C2H4) ethane (C2H6) Hydrogen (H2) phát sinh nhiệt độ thấp (quá nhiệt cục bộ) Tuy nhiên, kèm theo số lượng quan trọng phân tử khí trọng lượng cao, từ ethane đến ethylene Tại nhiệt độ vượt giới hạn (quá nhiệt nghiêm trọng), số lượng hydrogen ethylene gia tăng kéo theo acetylene phát sinh Khi phóng điện cường độ thấp, hydrogen, methane số lượng nhỏ acetylene phát sinh Còn phóng điện với cường độ mạnh dẫn tới hồ quang điện tiếp tục phóng điện, nhiệt độ từ 7000C đến 18000C làm phát sinh khí acetylene (C2H2) (Hình 2.1) HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Loại khí H2 CH4 C2H6 C2H4 C2H2 250 500 750 1000 1250 1500 1750 2000 C Hình 2.1: Lượng khí phát sinh theo nhiệt độ phân hủy dầu cách điện Tuy nhiên, máy biến áp có cấu tạo phức tạp, nên có nhiều nguyên nhân gây cố Do đó, nghiên cứu nguyên nhân gây cố máy biến áp cần ý đến nguyên nhân sau:  Các khí chủ yếu tạo H2 CO với CH4 hoạt động bình thường già hóa cách điện;  Máy biến áp hoạt động tải kéo dài tạo khí dễ cháy;  Các vấn đề hệ thống làm mát nguyên nhân gây nhiệt;  Ống dẫn dầu bị tắc nghẽn bên máy biến áp gây nhiệt cục bộ, phát sinh khí;  Một van điều khiển dầu hư hỏng không vă ̣c chă ̣t gây điều khiển sai chức làm mát dầu;  Các vấn đề bơm tuần hồn dầu gây vấn đề làm mát máy biến áp;  Mức dầu thấp, điều làm cho máy biến áp nóng làm việc không hiệu quả; HV: Nguyễn Thị Tuyết Nhung Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Lenvenberg-Marquardt đề xuất việc đánh giá cố tiềm ẩn máy biến áp phương pháp đánh giá nồng độ khí dầu Bảng 4.3: Độ xác nhận dạng ứng với giải thuật huấn luyện khác Số neural 12 18 16 Độ xác nhận dạng với mẫu huấn luyện 100 % 99,5 % 99,75 % 99,75 % Độ xác nhận dạng với mẫu kiểm tra 99,14 % 98,71 % 99,14 % 98,86 % Sai số huấn luyện Số lần huấn luyện mạng Thuật toán 10-2 6,4610-11 10-2 10-2 74 89 114 Trainlm Trainbr Trainscg Trainrp 4.5 Xây dựng giao diện chương trình Để thuận tiện cho người sử dụng, xây dựng giao diện chương trình chẩn đốn cố tiềm ẩn máy biến áp theo phương pháp chẩn đoán nồng độ khí, sử dụng cơng cụ GUI Matlab Trong giao diện chương trình này:  Dữ liệu đầu vào nồng độ chất khí Hydrogen, Methane, Ethane, Ethylene, Acetylene, Carbon Monoxide Carbon Dioxide  Dữ liệu đầu kết chẩn đoán cố tiềm ẩn máy biến áp  Các nút thao tác nút Diagnosis (chẩn đốn) nút Exit (Thốt) Hình 4.19 trình bày giao diện chương trình chẩn đốn cố tiềm ẩn máy biến áp theo phương pháp chẩn đoán nồng độ khí HV: Nguyễn Thị Tuyết Nhung 58 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Hình 4.19 Giao diện chương trình chẩn đốn cố tiềm ẩn máy biếp áp phương pháp phân tích nòng độ khí HV: Nguyễn Thị Tuyết Nhung 59 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh CHƯƠNG KẾT LUẬN 5.1 Kết luận: Luận văn xây dựng thành công mạng neural chẩn đoán cố máy biến áp trân sở áp dụng phân tích nồng độ khí dầu hoàn thành mục tiêu đặt ban đầu luận văn Từ nội dung nghiên cứu kết đạt rút kết luận sau:  Nhằm rút ngắn thời gian huấn luyện, giải thuật K_mean đề xuất sử dụng Kết cho thấy từ số lượng mẫu ban đầu 700 mẫu rút xuống 400 mẫu, tức giảm 43% số lượng mẫu ban đầu mà độ xác nhận dạng cố tiềm ẩn máy biến áp đạt yêu cầu  Cấu hình mạng neural lựa chọn gồm lớp: lớp đầu vào gồm biến (tương ứng với dạng nồng độ khí dầu máy biến áp), lớp ẩn bao gồm 12 neural, lớp ngõ bao gồm biến tương ứng với trạng thái cố tiềm ẩn máy biến áp Giải thuật huấn luyện lựa chọn sở khảo sát độ xác nhận dạng giải thuật nhận dạng phổ biến mạng neural: Lenvenberg-Marquardt, Bayesian, Scaled Conjugate Gradient, Resillient backpropagation.Kết phân tích cho thấy giải thuật Lenvenberg-Marquardt có độ xác nhận dạng cao thời gian huấn luyện nhanh Với giải thuật này, độ xác nhận dạng đối với: mẫu huấn luyện 100 %, mẫu kiểm tra 99,29 % Sai số huấn luyện 10-2 Để tìm số neural ẩn, thực nghiệm thử sai ứng với số neural tăng từ 2, 4…., 6, 20 số neural ẩn kết số neural ẩn 12 Phần mềm chẩn đoán cố máy biến áp dựa phân tích nồng độ khí dầu sở áp dụng mạng neural có giao diện thân thiện, giúp cho người sử dụng nhanh chóng xác định dạng cố tiềm ẩn máy biến áp nhập liệu loại nồng độ khí HV: Nguyễn Thị Tuyết Nhung 60 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 5.2 Hướng nghiên cứu phát triển Trong thời gian tới, có điều kiện luận văn tiếp tục nghiên cứu để hồn thiện theo vấn đề cần nghiên cứu bổ sung sau: - Khảo sát thêm dạng cố tiềm ẩn khác máy biến áp dạng cố tiềm ẩn thông dụng nêu - Xây dựng mạng neural tự học, tự cập nhận liệu sau nhận dạng cố nhằm tổng quát hóa mẫu huấn luyện HV: Nguyễn Thị Tuyết Nhung 61 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh TÀI LIỆU THAM KHẢO [1] Shih Hua, “Diagnostics of Transformer Condition by Polarization Current and Oil Conductivity Measurement”, Undergraguate Thesis, School of Information Technology and Electrical Engineering, The University of Queensland, Oct 2002 [2] P Werle, C Radigk, W Sorgatz, M Hahn, V Wasserberg, “Comparison of Different Dissolved Gas Analysis Methods for the Condition Assessment of Power Transformers”, IEEE Transactions on Electrical Insulation, Volume 13, No 5, 1999 [3] K Tomsovic, A Amar, "On Refining Equipment Condition Monitoring using Fuzzy Sets and Artificial Neural Nets,'' 1994 International Conference on Intelligent System Applications to Power Systems, France, Sept 1994, pp 363-370 [4] K Tomsovic, B Baer “Fuzzy Information Approaches to Equipment Condition Monitoring and Diagnosis”, IEEE Transaction on Power Delivery, Vol 8, No 3, July 1993, pp 1638 – 16777 [5] Rahmat Shoureshi, Tim Norick,Ryan Swartzendruber, “Intelligent Transformer Monitoring System Utilizing Neuro-Fuzzy Technique Approach”, Colorado School of Mines, PSERC Publication 04-26, July 2004 [6] Wan Yat How, Marzuki Khalid, Syed Ahmad Fuad Syed Zain, “ Transformer Fault Diagnosis Using Fuzzy Logic Interpretations”, Center For Artificial Intelligence and Robotics, University Technologi Malaysia HV: Nguyễn Thị Tuyết Nhung 62 Luận văn thạc sĩ [7] GVHD: PGS.TS Quyền Huy Ánh Fu Yang, Zhang Liang, “Comprehensive Method Detecting the Status of the Transformer Based on the Artificial Intelligence”, International Conference on Power System Technology - Powercon 2004, Singapore, 21-24 November 2004 [8] N K Patel, R K Khubchandani, “ANN Based Power Transformer Fault Diagnosis”, IE (I) Journal.EL, Vol 85, June 2004, pp.60-63 [9] Y Zhang, X Ding, Y.Liu, P.J Griffin, “An Artificial Neural Network Approach to Transformer Fault Diagnosis”, IEEE Transaction on Power Delivery, Vol 11, No 4, Oct 1997, pp 1836 – 1841 [10] Zhenyuan Wang, “Artificial Intelligent Applications in the Diagnosis of Power Transformer Incipient Faults”, Doctor of Philosophy In Electrical Engineering, Aug 2000, Blacksburg, Virginia, USA [11] Zhenyuan Wang, “Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults”, Doctor of Philosophy In Electrical Engineering, Blacksburg, Virginia, August 8, 2000 [12] C Lin, J Ling, C Huang, “An Expert System for Transformer Fault Diagnosis Using Dissolved Gas Analysis,” IEEE Transactions on Power Delivery, IEEE, NY, 1993, pp 231 – 238 [13] Dan Cunningham, “Expert System for Transformer Fault Diagnosis” Undergraguate Thesis, Oct 2002, Department of Computer Science and Electrical Engineering University of Queensland, Brisbane, Australia [14] K O Wong, “Expert System for the Fault Diagnosis of Oil-Filled Power Transformer Using Dissolved Gas Analysis”, School of Computer HV: Nguyễn Thị Tuyết Nhung 63 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Science and Electrical Engineering, The University of Queensland, Brisbane, Australia, 2000 [15] Z Y Wang, Y Liu, P J Griffin, “A Combined ANN and Expert System Tool for Transformer Fault Diagnosis”, IEEE Transaction on Power Delivery, Vol 13, No 4, Oct 1998, pp 1224 – 1229 [16] Zhenyuan Wang, “Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults”, Doctor of Philosophy In Electrical Engineering, Blacksburg, Virginia, August 8, 2000 [17] Manoj Kumar Pradhan, T S Ramu, “On the Estimation of Elapsed Life of Oil-Immersed Power Transformers”, IEEE Transactions On Power Delivery, Vol 20, No 3, July 2005 pp 1962-1969 [18] C Bengtsson, “Status and Trends in Transformer Monitoring” IEEE Transactions on Power Delivery, Vol 11, No 3, July 1996, pp 1379 [19] Th Strehi, E Lemke, H Elze, “On-line PD Measurement, Diagnostic Tools and Monitoring Strategy for Generators and Power Transformers”, Workshop 2001, Alexandria, Virginia, December 3&4, 2001 [20] Stan Lindgren, “Power Transformer Asset Management On-Line DGA”, EPRI Substation Equipment Diagnostics Conference XI, February 2326, 2003, New Orleans, Louisiana, pp 1-12 [21] Chiang Tow Bob Loh, “Diagnostics of Aged Transformers Using Polarisation and Depolarisation Current Measurement Method” Undergraduate Thesis, University of Queensland, Australia, October 2000 HV: Nguyễn Thị Tuyết Nhung 64 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh [22] Tim Cargol, “An Overview of Online Oil Monitoring Technilogies”, Fourth Annual Weidmann-ACTI Technical Conference, San Antonio, 2005 [23] J.B DiGiorgio, “Dissolve Gas Analysis of Mineral Oil Insulating Fluids” Northern Technology & Testing http://www.nttworldwide.com/tech2102.htm (Current 20/03/2000) [24] Yann-Chang Huang, “A New Intelligent Approach to Fault Detection of Electric Power Transformers”, IEEE Trans Power Delivery, Vol 11, No 4, pp 1836-1841, 1997 [25] Danny Bates, “DGA in a Box A Utility’s Perspective”, Alabama Power Company, EPRI Substation Equipment Diagnostics Conference, New Orleans, LA, USA February 23–26, 2003 [26] Nisha Barle, Manoj Kumar Jha, M F Qureshi, “ Artificial Intelligence Based Fault Diagnosis of Power Transformer-A Probabilistic Neural Network and Interval Type-2 Support Vector Machine Approach”, An ISO 3297: 2007 Certified Organization, Vol 4, Issue 1, January 2015 [27] Kanika Shrivastava received her B.E degree in Electrical Engineering from Gyan Ganga Institute of Technology, Jabalpur, M.P, India in 2009 and M.Tech degree in Electrical Engineering from Jabalpur Engineering College, Jabalpur, (MP) [28] Xiaohui Wang1, Kehe Wu2 and Yang Xu3 “ Research on Transformer Fault Diagnosis based on Multi-source Information Fusion ” [29] Jianqing LIU 1, Kai ZHENG 2, Hao ZHANG 1, Daogang PENG 1,∗1School of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China 2Ningbo Yinzhou Power Supply Bureau, HV: Nguyễn Thị Tuyết Nhung 65 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Ningbo 315100, China“A Comparative Research on Power Transformer Fault Diagnosis Based on Several Artificial Neural Networks” HV: Nguyễn Thị Tuyết Nhung 66 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh PHỤC LỤC: CHƯƠNG TRÌNH HUẤN LUYỆN BẰNG MẠNG NEURAL TRONG MAT LAP Chương trinh rút mẫu: clc;clear; load('E:\matlab2013\bin\huan luyen 18.12\input7'); load('E:\matlab2013\bin\huan luyen 18.12\output'); mauchuan=input7; [mau1,mau2,mau3,mau4,mau5,chuan_hoa_mau]=hamchuanhoa(mauchuan); all=chuan_hoa_mau; alltarget=output; save('E:\matlab2013\bin\huan luyen 18.12\all'); save('E:\matlab2013\bin\huan luyen 18.12\alltarget'); for k=80; z=z+1; [ID1,input1]=kmeans(mau1',k); [ID2,input2]=kmeans(mau2',k); [ID3,input3]=kmeans(mau3',k); [ID4,input4]=kmeans(mau4',k); [ID5,input5]=kmeans(mau5',k); inputtrain=[input1' input2' input3' input4' input5']; save('E:\matlab2013\bin\huan luyen 18.12\inputtrain'); target1=alltarget(:,1:k); target2=alltarget(:,101:(100+k)); target3=alltarget(:,201:(200+k)); target4=alltarget(:,301:(300+k)); target5=alltarget(:,401:(400+k)); targettrain=[target1 target2 target3 target4 target5]; save('E:\matlab2013\bin\huan luyen 18.12\targettrain'); inputtest=all; x=inputtrain; t=targettrain; net=newff(x,t,[12],{'tansig','purelin'},'trainlm'); tStart=tic; tStart=tic; [net,tr] = train(net,x,t); tElapsed(z) = toc(tStart); traink=vec2ind(net(inputtrain)); outk=vec2ind((targettrain)); traininput1=vec2ind(net(input1')); traininput2=vec2ind(net(input2')); traininput3=vec2ind(net(input3')); traininput4=vec2ind(net(input4')); traininput5=vec2ind(net(input5')); train1=traininput1; train2=traininput2;; train3=traininput3;; HV: Nguyễn Thị Tuyết Nhung 67 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh train4=traininput4;; train5=traininput5; outlop1=vec2ind(target1); outlop2=vec2ind(target2); outlop3=vec2ind(target3); outlop4=vec2ind(target4); outlop5=vec2ind(target5); outtrain=[outlop1' outlop2' outlop3' outlop4' outlop5']; ti_le_train_lop_1 = 100*length(find(train1==outlop1))/length(train1) ti_le_train_lop_2 = 100*length(find(train2==outlop2))/length(train2) ti_le_train_lop_3 = 100*length(find(train3==outlop3))/length(train3) ti_le_train_lop_4 = 100*length(find(train4==outlop4))/length(train4) ti_le_train_lop_5 = 100*length(find(train5==outlop5))/length(train5) ti_le_k=100*length(find(traink==outk))/length(traink) ketquahuanluyen(z,:)=[ti_le_train_lop_1,ti_le_train_lop_2,ti_le_train_lop _3,ti_le_train_lop_4,ti_le_train_lop_5]; ketquakall(z,:)=ti_le_k testall=vec2ind(net(all)); targetall=vec2ind(alltarget); ti_le_kiem_tra_all= 100*length(find(testall==targetall))/length(testall); ketquakiemtraall(z,:)=[ti_le_kiem_tra_all] end plot(ketquakall','r') hold on plot(ketquakiemtraall','b') newnet=net; save('E:\matlab2013\bin\huan luyen 18.12\newnet'); save('E:\matlab2013\bin\huan luyen 18.12\net'); Chương trinh lựa chọn Neural ẩn; clc;clear; load('E:\matlab2013\bin\huan luyen 18.12\inputtrain'); load('E:\matlab2013\bin\huan luyen 18.12\targettrain'); mauchuan=input7; [mau1,mau2,mau3,mau4,mau5,chuan_hoa_mau]=hamchuanhoa(mauchuan); all=chuan_hoa_mau; alltarget=output; %==inputTRAIN============================================================ ======== z=0; for n=2:2:20 z=z+1 x=inputtrain; t=targettrain; net=newff(x,t,[n],{'tansig','purelin'},'trainrp'); tStart=tic; tElapsed(z) = toc(tStart); mang{z}=net; traink=vec2ind(net(inputtrain)); outk=vec2ind((targettrain)); traininput1=vec2ind(net(input1')); traininput2=vec2ind(net(input2')); traininput3=vec2ind(net(input3')); traininput4=vec2ind(net(input4')); traininput5=vec2ind(net(input5')); HV: Nguyễn Thị Tuyết Nhung 68 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh train1=traininput1; train2=traininput2;; train3=traininput3;; train4=traininput4;; train5=traininput5; outlop1=vec2ind(target1); outlop2=vec2ind(target2); outlop3=vec2ind(target3); outlop4=vec2ind(target4); outlop5=vec2ind(target5); ti_le_train_lop_1 = 100*length(find(train1==outlop1))/length(train1) ti_le_train_lop_2 = 100*length(find(train2==outlop2))/length(train2) ti_le_train_lop_3 = 100*length(find(train3==outlop3))/length(train3) ti_le_train_lop_4 = 100*length(find(train4==outlop4))/length(train4) ti_le_train_lop_5 = 100*length(find(train5==outlop5))/length(train5) ti_le_k=100*length(find(traink==outk))/length(traink) ketquahuanluyen(z,:)=[ti_le_train_lop_1,ti_le_train_lop_2,ti_le_train_lop _3,ti_le_train_lop_4,ti_le_train_lop_5]; ketquakall(z,:)=ti_le_k testall=vec2ind(net(all)); targetall=vec2ind(alltarget); ti_le_kiem_tra_all= 100*length(find(testall==targetall))/length(testall); ketquakiemtraall(z,:)=[ti_le_kiem_tra_all] end plot(ketquakall','r') hold on plot(ketquakiemtraall','b') Chương Trình GUI: Chương unction varargout = GUI_Nhan_dien_su_co_mba(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, 'gui_Singleton', gui_Singleton, 'gui_OpeningFcn', @GUI_Nhan_dien_su_co_mba_OpeningFcn, 'gui_OutputFcn', @GUI_Nhan_dien_su_co_mba_OutputFcn, 'gui_LayoutFcn', [] , 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end , varargin) handles.output = hObject; guidata(hObject, handles); function varargout = GUI_Nhan_dien_su_co_mba_OutputFcn(hObject, eventdata, handles) HV: Nguyễn Thị Tuyết Nhung 69 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh varargout{1} = handles.output; function pushbutton1_Callback(hObject, eventdata, handles) load('E:\matlab2013\bin\huan luyen 18.12\newnet'); a1=str2double(get(handles.H2,'string')); a2=str2double(get(handles.CH4,'string')); a3=str2double(get(handles.C2H6,'string')); a4=str2double(get(handles.C2H4,'string')); a5=str2double(get(handles.C2H2,'string')); a6=str2double(get(handles.CO,'string')); a7=str2double(get(handles.CO2,'string')); newsample=[a1;a2;a3;a4;a5;a6;a7]; meanF=1.0e+03 *[1.0365;0.0425;0.0204;0.1050;0.0429;0.5335; 5.4159]; stdF=1.0e+03 *[0.2284;0.0205;0.0072;0.0212;0.0141;0.4081;4.0138]; maustd=(newsample-meanF)./stdF; classes=vec2ind(newnet(maustd)); set( handles.text23,'string','Optical Resonant Phenomenon,Arc discharge') ; elseif classes==2 set( handles.text23,'string','Spark Discharge') ; elseif classes==3 set( handles.text23,'string','Local Overheating ') ; elseif classes==4 set( handles.text23,'string','Arc Discharge') ; else set( handles.text23,'string','Serious Overheating') ; end if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function edit9_Callback(hObject, eventdata, handles) function edit9_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function close_Callback(hObject, eventdata, handles) close; function H2_Callback(hObject, eventdata, handles) function H2_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function CH4_Callback(hObject, eventdata, handles) function CH4_CreateFcn(hObject, eventdata, handles) % hObject handle to CH4 (see GCBO) HV: Nguyễn Thị Tuyết Nhung 70 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function C2H6_Callback(hObject, eventdata, handles) function C2H6_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function C2H4_Callback(hObject, eventdata, handles) function C2H4_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function C2H2_Callback(hObject, eventdata, handles) function C2H2_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function CO_Callback(hObject, eventdata, handles) function CO_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function CO2_Callback(hObject, eventdata, handles) function CO2_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function uipanel2_DeleteFcn(hObject, eventdata, handles) HV: Nguyễn Thị Tuyết Nhung 71 S K L 0 ... neural nhân tạo Mạng neural nhân tạo hệ thống neural xây dựng giống hệ thống neural người thiết bị điện tử phần tử nhạy Các hệ thống xây dựng để chép lại (Imitate) phương pháp xử lý thông minh... (making inferences) 3.2.1 Mơ hình tốn mạng neural Mơ hình tốn đơn giản mạng neural nhân tạo mô tả đề xuất Mc Culloch Pitts vào năm 1943, thường gọi mạng M-P Trong mơ hình này, phần tử xử lý thứ... Quyền Huy Ánh Hình 3.1 mơ tả mơ hình tốn đơn giản giới thiệu trên: X1 Wi1 X2 Wi2 PE (Phần tử xử lý) Y1 Output path (Đường xuất) Wim Xm p na y S ap Syn Syn ap Sy na p Hình 3.1 Mơ hình tốn đơn giản