Ứng dụng phân tích wavelet và neural trong bảo vệ máy biến áp lực

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày tháng năm 2007 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : Phạm Hữu Lý Ngày, tháng, năm sinh : 03/06/1980 Chuyên ngành Giới tính: Nam Nơi sinh : Đồng Tháp : Thiết bị - Mạng Nhà máy điện Khoá (Năm trúng tuyển) : 2005 1- TÊN ĐỀ TÀI: ỨNG DỤNG PHÂN TÍCH WAVELET VÀ NEURAL TRONG BẢO VỆ MÁY BIẾN ÁP LỰC 2- NHIỆM VỤ LUẬN VĂN: Lý thuyết Wavelet Lý thuyết Neural Sự cố MBA kết mô 4.Ứng dụng Wavelet Neural 5.Chương trình nhận daïng 3- NGÀY GIAO NHIỆM VỤ : 05 – 03 – 2007 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 01 – 11 – 2007 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : TS NGUYỄN HOÀNG VIỆT TS VÕ VĂN HUY HOÀNG Nội dung đề cương Luận văn thạc sĩ Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN TS NGUYỄN HOÀNG VIỆT CÁN BỘ HƯỚNG DẪN TS VÕ VĂN HUY HOÀNG CHỦ NHIỆM BỘ MƠN QUẢN LÝ CHUN NGÀNH TS NGUYỄN HỒNG VIỆT LỜI CẢM ƠN Trước hết, em xin trân trọng bày tỏ lòng biết ơn sâu sắc đến Thầy Nguyễn Hoàng Việt Thầy Võ Văn Huy Hoàng – người trực tiếp hướng dẫn tận tình em suốt trình thực Luận án tốt nghiệp Xin chân thành cảm ơn đến tất q Thầy, Cô Trường Đại Học Bách Khoa trang bị cho em kiến thức bổ ích toàn khoá học em chân thành gửi lòng biết ơn đến Thầy, Cô môn Hệ Thống tạo điều kiện, hỗ trợ cho em trình học tập thực luận án Ngoài ra, xin chân thành cám ơn đến bạn bè, đồng nghiệp gia đình tạo điều kiện thuận lợi, niềm tin nghị lực để hoàn thành luận án Tp Hồ Chí Minh, tháng 11 nắm 2007 Người thực Phạm Hữu Lý Mục Lục Chương 1: Lý thuyết Wavelet Phép biến đổi Fourier Phép biến đổi Fourier thời gian ngắn (STFT) Phép biến đổi Fourier nhanh (FFT) Biến đổi Wavelet a Khái niệm b Cơ sở lý thuyết c Biến đổi wavelet liên tục (CWT – Continuous Wavelet Transform) d Biến đổi wavelet rời rạc (DWT – Discrete Wavelet Transform) e Một số họ Wavelet f ng dụng Wavelet 10 12 Chương 2: Lý thuyết Neural I Khái niệm II Mô hình mạng neuron Mô hình ngõ vào Mô hình ngõ vào vector 13 13 13 14 Hàm truyền a Hàm truyền giới hạn b Hàm truyền tuyến tính c Hàm truyền log-sigmoi Lớp Neuron ( Layer) a Neuron lớp b Neuron nhiều lớp 15 15 15 15 16 16 Một số mạng neuron a Mạng Perceptron b Mạng Tuyến Tính Ứng dụng 17 17 21 22 Chương 3: Sự cố MBA kết mô I Sự cố mba Sự cố bên máy biến áp Sự cố bên máy biến áp 23 23 23 16 II Giới thiệu chương trình mô độ emtp-atp Giới thiệu Chuyển liệu từ ATP sang matlab III Mô dạng dòng từ hóa, dòng kích từ, dòng ngắn bên bên A Mô hình đối xứng Mô hình Kết mô 2.1 Kết mô dòng từ hóa 2.2 Kết mô dòng kích 2.3 Kết mô dòng ngắn mạch bên 2.4 Kết mô dòng ngắn mạch bên B Mô hình bất đối xứng Dòng từ hóa a Sơ đồ b Kết mô Dòng kích Ngắn mạch pha chạm đất a Sơ đồ b Kết mô Ngắn mạch hai pha chạm 24 24 24 25 25 25 29 29 32 34 35 36 36 36 37 40 46 46 46 49 a Sơ đồ b Kết mô Ngắn mạch bên a Sơ đồ b Kết mô 49 50 53 53 53 Chương 4: Ứng dụng Wavelet Neural I ng dụng kỹ thuật phân tích wavelet ng dụng Kết phân tích A Mô hình đối xứng a Dòng từ hóa b Dòng kích c Ngắn mạch bên d Ngắn mạch bên B Mô hình bất đối xứng 57 57 57 57 57 58 60 61 62 a Dòng từ hóa b Dòng kích c Ngắn mạch pha chạm đất d Ngắn mạch hai pha chạm đất e Ngắn mạch bên II PHÂN TÍCH NEURAL Phương pháp giải Kết phân tích A Mô hình đối xứng a Dòng từ hóa b Dòng kích c Ngắn mạch bên d Ngắn mạch bên B Mô hình bất đối xứng a Dòng từ hóa b Dòng kích c Ngắn mạch pha chạm đất d Ngắn mạch hai pha chạm đất e Ngắn mạch bên Chương 5: Chương trình nhận dạng I Chương trình nhận dạng II Nhận xét kết đánh gia III Hướng phát triển đề tài Tài liệu tham khảo Phần phụ lục: Mã chương trình 62 65 71 74 77 80 80 81 81 81 82 84 85 86 86 87 88 89 90 91 93 93 94 96 TỔNG QUAN Trong hệ thống điện, tình trạng cố chế độ làm việc không bình thường phần tử xảy Phần lớn cố gây ảnh hưởng đến hệ thống điện, cần khắc phục phát kịp thời để khôi phục lại tình trạng vận hành ổn định Do yêu cầu đẩy nhanh phát triển công nghiệp hoá đại hoá nước ta nhu cầu lượng điện ngày tăng đòi hỏi cần ứng dụng rộng rãi máy biến áp (MBA) lực nhiều Vì vậy, vấn đề đặt phải bảo đảm cho MBA hoạt động an toàn, tránh cố mong muốn.Việc bảo vệ MBA chủ yếu dựa vào bảo vệ so lệch ( 87T) phải thận trọng trường hợp cố, có số trường hợp dòng cố dòng từ hóa hay dòng kích tạo dòng so lệch lớn Thời gian gần đây, có nhiều phương pháp đề xuất đề nghị: phương pháp thay đổi độ tự cảm ( kỹ thuật hạn chế sóng hài), phương pháp thay đổi từ thông ( kỹ thuật dựa vào đặc tính lõi sắt), phương pháp trì hoãn thời gian tác động relay… Tuy đề xuất giải phần việc bảo vệ MBA, tồn hạn chế định Từ phương pháp trên, đề tài xin đưa đề xuất sử dụng giải thuật phép biến đổi wavelet kết hợp với mạng neural bảo vệ máy biến áp lực Do phép biến đổi wavelet rút nhiều thông tin từ tín hiệu thoáng qua hai miền tần số miền thời gian Từ kết phân tích từ wavelet huấn luyện mạng neural việc nhận dạng dòng xung kích, dòng kích từ, dòng ngắn mạch bên bên Giải thuật đề xuất mô dòng chương trình ATP-EMTP hay Matlab, từ kết trình mô phép biến đổi wavelet neural đề xuất sơ đồ bảo vệ máy biến áp tránh tác nhầm dòng xung kích dòng kích từ Chương 1: Lý thuyết Wavelet Phép biến đổi Fourier: Phép biến đổi Fourier công cụ mạnh sử dụng phổ biến phân tích tín hiệu Qua phép biến đổi, thành phần tần số không thấy miền thời gian hiển thị rõ ràng miền tần số Tuy nhiên chuyển tín hiệu từ miền thời gian sang miền tần số thông tin miền thời gian hoàn toàn mất, biết thành phần tần số xuất thời điểm tín hiệu Do biến đổi Fourier cổ điển phân tích tín hiệu không dừng Hình 1.1- Phép biến đổi Fourier Biến đổi Fourier tín hiệu x(t) định nghóa: X      X t e  j t dt  e  j  t , X t   (1.1)  Với =2f tần số tín hiệu Tích phân lấy toàn miền thời gian tín hiệu f(t) với hàm mũ số e Kết biến đổi hệ số Fourier F() ( gọi phổ tần số f(t) ) nhân với sóng hình sin với tần số tương ứng cho thành phần sin tín hiệu nguyên mẫu f t   2   F  e  jt (1.2) d  Chuoãi Fourier tổng hàm chu kỳ bao gồm hàm sin cosin theo tần số, bội số nguyên tần số hàm Mặc dù phân tích Fourier đóng vai trò quan trọng trình phân tích tín hiệu tồn nhược điểm sau: Chương 1: Lý thuyết Wavelet  Các hàm chức biến đổi miền tần số miền thời gian Vì lượng thông tin tín hiệu không phản ánh thay đổi dạng sóng miền thời gian sang miền tần số  Trong thời điểm tín hiệu thể miền thời gian miền tần số Phép biến đổi Fourier thời gian ngắn (STFT): Để khắc phục nhược điểm trên, Dennis Gabor (1946) đãsử dụng cách linh hoạt biến đổi Fourier để chia tín hiệu thành đoạn đủ nhỏ theo thời gian, tín hiệu đoạn xem tín hiệu dừng, tín hiệu đoạn nhỏ dễ dàng phân tích biến đổi Fourier Do đó, phép biến đổi vừa có tính định vị theo tần số tính chất biến đổi Fourier, vừa có tính định vị theo thời gian tính khoảng thời gian ngắn Đây nguyên lý biến đổi Fourier thời gian ngắn ( STFT), hay gọi biến đổi Fourier cửa sổ ( Windowed Fourier Transform ) Trong STFT, tín hiệu f(t) nhân với hàm cửa sổ wt    để lấy tín hiệu khoảng thời gian ngắn xung quanh thời điểm  Hàm biến đổi STFT xác định sau: STFT f  ,     w t    f (t )e *  jt dt (1.3)  STFT thời điểm  biến đổi Fourier tín hiệu f(t) nhân với phiên dịch khoảng  theo thời gian wt    n cửa sổ tập trung quanh  Đây phổ cục f(t) xung quanh thời điểm  Do đó, STFT có tính định vị theo thời gian Cửa sổ phân tích hẹp định vị ( hay độ phân giải theo thời gian ) tốt Chương 1: Lý thuyết Wavelet Hình 1.2-Biến đổi Fouriere thời gian ngắn (STFT) STFT thể mối quan hệ thời gian tần số tín hiệu Nó cung cấp thông tin thời gian tần số xuất kiện Tuy nhiên, độ xác thông tin có hạn phụ thuộc vào kích thước cửa sổ Khuyết điểm STFT chọn hàm cửa sổ phân tích độ phân giải thời gian – tần số không thay đổi khắp mặt phẳng thời gian – tần số Trong khi, tín hiệu không dừng thường gặp thực tế gồm số thành phần tần số thấp ổn định ( gần tuần hoàn, quasi-stationary) khoảng thời gian dài burst tần số cao tồn khoảng thời gian ngắn Nếu chọn cửa sổ rộng để phân tích thành phần ổn định với độ phân giải tần số tốt không phân tích burst với độ phân giải thời gian tốt Ngược lại, chọn cửa sổ hẹp để phân giải tốt burst thời gian phân giải tần số lại xấu Mâu thuẩn giải STFT Phép biến đổi Fourier nhanh (FFT): Biến đổi Fourier nhanh thực biến đổi Fourier rời rạc ( Discrete Fourier Transform – DFT), xấp xỉ hàm số cách lấy mẫu số giá trị tần số định Giả sử tín hiệu lấy mẫu N điểm với chu kỳ lấy mẫu T, biến đổi sang miền tần số FFT N điểm, tần số lấy mẫu là: k  2k , với k=0, 1, N-1 N Các thành phần tần số thực tương ứng là: Chương 4: Ứng dụng Wavelet Neural Hình 4.62 – Kết Training d Hai pha chạm nhau: Hình 4.63 – Kết phân tích 89 Chương 4: Ứng dụng Wavelet Neural Hình 4.64 – Kết Training e Ngắn mạch bên trong: Hình 4.65 – Kết phân tích 90 Chương 4: Ứng dụng Wavelet Neural Hình 4.66 – Kết Training 91 Chương 5: Chương trình nhận dạng I Chương trình nhận dạng: Khi khởi động chương trình ta thấy hình sau: Chọn nút Start xuất cửa sổ chương trình phân tích sau: 91 Chương 5: Chương trình nhận dạng Nếu ta muốn mô ta chọn File Simulation để chọn file cần mô phỏng: Chọn file cần mô phỏng: Chúng ta làm tương tự chọn phân tích Wavelet hay phân tích Neural 92 Chương 5: Chương trình nhận dạng II Nhận xét kết đánh giá: Trong luận văn trình bày mô hình dạng cố MBA hai trường hợp đối xứng bất đối xứng dựa phần mềm mô độ ATP Đây phần mềm dùng phổ biến rộng rãi việc mô tượng độ hệ thống điện Luận văn đề xuất phương pháp nhận dạng dạng cố ( dòng từ hoá, dòng kích, ngắn mạch pha chạm đất, ngắn mạch hai pha chạm nhau, ngắn mạch bên ) phân tích Wavelet kết hợp với Neural Có thể nói phương pháp dễ dàng nhận dạng phân biệt dạng cố, đồng thời cho kết xác Mặc dù đưa phương pháp mô hình ba pha ATP chưa hoàn chỉnh, phần mềm đấu nối CT III Hướng phát triển đề tài: Hướng phát triển luận văn có xét đến ảnh hưởng chế độ bảo hoà CT xét ảnh hưởng số tượng tác động bên vào MBA 93 Chương 5: Chương trình nhận dạng Tài liệu tham khảo: [1] Tài liệu thiết kế máy biến áp - Phạm Văn Bình & Lê Văn Doanh [2] Bảo vệ rơlay & Tự động hố hệ thống điện - Nguyễn Hồng Việt [3] Characterization of Transients in Transformers Using Discrete Wavelet Transforms Karen L Butler-Purry, Senior Member, IEEE, and Mustafa Bagriyanik, Member, IEEE [4] Transformer Protection Using the Wavelet Transform - , Ondokuz Mayis University,Electrical & Electronics Engineering Faculty,55139, Kurupelit, Samsun-TURKEY [5] Power Transformer Differential Protection Scheme Based On Wavelet Transform And Artificial Neural Network Algorithms H KhorashadiZadeh, M Sanaye-Pasand [6] Ali M., Spire Lab, UWM – Wavelet Characteristics – October 19, 1999 White Paper [7] Seminaire Paris- Berlin, Seminaire Berlin – Paris- Wavelet, Approximation and Statistical Applications - Wolfgang Hardle, Gerard Kerkyacharian, Dominique Picard, Alexander Tsybakov [8] Wavelet Toolbox For Use with MATLAB®, User’s Guide Version 3, Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi [9] A Practical Guide to Wavelets for Metrology By G J Lord, E Pardo-Ig´uzquiza and I M Smith, June 2000 [10] An Introduction to Wavelet analysis, Stefan Funk – 16 th November 2001 [11] Discrete Wavelet Transform, Version 2.11: 2003/01/17, Phil Schniter [12] The Wavelet Tutorial is hosted by Rowan University, College of Engineering Web Servers [13] Tutorial On Fuzzy Logic, Technical University of Denmark, Department of Automation, Bldg 326, DK-2800 Lyngby, DENMARK Tech report no 98-E 868, 19 Aug 1998 (logic) 94 Chương 5: Chương trình nhận dạng [14] Fuzzy Logic Introduction by Martin Hellmann, March 2001 [15] Design Of Fuzzy Controllers, Technical University of Denmark, Department of Automation, Bldg 326, DK-2800 Lyngby, DENMARK Tech report no 98-E 864 (design), 19 Aug 1998 [16] Development of Wavelet transform based numeric delay for differential protection ofpower transformer, Dr.K.P.Vittal, D.N.Gaonakar, Dr.D.B.Fakruddin E.E.E Dept., N.I.T.K.-Surathkal, Srinivasnagar – 575 025 [17] Transformer Protection Using the Wavelet Transform, Okan OZGO NENEL, Guven ONBILGIN, Cagr KOCAMAN, Ondokuz Mayis University, Electrical 55139, Kurupelit, & Electronics Engineering Faculty, Samsun-TURKEY e-mail: okanoz@omu.edu.tr , gonbilgi@omu.edu.tr [18]TRANSFORMER MODELING AS APPLIED TO DIFFERENTIAL PROTECTION, Stanley E Zocholl, Armando Guzmán, Daqing Hou, Schweitzer Engineering Laboratories, Inc Pullman, Washington [19] PERFORMANCE ANALYSIS IMPROVED TRANSFORMER RELAYS, Armando Guzmán, OF TRADITIONAL DIFFERENTIAL Stan Zocholl, AND PROTECTIVE and Gabriel Benmouyal, Schweitzer Engineering Laboratories, Inc Pullman, WA USA [20] Transformer Models for Detection of Incipient Internal Winding Faults, Hang Wang-IEEE Student Member, Peter Palmer-Buckle-IEEE Student Member , Karen University, Systems Automation Lab, College Station , TX Power L Butler-IEEE Member.Texas A&M 77843-3128 [21] Characterization of Transients in Transformers Using Discrete Wavelet Transforms, Karen L Butler-Purry, Senior Member, IEEE, and Mustafa Bagriyanik, Member, IEEE 95 Mã chương trình Phụ lục: Chương trình chính: function varargout = Analyser_programme(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, 'gui_Singleton', gui_Singleton, 'gui_OpeningFcn', @Analyser_programme_OpeningFcn, 'gui_OutputFcn', @Analyser_programme_OutputFcn, 'gui_LayoutFcn', [] , 'gui_Callback', []); if nargin & isstr(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 function Analyser_programme_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject; guidata(hObject, handles); function varargout = Analyser_programme_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output; % -function file_Callback(hObject, eventdata, handles) % -function simulation_Callback(hObject, eventdata, handles) file = uigetfile('*.mat'); if ~isequal(file, 0) name = file; end dothi; % -function close_Callback(hObject, eventdata, handles) close; % -function wavelet_Callback(hObject, eventdata, handles) % -96 Mã chương trình Phụ lục: function analyser_Callback(hObject, eventdata, handles) file = uigetfile('*.mat'); if ~isequal(file, 0) name = file; end wavelet_dwt; % -function help_Callback(hObject, eventdata, handles) message = ('Copyright by PHAM HUU LY - 10/2007'); fig = msgbox(message,'THESIS OF MASTER'); uiwait(fig); % -function print_Callback(hObject, eventdata, handles) printdlg(handles.figure1); % -function Neural_Callback(hObject, eventdata, handles) % -function Analyger_Callback(hObject, eventdata, handles) Neural_Analyser1; % -Chương trình vẽ đồ thò cla; pathname= 'E:\Thesis Master\Data'; load (name); subplot(1,1,1); plot(t, i); ylabel(name); xlabel('time - s'); grid on; title('Simulation current by programme ATP'); axis auto; % -Chương trình phân tích Wavelet pathname= 'E:\Thesis Master\Data'; 97 Mã chương trình Phuï luïc: load(name); time_array= t; magn_array= i; leng_signal=size (t); %Calculate the wavelet coefficients for level [ca1,cd1]=dwt(magn_array,'db4'); a1=upcoef('a',ca1,'db4',1,leng_signal(:,1)); d1=upcoef('d',cd1,'db4',1,leng_signal(:,1)); %Calculate the wavelet coefficients for level [ca2,cd2]=dwt(ca1,'db4'); a2=upcoef('a',ca2,'db4',2,leng_signal(:,1)); d2=upcoef('d',cd2,'db4',2,leng_signal(:,1)); %Calculate the wavelet coefficients for level [ca3,cd3]=dwt(ca2,'db4'); a3=upcoef('a',ca3,'db4',3,leng_signal(:,1)); d3=upcoef('d',cd3,'db4',3,leng_signal(:,1)); %Calculate the wavelet coefficients for level [ca4,cd4]=dwt(ca3,'db4'); a4=upcoef('a',ca4,'db4',4,leng_signal(:,1)); d4=upcoef('d',cd4,'db4',4,leng_signal(:,1)); subplot(3,1,1); plot(time_array,magn_array); ylabel('Orginal current'); xlabel('time - s'); grid on; title('Original current and Wavelet current detail in level & 4'); subplot(3,1,2); plot(time_array,d1); ylabel('d1'); xlabel('time - s'); grid on; subplot(3,1,3); plot(time_array,d4); ylabel('d4'); xlabel('time - s'); grid on; save result_wavelet; clear; % -Chương trình huấn luyện Neural 98 Mã chương trình Phụ lục: clear; pathname= 'E:\Thesis Master\Data'; name = 'result_wavelet.mat'; load (name); p=[d1';d4']; t=t'; net = newff(minmax(p),[10 1],{'tansig' 'purelin'},'trainlm'); y1 = sim(net,p); net.trainParam.epochs = 30; net.trainParam.goal = 0.00743; net.trainParam.show = 1; net = train(net,p,t); y2 = sim(net,p); e=t-y2; out=sse(e); plot(t,y2) % -Chương trình phân tích Neural clear; pathname= 'E:\Thesis Master\Data'; name = 'result_wavelet.mat'; load (name); h = 0; c = 0; j = 1; while h == for l = ((j - 1)*200 + 1): (200*j) e = abs(d1(l))*10; if e > c c = e; time = t(l); m = l; end; end; j = j + 1; if round(c) > h = h + 1; 99 Mã chương trình Phụ lục: end; end; if m < 50 m = 50; end; for n = 1:4 for k = 1:200 e(k) = d4((m - 50) + k + (n - 1)*100); end; peak(n) = max (abs(e)); end; for n = 1:4 ratio(n) = peak(n)/max(peak); end; subplot(1,1,1); plot(t, d4, 'k'); ylabel('Wavelet current detail d4'); xlabel('time - s'); title('Get a window sampling for current detail d4 '); hold on; max_d4 = ceil(max(abs(d4))); for i = 1:400 time_plot(i) = -max_d4 + (i - 1)*0.005*max_d4; end for n = 1:4 switch n case t_sample = time - 2.5e-3 + (n - 1)*0.005; plot(t_sample,time_plot,'r '); plot((t_sample + 0.01),time_plot,'r '); case t_sample = time - 2.5e-3 + (n - 1)*0.005; plot(t_sample,time_plot,'b '); plot((t_sample + 0.01),time_plot,'b '); case t_sample = time - 2.5e-3 + (n - 1)*0.005; plot(t_sample,time_plot,'m '); plot((t_sample + 0.01),time_plot,'m '); case 100 Mã chương trình Phụ lục: t_sample = time - 2.5e-3 + (n - 1)*0.005; plot(t_sample,time_plot,'c '); plot((t_sample + 0.01),time_plot,'c '); end; end; neural_test1; out if (out 676) fig = msgbox('Two fault current','Result of Analyse','warn') uiwait(fig); end; if (out > 995)&(out 1.1120*1000)&(out 1.1143*1000)&(out 1.1220*1000)&(out < 1.1270*1000) fig = msgbox('Overexcitation current','Result of Analyse','warn') uiwait(fig); end; hold off; clear; 101 Lyù lịch trích ngang TÓM TẮT LÝ LỊCH TRÍCH NGANG Họ tên: Phạm Hữu Lý Ngày, tháng, năm sinh: 03 – 06 – 1980 Nơi sinh: Đồng Tháp Địa liên lạc: Ấp Mỹ Thới - TT Mỹ Thọ – Cao Lãnh – Đồng Tháp QUÁ TRÌNH ĐÀO TẠO Từ năm 1999 – 2004: Học trường Đại học Bách khoa TP Hồ Chí Minh Hệ: Chính quy Chuyên ngành: Kỹ thuật điện Từ năm 2005: Học Cao học trường Đại học Bách khoa TP Hồ Chí Minh QUÁ TRÌNH CÔNG TÁC Từ tháng 4/2004 đến nay: Công tác Công ty Cơ Điện Thủ Đức, địa : Km09 – Xa lộ Hà Nội – Quận Thủ Đức – Tp HCM ... với máy biết áp cỡ trung bình dùng bảo vệ dòng điện Các máy biến áp công suất lớn bảo vệ so lệch bảo vệ Sự cố máy biến áp chia làm hai loại: - Sự cố bên máy biến áp - Sự cố bên máy biến áp Sự... phần việc bảo vệ MBA, tồn hạn chế định Từ phương pháp trên, đề tài xin đưa đề xuất sử dụng giải thuật phép biến đổi wavelet kết hợp với mạng neural bảo vệ máy biến áp lực Do phép biến đổi wavelet. .. Chương 4: Ứng dụng Wavelet Neural I ng dụng kỹ thuật phân tích wavelet ng dụng Kết phân tích A Mô hình đối xứng a Dòng từ hóa b Dòng kích c Ngắn mạch bên d Ngắn mạch bên B Mô hình bất đối xứng 57