Ứng dụng mạng neural trong chẩn đoán sự cố máy biến thế

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA -0O0 - Quách Thanh Hải ỨNG DỤNG MẠNG NEURAL TRONG CHẨN ĐOÁN SỰ CỐ MÁY BIẾN ÁP CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN Mà SỐ NGÀNH: LUẬN ÁN CAO HỌC TP Hồ Chí Minh, tháng 07 năm 2002 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: GVC TS QUYỀN HUY ÁNH Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM, ngày………tháng………năm 2002 Đại Học Quốc Gia Tp.Hồ Chí Minh TRƯỜNG ĐẠI HỌA BÁCH KHOA - CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM Độc Lập –Tự Do – Hạnh Phúc - NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Quách Thanh Hải Phái: nam Ngày, tháng, năm sinh: 20-05-1972 Nơi sinh: Ninh Bình Chuyên ngành: KỸ THUẬT ĐIỆN Khóa I TÊN ĐỀ TÀI: “ỨNG DỤNG MẠNG NEURAL TRONG CHẨN ĐOÁN SỰ CỐ MÁY BIẾN ÁP” II NHIỆM VỤ VÀ NỘI DUNG: Tổng quan chẩn đoán cố máy biến áp Tổng quan mạng neural chẩn đoán cố máy biến áp Xây dựng mạng neural chẩn đoán cố máy biến áp III NGÀY GIAO NHIỆM VỤ: IV NGÀY HOÀN THÀNH NHIỆM VỤ: V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: GVC TS QUYỀN HUY ÁNH VI HỌ VÀ TÊN CÁN BỘ NHẬN XÉT 1: VII HỌ VÀ TÊN CÁN BỘ NHẬN XÉT 2: CÁN BỘ HƯỚNG DẪN CÁN BỘ NHẬN XÉT CÁN BỘ NHẬN XÉT Nội dụng đề cương luận văn thạc só thông Hội Đồng Chuyên Ngành Ngày …… tháng …… năm …… PHÒNG QUẢN LÝ KHOA HỌC SAU ĐẠI HỌC CHỦ NHIỆM NGÀNH Lời cảm ơn Con xin biết ơn Cha, Mẹ nuôi dạy khôn lớn tạo điều kiện cho học tập đến ngày hôm Em xin chân thành gửi lời biết ơn sâu sắc đến tất Thầy Cô Trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh Trường Đại Học Sư Phạm Kỹ Thuật giúp đỡ em suốt trình học thực luận án cao học Đặc biệt, em xin chân thành cảm ơn Thầy, Tiến Só Quyền Huy nh, Người tận tình hướng dẫn giúp đỡ em suốt trình thực luận văn Xin chân thành cảm ơn bạn bè, đồng nghiệp, người thân gia đình, đặc biệt vợ gái tôi, người bên cạnh động viên nhiều suốt trình học tập thực luận văn TP.Hồ Chí Minh, ngày 20 tháng năm 2002 Quách Thanh Hải TÓM TẮT ĐỀ TÀI Trong năm gần việc giám sát trạng thái hoạt động, chẩn đoán cố phần tử lưới điện vấn đề lớn nhiều Viện Nghiên Cứu, Trường Đại Học Công Ty quan tâm Trong hướng nghiên cứu phục vụ cho yêu cầu hướng sử dụng mạng thần kinh nhân tạo hướng có tiềm Nội dung đề tài thực theo theo hướng sử dụng mạng thần kinh nhân tạo đối tượng cần giám sát chẩn đoán máy biến áp Trong chương đầu, nội dung đề tài tập trung vào sở lý thuyết chẩn đoán cố theo phương pháp kinh điển phương pháp Rogers, phương pháp Dornenburg, phương pháp khí Chương 4, chương tập trung vào lý thuyết mạng thần kinh nhân tạo ứng dụng việc chẩn đoán máy biến áp Đặc biệt, chương này, việc xác định cấu trúc mạng thực sở cải tiến nhằm làm tăng tốc độ học, giảm sai số giảm phức tạp cấu trúc mạng Các cải tiến đưa gồm: xắp xếp mẫu cho phù hợp nhằm giảm thới gian học, cải tiến việc xác định số neural ẩn lớp ẩn để tránh thời gian thực thử sai tìm số neural ẩn phù hợp, cải tiến trình huấn luyện để có số lần học thích hợp tránh trường hợp mạng “quá khớp” gây sai số… Cuối chương kết đạt so sánh với kết từ phương pháp kinh điển để làm bật ưu điểm phương pháp chẩn đoán cố theo nồng độ khí phát sinh kết hợp mạng neural Cuối cùng, chương đề cập đến việc ứng dụng kết đạt việc bảo vệ máy biến áp MỤC LỤC Lời cảm ôn i Muïc luïc ii Liệt kê hình vẽ v Liệt kê bảng vi Chương Dẫn nhập 1.1 Taàm quan trọng chẩn đoán cố máy biến áp 1.2 Mục tiêu nhiệm vụ luận án 1.2.1 Mục tiêu luận aùn 1.2.2 Nhiệm vụ cụ thể 1.3 Phạm vi nghiên cứu 1.4 Điểm đề tài 1.5 Nội dung luận aùn Chương Giám sát chẩn đoán cố máy biến áp 2.1 Giám sát chẩn đoán cố máy biến áp 2.2 Các thông số máy biến áp cần theo dõi 2.3 Cách điện máy biến aùp 2.4 Nhận dạng cố máy biến áp 2.4.1 Giám sát thường trực, trực tuyến phóng điện cục 2.4.2 Phương pháp phân tích nồng độ khí dầu cách điện (DGA) 2.4.3 Kết hợp DGA phương pháp sử dụng cảm biến không điện chẩn đoán phóng điện Chương Chẩn đoán cố máy biến áp theo phương pháp phân tích nồng độ khí daàu 10 3.1 Các khí phát sinh máy biến áp bị cố 10 3.2 Các cố máy biến áp 11 3.3 Phương pháp tỉ số khí 13 3.4.1 Phương pháp Dornenburg 13 3.4.2 Phương phaùp Rogers 15 3.4.3 Phương pháp chẩn đoán cố theo tiêu chuẩn IEC559 IEC559r 18 3.4 Phương pháp khí 20 3.5 Hệ chuyên gia nhận biết cố máy biến áp 21 3.6 ng dụng logic mờ cho nhận dạng cố máy biến áp 22 3.7 Một số phương pháp chẩn đoán cố khác 22 3.7.1 Phương pháp dựa vào khí phát sinh 22 3.7.2 Chaån đoán dựa vào giấy cách điện 23 3.8 Tóm tắt 23 Chương Mạng neural ứng dụng hệ thống điện 24 - ii - 4.1 Toång quan 24 4.2 Khái quát mạng thần kinh nhân tạo 24 4.3 Moät số mạng neural 25 4.3.1 Maïng Perceptron nhiều lớp 25 4.3.2 Maïng RBF 26 4.3.3 Maïng Hopfield 27 4.3.4 Maïng Kohonen 27 4.3.5 Maïng ART 28 4.3.6 Đặc tính mạng neural 28 4.4 ng dụng mạng neural hệ thống điện 28 4.4.1 Đánh giá an toàn hệ thống 29 4.4.2 Dự báo phụ tải 30 4.4.3 Mạng neural đánh giá chế độ ổn định hệ thống điện 31 4.5 Kết luận 31 Chương mạng thần kinh nhân tạo chẩn đoán cố máy biến áp 32 5.1 Cơ chế chẩn đoán dựa vào mạng thần kinh nhân tạo 32 5.2 Mạng perceptron nhiều lớp 33 5.3 Tập mẫu huấn luyện tập kiểm tra 36 5.4 Thiết lập cấu trúc mạng 40 5.4.1 Soá đầu vào 40 5.4.2 Số đầu 40 5.4.3 Số lớp ẩn 41 5.4.4 Số neural lớp ẩn 41 5.5 Huaán luyện mạng 42 5.6 Vận hành đánh giá maïng 43 5.7 Kết luận 47 Chương Ứng dụng chẩn đoán cố dùng mạng thần kinh nhân tạo bảo vệ máy biến áp 48 6.1 Các hư hỏng thường xảy máy biến áp 48 6.2 Các phương pháp bảo vệ máy biến áp 48 6.2.1 Bảo vệ máy biến áp công suất trung bình lớn điện áp cao 48 6.2.2 Bảo vệ máy biến áp công suất lớn điện áp siêu cao 49 6.2.3 Bảo vệ so leäch 49 6.2.4 Bảo vệ dòng điện thứ tự không máy biến áp 50 6.2.5 Bảo vệ chống chạm đất pha qua vỏ thùng dầu 51 6.2.6 Bảo vệ nhiệt máy biến áp 52 6.2.7 Keát luaän 52 6.3 ng dụng chẩn đoán cố máy biến áp theo phương pháp phân tích nồng độ khí dầu kết hợp với mạng thần kinh nhân tạotrong bảo vệ máy biến áp 52 Kết luận đề nghị 54 - iii - Phuï luïc 55 Phuï luïc 57 Phuï luïc 60 Phuï luïc 61 Phuï luïc 64 Phuï luïc 65 Phuï luïc 66 Phuï luïc 69 - iv - LIỆT KÊ CÁC HÌNH VẼ Hình Hình 2.1 Hình 3.1 Hình 3.2 Hình 3.3 Hình 3.4 Hình 3.5 Hình 4.1 Hình 4.2 Hình 4.3 Hình 4.4 Hình4.5 Hình 5.1 Hình 5.2 Hình 5.3 Hình 5.4 Hình 5.5 Hình 6.1 Hình 6.2 Hình 6.3 Nội dung Phân bố ttrạng thái cố máy biến áp Lượng khí phát sinh theo nhiệt độ phân hủy dầu cách điện Lưu đồ chẩn đoán cố theo phương pháp Dornenburg Lưu đồ chẩn đoán cố theo phương pháp Rogers Tiêu chuẩn IEC 599 dạng đồ thị Tiêu chuẩn IEC 559 r Mạng nuôi tiến Mạng nuôi lùi Mạng perceptron Mạng Hopfield Mạng Kohonen Mạng perceptron lớp ẩn Phân bố trạng thái lỗi tập mẫu Lưu đồ giải thuật huấn luyện mạng Độ xác phương pháp chẩn đoán cố máy biến áp Kết chẩn đoán với mạng thần kinh khác Nguyên lý bảo vệ so lệch máy biến áp Sơ đồ nguyên lý bảo vệ so lệch dòng điện thứ tự không Bảo vệ chống chạm đất pha vỏ thùng daàu -v- Trang 11 15 18 19 20 25 25 26 27 28 33 39 43 45 47 50 51 51 Dẫn nhập Chương DẪN NHẬP 1.1Tầm quan trọng việc chẩn đoán cố máy biến áp Trong truyền tải phân phối điện năng, máy biến áp khâu quan trọng khâu yếu dễ rơi vào trạng thái làm việc không bình thường Nếu trạng thái không bình thường kéo dài xảy cố làm rối loạn hoạt động hệ thống truyền tải phân phối điện đồng thời giảm tuổi thọ máy biến áp Khi có cố máy biến áp, việc truyền tải điện bị gián đoạn, làm thiệt hại lớn kinh tế chưa tính đến chi phí bỏ để sửa chữa thay máy biến áp Chính để trì trạng thái làm việc bình thường máy biến áp, cần phải phát nhận dạng trạng thái không bình thường (tiền cố) trạng thái cố sớm nhanh tốt để có biện pháp xử lý kịp thời Trong trường hợp hệ thống liên tục giám sát chẩn đoán nhanh cố, dự báo cố phát trạng thái tiền cố cần thiết Phương pháp kinh điển giám sát trạng thái làm việc máy biến áp sử dụng relay mạch điện - điện tử Các phương pháp sử dụng tương đối phổ biến thu kết định, nhiên chúng không đáp ứng toàn yêu cầu kỹ thuật cho loại cố khác nhau, đặc biệt với yêu cầu dự báo nhận dạng trạng thái tiền cố Trong năm gần đây, với phần mềm máy tính vi xử lý mạnh với phát triển mô hình mạng thần kinh nhân tạo, phương pháp giám sát chẩn đoán cố máy biến áp theo hướng áp dụng mạng thần kinh ngày phát triển Bên cạnh đó, mạng neural có ưu điểm đơn giản cấu trúc liên hệ biến đầu vào kết đầu Mối quan hệ ma trận đầu vào ma trận kết số hệ phương trình cố định mà mối liên kết có cấu trúc, phi tuyến điều chỉnh liên tục trình học mạng nên dễ dàng xây dựng cấu trúc mạng để hình thành biên giới ổn định phân chia trạng thái lỗi không lỗi Ngoài ra, với mô hình mạng thần kinh xây dựng dựa việc phân tích nồng độ khí phát sinh dự báo cố, nhận dạng trạng thái tiền cố để có biện pháp thích hợp trước cố thật xảy ra, từ đó, giảm tối đa tổn thất kinh tế 1.2 Mục tiêu nhiệm vụ luận án end; end; end; end; end; resulR(:,4:6)=T1(:,7:9); resulR err = resulR(:,4:6)-resulR(:,1:3) % calculator resul [m,n] = size(err); % n=3 and m=24 number of wrong resul is k k = 0; for i=1:m for j=1:n z=abs(err(i,j)); if z > 0.4 k = k + 1; err(i,:)=0; end end end disp('Right resul in percent'); percentage = ((m-k)/m)*100 - 59 - Phuï luïc Phuï luïc tiêu chuẩn IEC 599-1978 Code Rang of rations 3.0 C2H2/ C2H4 R2 1 CH4/ H2 R1 2 C2H4/ C2H6 R5 0 Fault Types Normal (no fault) Typical phenomena 0 1 to to Discharge of high energy (see note 1) Thermal fault of low temperature 700oC (See note 4) 0 0 2 Patial discharge of low energy density Patial discharge of high energy density Discharge of low energy (see note 1) 0 (but not significant) Normal aging Discharge in gas filled cavities resulting from incomplete impregnation or supersatuaration or cavitation or high humidity As above, but leading to tracking or perforation of solid insualation Continuous sparking in oil between bad connections of different potential Breakdown of oil between solid insulation Discharges with power follow-though Arcing-breakdown of oil between wingdings or coils or between coils to ground Selector breaking current General insulation conductor overheating Local overheating of the core due to concentration of flux Increasing hot spot temperature; varying from small hot spot in the core, shorting links in the core, overheating of copper due to eddy bad contacts/joints (pyrolytic carbon formation) up to core and tank circulating currents Note 1: For purpose of this table, there will be a tendency for ratio C2H2/C2H4 to rise from 0.1 to 3.0 to above 3.0, and for the ratio C2H4/C2H6 from a value between 0.1 and 3.0 as the spark develops in density Note 2: In this case the gas come mainly from the decomposition of solid insulation This explains the ratio C2H4/C2H6 Note 3: The fault condition is normally indicated by increasing gas concentrations Ratio CH4/H2 is normally about 1.0; the actual value is dependent on many factors such as design of oil preservation system, actual level of temperature and oil quality Note 4:An increased value of C2H2 may indicate that the hot spot temperature is higher than 1000oC 60 Phuï luïc Phuï luïc % % Fualt transformer dianogsis programing use IEC 599 standard % QUACH THANH HAI 02-04-2002 % COPYRIGHT 2002- QUACH THANH HAI % %======================================================= % ====================================================== % This program is used to diagnosis fault in transformer % with IEC 599 standard five input are used is H2, CH4, % C2H2, C2H4 and C2H6 all status are suplied in test.txt % ====================================================== % open file test.txt and load data to PT1 (9x24) and T1(24x9) fid = fopen('C:\MATLABR12\work\test.txt','rt'); % read with 24 columns ( for 24 samples) PT1 = fscanf(fid,'%f',[9 inf]); T1 = PT1'; fclose('all'); [m,n] = size(PT1(:,:)); resulIEC=[]; % m is the number of colums and n is the number of rows % of T1 matrix m=9 and n=24 for i=1:n %====================================================== % caculator the values to compare %====================================================== % ratio R2 if T1(i,4)=0.1*T1(i,5)) & (T1(i,4)goal % The new neural network is created net = newff(PR,[S1 S2],{TF1 TF2},BTF,BLF,PF); % TRAIN THE NETWORK %================== % Training parameters % For each training method the default parameters should be seen by train***('pdefaults') net.trainParam.show = 10; net.trainParam.epochs = 100; net.trainParam.min_grad = 1e-6; net.trainParam.max_fail = 5; net.trainParam.mc=0.9; net.trainParam.lr=0.003; net.trainParam.goal = goal; if (prod(size(net.trainParam.goal))==0) net.trainParam.goal = 0.04; end % Training progress % TRAINING RECORD %NET - Trained network % TR - Training record of various values over each epoch: % TR.epoch - Epoch number % TR.perf - Training performance % TR.vperf - Validation performance % TR.tperf - Test performance % TR.mu - Adaptive mu value tic; [net,tr] = train(net,PT(1:6,:),PT(7:9,:)); toc - 67 - Phuï luïc %SAVE THE NET %============ save('C:\MATLABR12\work\thesis.mat','net'); % check stop condition disp('Neural network output'); Y = sim(net,PT(1:6,:)) disp('Required output'); T(:,7:9) Y' disp('Error'); err = T(:,7:9)-Y' tam=mse(err) %clc if tam>goal S1=S1+1 end end disp('number neural in hidden layer is:') S1 - 68 - Phuï luïc Phuï luïc % % TRAINING NEURAL NETWORK PROGRAM % QUACH THANH HAI 02-04-2002 % COPYRIGHT 2002- QUACH THANH HAI % % BACKPROPAGATION NEURAL NETWORK % WITH INPUTS, OUTPUTS %======================================================= % ====================================================== % This program is used to train the net that was created % in "NUMBER OF HIDDEN REURAL DEFINITE PROGRAM" and % definite number of training-epochs due the net not fell %overfit status %======================================================= opendata; prodata; load('C:\MATLABR12\work\thesis.mat','net'); % ====================================================== % net init % Input and output % fid = fopen('C:\MATLABR11\work\mau42.txt','r'); % PT = fscanf(fid,'%f',[9 inf]); % fclose('all'); % T=PT'; % d=T; % T=d; % ====================================================== PT=T'; % THE NEURAL NETWORK IN A PRE-DEFINE STRUCTURE %======================================================= % NEWFF(PR,[S1 S2 SNl],{TF1 TF2 TFNl},BTF,BLF,PF) takes, % PR - Rx2 matrix of and max values for R input elements % Si - Size of ith layer, for Nl layers % TFi - Transfer function of ith layer, default = 'tansig' % BTF - Backprop network training function, default = 'trainlm' % BLF - Backprop weight/bias learning function, default = 'learngdm' - 69 - Phuï luïc % PF - Performance function, default = 'mse' % The max and values of input elements, co the lay PR = minmax(P) %[R,Q] = size(PT(1:6,:)); %P = (PT(1:6,:)); %[S2,Q] = size(PT(7:9,:)); %T= (PT(7:9,:)); %PR = zeros(R,2); %PR(:,1) = 0; %PR(:,2) = 1; % Number of neurons in hidden layer S1 % Transfer function for layers: TANSIG, LOGSIG,HARDLIM or PURELIN %TF1 = 'tansig'; %TF2 = 'logsig'; % Procedure of training: TRAINLM, TRAINBFG, TRAINRP, TRAINGD, TRAINBR % TRAINCGB TRAINCGF TRAINCGP TRAINGDA TRAINGDM TRAINGDX TRAINOSS TRAINRP % TRAINSCG TRAIN or TRAINWB %BTF = 'trainlm'; % Backprop weight/bias learning function: LEARNGD, or LEARNGDM %BLF = 'LEARNGDM'; % Performance function: MSE or MSEREG %PF = 'MSE'; % The new neural network is created %net = newff(PR,[S1 S2],{TF1 TF2},BTF,BLF,PF); %======================================================= percentage=1; percenold=0; a=1; while (percentage-percenold>=0) { (net.trainParam.min_grad >=1e-9)} %======================================================= % TRAIN THE NETWORK % Training parameters % For each training method the default parameters should be seen by train***('pdefaults') load('C:\MATLABR12\work\thesis.mat','net'); net.trainParam.show = 10; net.trainParam.epochs = 300; net.trainParam.min_grad = 1e-9; net.trainParam.max_fail = 5; net.trainParam.mc=0.9; net.trainParam.lr=0.003; - 70 - Phuï luïc net.trainParam.goal = 0.01; % Training progress % TRAINING RECORD % NET - Trained network % TR - Training record of various values over each epoch: % TR.epoch - Epoch number % TR.perf - Training performance % TR.vperf - Validation performance % TR.tperf - Test performance % TR.mu - Adaptive mu value [net,tr] = train(net,PT(1:6,:),PT(7:9,:)); save('C:\MATLABR12\work\thesis.mat','net'); %TEST THE NERURON NETWORK %======================================================= %disp('TESTING THE TRAINED NEURAL NETWORK'); load('C:\MATLABR12\work\thesis.mat','net'); %Load the test data fid = fopen('C:\MATLABR12\work\mau_48.txt','rt'); % read with 24 columns ( for 24 samples) PT1 = fscanf(fid,'%f',[9 inf]); T1 = PT1'; fclose('all'); %Simulation disp('Neural network output'); Y1 = sim(net,PT1(1:6,:)) disp('Required output'); T1(:,7:9) Y1' disp('Error'); err = T1(:,7:9)-Y1' % calculator resul [m,n] = size(err); % n=3 and m=24 number of wrong resul is k k = 0; for i=1:m for j=1:n z=abs(err(i,j)); if z > 0.4 - 71 - Phuï luïc k = k + 1; err(i,:)=0; end end end disp('right resul in percent'); percenold=percentage; percentage = ((m-k)/m)*100 if percentage-percenold>=0 save('C:\MATLABR12\work\thesis.mat','net'); a=a+1; end end a - 72 - LÝ LỊCH TRÍCH NGANG Họ tên: Quách Thanh Hải Giới tính: Nam Ngày, tháng, năm sinh: 20 – 05 – 1972 Nơi sinh: Ninh Bình Dân tộc: Kinh Tôn giáo: không Địa kiện lạc: 39/17/a2 Đường Kênh Hiệp Tân, P.20, Quận Tân Bình, Tp.HCM QUÁ TRÌNH ĐÀO TẠO ĐẠI HỌC: Nơi học: Đại Học Sư Phạm Kỹ Thuật Tp.HCM Thời gian: từ 09-1990 đến 07-1995 Ngành học: Điện Khí Hóa Cung Cấp Điện Chế độ học: quy Luận văn tốt nghiệp: Nghiên Cứu, Phân Tích, Thiết Kế Và Lắp Ráp Thử Nghiệm Hệ Thiết Bị Thu Nhận Và Xử Lý Nhiều Đại Lượng Phi Điện Có Ghép Nối Với Máy Vi Tính Người hướng dẫn: PGS.TS.Nguyễn Mộng Hùng Nơi bảo vệ luận án: Bộ môn Điện Khí Hóa Cung Cấp Điện, Trường Đại Học Sư Phạm Kỹ Thuật Tp.HCM QUÁ TRÌNH CÔNG TÁC: Từ năm 1995 đến nay: cán giảng dạy Khoa Điện, Trường Đại Học Sư Phạm Kỹ Thuaät Tp.HCM ... ? ?ỨNG DỤNG MẠNG NEURAL TRONG CHẨN ĐOÁN SỰ CỐ MÁY BIẾN ÁP” II NHIỆM VỤ VÀ NỘI DUNG: Tổng quan chẩn đoán cố máy biến áp Tổng quan mạng neural chẩn đoán cố máy biến áp Xây dựng mạng neural chẩn đoán. .. ƒ Giám sát chẩn đoán cố máy biến áp ƒ Các thông số máy biến áp cần giám sát ƒ Nhận dạng cố máy biến áp 2.1 Giám sát chẩn đoán cố máy biến áp Có khác biệt giám sát chẩn đoán cố máy biến áp Giám... sát chẩn đoán cố máy biến áp 2.1 Giám sát chẩn đoán cố máy biến áp 2.2 Các thông số máy biến áp cần theo dõi 2.3 Cách điện máy biến áp 2.4 Nhận dạng cố máy biến