TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI BÁO CÁO BÀI TẬP LỚN CHUẨN ĐOÁN SỰ CỐ MBA DÙNG PHÂN TÍCH KHÍ HÒA TAN TRONG DẦU MBA Đỗ Văn Tú Tu.dv174315@sis.hust.edu.vn Ngành Kỹ thuật điện Chuyên ngành
Trang 1TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
BÁO CÁO BÀI TẬP LỚN
CHUẨN ĐOÁN SỰ CỐ MBA DÙNG PHÂN TÍCH KHÍ HÒA TAN TRONG DẦU MBA
Đỗ Văn Tú
Tu.dv174315@sis.hust.edu.vn
Ngành Kỹ thuật điện Chuyên ngành Thiết bị Điện- Điện tử
Giảng viên hướng dẫn: TS Nguyễn Thanh Sơn
Bộ môn: Thiết bị Điện- Điện tử
HÀ NỘI, 02/2022
Chữ ký của GVHD
Trang 2MỤC LỤC
CHƯƠNG 1 TỔNG QUAN VỀ PHÂN TÍCH KHÍ HÒA TAN TRONG DẦU
MBA ĐIỆN LỰC 1
1.1 Các lỗi tiềm ẩn trong máy biến áp 1
Phóng điện cục bộ (PD – Partial Discharge) 1
Phóng điện năng lượng thấp (phát ra tia lửa) 1
Phóng điện năng lượng cao (hồ quang) 2
Quá nhiệt (Thermal Fault) 2
1.2 Một số phương pháp sử dụng trong chẩn đoán lỗi MBA 2
Phương pháp tam giác Duval 2
Phương pháp tỉ số Doernenburg 3
Phương pháp tỉ số Roger 4
CHƯƠNG 2 PHƯƠNG PHÁP TAM GIÁC DUVAL CHẨN ĐOÁN LỖI TRÊN MATLAB 5
2.1 Mô tả 5
2.2 Code Matlab 5
2.3 Kết quả chạy với bộ dữ liệu dga_data_240.txt 8
CHƯƠNG 3 PHƯƠNG PHÁP MẠNG NEURAL NETWORK CHẨN ĐOÁN LỖI TRÊN MATLAB 9
3.1 Giới thiệu chung về mạng noron nhân tạo (ANN) 9
3.2 Mô tả 9
3.3 Xây dựng mạng Neural Network 9
3.4 Code Matlab 10
3.5 Kết quả chạy với bộ dữ liệu dga_data_240.txt 11
Trang 3DANH MỤC HÌNH VẼ
Hình 1.1: Tam giác Duval 3
DANH MỤC BẢNG BIỂU Bảng 1.1: Phân loại lỗi trong tam giác Duval 3
Bảng 1.2: Phân loại lỗi theo tỉ số Doernenburg 4
Bảng 1.3: Phân loại lỗi theo tỉ số Roger 4
Bảng 2.1 : Kết quả của tam giác Duval 8
Bảng 3.1: Kết quả kiểm tra của mạng neural nhân tạo 11
Trang 41
CHƯƠNG 1 TỔNG QUAN VỀ PHÂN TÍCH KHÍ HÒA TAN TRONG
DẦU MBA ĐIỆN LỰC
Phương pháp DGA nhằm mục đích sớm phát hiện ra sự quá nhiệt cục bộ, sự phóng điện… Từ kết quả phân tích lượng khí hòa tan có dầu máy biến áp, ta có thể chẩn đoán được các dạng hư hỏng của máy biến áp DGA có thể phát hiện lỗi mà không cần phải ngắt nguồn điện MBA, được gọi là phương pháp “online” hay trực tuyến DGA này bao gồm các phương pháp khí chính, tổng khí cháy hòa tan, tỉ số Dornemburg, tỉ số Rogers, tam giác Duval, tỉ lệ IEC - 599 Chúng được sử dụng
để phân tích sự nhiễm bẩn khí trong dầu cách điện MBA Ngoài ra, chúng còn xác định được các loại lỗi quá nhiệt cục bộ, phóng điện hồ quang, phóng điện cục bộ cũng như các nguyên nhân gây ra lỗi như ứng suất nhiệt, điện, quá tải, xuống cấp của vật liệu cách điện và dầu trong MBA
Dưới tác dụng của điện và nhiệt, phần tử hydro – carbon (H – C) của khoáng dầu bị phân hủy thành dạng hydrogen và các liên kết H – C, Các liên kết này kết hợp với nhau tạo ra các khí như hydrogen (H2), methane (CH4), ethane (C2H6), ethylene (C2H4), acetylene (C2H2), CO và CO2 Lượng khí của mỗi chất khí riêng biệt phụ thuộc vào nhiệt độ ở lân cận các điểm chịu tác dụng
1.1 Các lỗi tiềm ẩn trong máy biến áp
Các lỗi tiềm ẩn của MBA có thể được phân loại thành các dạng chính sau: hồ quang điện, vầng quang điện, phóng điện cục bộ, quá nhiệt xenlulo, quá nhiệt của dầu Mức năng lượng do các sự cố này gây ra xếp theo thứ tự từ cao đến thấp như sau: Hồ quang → Quá nhiệt → Vầng quang
Phóng điện cục bộ (PD – Partial Discharge)
Hiện tượng PD - Phóng điện cục bộ (Partial Discharge) là hiện tượng phóng điện một phần nhỏ trong vật liệu cách điện của các thiết bị trung và cao thế PD là kết quả của sự phá huỷ về điện được hình thành do có các khe hở không khí bên trong lớp cách điện Theo hiệp hội phòng chống cháy nổ (NFFA 70B), nguyên nhân cơ bản của những sự cố về điện ở thiết bị điện trung và cao thế là do hư hỏng
về lớp cách điện Trong các thiết bị trung và cao thế, PD là tín hiệu nhận biết của
hư hỏng lớp cách điện Không như hiện tượng phóng điện vầng quang (Corona Discharge) có thể nhận biết được ở bên ngoài vật liệu cách điện, thì phóng điện cục bộ xảy ra bên trong và không thể nhận ra được
Phóng điện cục bộ có thể xảy ra trong cách điện chất khí, lỏng hoặc rắn Nó thường xảy ra bên trong các bóng khí, khoảng hở cách điện trong cách điện epoxy hay bong bóng khí trong dầu máy biến áp Phóng điện cục bộ trong thời gian dài
có thể dẫn đến hao mòn cách điện và cuối cùng gây ra hiện tượng chạm chập bên trong cách điện
Phóng điện năng lượng thấp (phát ra tia lửa)
Phóng điện năng lượng thấp xảy ra trong dầu hoặc giấy cách điện, biểu hiện chính là các lỗ thủng carbon hóa lớn (lỗ kim), do sự carbon hóa (cháy thành than) trên bề mặt giấy cách điện hay sự xuất hiện các hạt carbon trong dầu máy biến áp
Trang 52
Phóng điện năng lượng cao (hồ quang)
Phóng điện năng lượng cao cũng xảy ra trong dầu hoặc giấy cách điện, biểu hiện chính là bị phá hủy, carbon hóa của giấy cách điện, hay sự nóng chảy kim loại
ở các cực phóng điện và xuất hiện lượng lớn carbon trong dầu Trong một số trường hợp, thiết sẽ ngừng hoạt động khi có dòng điện lớn chạy qua
Quá nhiệt (Thermal Fault)
• Quá nhiệt loại 1 (T1)
Xảy ra ở nhiệt độ dưới 300°C, làm cho giấy cách điện chuyển sang màu nâu
• Quá nhiệt loại 2 (T2)
Xảy ra ở nhiệt độ trên 300°C và dưới 700°C, làm carbon hóa giấy cách điện
và hình thành các hạt carbon trong dầu
• Quá nhiệt loại 3 (T3)
Xả ra ở nhiệt độ trên 700°C, hình thành lượng lớn carbon trong dầu, chuyển sang màu kim loại (ở 800°C) và làm nóng chảy kim loại (ở 1000°C)
1.2 Một số phương pháp sử dụng trong chẩn đoán lỗi MBA
Khi thực hiện phân tích, người ta sẽ thực hiện đo đạc và đánh giá các số liệu
về nồng độ của các khí H2, CH4, C2H2, C2H4, C2H6, CO, CO2 dưới đơn vị là ppm (parts per milion)
Phương pháp tam giác Duval
Phương pháp này sử dụng thông số của ba khí là CH4, C2H2, C2H4, thực hiện các tính toán tỉ số phần trăm của mỗi khí trong tổng ba khí như sau:
4 4
4 2 4 2 2
%CH CH
=
+ +
2 4
2 4
4 2 4 2 2
%C H C H
=
+ +
2 2
2 2
4 2 4 2 2
%C H C H
=
+ +
Đối chiếu với tam giác Duval ta thu được lỗi trong máy biến áp như sau:
Trang 63
Hình 1.1: Tam giác Duval
Trong tam giác Duval có 7 miền tương ứng với 7 loại lỗi như sau:
T2 Lỗi nhiệt từ 300oC – 700oC 5
Bảng 1.1: Phân loại lỗi trong tam giác Duval
Phương pháp tỉ số Doernenburg
Phương pháp tỉ số Doernenburg phân loại lỗi của máy biến áp thông qua 5 khí H2, CH4, C2H2, C2H4, C2H6:
Bước 1: tính tỉ số của các khí
4 1
2
CH x H
= ; 2 2
2
2 4
C H x
C H
= ; 2 2
3
2 4
C H x
C H
= ; 2 6
4
2 2
C H x
C H
=
Bước 2: thu hẹp giá trị tỉ số
( )
1 log10 1
y = x ,y2 =log10( )x2 ,y3 =log10( )x3 ,y4 =log10( )x4
Bước 3: chuẩn hóa các giá trị từ 0-1
Trang 74
( )
1
min
z
−
=
( )
2
min
z
−
=
( )
3
min
z
−
=
( )
4
min
z
−
=
− Bước 4: đối chiếu với bảng phân loại mã lỗi (bao gồm 3 lỗi: nhiệt, phóng điện cục
bộ PD và hồ quang)
>1 <0.75 <0.3 >0.4 Thermal
<0.1 N/A <0.3 >0.4 PD
0.1-1 >0.75 >0.3 <0.4 Arcing
Bảng 1.2: Phân loại lỗi theo tỉ số Doernenburg
Phương pháp tỉ số Roger
Phương pháp này sử dụng 3 tỉ số:
4 1
2
CH x H
= ; 2 2
2
2 4
C H x
C H
= ; 2 4
5
2 6
C H x
C H
=
Thu hẹp giá trị:
( )
1 log10 1
y = x ,y2 =log10( )x2 ,y5 =log10( )x5 Chuẩn hóa các giá trị:
( )
1
min
z
−
=
( )
2
min
z
−
=
( )
5
min
z
−
=
− Các lỗi được đối chiếu và phân chia thành 6 lỗi như sau:
>0.1-1 <0.1 <1 Normal degradation
<0.1 <0.1 <1 PD
0.1-1 0.1-3 >3 Arcing
>0.1-1 <0.1 1-3 Low temperature thermal
>1 <0.1 1-3 Thermal <700 C
>1 <0.1 >3 Thermal >700 C
Bảng 1.3: Phân loại lỗi theo tỉ số Roger
Trang 85
CHƯƠNG 2 PHƯƠNG PHÁP TAM GIÁC DUVAL CHẨN ĐOÁN LỖI
TRÊN MATLAB 2.1 Mô tả
Ta sử dụng bộ dữ liệu bao gồm 240 dữ liệu để áp dụng phương pháp tam giác Duval Trong đó sẽ có 5 loại lỗi như bao gồm:
• Phóng điện cục bộ (PD): mã Code 1
• Phóng điện năng lượng thấp (D1): mã Code 2
• Phóng điện năng lượng cao (D2): mã Code 3
• Lỗi nhiệt độ dưới 300oC: mã Code 4
• Lỗi nhiệt độ từ 300oC – 700oC: mã Code 5
• Lỗi nhiệt độ trên 700oC: mã Code 6
2.2 Code Matlab
clc;
clear;
load dga_data_240.txt;
x1 = dga_data_240(:,1);
x2 = dga_data_240(:,2);
x3 = dga_data_240(:,3);
t = dga_data_240(:,4);
True_Predicted = 0;
for i = 1:size(x1,1);
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted = True_Predicted + 1;
end
end
Accuracy = True_Predicted/size(x1,1)*100;
True_Predicted_PD = 0;
M = 1;
N = 27;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_PD = True_Predicted_PD + 1;
end
Trang 96
end
Accuracy_PD = True_Predicted_PD/(N-M+1)*100;
True_Predicted_D1 = 0;
M = 28;
N = 69;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_D1 = True_Predicted_D1 + 1;
end
end
Accuracy_D1 = True_Predicted_D1/(N-M+1)*100;
True_Predicted_D2 = 0;
M = 70;
N = 124;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_D2 = True_Predicted_D2 + 1;
end
end
Accuracy_D2 = True_Predicted_D2/(N-M+1)*100;
True_Predicted_T1 = 0;
M = 125;
N = 194;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_T1 = True_Predicted_T1 + 1;
end
end
Accuracy_T1 = True_Predicted_T1/(N-M+1)*100;
Trang 10
7
True_Predicted_T2 = 0;
M = 195;
N = 212;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_T2 = True_Predicted_T2 + 1;
end
end
Accuracy_T2 = True_Predicted_T2/(N-M+1)*100;
True_Predicted_T3 = 0;
M = 213;
N = 240;
for i = M:N;
y(i) = Duval_DGA(x1(i),x2(i),x3(i));
if y(i) == t(i)
True_Predicted_T3 = True_Predicted_T3 + 1;
end
end
Accuracy_T3 = True_Predicted_T3/(N-M+1)*100;
plot(Accuracy_PD);
y_Duval = y';
t_True = t;
yt = [y_Duval t_True];
Trang 118
2.3 Kết quả chạy với bộ dữ liệu dga_data_240.txt
Ký hiệu Loại lỗi Code Số lượng
mẫu
Độ chính xác (%)
D1 Phóng điện năng lượng thấp 2 42 64.29
T2 Lỗi nhiệt từ 300oC – 700oC 5 18 66.67
Bảng 2.1 : Kết quả của tam giác Duval
Nhận xét: Ta thấy kết quả bộ dữ liệu khi sử dụng tam giác Duval là không hiệu
quả, độ chính xác đạt được tương đối thấp
• Đối với lỗi phóng điện cục bộ PD và lỗi nhiệt trên 700oC thì không có bất
cứ mẫu nào được dự đoán chính xác
• Trong số 240 mẫu đưa vào thì chỉ dự đoán chính xác được khoảng 43.33%,
độ chính xác đưới 50%
Trang 129
CHƯƠNG 3 PHƯƠNG PHÁP MẠNG NEURAL NETWORK CHẨN
ĐOÁN LỖI TRÊN MATLAB 3.1 Giới thiệu chung về mạng noron nhân tạo (ANN)
Có một số kỹ thuật phân tích khí hòa tan như tiêu chuẩn IEEE, tiêu chuẩn IEC 60599, tỷ lệ Rogers, tỷ lệ Doernenburg và phương pháp tam giác Duval Tuy nhiên các phương pháp này không liên quan đến bất kỳ công thức toán học nào và việc giải thích dựa trên phương pháp đánh giá thực nghiệm, kết quả có thể khác nhau dựa trên kinh nghiệm của người phân tích, dẫn đến kết quả phân tích không đáng tin cậy Để khắc phục nhược điểm trên, các mô hình tính toán sử dụng Trí tuệ nhân tạo đã được sử dụng để phân tích lỗi ban đầu trong máy biến áp, ví dụ như Mạng noron nhân tạo (ANN), Phương pháp Logic mờ Trong báo cáo này, ta
sẽ sử dụng Mạng noron nhân tạo (ANN) được chẩn đoán lỗi ban đầu của máy biến
áp Mạng ANN là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của
hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các Nơron được gắn kết để
xử lý thông tin ANN giống như bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (tri thức)
và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết (unseen data) ANN học bằng các ví dụ hay nói cách khác là tự học, tự nghiên cứu và tự điều chỉnh Nó có thể được đào tạo với ví dụ đã biết về một vấn đề để thu thập kiến thức và kinh nghiệm Sau khi được huấn luyện, mạng có thể được sử dụng để giải quyết các vấn đề chưa biết, bao gồm cả những vấn đề mới mà chuyên gia con người chưa biết Trong báo cáo này, ta sẽ sử dụng mạng nơ-ron lan truyền đa lớp Feed – Forward, nó bao gồm 3 lớp: lớp đầu vào, lớp ẩn và lớp đầu ra
3.2 Mô tả
Sau khi sử dụng phương pháp tỉ số Dornenburg ta có được ma trận đầu vào cho mạng
Mạng neural ban đầu sẽ sử dụng một bộ dữ liệu có mẫu và có đầu ra đúng tương ứng để huấn luyện mạng tìm ra bộ trọng số và hệ số học tối ưu nhất ứng với sai số cho trước Từ bộ trọng số và hệ số học tối ưu tìm được sẽ được dùng để chuẩn đoán lỗi cho bộ 240 mẫu yêu cầu
Sử dụng tool netlab nên các thành phần của mạng được lập trình sẵn, chỉ cần khởi tạo các giá trị ban đầu cho mạng neural
3.3 Xây dựng mạng Neural Network
Thiết lập các thông số mạng:
− Số đầu vào: nin = 4
− Số nút của lớp ẩn: nhidden = 5
− Số đầu ra: nout = 5
− Hệ số học và các trọng số để cập nhật lại hệ số học: alpha = aw1 = ab1 = aw2 = ab2 = 0.01
Trang 1310
• Tạo và khởi tạo vector trọng lượng mạng: Sử dụng 2 hàm con của tool netlab là: mlpprior () và mlp ()
• Thiết lập vector của các tùy chọn cho trình tối ưu hóa:
− options = foptions : Vector tùy chọn mặc định
− options(1) = 0; : Hiển thị giá trị lỗi
− options(2) = 1.0e-5 : Độ chính xác tuyệt đối cho các tham chiếu
− options(3) = 1.0e-5 : Độ chính xác cho chức năng mục tiêu
− options(14) = 3000 : Số chu kỳ đào tạo trong vòng lặp bên trong
Sử dụng các trọng số sau khi training để dùng với bộ dữ liệu 240 mẫu: Sử dụng các hàm con để chạy trên dữ liệu 240 mẫu: netopt (), mlpfwd ()
3.4 Code Matlab
clc;
clear;
load Doernenburg_training_data.txt;
load Doernenburg_testing_data.txt;
X1 = Doernenburg_training_data(:,1:4);
T1 = Doernenburg_training_data(:,5:9);
X2 = Doernenburg_testing_data(:,1:4);
T2 = Doernenburg_testing_data(:,5:9);
% Set up network parameters
nin = 4; % Number of inputs
nhidden = 5; % Number of hidden units
nout = 5; % Number of outputs
alpha = 0.01; % Initial prior hyperparameter
aw1 = 0.01;
ab1 = 0.01;
aw2 = 0.01;
ab2 = 0.01;
% Create and initialize network weight vector
prior = mlpprior(nin, nhidden, nout, aw1, ab1, aw2, ab2);
net = mlp(nin, nhidden, nout, 'softmax', prior);
% Set up vector of options for the optimiser
options = foptions; % Default options vector
options(1) = 0; % This provides display of error values
options(2) = 1.0e-5; % Absolute precision for weights
Trang 1411
options(3) = 1.0e-5; % Precision for objective function
options(14) = 3000; % Number of training cycles in inner loop
[net] = netopt(net, options, X1, T1, 'scg');
Y2 = mlpfwd(net, X2);
[C,rate] = confmat(Y2,T2)
save('trained_net.mat','net');
3.5 Kết quả chạy với bộ dữ liệu dga_data_240.txt
Ký hiệu Loại lỗi Code Số lượng
mẫu
Độ chính xác (%)
D1 Phóng điện năng lượng thấp 01000 42 4.76 D2 Phóng điện năng lượng cao 00100 55 1.81 T1 & T2 Lỗi nhiệt dưới 700oC 00010 88 10.23
Bảng 3.1: Kết quả kiểm tra của mạng neural nhân tạo
Nhận xét: Ta thấy kết quả bộ dữ liệu sau khi test qua mạng Neural Network có độ
chính xác không cao
