- Trang Chủ
- Điện - Điện tử
- Ứng dụng mạng nơ ron nhân tạo trong chẩn đoán lỗi cho máy biến áp lực tại truyền tải điện Kon Tum – Công ty truyền tải điện 2 (PTC2)
Xem mẫu
- 84 Lê Tiến Dũng, Lê Phước Lộc, Đồng Hoàng Bin, Hà Ngọc Chính, Nguyễn Quốc Huy, Huỳnh Ngọc Khoa
ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO TRONG CHẨN ĐOÁN LỖI CHO
MÁY BIẾN ÁP LỰC TẠI TRUYỀN TẢI ĐIỆN KON TUM –
CÔNG TY TRUYỀN TẢI ĐIỆN 2 (PTC2)
APPLICATION OF ARTIFICIAL NEURAL NETWORK IN FAULT DIAGNOSISFOR
POWER TRANSFORMER AT KONTUM POWER TRANSMISSION -
POWER TRANSMISSION COMPANY No. 2 (PTC2)
Lê Tiến Dũng1, Lê Phước Lộc2, Đồng Hoàng Bin2, Hà Ngọc Chính2, Nguyễn Quốc Huy3, Huỳnh Ngọc Khoa4
1
Trường Đại học Bách khoa - Đại học Đà Nẵng; ltdung@dut.udn.vn
2
Sinh viên Lớp 15TDHCLC, Trường Đại học Bách khoa - Đại học Đà Nẵng;
phuoclocbk97@gmail.com; dhbin252@gmail.com
3
Công ty Truyền tải Điện 2; huynguyenk41@gmail.com
4
Trường Cao đẳng Bình Định; ngockhoa.net@gmail.com
Tóm tắt - Ngày nay, nhu cầu truyền tải điện ngày càng tăng và các Abstract - Nowadays the demand of electricity transmission is
vấn đề từ thiên tai, khí hậu làm ảnh hưởng đến tuổi thọ hoạt động increasing and the problems from natural disasters and climate have
của máy biến áp (MBA) trong các trạm biến áp của lưới điện truyền affected the operation life of transformers in substations of transmission
tải. Do đó, việc liên tục giám sát và chẩn đoán lỗi trong MBA là vấn grid. Therefore, it is imperative to continuously monitor and fault diagnose
đề cấp thiết. Bài báo này thực hiện xây dựng mô hình toán học tổng in power transformers. In this paper, the general mathematical model of
quát của MBA lực có xét đến các yếu tố lỗi xảy ra trong MBA. Trên a power transformer is established considering the faults. Based on this,
cơ sở đó đề xuất một giải pháp ứng dụng kết hợp giữa mô hình toán a method of fault diagnosis for power transformers is proposed with the
học với mạng nơ-ron nhân tạo để chẩn đoán lỗi. Các dữ liệu đầu vào mathematical model combined with an artificial neural network. The input
của mô hình toán và mạng nơ-ron nhân tạo có thể thu được bởi các data of the mathematical model and artificial neural network can be
thiết bị đo trong trạm biến áp của lưới điện truyền tải. Sơ đồ giải pháp obtained by measuring devices in the substation of the transmission grid.
của bài báo cũng nhằm để ứng dụng tích hợp vào hệ thống SCADA The solution diagram of this paper is also for integration into the SCADA
của trạm biến áp 220kV của Truyền tải điện Kontum thuộc Công ty system of 220kV substations of Kontum Power Transmission- Power
truyền tải điện 2 (PTC2). Để kiểm nghiệm sự hiệu quả của thuật toán, Transmission Company No.2 (PTC2). To verify the effectiveness of the
các mô phỏng được thực hiện trên phần mềm Matlab. proposed algorithm, the simulations are performed on Matlab software.
Từ khóa - Máy biến áp lực; mô hình toán học; thuật toán chẩn Key words - Power Transformer; Mathematical model; Fault diagnosis
đoán lỗi; mạng nơ-ron nhân tạo; mô hình hóa mô phỏng. algorithm; Artificial Neural Network; Modelling and Simulation.
1. Đặt vấn đề Mặt khác, các thuật toán đề xuất ở các công trình đi trước
Trong hệ thống điện, máy biến áp là thành phần quan chưa phù hợp để có thể sử dụng cho trường hợp cụ thể tại
trọng và cơ bản nhất trong việc chịu trách nhiệm để truyền các trạm biến áp của hệ thống truyền tải điện tại Việt Nam.
tải điện và chuyển đổi điện áp. Mặc dù với cấu tạo chắc Trong bài báo này, nhóm tác giả đề xuất một giải pháp
chắn bên trong lẫn bên ngoài, sự cố máy biến áp vẫn liên chẩn đoán lỗi cho máy biến áp lực với mục đích tích hợp
tục xảy ra. Trong khi đó, nguyên nhân cao dẫn đến lỗi vào hệ thống SCADA hiện hữu tại các trạm biến áp 220kV
thường xảy ra do thiết kế, sản xuất, công nghệ, vật liệu của tại truyền tải điện Kontum, thuộc Tổng Công ty Truyền tải
máy biến áp và ảnh hưởng của thiên tai, ... Do đó, điều quan Điện 2 (PTC2). Trước hết, mô hình toán học của máy biến
trọng là phải dự báo và chẩn đoán lỗi máy biến áp trong áp được xây dựng, trong đó có xét đến mô hình toán học
thời gian thực để kịp thời ngăn chặn và xử lýnhằm đảm bảo của các trạng thái lỗi. Một mô hình toán học cụ thể sẽ giúp
sự hoạt động liên tục, tin cậy của máy biến áp lực. Trong cho việc tính toán được tin cậy và khả thi, trong đó có các
thời gian gần đây, với sự phát triển của khoa học công biến số được đo trực tuyến bằng các cảm biến hiện hữu tại
nghệ, trí tuệ nhân tạo và hệ thống SCADA đã được ứng trạm, bớt lệ thuộc vào các tính toán dựa trên kinh nghiệm.
dụng trong việc giám sát trực tuyến và chẩn đoán lỗi của Tuy nhiên, mô hình toán học không đủ để mô tả chính xác
máy biến áp lực trong các công ty truyền tải điện. hoàn toàn đối tượng thật, đặc biệt là khi có sự biến thiên
Đã có nhiều giải pháp được các công trình nghiên cứu của tham số. Vì vậy, mạng nơ-ron nhân tạo được sử dụng
đi trước công bố liên quan đến vấn đề chẩn đoán lỗi trong thêm vào để tăng độ chính xác chẩn đoán lỗi.
máy biến áp lực ứng dụng trí tuệ nhân tạo; trong đó có thể
2. Xây dựng mô hình toán học
kể đến các công trình nghiên cứu điển hình như ứng dụng
logic mờ kết hợp mạng nơ-ron [1], tổng quan lại và so sánh 2.1. Mô hình toán học tổng quát máy biến áp
các phương pháp ứng dụng mạng nơ-ron nhân tạo để chẩn • Theo lý thuyết về máy biến áp, chúng ta có phương
đoán lỗi dựa trên phân tích khí [2], ứng dụng mạng nơ-ron trình mô tả toán học ở dạng ma trận [7]:
kết hợp với phân tích xác suất thống kê [3], ứng dụng thuật 𝑢 = 𝐿. 𝑖 (1)
toán deep-learning [4],… Tuy nhiên, các công trình nghiên
cứu đi trước này hầu hết đều đòi hỏi khối lượng tính toán lớn Trong đó, 𝑢 là vector điện áp, 𝑖 là vector dòng điện,
và chưa thích hợp cho việc giám sát trực tuyến máy biến áp. L là giá trị độ tự cảm.
- ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 18, NO. 7, 2020 85
Với 𝑢 = 𝑢𝑟 − 𝑅. 𝑖 1
[𝐶51 … 𝐶56 ] = 𝑁𝑠2 .𝐴
di 𝐷 2
u = R.i + L. (2) 1
dt [𝐶61 … 𝐶66 ] = 𝑁𝑠3 . 𝐴3
𝐷
𝑢: điện áp sơ cấp hoặc điện áp thứ cấp, 𝑖: dòng điện sơ Trong đó:
cấp hoặc dòng điện thứ cấp. Các thông số trong mô hình
đều là một dãy ma trận như sau [5]: 𝐴1 = [𝑁𝑝1 (𝑅𝑚2 + 𝑅𝑚3 ) 𝑁𝑝2 (−𝑅𝑚2 − 2𝑅𝑚3 ) 𝑁𝑝3 𝑅𝑚3
𝑢𝑇 = [𝑢𝑝1 𝑢𝑝2 𝑢𝑝3 𝑢𝑠1 𝑢𝑠2 𝑢𝑠3 ] (3) 𝑁𝑠1 (𝑅𝑚2 + 𝑅𝑚3 ) 𝑁𝑠2 (−𝑅𝑚2 − 2𝑅𝑚3 ) 𝑁𝑠3 𝑅𝑚3 ]
(4) 𝐴2 = [𝑁𝑝1 𝑅𝑚2 𝑁𝑝2 (𝑅𝑚1 − 𝑅𝑚2 ) 𝑁𝑝3 (−𝑅𝑚1 )
= is 3
T
i i p1 ip2 ip3 is1 is 2
𝑁𝑠1 𝑅𝑚2 𝑁𝑠2 (𝑅𝑚1 − 𝑅𝑚2 ) 𝑁𝑠3 (−𝑅𝑚1 )]
𝑐11 ... 𝑐1𝑚 . . . 𝑐16
⋮ ⋱ ⋮ ⋱ ⋮ 𝐿𝜎𝑝𝑖 𝐴3 = [𝑁𝑝1 (−2𝑅𝑚2 − 𝑅𝑚3 ) 𝑁𝑝2 (−𝑅𝑚1 + 2𝑅𝑚2 + 2𝑅𝑚3 )
𝐿 = 𝑐𝑛1 ... 𝑐𝑛𝑚 . . . 𝑐𝑛6 + 𝐼 [ ⋮ ] (5) 𝑁𝑝3 (𝑅𝑚1 − 𝑅𝑚3 ) 𝑁𝑠1 (−2𝑅𝑚1 − 𝑅𝑚3 )
⋮ ⋱ ⋮ ⋱ ⋮ 𝐿 𝜎𝑠𝑖 + 𝐿𝑏𝑖
⋮ 𝑁𝑠2 (−𝑅𝑚1 + 2𝑅𝑚2 + 2𝑅𝑚3 ) 𝑁𝑠3 (𝑅𝑚1 − 𝑅𝑚3 )]
[𝑐61 ... 𝑐6𝑚 . . . 𝑐66 ]
𝐷 = 𝑅𝑚1 𝑅𝑚2 + 𝑅𝑚2 𝑅𝑚3 + 𝑅𝑚1 𝑅𝑚3
𝑅p1 0 0 0 0 0
2.3. Mô hình toán học máy biến ápkhi bị lỗi
0 𝑅p2 0 0 0 0
0 0 𝑅p3 0 0 0 Theo như công thức (7) đã được nêu ra ở trên, lần này
𝑅= (6) Fu và Fi khôngcòn bằng 1 nữa mà thay vào đó là các tham
0 0 0 𝑅s1 0 0 số lỗi. Tuy nhiên, trong bài báo này, chúng ta chỉ tìm hiểu
0 0 0 0 𝑅s2 0 về phương thức mà tài liệu tham khảo [6] đã cung cấp để
[ 0 0 0 0 0 𝑅s3 ] tìm được mô hình lỗi của máy biến áp lực.
• Tiếp theo ta có được mô hình tổng quát máy biến áp: Sử dụng phương pháp đối xứng từng phần, ta sẽ có các
𝑢𝑓 =
𝐹𝑢
(𝑅. 𝑖𝑓 + 𝐿.
𝑑𝑖𝑓
) (7) hệ véctơ sau:
𝐹𝑖 𝑑𝑡
- Hệ thống véctơ thứ tự thuận: ia1, ib1,ic1;
Tùy vào tình trạng hoạt động của máy biến áp, ta có các
- Hệ thống véctơ thứ tự nghịch: ia2, ib2,ic2;
thông số Fu và Fi khác nhau. Ma trận của các thông số có
dạng sau: - Hệ thống véctơ thứ tự không: ia0, ib0,ic0.
𝐹𝑢 𝑇 = [𝐹𝑢𝑝1 𝐹𝑢𝑝2 𝐹𝑢𝑝3 𝐹𝑢𝑠1 𝐹𝑢𝑠2 𝐹𝑢𝑠3 ] (8) Theo điều kiện phân tích ta có:
𝐹𝑖 𝑇 = [𝐹𝑖𝑝1 𝐹𝑖𝑝2 𝐹𝑖𝑝3 𝐹𝑖𝑠1 𝐹𝑖𝑠2 𝐹𝑖𝑠3 ] (9) - ia = ia1+ia2+ia0;
2.2. Mô hình toán học lúc MBA hoạt động bình thường - ib = ib1+ib2+ib0;
- ic = ic1+ic2+ic0.
Hình 1. Sơ đồ lõi máy biến áp 3 pha
Khi máy biến áp hoạt động bình thường, các thành phần
Fi và Fuđều mang giá trị 1 nên có thể coi rằng: Hình 2. 3 hệ thống véctơ đối xứng
(𝑖𝑎 +𝑖𝑏 +𝑖𝑐 )
Fi = Fu = 1 (10) 𝑖𝑎0 =
3
Từ đó ta thay vào mô hình tổng quát máy biến áp (7) và (𝑖𝑎 +𝑎𝑖𝑏 +𝑎2 𝑖𝑐 )
𝑖𝑎1 = (12)
suy ra được mô hình biến áp hoạt động lúc bình thường là: 3
(𝑖𝑎 +𝑎2 𝑖𝑏 +𝐴𝑖𝑐 )
di {𝑖𝑎2 =
u = R.i + L. (11) 3
𝑣̇ 𝑎 +𝑣̇ 𝑏 +𝑣̇ 𝑐
dt 𝑣̇ 𝑎0 =
3
1
Với: [𝐶11 … 𝐶16 ] = 𝑁𝑝1 𝐴1 𝑣̇ 𝑎 +𝑎𝑣̇ 𝑏 +𝑎2 𝑣̇ 𝑐
𝐷 𝑣̇ 𝑎1 = (13)
3
1 𝑣̇ 𝑎 +𝑎2 𝑣̇ 𝑏 +𝑎𝑣̇ 𝑐
[𝐶21 … 𝐶26 ] = 𝑁𝑝2 𝐴2
𝐷 {𝑣̇ 𝑎2 = 3
1
… 𝐶36 ] = 𝑁𝑝3 𝐴3 • Ta sử dụng định luật ohm để tính toán giá trị trở
[𝐶31
𝐷 kháng (zsc):
1 𝑈𝐻 2
[𝐶41 … 𝐶46 ] = 𝑁𝑠1 . 𝐴1 𝑧𝑠𝑐 = (14)
𝐷 𝑆𝑠𝑐
- 86 Lê Tiến Dũng, Lê Phước Lộc, Đồng Hoàng Bin, Hà Ngọc Chính, Nguyễn Quốc Huy, Huỳnh Ngọc Khoa
• Giá trị tổng trở định mức:
𝑈𝐻 2
𝑧𝑏𝑎𝑠𝑒 = (15)
𝑆𝐻𝑀
• Giá trị tổng trở ngắn mạch:
𝑧𝑠𝑐
𝑧𝑠𝑐@𝑆𝐻𝐿 = = 𝑧𝑠𝑐 (𝑝𝑢) (16)
𝑧𝑏𝑎𝑠𝑒
• Tính toán tổng trở rò rỉ:
𝑧𝐻𝑀 = 𝑋𝑝𝑠 . 𝑝𝑢@. 𝑆𝐻𝑀 = 𝑋𝑝𝑠 (𝑝𝑢) (17)
𝑆𝐻𝑀
𝑧𝐻𝐿 = 𝑋𝑝𝑡 . 𝑝𝑢@. 𝑆𝐻𝐿 = 𝑋𝑝𝑡 (𝑝𝑢) (18)
𝑆𝐻𝐿
𝑆𝐻𝑀
𝑧𝑀𝐿 = 𝑋𝑠𝑡 . 𝑝𝑢@. 𝑆𝑀𝐿 = 𝑋𝑠𝑡 . (𝑝𝑢) (19)
𝑆𝑀𝐿
• Chuyển đổi giá trị trở kháng
1 Hình 5. Sơ đồ tương đương cho lỗi nối đất phía sơ cấp
𝑧𝐻 = (𝑧𝐻𝑀 + 𝑧𝐻𝐿 − 𝑧𝑀𝐿 ) (20)
2
1 Hướng dẫn phương pháp tìm các tham số lỗi bằng
𝑧𝑀 = (𝑧𝐻𝑀 + 𝑧𝑀𝐿 − 𝑧𝐻𝐿 ) (21) phương pháp thành phần đối xứng:
2
1
𝑧𝐿 = (𝑧𝐻𝐿 + 𝑧𝑀𝐿 − 𝑧𝐻𝑀 ) (22) Thành phần lỗi bên phía thứ cấp:
2
Ta sẽ có sơ đồ tương đương sau: • Tính toán thành phần dòng điện lỗi
o Pha A
10
I A(1) = ( pu )
2Z SC + 2Z H + 3Z M + Z L
S HM 10
I Base = I A(1) = .I Base
3.U M 2Z SC + 2Z H + 3Z M + Z L
3
I A = 3I A(1) = .I Base (23)
2Z SC + 2Z H + 3Z M + Z L
o Tương tự ta có pha B, C
(1) (2) (0) (1)
𝐼𝐵 = 𝑎2 . 𝐼𝐴 + 𝑎. 𝐼𝐴 + 𝐼𝐴 = (𝑎2 + 𝑎 + 1)𝐼𝐴 = 0 (24)
(1) (2) (0) (1)
𝐼𝐶 = 𝑎. 𝐼𝐴 + 𝑎2 . 𝐼𝐴 + 𝐼𝐴 = (𝑎2 + 𝑎 + 1)𝐼𝐴 = 0 (25)
𝑎 = 1∠120𝑜
Với: { 𝑎2 = 1∠240𝑜 (26)
1 + 𝑎 + 𝑎2 = 0
• Tính toán thành phần điện áp lỗi
Hình 3. Sơ đồ tương đương của từng hệ o Pha A
(1) (1)
Với các thông tin cần thiết trên, ta sẽ đi tìm các hệ lỗi Fu và 𝑉𝐴 = 1∠0° − (𝑍𝑆𝐶 + 𝑍𝐻 + 𝑍𝑀 )𝐼𝐴
Fi, bằng cách này sẽ giúp ta xây dựng thuật toán chẩn đoán lỗi. 𝑍𝑆𝐶 + 𝑍𝐻 + 2𝑍𝑀 + 𝑍𝐿
= . (1∠0°). (𝑝𝑢)
Chúng ta sẽ sử dụng một ví dụ lỗi - lỗi một pha chạm đất 2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
(hay còn có tên lỗi Line-Ground), ở đây pha gặp lỗi là pha A. 𝑈𝑀
𝑉𝐵𝑎𝑠𝑒 =
√3
(1) 𝑍𝑆𝐶 + 𝑍𝐻 + 2𝑍𝑀 + 𝑍𝐿
⇒ 𝑉𝐴 = . (1∠0°). 𝑉𝐵𝑎𝑠𝑒
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
(2) −𝑍𝑆𝐶 − 𝑍𝐻 − 𝑍𝑀
𝑉𝐴 = . (1∠0°). 𝑉𝐵𝑎𝑠𝑒
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
(0) −𝑍𝑀 − 𝑍𝐿
𝑉𝐴 = . (1∠0°). 𝑉𝐵𝑎𝑠𝑒
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
(1) (2) (0)
𝑉𝐴 = 𝑉𝐴 + 𝑉𝐴 + 𝑉𝐴 =0 (27)
o Pha B
(1) (2) (0)
𝑉𝐵 = 𝑎2 . 𝑉𝐴 + 𝑎. 𝑉𝐴 + 𝑉𝐴
√3
3 ( ∠90°)(𝑍𝑆𝐶 + 𝑍𝑀 − 𝑍𝐿 )
⇒ 𝑉𝐵 = ( + 2 ). 𝑉𝐵𝑎𝑠𝑒 . (1∠240°)
2 2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
Hình 4. Sơ đồ tương đương cho lỗi nối đất phía thứ cấp
(28)
- ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 18, NO. 7, 2020 87
o Pha C 2
2Z + 2 Z H + 3Z M + Z L
(1) 2 (2) (0) SC
𝑉𝐶 = 𝑎. 𝑉𝐴 +𝑎 . 𝑉𝐴 + 𝑉𝐴 1 − 60
√3
2 Z SC + 2 Z H + 3Z M + Z L (37)
3 ( ∠ − 90°)(𝑍𝑆𝐶 + 𝑍𝑀 − 𝑍𝐿 )
⇒ 𝑉𝐶 = ( + 2 ). 𝑉𝐵𝑎𝑠𝑒 . (1∠120°) 160
2 2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿 Fi =
2 Z SC + 2 Z H + 3Z M + Z L
(29) 3
Tương tự ta sẽ có thành phần lỗi sơ cấp: 2 Z SC + 2 Z H + 3Z M + Z L
• Tính toán thành phần dòng điện lỗi
0
o Pha A
0
1∠0°
(1)
𝐼𝐴 = .𝐼 3. Đề xuất giải pháp chẩn đoán lỗi ứng dụng mạng
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿 𝐵𝑎𝑠𝑒 nơ-ron nhân tạo
(2) (1) (0)
𝐼𝐴 = 𝐼𝐴 ;𝐼𝐴 = 0 Sơ đồ khối của giải pháp chẩn đoán lỗi mà bài báo đề
2 xuất được thể hiện như trên Hình 6.
⇒ 𝐼𝐴 = . 𝐼𝐵𝑎𝑠𝑒 (30)
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿
o Pha B, C
1∠−60°
𝐼𝐵 = . 𝐼𝐵𝑎𝑠𝑒 . (1∠240°) (31)
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿
1∠60°
𝐼𝐶 = . 𝐼𝐵𝑎𝑠𝑒 . (1∠120°) (32)
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿
• Tính toán thành phần điện áp lỗi
o Pha A
(1) (1)
𝑉𝐴 = 1∠0° − 𝑍𝑆𝐶 . 𝐼𝐴
𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
= . (𝑝𝑢)
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
(1) 𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
⇒ 𝑉𝐴 = .𝑉
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿 𝐵𝑎𝑠𝑒
Hình 6. Sơ đồ khối giải pháp chẩn đoán lỗi Máy biến áp lực
(2) (2) −𝑍𝑆𝐶
𝑉𝐴 = 0 − 𝑍𝑆𝐶 . 𝐼𝐴 = . (𝑝𝑢) Trong sơ đồ:
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿
1. MBA thực: là khối Máy biến áp thực tế 220kV, là
(2) −𝑍𝑆𝐶
⇒ 𝑉𝐴 = .𝑉 đối tượng cần chẩn đoán lỗi.
2𝑍𝑆𝐶 + 2𝑍𝐻 + 3𝑍𝑀 + 𝑍𝐿 𝐵𝑎𝑠𝑒 2. Khối MHTMBA: Khối mô hình toán học của Máy
(0) 2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿 biến áp 220kV đã được xây dựng ở Mục 2 bài báo.
𝑉𝐴 = 0 ⇒ 𝑉𝐴 = . 𝑉𝐵𝑎𝑠𝑒 (33)
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿 3. Khối “Thuật toán chẩn đoán lỗi”: Chứa chương
o Pha B trình thuật toán chẩn đoán lỗi dựa trên sai lệch giữa các
𝑉𝐵 = (1 +
𝑍𝑆𝐶 (1∠120°)
). 𝑉𝐵𝑎𝑠𝑒 (1∠240°) (34) thành phần lỗi trong mô hình toán học của MBA.
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿 4. Khối Mạng nơ-ron nhân tạo [8]: Được dùng để huấn
o Pha C luyện tìm ra sai lệch (𝑢𝑁𝑁 ) giữa đầu ra 𝑢𝑟𝑒𝑎𝑙 MBA thực và
𝑍𝑆𝐶 (1∠−120°) 𝑢𝑒𝑠𝑡 mô hình toán MBA giúp thuật toán chẩn đoán trở nên
𝑉𝐶 = (1 + ). 𝑉𝐵𝑎𝑠𝑒 (1∠120°) (35)
2𝑍𝑆𝐶 +2𝑍𝐻 +3𝑍𝑀 +𝑍𝐿 chính xác hơn.
Với các tham số đã được liệt kê bên trên, ta xác nhận Số liệu thu nhập từ MBA thực tế sẽ được đưa về máy
lại ma trận thông số lỗi như sau: tính của hệ thống SCADA để xử lí. Dữ liệu thu thập được
2 z H + 3Z M + z L (𝑢𝑟𝑒𝑎𝑙 và 𝑖𝑟𝑒𝑎𝑙 ) sẽ được so sánh với các giá trị tính toán thu
2 z sc + 2 Z H + 3 zM + z L được từ khối “Mô hình toán học MBA” (𝑢𝑒𝑠𝑡 và 𝑖𝑒𝑠𝑡 ). Giả
sử đầu vào của khối MBA thực là 𝑖𝑟𝑒𝑎𝑙 sẽ bằng với đầu vào
z sc (1120 )
o
1+ của mô hình toán MBA 𝑖𝑒𝑠𝑡 suy ra, ta có sai lệch:
2 z sc + 2 z H + 3 z M + z L
𝑒 = 𝑢𝑟𝑒𝑎𝑙 − 𝑢𝑒𝑠𝑡 (38)
zsc (1 − 120o )
1+ Nếu số liệu tính toán thông qua mô hình toán đúng
2 z sc + 2 z H + 3 z M + z L (36) chính xác với số liệu thu thập được từ thực tế thì 𝑒 = 0.
Fu =
0 Tuy nhiên, thực tế không như vậy, sẽ xuất hiện sai số giữa
3 số liệu thực tế và tính toán 𝛥𝑢, nguyên nhân là do các thông
( 90 )( z sc + zM − z L )
o
3
+ 2 số R và L của máy trong quá trình hoạt động có thể biến
2 2 z sc + 2 z H + 3 z M + z L thiên vì các nguyên nhân khác nhau (nhiệt độ, tuổi thọ, môi
trường,…). Khi đó:
3
3 ( 2 − 90 )( zsc + zM − z L )
o
𝑒 = (𝑢𝑟𝑒𝑎𝑙 + 𝛥𝑢) − 𝑢𝑒𝑠𝑡 ⇒ 𝑒 = 𝛥𝑢 ≠ 0 (39)
+
2 2 z sc + 2 z H + 3 z M + z L Thuật toán sẽ hoạt động không chính xác nếu sai lệch 𝑒
- 88 Lê Tiến Dũng, Lê Phước Lộc, Đồng Hoàng Bin, Hà Ngọc Chính, Nguyễn Quốc Huy, Huỳnh Ngọc Khoa
quá lớn và chẩn đoán lỗi có thể sai. Vậy nên, chúng ta phải s1 99,5748 0 0 99,8659 89,1551 0 68,2219 189,15
cần đến mạng nơ-ron nhân tạo để xác định 𝑢𝑁𝑁 sao cho s2 50,3206 0,3851 150,396 99,8411 100 0 100 100
𝑢𝑁𝑁 ≈ 𝛥𝑢 giúp giảm thiểu sai lệch đến mức tối đa và làm s3 118,105 0,3602 218,469 99,8715 100 0 100 100
cho thuật toán trở nên tối ưu. Lúc này sai lệch sẽ bằng: Trong trường hợp lỗi A-Ground thì thông qua số liệu kết
𝑒 = (𝑢𝑟𝑒𝑎𝑙 + 𝛥𝑢) − (𝑢𝑒𝑠𝑡 + 𝑢𝑁𝑁 ) quả ở 2 bảng trên ta thấy: Ở Bảng1, thuật toán sẽ không thể
⇔ 𝑒 = 𝑢𝑟𝑒𝑎𝑙.𝑐 − 𝑢𝑒𝑠𝑡.𝑐 xác định được lỗi vì thành phần lỗi ∆UNN có sai lệch rất lớn
dẫn đến không thể chẩn đoán được lỗi A-Ground. Và ngược
⇔𝑒≈0 (40)
lại, Bảng 2 thì lại có sai lệch ∆UNN và ∆INN thấp hơn rất
Để huấn luyện mạng nơ-ron ta cần số liệu đầu vào nhiều (gần như bằng 0) và đồng thời nhỏ hơn 7% giá trị sai
(INPUT), lúc này sẽ là sai số 𝑒 (giả sử ban đầu 𝑢𝑁𝑁 = 0). lệch tối đa, vì vậy, thuật toán có thể dễ dàng phát hiện và
Mạng sẽ được thiết lập từ số liệu đầu vào để cập nhật các chẩn đoán được lỗi chạm đất pha A khi máy diễn ra sự cố.
trọng số trong mạng (v, w) sẽ có được đầu ra (OUTPUT).
4.1. Đồ thị chẩn đoán máy biến áp xuất hiện lỗi A chạm
Mong muốn lúc này là 𝑢𝑁𝑁 . Mạng càng chính xác thì 𝑒 sẽ
đất (A-Ground)
càng nhỏ.
Như ở Mục 2, ta đã biết, ứng với mỗi trường hợp lỗi
được xác định sẽ kèm theo 2 thành phần lỗi Fu và Fi và các
cặp thành phần lỗi này ở từng trường hợp lỗi là khác nhau.
Dựa vào đây, ta có thể phân biệt các lỗi bằng cách so sánh
phần trăm sai lệch giữa các thành phần lỗi đã được xác định
với thành phần lỗi được xác định bằng cách lấy số liệu đo
được từ thực tế Fu.real và Fi.real. Nếu phần trăm sai lệch ∆Fu,
∆Fi ứng với cặp thành phần lỗi nào không vượt quá 7% thì
kết luận lỗi đó là lỗi xuất hiện ở máy biến áp. Phần trăm sai
lệch được tính bằng công thức:
F −F , F −F (41)
Fu = u.real u .100% Fi = i.real i .100%
Fu Fi
Áp dụng mạng nơ-ron, có thể tính được: 𝛥𝑢 ≈ 𝑢𝑁𝑁 .
Vậy: Hình 7. Đồ thị phần trăm sai lệch ΔFU_Normal và ΔFi_Normal
𝑢𝑟𝑒𝑎𝑙 = 𝑢𝑟𝑒𝑎𝑙.𝑐 − 𝛥𝑢 ≈ 𝑢𝑟𝑒𝑎𝑙.𝑐 − 𝑢𝑁𝑁 (42)
𝑢𝑟𝑒𝑎𝑙.𝑐 −𝑢𝑁𝑁 𝑖𝑟𝑒𝑎𝑙
⇒ 𝐹𝑢.𝑟𝑒𝑎𝑙 = , 𝐹𝑖.𝑟𝑒𝑎𝑙 = (42)
𝑢 𝑖
4. Kết quả mô phỏng kiểm nghiệm
Để kiểm nghiệm hiệu quả của mô hình, trong bài báo
thực hiện mô phỏng trường hợp lỗi một pha chạm đất hay
còn gọi là lỗi Line-Ground. Trong sơ đồ mô phỏng, lỗi xuất
hiện là ở pha A. Kết quả các số liệu mô phỏng chẩn đoán
lỗi được thể hiện ở Bảng 1 và Bảng 2. Trong đó, Bảng 1 là
kết quả của trường hợp chỉ sử dụng mô hình toán học để
tính toán mà không có mạng nơ-ron nhân tạo; Bảng 2 là kết
quả của trường hợp sử dụng mô hình toán học kết hợp với
mạng nơ-ron nhân tạo.
Bảng 1. Số liệu chẩn đoán lỗi (A-Ground) khi không có mạng
nơ-ron trong 1 lần lấy mẫu, chỉ sử dụng mô hình toán học Hình 8. Đồ thị phần trăm sai lệch ΔFU_AG và ΔFi_AG
Pha ΔUNN ΔUAG ΔU3G ΔULL ΔINN ΔIAG ΔI3G ΔULL Vì số lượng dữ liệu thu thập quá lớn để có thể tóm gọn
p1 5,1244 1,2603 35,0772 35,0772 26,1034 1,76.10-14 78,81 126,1 trong bài báo cho nên để minh họa ta chỉ cần lấy số liệu sai
p2 1,27.103 1,30.103 1,86.103 1,37.103 36,9483 4,50.10-11 89,40 87,76 lệch khi máy biến áp hoạt động bình thường và khi xảy ra
p3 1,94.103 1,98.103 2,81.103 2,09.103 36,9483 4,50.10-11 89,40 87,76 lỗi pha A chạm đất với 10 lần lấy mẩu. Với Hình 7, ta có
s1 100 0 0 100 89,1551 0 68,22 189,1 thể dễ dàng thấy trong 5 lần lấy mẩu đầu của phần trăm sai
s2 4,92.103 3,01.103 5,02.103 9,95.103 100 0 100 100 lệch ứng khi mấy biến áp hoạt động bình thường
s3 1,09.104 6,74.103 1,10.104 2,19.103 100 0 100 100 ΔFU_Normal và ΔFi_Normal đều nhỏ hơn 7% giúp xác
định được máy đang bình thường. Khi xuất hiện lỗi
Bảng 2. Số liệu chẩn đoán lỗi (A-Ground) khi có sử dụng
A-Ground ở 5 lần lấy mẩu sau thì bảng phần trăm sai lệch
mạng nơ-ron trong 1 lần lấy mẫu
ứng với lỗi A-Ground ΔFU_AG và ΔFi_AG trở nên đồng
Pha ΔUNN ΔUAG ΔU3G ΔULL ΔINN ΔIAG ΔI3G ΔULL thời nhỏ hơn 7%, dễ thấy ở Hình 8 điều này xảy ra ngược
p1 4,3024 0,0020 34,6780 35,6185 26,1034 1,76.10-14 78,8146 126,10 lại với đồ thị thu được từ sai lệch ứng với máy hoạt động
p2 4,2999 0,0813 49,8410 203,737 36,9483 4,50.10-11 89,4073 87,768 bình thường ở Hình 7. Có thể kết luận rằng, ở lần lấy mẩu
p3 1,8050 0,0339 41,4223 101,801 36,9483 4,50.10-11 89,4073 87,768 thứ 6 máy được chẩn đoán xuất hiện lỗi pha A chạm đất.
- ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL. 18, NO. 7, 2020 89
5. Kết luận TÀI LIỆU THAM KHẢO
Bài báo xây dựng mô hình toán học tổng quát của [1] Duraisamy V., et al,"Neuro fuzzy schemes for fault detection in
MBA lực có xét đến các yếu tố lỗi xảy ra trong MBA, và power transformer". Applied Soft Computing 7.2 (2007): 534-539.
đã đề xuất một giải pháp ứng dụng kết hợp giữa mô hình [2] Guardado, J. L., et al, "A comparative study of neural network efficiency
in power transformers diagnosis using dissolved gas analysis". IEEE
toán học với mạng nơ-ron nhân tạo để chẩn đoán lỗi. Các Transactions on Power delivery 16.4 (2001): 643-647.
dữ liệu đầu vào của mô hình toán và mạng nơ-ron nhân [3] Kaur, Amrinder, and Yadwinder Singh Brar, "Fault detection in power
tạo có thể thu được bởi các thiết bị đo trong trạm biến áp transformers using random neural networks". International Journal of
của lưới điện truyền tải. Sơ đồ giải pháp của bài báo cũng Electrical & Computer Engineering (2088-8708) 9.1 (2019).
nhằm để ứng dụng tích hợp vào hệ thống SCADA của [4] Duan L., et al, "Method of inter-turn fault detection for next-
generation smart transformers based on deep learning algorithm".
trạm biến áp 220kV của Truyền tải điện Kontum thuộc High Voltage 4.4(2019):282-291.
Công ty truyền tải điện 2 (PTC2). Các mô phỏng thử [5] V. Brandwajn, H.W. Donnel, I.I. Dommel, “Matrix representation
nghiệm đã cho thấy sự hiệu quả của thuật toán khi có ứng of Three-Phase N-winding transfomers for steady-state and transient
dụng mạng nơ-ron để ước lượng các sai lệch do sự biến studies”, IEEE Transactions on Power Apparatus and Systems, Vol.
PAS-101,No.6 June 1982, pp 1369-1378.
thiên của tham số hoặc sai số của mô hình toán học so với
[6] Abdur Rehman PE, “Symmetrical Fault Currents with Two-
đối tượng thực tế. Winding and Three-Winding Tranformers”, Abdur Rehman PE &
Janson Hall PE, 2018.
Lời ghi nhận: Nghiên cứu này được tài trợ bởi Quỹ Phát [7] D. Dolinar, J. Pihler, B. GrEar, “Dynamic model of a three-phase
triển Khoa học và Công nghệ - Đại học Đà Nẵng trong đề power transformer”, IEEETransactions on Power Delivery, Vol. 8,
tài có mã số B2019-DN02-52. No. 4, October 1999.
[8] Mohammad T. and Keigo W., Intelligent Control Based on Flexible
Neural Networks, Springer Science & Business Media, 1999.
(BBT nhận bài: 20/4/2020, hoàn tất thủ tục phản biện: 01/6/2020)
nguon tai.lieu . vn
