Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong máy biến áp theo phương pháp phân tích khí hòa tan
Tóm tắt: 188
| 
PDF: 73 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Máy biến áp
DGA
Trí tuệ nhân tạo
Mô hình máy học
FastTreeOva
Tóm tắt
Phân tích khí hòa tan trong dầu cách điện là phương pháp phổ biến để theo dõi tình trạng máy biến áp (MBA) ngâm dầu. Các tổ chức tiêu chuẩn quốc tế và các nhà nghiên cứu đã phát triển nhiều phương pháp như: phương pháp tỷ lệ Doernenburg, tỷ lệ Roger, tỷ lệ IEC, tam giác Duval, và ngũ giác Duval để chẩn đoán lỗi dựa trên thành phần khí cháy sinh ra trong dầu cách điện: H2, CH4, C2H4, C2H6, C2H2, CO và CO2 [1]. Tuy nhiên, các phương pháp này có những hạn chế nhất định, làm giảm độ tin cậy của kết quả chẩn đoán. Để khắc phục, nhóm tác giả đã ứng dụng mô hình máy học FastTreeOva, phát triển bởi Microsoft, để dự đoán sự cố tiềm ẩn trong MBA. Sử dụng ML.NET Framework và kỹ thuật hồi quy FastTree, mô hình này đạt độ chính xác dự đoán 99,5%. Kết hợp với cơ sở dữ liệu từ các MBA trên lưới điện miền Trung và Tây Nguyên từ năm 2002 đến nay, xây dựng phần mềm “DGA DIAGNOSTIC TOOL” để hỗ trợ phân tích và chẩn đoán.
Tài liệu tham khảo
-
[1] Li, L. Wang, and B. Song, “Fault diagnosis of power transformers with membership degree”, IEEE Access, vol. 7, pp. 28791–28798, 2019, doi: 10.1109/ACCESS.2019.2902299.
[2] B. M. Taha, S. Ibrahim, and D. E. A. Mansour, “Power transformer fault diagnosis based on DGA using a convolutional neural network with noise in measurements”, IEEE Access, vol. 9, pp. 111162–111170, 2021, doi: 10.1109/ACCESS.2021.3102415.
[3] Hu, X. Ma, and Y. Shang, “A novel method for transformer fault diagnosis based on refined deep residual shrinkage network”, IET Electr Power Appl, vol. 16, no. 2, pp. 206–223, Feb. 2022, doi: 10.1049/elp2.12147.
[4] Suwarno, H. Sutikno, R. A. Prasojo, and A. Abu-Siada, “Machine learning based multi-method interpretation to enhance dissolved gas analysis for power transformer fault diagnosis”, Heliyon, vol. 10, no. 4, Feb. 2024, doi: 10.1016/j.heliyon.2024.e25975.
[5] Benmahamed, O. Kherif, M. Teguar, A. Boubakeur, and S. S. M. Ghoneim, “Accuracy improvement of transformer faults diagnostic based on DGA data using SVM-BA classifier”, Energies (Basel), vol. 14, no. 10, May 2021, doi: 10.3390/en14102970.
[6] IEEE Guide for the Interpretation of Gases Generated in Mineral Oil-Immersed Transformers, C57.104-2019. Transformers Committee of the IEEE Power and Energy Society, 2019.
[7] A. Thango, “On the Application of Artificial Neural Network for Classification of Incipient Faults in Dissolved Gas Analysis of Power Transformers”, Mach Learn Knowl Extr, vol. 4, no. 4, pp. 839–851, Dec. 2022, doi: 10.3390/make4040042.
[8] Mineral oil-filled electrical equipment in service – Guidance on the interpretation of dissolved and free gases analysis, IEC60599, 4th ed. Internationanl electrotechniccal commission, 2022.
[9] Duval and A. dePablo, “Interpretation of Gas-In-Oil Analysis Using New IEC Publication 60599 and IEC TC 10 Databases”, IEEE Electrical Insulation Magazine, vol. 17, no. 2, pp. 31–41, 2001.
[10] Duval and L. Lamarre, “The duval pentagon-a new complementary tool for the interpretation of dissolved gas analysis in transformers”, IEEE Electrical Insulation Magazine, vol. 30, no. 6, pp. 9–12, Nov. 2014, doi: 10.1109/MEI.2014.6943428.
[11] Van Le, “Application of artificial intelligence in diagnosis of power transformer incipient faults”, 2013 26th IEEE Canadian Conference on Electrical and Computer Engineering (CCECE). IEEE, Da Nang, 2013. doi: 10.1109/CCECE.2013.6567700.
[12] Agrawal and A. K. Chandel, “Transformer incipient fault diagnosis based on probabilistic neural network”, in 2012 Students Conference on Engineering and Systems, SCES 2012, 2012. doi: 10.1109/SCES.2012.6199110.
[13] E. Gouda, S. H. El-Hoshy, and H. H. E. L. Tamaly, “Condition assessment of power transformers based on dissolved gas analysis”, IET Generation, Transmission and Distribution, vol. 13, no. 12, pp. 2299–2310, Jun. 2019, doi: 10.1049/iet-gtd.2018.6168.
[14] Chalupnik, K. Bialas, I. Jozwiak, and M. Kedziora, Acquiring and Processing Data Using Simplified EEG-based Brain-Computer Interface for the Purpose of Detecting Emotions. 2021.
[15] Van Hieu and D. T. T. Ha, “A system for dianosing autism based on the decision tree”, The University of Danang - Journal of Science and Technology, vol. 1, no. 11, pp. 101–104, 2015.
[16] M. et al. Magaji, “Fast Tree Model for Predicting Network Security Incidents”, in 2022 5th Information Technology for Education and Development (ITED). IEEE, 2022, pp. 1–6.
[17] Nanfak, S. Eke, C. H. Kom, R. Mouangue, and I. Fofana, “Interpreting dissolved gases in transformer oil: A new method based on the analysis of labelled fault data”, IET Generation, Transmission and Distribution, vol. 15, no. 21, pp. 3032–3047, Nov. 2021, doi: 10.1049/gtd2.12239.
[18] Odongo, R. Musabe, and D. Hanyurwimfura, “A multinomial dga classifier for incipient fault detection in oil-impregnated power transformers”, Algorithms, vol. 14, no. 4, Apr. 2021, doi: 10.3390/a14040128.
[19] Liu, B. Song, L. Wang, J. Gao, and R. Xu, “Power transformer fault diagnosis based on dissolved gas analysis by correlation coefficient-DBSCAN”, Applied Sciences (Switzerland), vol. 10, no. 13, Jul. 2020, doi: 10.3390/app10134440.
[20] Regulations for operation and repair. National Power Transmission Corporation, 2018.
[21] M. Hoang, “Power Transformer operation condition diagnosis using DGA ang artificial intelligence on Python platform”, Eng. Dissertation, Dept. Electrical and Electronic Engineering, Ho Chi Minh City University of Technology, Ho Chi Minh, 2021.
[22] Van Nga, “Report on the application of DGA Diagnostic Tool software at CPCETC”, Central electrical testing company limited, Da Nang, Nov. 2023.
[23] Q. Huy and V. K. Truong, “Report on the application of DGA Diagnostic Tool software at NPCETC”, Northern Electrical Tesing one member Company Limited, Northern Electrical Tesing one member Company Limited, Ha Noi, Mar. 2024.
[24] T. N. Tuan, “Report on the application of DGA Diagnostic Tool software at ETCHCM”, Ho Chi Minh City Electrical Testing Company, Ho Chi Minh, Mar. 2024.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Oct 31, 2024
Download
Cách trích dẫn
Nguyễn Văn Ngà, Ngô Huy Chiến, Đào Trực, Trần Đình Thọ, Nguyễn Văn Lục, và Trần Huy Vũ. “Nghiên cứu ứng dụng Trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn Trong máy biến áp Theo phương pháp phân tích Khí hòa Tan”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 22, số p.h 10, Tháng Mười 2024, tr 30-40, https://jst-ud.vn/jst-ud/article/view/9362.
