Máy biến áp là tài sản quan trọng trong hệ thống điện và sự cố của chúng có thể dẫn đến gián đoạn hoạt động của lưới điện. Để ngăn ngừa sự cố bất ngờ, điều cần thiết là phải theo dõi tình trạng và sức khỏe của thiết bị điện này thường xuyên. Một trong những cách hiệu quả nhất để đáp ứng yêu cầu này là tiến hành phân tích khí hòa tan (DGA) đối với dầu cách điện trong máy biến áp.
 

Dầu máy biến áp không chỉ đóng vai trò là môi trường cách điện mà còn là chất làm mát giúp tản nhiệt sinh ra trong quá trình vận hành máy biến áp (MBA). Tuy nhiên, khi máy biến áp gặp sự cố như hồ quang điện, quá nhiệt, phóng điện cục bộ hoặc suy giảm cách điện, nhiều loại khí khác nhau sẽ được sinh ra và hòa tan vào dầu. Các loại khí này bao gồm hydro (H₂), mêtan (CH₄), etilen (C₂H₄), etan (C₂H₆), cacbon monoxit (CO) và cacbon dioxit (CO₂). Mỗi loại khí hoặc tổ hợp khí cung cấp thông tin chi tiết cụ thể về loại sự cố xảy ra bên trong MBA.

DGA đã trở nên nổi bật như một phương pháp tiếp cận không xâm lấn, đáng tin cậy và hiệu quả để phát hiện sớm các sự cố tiềm ẩn bên trong MBA. Bằng cách kiểm tra nồng độ và thành phần của các loại khí hòa tan này, các chuyên gia có thể xác định sự hiện diện của các điều kiện bất thường hoặc các sự cố tiềm ẩn phát sinh trong máy biến áp trước khi chúng phát triển thành các vấn đề nghiêm trọng hơn. Phương pháp tiếp cận chủ động này cho phép bảo trì, sửa chữa hoặc thậm chí thay thế máy biến áp kịp thời, kéo dài đáng kể tuổi thọ hoạt động của chúng và nâng cao độ tin cậy tổng thể của hệ thống điện.

Nhiều phương pháp đã được phát triển để diễn giải kết quả DGA và đưa ra chẩn đoán những sự cố tiềm ẩn bên trong MBA. Các phương pháp phổ biến có thể được liệt kê là Key Gas, Rogers Ratio, Doernenburg, IEC Ratio và Duval Triangle/Pentagon. Độ chính xác và tính nhất quán của các phương pháp này cho thấy mỗi phương pháp có thế mạnh riêng trong việc xác định một số loại lỗi cụ thể. Do đó, để đánh giá kết quả DGA cần phối hợp nhiều phương pháp thay vì chỉ dựa vào một phương pháp. Các phương pháp truyền thống nêu trên kém hiệu quả hơn do sự phức tạp của các kiểu lỗi, thậm chí một số lỗi tiềm ẩn thâm chí không thể xác định được trong thực tế. Để khắc phục những trở ngại được nêu, nhiều nghiên cứu đã được thực hiện dựa trên ứng dụng của trí tuệ nhân tạo (AI) bao gồm mạng nơ-ron nhân tạo (ANN), logic mờ, máy vectơ hỗ trợ (SVM) …..

Trong nghiên cứu này, một công cụ hữu ích được thiết kế trên nền tảng Python để chẩn đoán để chẩn đoán sớm các bất thường, sự cố tiềm ẩn trong máy biến áp điện đã được phát triển. Công cụ này sử dụng mô hình mạng nơ-ron perceptron nhiều lớp (MLPNN) để chẩn đoán lỗi máy biến áp. Mô hình đề xuất được đào tạo và xác thực dựa trên cơ sở dữ liệu bao gồm 650 mẫu dầu cách điện được thu thập từ các máy biến áp đang vận hành trong hệ thống điện của Tổng công ty Điện lực miền Nam (EVN SPC). Kết quả chẩn đoán từ công cụ này được so sánh với các kết quả từ các phương pháp truyền thống như IEC, Roger và Duval để xác minh mức độ chính xác của mô hình. Việc ứng dụng công cụ thân thiện với người dùng này sẽ nâng cao năng lực chủ động của các công ty điện lực trong quản lý, bảo trì và vận hành máy biến áp.

Lấy mẫu dầu máy biến áp và phân tích khí hòa tan

Để đạt được kết quả DGA chính xác trong dầu máy biến áp, cần có một quy trình chuẩn hóa để lấy mẫu dầu trong máy biến áp điện. Dụng cụ lấy mẫu là một xylanh 20-30 mL, được xử lý sạch sẻ, sấy khô. Thời gian lấy mẫu nên vào thời điểm thời tiết khô ráo và nắng, tốt nhất là vào buổi trưa hoặc đầu giờ chiều.

 

Sau khi lấy mẫu dầu đúng quy trình và mang đến phòng thí nghiệm của Công ty thí nghiệm điện miền Nam (EVNSPC ETC), các mẫu phải được phân tích bằng hệ thống phân tích sắc ký khí như Togas Agilent 7890A trong vòng 24 giờ. Hệ thống chẩn đoán này và kết quả DGA của nó được minh họa trong hình 2.

 

Kết quả chẩn đoán từ mô hình đề xuất sử dụng MLPNN được so sánh với kết quả từ các phương pháp thông thường bao gồm Roger, IEC và Duval. Phương pháp Roger sử dụng bốn tỷ lệ khí CH4/H2, C2H6/CH4, C2H4/C2H6 và C2H2/C2H4 để chẩn đoán dầu máy biến áp. Các mã được tạo ra có liên quan đến việc giải thích chẩn đoán như trong bảng 1 và bảng 2.

Bảng 1. Mã và tích hợp chẩn đoán trong phương pháp Roger

Tỷ lệ nồng độ				Chẩn đoán
CH4/H2	C2H6/CH4	C2H4/C2H6	C2H2/C2H4
0	0	0	0	Máy biến thế hoạt động bình thường
5	0	0	0	Phóng điện cục bộ
1, 2	0	0	0	Quá nhiệt ở mức độ thấp (150°C)
1, 2	1	0	0	Quá nhiệt ở (150°C-200°C)
0	1	0	0	Quá nhiệt ở  (200°C-300°C)
0	0	1	0	Quá nhiệt dây dẫn nói chung
1	0	1	0	Xuất hiện dòng điện chạy quẫn trong cuộn dây
1	0	2	0	Quá nhiệt mối nối tiếp xúc: có dòng điện chạy quẫn giữa lõi và vỏ máy
0	0	0	1	Đánh thủng lớp cách điện không có dòng xuất hiện liên tục
0	0	1,2	1,2	Có hồ quang với dòng xuất hiện liên tục
0	0	2	2	Phóng điện liên tục (điện áp bị dao động)
5	0	0	1,2	Phóng điện cục bộ với năng lượng nhỏ trong những bọt khí kèm theo vết (lưu ý CO)
CO2/CO>11				Nhiệt độ trong lớp cách nhiệt cao hơn bình thường

Bảng 2. Mã tỷ số Roger

Tỷ lệ	Phạm vi	Mã số
CH4/H2	£0,1	5
	>0,1, <1,0	0
	³1.0, <3.0	1
	³3.0	2
C2H6/CH4	<1.0	0
	³1.0	1
C2H4/C2H6	<1.0	0
	³1.0, <3.0	1
	³3.0	2
C2H2/C2H4	< 0,5	0
	³0,5, <3,0	1
	³3.0	2

 

Phương pháp IEC tương tự như phương pháp Roger ngoại trừ tỷ lệ C2H6/CH4 bị loại trừ vì nó chỉ cho thấy phạm vi phân hủy hạn chế. Mô tả chi tiết về phương pháp này trong tiêu chuẩn IEC60599 được thể hiện trong bảng 3 dưới đây.

 Vào năm 2014, M. Duval và L. Lamarre đã sửa đổi phương pháp tam giác để đề xuất phương pháp ngũ giác Duval (DPM). Phiên bản cập nhật này đã bổ sung thêm hai loại khí, tức là H2 và C2H6, để phân tích kết quả thử nghiệm DGA. Do đó, nó có thể phân biệt rõ ràng các sự cố PD và nhiệt ở năng lượng thấp trong dầu khoáng. Hơn nữa, vùng khí đi lạc (stray gassing) liên quan đến sự xuất hiện của khí cháy trong quá trình vận hành bình thường của máy biến áp được thêm vào hình ngũ giác.

Phương pháp tam giác Duval (DTM) được đề xuất vào năm 1960 bởi M. Duval. Để xác định xem có sự cố hay không, ít nhất một trong các khí hydrocarbon hoặc hydro phải không nhỏ hơn giá trị L1 và tốc độ tạo khí phải ít nhất bằng mức G2. Mức L1 và G2 được thể hiện trong bảng 4.

Bảng 4. Giới hạn L1, G1 và G2 được sử dụng cho phương pháp tam giác Duval

Khí	L1 (ppm)	G1 (ppm/tháng)	G2 (ppm/tháng)
H2	100	10	50
CH4	75	8	38
C2H2	3	3	3
C2H4	75	8	38
C2H6	75	8	38
CO	700	70	350
CO2	7000	700	3500

Khi phát hiện ra dấu hiệu bất thường, tổng lượng tích lũy của ba khí tam giác Duval (CH4, C2H2, C2H4) được tính toán và tỷ lệ phần trăm của từng khí trong tổng số có thể được xác định. Sau đó, các tỷ lệ phần trăm thu được của tổng số được sử dụng để xác định vị trí chẩn đoán trên tam giác hiển thị trong hình 3.

Hình 3. Biểu diễn tam giác Duval để xác định lỗi

 

Mô hình chẩn đoán được đề xuất

Mạng nơ-ron perceptron nhiều lớp (MLPNN) có n lớp bao gồm một lớp đầu ra và (n-1) lớp ẩn. Cấu trúc chung của mạng nơ-ron này được minh họa trong hình 5. Đầu ra của perceptron, a (i) tại lớp thứ i được tính toán dựa trên đầu ra của các perceptron trước đó, a (i-1) tại lớp thứ (i-1) như được thể hiện trong phương trình (1).

                              a (i) = f(w (i)T a (i-1) +b (i) )   ( 1 )

trong đó w (i) và b (i-1) lần lượt là vectơ trọng số và là vectơ trọng số và vectơ độ lệch của perceptron tại lớp thứ i .

Hàm kích hoạt, f (.) có thể được chọn từ một số dạng điển hình như Sigmoid, Tanh, ReLU.....

 

 

Mô hình chẩn đoán được đề xuất sử dụng MLPNN

Kiến trúc của MLPNN để chẩn đoán lỗi trong máy biến áp điện được đề xuất với các thành phần chính bao gồm: Lớp đầu vào có 5 nơ-ron tương ứng với 5 khí đầu gồm H2, CH4, C2H6, C2H4, C2H2. Lớp ẩn với số lượng nơ-ron thay đổi tùy thuộc vào mức độ tối ưu hóa của mô hình. Lớp đầu ra với 7 neuron tương ứng với 6 loại sự cố điển hình trong IEC60599, bao gồm PD, T1, T2, T3, D1 và D2. Ngoài ra, mã N để hiển thị trạng thái bình thường của dầu.

Một cơ sở dữ liệu bao gồm 650 kết quả kiểm tra DGA được thu thập trong EVNSPC. Bộ dữ liệu này sau đó được chia thành hai nhóm đào tạo và xác thực ngẫu nhiên. Có 520 mẫu đào tạo chiếm 80% tổng số tập. Phần còn lại bao gồm 130 mẫu được sử dụng để xác minh mô hình. Mã phân loại của bộ dữ liệu được hiển thị trong hình 6, thuật toán truyền ngược được sử dụng để điều chỉnh trọng số mô hình dựa trên sai số giữa kết quả dự đoán và giá trị thực tế.

 

Kết quả & Thảo luận

Xác thực mô hình được đề xuất dựa trên hai chỉ số về độ chính xác và độ thu hồi. Chỉ số đầu tiên là tỷ lệ phần trăm dự đoán đúng trong tổng số dự đoán. Giá trị thu hồi còn được gọi là độ nhạy là tỷ lệ phần trăm các trường hợp lỗi thực được mô hình dự đoán đúng. Nó đặc biệt hữu ích trong những trường hợp mà việc phát hiện tất cả các trường hợp lỗi là quan trọng. Các kết quả xác thực chi tiết được tóm tắt trong bảng 5. Những kết quả thu được này cho thấy hiệu quả cao của mô hình MLPNN được đề xuất trong việc chẩn đoán các lỗi tiềm ẩn trong máy biến áp điện.

Bảng 5. Xác thực kết quả của mô hình đề xuất

Mã lỗi	Độ chính xác (%)	Độ thu hồi (%)	Số lượng mẫu
PD	100	100	13
T1	75	83	18
T2	77	71	14
T3	100	95	22
D1	100	75	20
D2	82	100	28
N	100	93	15

Dựa trên mô hình này, EVNSPC ETC đã xây dựng một phần mềm chẩn đoán hoàn chỉnh để dự đoán sự cố trong máy biến áp đang vận hành trong hệ thống điện của EVNSPC như hình 8. Các trường hợp điển hình mà máy biến áp đang làm việc được dự đoán có khả năng xảy ra sự cố được báo cáo trong bảng 6. Có thể thấy rằng công cụ chẩn đoán này có thể cung cấp dự đoán sự cố trong tất cả các trường hợp được kiểm tra trong khi một số phương pháp truyền thống không thể phát hiện bất kỳ sự cố nào.

 

Bên cạnh đó, tất cả các kết quả dự đoán của phần mềm đều tương thích với kết quả của các phương pháp thông thường khác. Hơn nữa, dựa trên kết quả chẩn đoán của công cụ này, các máy biến áp tại các trạm biến áp 110kV như Cần Thơ – MBA T2, Phước Hoà – MBA T2, Thanh Bình – MBA T2, Tuy Hạ – MBA T1 đã buộc phải dừng hoạt động. Những kết quả này một lần nữa chứng minh rằng mô hình đề xuất có thể cung cấp độ chính xác cao trong chẩn đoán sự cố của máy biến áp công suất.

Bảng 6. Máy biến áp hoạt động với khả năng dự đoán lỗi từ phần mềm DGA của EVNSPC ETC

Mã biến áp	IEC	Roger	DTM	DPM	MLPNN
VN00768	T1	T1	T1	T1	T1
034935-01	T3	N/A	T3	T3	T3
T-973001	T3	N/A	T3	T3	T3
4611672	T1	T2	T2	T1	T2
4611662	T2	T2	T2	T2	T2
40M1010439	N/A	N/A	PD	PD	PD
40M101079	N/A	N/A	PD	PD	PD
154735-180	T3	T3	T3	T3	T3
2190029T	T3	T3	T3	T3	T3

Phần kết

Phần mềm chẩn đoán dựa trên MLPNN để chẩn đoán lỗi trong máy biến áp đã được phát triển hoàn chỉnh. Kết quả chẩn đoán từ công cụ dựa trên trí tuệ nhân tạo này được xác minh là có mức độ chính xác cao khi so sánh với các phương pháp thông thường. Trong một số trường hợp máy biến áp đang hoạt động được báo cáo thực tế tại EVNSPC, chương trình này có thể phát hiện hiệu quả các lỗi tiềm ẩn mà các kỹ thuật thông thường không thể xác định được.

 

Nghiên cứu này trình bày một công cụ hữu ích được thiết kế trên nền tảng Python để chẩn đoán sớm các bất thường, sự cố tiềm ẩn trong máy biến áp. Công cụ này sử dụng mô hình mạng nơ-ron perceptron nhiều lớp (MLP) để phân tích khí hòa tan trong dầu máy biến áp. Mô hình chẩn đoán được đào tạo và xác thực dựa trên cơ sở dữ liệu bao gồm 650 mẫu dầu cách điện được thu thập từ các máy biến áp đang hoạt động trong hệ thống điện của Tổng công ty Điện lực miền Nam. Kết quả chẩn đoán từ công cụ này được xác minh đạt đến mức độ chính xác rất cao khi so sánh với một số phương pháp cổ điển như IEC, Roger và Duval. Hơn nữa, chương trình này có thể phát hiện hiệu quả các bất thường, sự cố tiềm ẩn mà các kỹ thuật truyền thống không thể xác định được. Việc ứng dụng công cụ thân thiện với người dùng này sẽ nâng cao năng lực chủ động của các công ty điện lực trong quản lý, bảo trì và vận hành máy biến áp.

 

 

 

Tài liệu tham khảo

1. DiGiorgio J. B.: Dissolved Gas Analysis of Mineral Oil Insulating Fluids. DGA Expert System: A Leader in Quality, Value and Experience 1, 1-17 (2005).
2. D. Chu and A. Lux: On-line monitoring of power transformers and components: a review of key parameters. In: Electrical Insulation Conference and Electrical Manufacturing & Coil Winding Conference, pp. 669-675. IEEE, Cincinnati, OH, USA (1999).
3. N. A. Muhamad, B. T. Phung, T. R. Blackburn, and K. X. Lai: Comparative Study and Analysis of DGA Methods for Transformer Mineral Oil. In: 2007 IEEE Lausanne Power Tech, pp. 45-50. IEEE, Lausanne, Switzerland (2007).
4. Thango B. A.: Dissolved Gas Analysis and Application of Artificial Intelligence Technique for Fault Diagnosis in Power Transformers: A South African Case Study. Energies 15 (9030), 1-17 (2022).
5. Zhang, Y., et al: Early Warning of Incipient Faults for Power Transformer Based on DGA Using a Two-Stage Feature Extraction Technique. IEEE Transaction. Power Delivery 37, 2040–2049 (2022).
6. Taha, I.B.M., et al: Power Transformer Fault Diagnosis Based on DGA Using a Convolutional Neural Network with Noise in Measurements. IEEE Access 9, 111162–111170 (2021).
7. Ekojono, R.A.P.: Investigation on machine learning algorithms to support transformer dissolved gas analysis fault identification. Electrical Engineering 104, 3037–3047 (2022).
8. Siva Sarma, D.V.S.S. and G.N.S. Kalyani: ANN Approach for Condition Monitoring of Power Transformers using DGA. In: 2004 IEEE Region 10 Conference, pp. 444-447. IEEE, Chiang Mai, Thailand (2004).
9. International Electrotechnical Commission: Mineral oil-impregnated electrical equipment in service – Guide to the interpretation of dissolved and free gases analysis. IEC Standard 60599 (2015).
10. IEEE Insulating Fluids DGA Guide Working Group: IEEE Guide for the Interpretation of Gases Generated in Mineral Oil-Immersed Transformers. EEE Standard C57.104 (2019).
11. M. Duval and L. Lamarre: The Duval pentagon-a new complementary tool for the interpretation of dissolved gas analysis in transformers. IEEE Electrical Insulation Magazine 30(5), 9-12 (2014).