Tìm kiếm
Đang tải khung tìm kiếm
Kết quả 1 đến 1 của 1

    THẠC SĨ Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong máy biến áp lực ứng dụng cho hệ t

    D
    dream dream Đang Ngoại tuyến (18524 tài liệu)
    .:: Cộng Tác Viên ::.
  1. Gửi tài liệu
  2. Bình luận
  3. Chia sẻ
  4. Thông tin
  5. Công cụ
  6. Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong máy biến áp lực ứng dụng cho hệ t

    Luận án tiến sĩ năm 2013
    Đề tài: NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO CHẨN ĐOÁN SỰ CỐ TIỀM ẨN TRONG MÁY BIẾN ÁP LỰC ỨNG DỤNG CHO HỆ THỐNG ĐIỆN VIỆT NAM
    Định dạng file word

    MỤC LỤC
    TRANG PHỤ BÌA Trang
    LỜI CAM ĐOAN
    MỤC LỤC
    DANH TỪ VIẾT TẮT
    DANH MỤC CÁC BẢNG
    DANH MỤC CÁC HÌNH VẼ
    MỞ ĐẦU 1
    Chương 1: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP CHẨN ĐOÁN SỰ CỐ TIỀM ẨN TRONG MÁY BIẾN ÁP LỰC DỰA VÀO DGA
    1.1 Tổng quan 81.1.1 Phương pháp giám sát MBA 81.1.2 Các yếu tố tác động làm giảm tuổi thọ của MBA và phương pháp luậnchẩn đoán các sự cố tiềm ẩn trong MBA1.1.3 Sự phân hủy cách điện trong MBA 91.1.4 Thí nghiệm đánh giá trạng thái cách điện MBA 11 1.2 Sự cố MBA và các phương pháp chẩn đoán sự cố tiềm ẩn trong MBA
    dựa vào DGA 15
    1.2.1 Sự cố của máy biến áp lực và nguyên nhân 151.2.2 Các khí đặc trưng của các máy biến áp lực sự cố 161.2.3 Các phương pháp chẩn đoán sự cố tiềm ẩn trong máy MBAdựa vào DGA 17 1.3 Các phương pháp chẩn đoán sự cố tiềm ẩn trong MBA dựa vào AI 19
    1.3.1 Hệ chuyên gia chẩn đoán MBA 20
    1.3.2 Hệ lai Logic mờ- hệ chuyên gia dùng trong chẩn đoán MBA 22
    1.3.3 Mạng nơ ron nhân tạo (ANN) chẩn đoán MBA 24
    1.4 Kết luận 29
    Chương 2: XÂY DỰNG CƠ SỞ DỮ LIỆU DGA 32
    2.1 Giới thiệu về dữ liệu DGA 32
    2.1.1 Các đặc tính của dữ liệu sắc ký khí (DGA) dầu MBA 32
    2.1.2 Phương pháp lấy mẫu 32
    2.2 Phương pháp thu thập dữ liệu DGA 33
    2.2.1 Tình hình quản lý dữ liệu DGA trong ngành điện Việt Nam. 34
    2.2.2 Phương pháp thu thập dữ liệu DGA phục vụ nghiên cứu 34
    2.2.3 Xuất xứ dữ liệu DGA 34
    2.2.4 Thiết lập các bộ dữ liệu DGA cho nghiên cứu 35
    2.3 Thiết kế cơ sở dữ liệu DGA cho chẩn đoán MBA 37
    2.3.1 Cấu trúc cơ sở dữ liệu (CSDL) 37
    2.3.2 Quan hệ giữa các bảng trong CSDL 38
    2.3.3 Mô tả chi tiết các bảng cấu trúc 38
    2.4 Phần mềm quản trị cơ sở dữ liệu DGA 40
    2.4.1 Mô hình hệ quản trị cơ sở dữ liệu của chương trình 40
    2.4.2 Giao diện phần mềm 41
    2.4.3 Các thao chính trên phần mềm 42
    2.5 Kết luận 44
    Chương 3: XÂY DỰNG HỆ CHUYÊN GIA TRỌNG SỐ CHẨN ĐOÁN SỰ CỐ TIỀM ẨN TRONG MBA THEO CÁC PP DGA TRUYỀN THỐNG 46
    3.1 Thiết lập các luật và xây dựng hệ chuyên gia chẩn đoán MBA
    từ các phương pháp DGA 47
    3.1.1. Phương pháp Dornenburg 483.1.2. Phương pháp Roger 483.1.3 Phương pháp Roger sửa đổi 493.1.4 Phương pháp IEC 599 51
    3.1.5 Phương pháp IEC 599 sửa đổi 52
    3.1.6 Phương pháp chẩn đoán bằng các khí đặc trưng (khí khoá) 53
    3.1.7 Phương pháp Jica 543.1.8 Phương pháp EPS.Wang 54
    3.1.9 Phương pháp của viện năng lượng Nga 553.1.10 Phương pháp tam giác Duval 553.2 Kết luận 58
    Chương 4: XÂY DỰNG HỆ CHUYÊN GIA TRỌNG SỐ CHẨN ĐOÁN SỰ CỐ TIỀM ẨN TRONG MBA 604.1 Phương pháp EPS trọng số chẩn đoán sự cố tiềm ẩn trong MBA 604.1.1 Nội dung của phương pháp trọng số 614.1.2 Xây dựng chương trình EPS trọng số EVN.EPS2 chẩn đoán MBA 63 4.2 Hoạt động của chương trình hệ chuyên gia trọng số 64
    4.2.1 Trường hợp chẩn đoán 1 64
    4.2.2 Trường hợp chẩn đoán 2 67
    4.3 Đánh giá độ chính xác của chương trình hệ chuyên gia trọng số 70
    4.4 Kết luận 70
    Chương 5: MÔ HÌNH TOÁN MẠNG NƠ RON NHÂN TẠO MLP ỨNG DỤNG TRONG CHẨN ĐOÁN SỰ CỐ TIỀM ẨN MBA LỰC 715.1 Giới thiệu về mạng nơ ron nhân tạo (ANN) 715.1.1 Nguyên lý hoạt động của mạng nơ ron nhân tạo (ANN) 71 5.1.2 Một số mạng nơ ron cơ bản 755.2 Mô hình toán mạng MLP 765.2.1 Cấu trúc mạng nơ ron MLP 765.2.2 Các kiểu kết nối mạng nơ ron MLP 835.2.3 Qui tắc học của MLP 845.2.4 Thuật toán lan truyền ngược 85 5.3 Kết luận 90
    Chương 6: MẠNG NƠ RON NHÂN TẠO MLP LAI VỚI EPS PHÂN LỚP DỮ LIỆU DGA CHẨN ĐOÁN SỰ CỐ TIỀM ẨN TRONG MBA- ỨNG DỤNG TRONG HỆ THỐNG ĐIỆN VIỆT NAM 916.1 Xây dựng mô hình tích hợp các mô đun mạng nơ ron nhân tạo MLP chẩn đoán sự cố tiềm ẩn trong MBA 916.1.1 Mô hình tích hợp các mô đun MLP chẩn đoán MBA 91
    6.1.2 Luyện mạng 97 6.2 Lựa chọn mô hình MLP tối ưu lần 1 chẩn đoán MBA 104
    6.2.1 Các mô hình MLP được khảo sát để chọn mô hình tối ưu lần 1 104 6.2.2 Các bộ dữ liệu sử dụng trong tối ưu lần 1 105
    6.2.3 Độ chính xác chẩn đoán 105
    6.2.4 Mạng MLP tối ưu lần 1 107
    6.3 Phương pháp EPS phân lớp theo nồng độ khí hòa tan trong dầu 107
    6.3.1 Phương pháp tổng khí cháy hoà tan (TCG) 107 6.3.2 Phân lớp dữ liệu theo tổng hàm lượng khí cháy hoà tan trong dầu 108
    6.4 Lựa chọn mô hình mạng MLP tối ưu lần 2 theo TBG 110
    6.4.1 Độ chính xác chẩn đoán BT-SC của mạng MLP theo TBG 110
    6.4.2 Độ chính xác chẩn đoán QN-PD của mạng MLP theo TBG 112
    6.4.3 Độ chính xác chẩn đoán VQ-HQ của mạng MLP theo TBG 113
    6.4.4 Mạng MLP tối ưu lần 2 115
    6.5 Hệ lai giữa các mô đun mạng MLP hai đầu ra vơí EPS phân lớp TBG 115
    6.5.1 Mạng nơ ron lai ANN-EPS2 EVN 117
    6.5.2 Mô hình tích hợp các mô đun mạng MLP lai với hệ chuyên gia phân lớp dữ liệu TBG chẩn đoán MBA 120 6.5.3 Cơ chế hoạt động của mô hình lai 122
    6.6 Chương trình lai mạng nơ ron MLP tích hợp các mô đun 2 đầu ra với hệchuyên gia phân lớp chẩn đoán sự cố tiềm ẩn trong MBA 1246.6.1 Giới thiệu chương trình 1246.6.2 Ứng dụng cho hệ thống điện Việt Nam 125
    6.6.3 Chẩn đoán trực tuyến trên hệ thống mạng 130
    6.6.4 Độ chính xác của chương trình chẩn đoán 131
    6.6.5 Xuất biên bản chẩn đoán 132
    6.7 Kết luận 133
    KẾT LUẬN CHUNG 135
    DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ 138
    TÀI LIỆU THAM KHẢO 139
    PHỤ LỤC (trình bày ở quyển số 2)

    MỞ ĐẦU
    1. ĐẶT VẤN ĐỀ
    Trong hệ thống điện, máy biến áp lực (MBA) là một trong những thiết bị chính quan trọng dễ rơi vào trạng thái làm việc không bình thường, đặc biệt là các MBA có tuổi đời trên 10 năm. Nếu vận hành MBA ở trạng thái không bình thường kéo dài thì tuổi thọ của MBA sẽ giảm và có khả năng xảy ra sự cố làm việc truyền tải điện năng gián đoạn và khi MBA bị sự cố, sẽ thiệt hại rất lớn về nhiều mặt, có thể lên đến nhiều tỷ đồng.
    Tuổi thọ của MBA gắn liền với cách điện, MBA bị sự cố chủ yếu là do cách điện bị lão hoá- phân hủy và nguyên nhân chính là do nhiệt độ. Theo tiêu chuẩn C57.125 và C57.104 các sự cố chính của MBA là: vầng quang, quá nhiệt, hồ quang.
    Việc tiết giảm chi phí quản lý- vận hành MBA, trong đó có chi phí khắc phục sự cố dựa vào yếu tố kỹ thuật thông qua chẩn đoán tình trạng sự cố tiềm ẩn trong MBA là rất cần thiết. Tình trạng sự cố tiềm ẩn là trạng thái quá độ giữa chế độ vận hành bình thường và chế độ sự cố duy trì. Sự cố tiềm ẩn thông thường là những sự cố chớm xuất hiện dưới trạng thái quá nhiệt, vầng quang điện hoặc hồ quang điện chập chờn, có thể xuất hiện với tần suất thay đổi. Sự cố tiềm ẩn nếu được chẩn đoán đúng và xử lý sớm thì sẽ ngăn chặn được những nguyên nhân có thể dẫn đến sự cố nặng, duy trì với những tổn thất lớn.
    Có nhiều phương pháp chẩn đoán sự cố tiềm ẩn trong MBA. Các phương pháp truyền thống được thực hiện khi cắt điện MBA chưa cho ta đủ thông tin để chẩn đoán các sự cố tiềm ẩn. Phương pháp chẩn đoán dựa vào nồng độ các khí hoà tan trong dầu (DGA) hiện đang sử dụng phổ biến đã chứng tỏ là phương pháp có hiệu quả, nhưng trong thực tế vẫn còn một số hạn chế về độ chính xác và tính “không xác định” cao trong chẩn đoán.
    Về mặt quy định, hiện nay ngành điện Việt Nam đang áp dụng quy trình vận hành- sửa chữa MBA năm 1998 để quản lý chất lượng MBA, theo đó tình trạng MBA trong vận hành được đánh giá chủ yếu là theo yêu cầu chung, thiên về thụ động, nhiều nội dung cần thiết lại không rõ ràng: MBA có tiếng kêu mạnh, tiếng phóng điện, phát nóng bất thường và liên tục, dầu tràn qua bình dầu phụ hoặc phun ra ngoài, vỡ kính phòng nổ, màu sắc dầu thay đổi đột ngột, các sứ rạn nứt, đầu cốt nóng đỏ thì đưa MBA ra khỏi vận hành [15]; khi những hiện tượng này xảy ra thì hầu hết MBA đã có hư hỏng khá nặng, hậu quả sẽ nặng nề cho hệ thống điện.
    Đối với việc ứng dụng công nghệ DGA thì quy trình cũng chỉ dừng ở mức ban đầu là dựa vào 3 phương pháp là TCG, phương pháp Roger, phương pháp khí chính, trong khi đó 3 phương pháp truyền thống này hiện nay các nước chỉ dùng để tham khảo vì độ chính xác chẩn đoán còn thấp và tài liệu của ngành cũng không hướng dẫn đầy đủ nên trong thực tế sử dụng luôn khó khăn cho việc kết luận tình trạng MBA.
    Dựa vào thực tế trên đây, cần thiết phải nghiên cứu- tìm kiếm một phương pháp khác có thể xác định các vấn đề sắp xảy ra trong MBA tốt hơn, có một chẩn đoán sớm, từ đó đưa ra các khuyến nghị có thể là tiếp tục vận hành, theo dõi nghiêm ngặt, lập kế hoạch ngừng, bảo dưỡng đúng lúc cho từng đối tượng, sửa chữa và thậm chí là thanh lý các MBA có vấn đề một cách chủ động, cực tiểu hoá được thời gian cắt điện mang lại hiệu quả kinh tế tổng hợp cho các Công ty Điện lực và cộng đồng.
    Với công nghệ phần mềm và kỹ thuật máy tính phát triển mạnh hiện nay cùng với sự tích luỹ và phát triển tri thức của loài người, các phương pháp trí tuệ nhân tạo đã được nghiên cứu và ứng dụng trong nhiều lĩnh vực.
    Các phương pháp trí tuệ nhân tạo (AI) gồm nhiều nội dung như: hệ chuyên gia (EPS), mạng nơ ron nhân tạo (ANN), logic mờ (FL), thuật toán di truyền . đã được ứng dụng để chẩn đoán trạng thái hư hỏng tiềm ẩn các thiết bị điện nói chung và MBA nói riêng, đã và đang được nhiều nước nghiên cứu phát triển hàng chục năm nay và thực tế với mô hình kết hợp vài nội dung AI đã cải thiện được độ chính xác chẩn đoán so với các phương pháp DGA truyền thống, giải quyết được nhiều vấn đề tồn tại từ chẩn đoán MBA dựa vào phương pháp phân tích DGA và AI đã trở thành công cụ trợ giúp hữu hiệu cho các chuyên gia kỹ thuật trong việc kiểm soát và quản lý chất lượng MBA, tuy nhiên các mô hình AI đến nay cũng vẫn còn giới hạn về độ chính xác chẩn đoán nên độ tin cậy vẫn chưa đáp ứng yêu cầu.
    Tại Việt Nam cho đến nay vẫn chưa có 1 nghiên cứu nào có tính hệ thống và đầy đủ về các phương pháp DGA và ứng dụng công nghệ AI chẩn đoán các sự cố tiềm ẩn bên trong MBA nên các quy định- các tiêu chuẩn cũng chỉ dừng ở mức khởi đầu nên cần thiết phải có những nghiên cứu sâu và đầy đủ hơn về các phương pháp, phạm vi áp dụng để có đánh giá toàn diện sự thực hiện của các phương pháp truyền thống, qua đó có những khuyến cáo cần thiết trong thực tế đánh giá MBA; đồng thời phải nghiên cứu sự thực hiện của các phương pháp trí tuệ nhân tạo, đánh giá độ chính xác chẩn đoán của các phương pháp AI đã công bố trên IEEE, từ đó có hướng nghiên cứu bổ sung và phát triển những mô hình AI mới có khả năng giải quyết được bài toán chẩn đoán MBA với độ chính xác cao hơn, tin cậy hơn, đáp ứng yêu cầu thực tiễn quản lý vận hành an toàn, tin cậy hệ thống điện.
    2. MỤC ĐÍCH VÀ PHẠM VI NGHIÊN CỨU
    Mục đích chính của luận án là tìm biện pháp quản lý chất lượng MBA trong vận hành, kịp thời phát hiện các sự cố “chớm nở” trong MBA, giảm thiểu tối đa sự thiệt hại do nguyên nhân mất điện từ MBA và MBA hư hỏng nặng tốn nhiều chi phí sửa chữa. Nội dung nghiên cứu chủ yếu của luận án là:
    + Nghiên cứu việc thu thập các dữ liệu DGA để xây dựng một hệ quản trị cơ sở dữ liệu phục vụ cho công tác nghiên cứu và quản lý chất lượng MBA;
    + Tổng hợp các phương pháp đánh giá chất lượng MBA và nghiên cứu các hướng dẫn, các tiêu chuẩn đánh giá trạng thái MBA dựa vào DGA;
    + Khảo sát các kết quả nghiên cứu về ứng dụng AI chẩn đoán MBA dựa vào DGA đã công bố trên IEEE để có đánh giá khách quan về khả năng ứng dụng và phát triển công nghệ này trong điều kiện Việt nam;
    + Xây dựng mô hình AI có khả năng tốt hơn để chẩn đoán các trạng thái sự cố tiềm ẩn trong MBA có cách điện dầu dựa vào dữ liệu DGA góp phần phát triển công nghệ này cho Việt Nam và các nước.
    Phạm vi nghiên cứu của luận án: Nghiên cứu các phương pháp đánh giá tình trạng MBA, bao gồm các phương pháp truyền thống cần phải tách MBA ra khỏi hệ thống điện; các phương pháp chẩn đoán online thông qua DGA, phóng điện cục bộ; xây dựng hệ dữ liệu DGA của các MBA có vấn đề và công tác quản lý dữ liệu; nghiên cứu khả năng và ứng dụng AI trong chẩn đoán MBA bao gồm EPS, ANN để hạn chế việc mất điện có nguyên nhân từ MBA, hạn chế sự thiệt hại cho các Công ty Điện lực và cộng đồng.

    3. PHƯƠNG PHÁP NGHIÊN CỨU
    Luận án sử dụng các phương pháp nghiên cứu lý thuyết kết hợp với thực nghiệm, cụ thể:
    - Nghiên cứu lý thuyết: Nghiên cứu các phương pháp đánh giá tình trạng MBA dựa vào DGA đã và đang sử dụng trên thế giới; các quy định và tiêu chuẩn đánh giá tình trạng MBA của ngành điện; cơ chế và công nghệ chẩn đoán MBA dựa vào DGA; phương pháp chuyên gia, phương pháp mạng nơ ron nhân tạo và kết quả ứng dụng AI chẩn đoán MBA đã được công bố trong khoảng 20 năm qua.
    - Nghiên cứu thực nghiệm: Khảo sát, thống kê dữ liệu DGA của các nghiên cứu đã được công bố trên IEEE, nhận xét việc áp dụng các quy định, tiêu chuẩn đánh giá chất lượng MBA tại Việt Nam; đánh giá việc chẩn đoán của các phương pháp DGA truyền thống; thực nghiệm ứng dụng AI chẩn đoán trên 1 số MBA tại Việt Nam; kết hợp công việc của các kỹ thuật viên lấy mẫu, kỹ thuật viên DGA và công việc của các chuyên gia phân tích chẩn đoán, đảm bảo chẩn đoán thuận lợi, tiết giảm được chi phí và kịp thời.
    4. Ý NGHĨA KHOA HỌC VÀ ĐÓNG GÓP MỚI CỦA LUẬN ÁN
    a. Ý nghĩa khoa học và thực tiễn
    Mặc dù chẩn đoán online MBA là yêu cầu bức thiết nhưng cho đến nay, qua nhiều năm trang bị thiết bị DGA, ngành điện Việt Nam cũng chưa có một nghiên cứu nào, cả lý thuyết lẫn thực nghiệm được tiến hành một cách có hệ thống về vấn đề chẩn đoán online MBA dựa vào DGA.
    Về mặt thực tiễn, luận án đã thực hiện một khối lượng công việc khá lớn liên quan đến thực nghiệm và tiếp thu kinh nghiệm của các chuyên gia DGA, của các nghiên cứu về DGA trên thế giới, đáp ứng được nhu cầu của ngành điện về mặt tích luỹ dữ liệu và kinh nghiệm. Về mặt khoa học, đề tài đã thành công trong việc ứng dụng một công cụ mới của khoa học hiện đại để thực hiện một công việc lớn do thực tiễn yêu cầu với độ chính xác khá cao.
    Ý nghĩa khoa học và thực tiễn của đề tài thể hiện ở các nội dung sau:
    1. Tập hợp và hệ thống hóa các phương pháp đánh giá tình trạng MBA dựa vào DGA, đặc biệt là việc tập hợp kiến thức cốt lõi của các phương pháp, xây dựng được các quy luật (luật) đặc trưng tương ứng, từ đó xây dựng hệ chuyên gia chẩn đoán cho từng phương pháp DGA truyền thống. Đánh giá sự thực hiện chẩn đoán của các phương pháp, là công việc thực nghiệm cần thiết để các đơn vị sử dụng các máy phân tích khí hòa tan trong dầu biết được độ chính xác chẩn đoán của từng phương pháp, từ đó có biện pháp kết hợp trước khi đưa ra kết luận.
    2. Thu thập và xử lý được bộ dữ liệu DGA khá lớn từ các nguồn tin cậy và hệ thống hóa lại các dữ liệu DGA làm cơ sở cho những nghiên cứu sâu hơn; từ đó bổ sung hoặc phát triển các phương pháp mới chẩn đoán MBA tốt hơn.
    3. Khảo sát một khối lượng lớn các nghiên cứu đã công bố trên IEEE về ứng dụng AI chẩn đoán MBA dựa vào DGA để tổng hợp các kết quả nghiên cứu, mặt được và mặt hạn chế, qua đó đề ra các nội dung cần tiếp tục nghiên cứu để hoàn thiện bài toán chẩn đoán có độ chính xác tốt hơn, tin cậy hơn.
    4. Xây dựng phương pháp mới chẩn đoán sự cố tiềm ẩn trong MBA, giải quyết được 1 số hạn chế của các phương pháp trước đó, đáp ứng được yêu cầu chẩn đoán MBA của ngành điện Việt Nam và tạo cơ hội hợp tác phát triển với các tổ chức khác ngoài Việt Nam trong lĩnh vực này.
    5. Giới thiệu về tầm quan trọng của việc chẩn đoán online MBA và lợi ích của kỹ thuật DGA; đề xuất áp dụng phương pháp quản lý chất lượng MBA theo nguyên lý online dựa vào DGA và chẩn đoán trực tuyến trên hệ thống mạng, qua đó tiết kiệm được nhiều chi phí; nâng cao được khả năng cung cấp điện liên tục an toàn và tin cậy cho hệ thống điện.
    b. Những đóng góp mới của luận án
    1. Luận án đã cung cấp có hệ thống những kiến thức cần thiết cho các nhà quản lý và chuyên viên kỹ thuật của ngành điện về các phương pháp DGA online phát hiện sớm tình trạng không bình thường của MBA trong vận hành, thấy rõ vai trò quan trọng của việc chẩn đoán MBA ở trạng thái đang vận hành, thấy được lợi ích của kỹ thuật DGA, từ đó sẽ có chương trình đầu tư và chính sách bảo trì MBA hiệu quả cho HTĐ.
    2. Thu thập, xử lý và xây dựng được một bộ dữ liệu có kích thước đủ lớn và tin cậy với chi phí thấp; thiết kế một hệ quản trị cơ sở liệu có giao diện thân thiện và đảm bảo tin cậy cũng như bảo mật cho người sử dụng, tổ chức quản lý phục vụ chẩn đoán thiết bị điện và quản lý chất lượng MBA.
    3. Tổng hợp các phương pháp chẩn đoán MBA truyền thống dựa vào DGA và xây dựng mô hình hệ chuyên gia chẩn đoán dựa vào các phương pháp truyền thống, đánh giá sự thực hiện chẩn đoán theo từng phương pháp, làm cơ sở cho việc lựa chọn kết luận tình trạng MBA của các nhà quản lý.
    4. Xây dựng mới mô hình hệ chuyên gia trọng số phù hợp cho chẩn đoán sự cố tiềm ẩn bên trong MBA với độ chính xác khá cao so với các EPS đã công bố.
    5. Xây dựng mô hình chẩn đoán mới lai giữa mạng nơ ron nhân tạo MLP với EPS phân lớp chẩn đoán các sự cố tiềm ẩn trong MBA dựa vào nồng độ khí hoà tan trong dầu cho các MBA đạt độ chính xác cao.
    6. Bằng công nghệ AI thiết lập một công cụ trợ giúp người quản lý máy sắc ký khí khai thác hiệu quả thiết bị và người quản lý- vận hành MBA kiểm soát nhanh với độ chính xác cao chất lượng MBA và thực sự đã thành công việc đơn giản hóa một công nghệ phức tạp với một độ tin cậy cao hơn. Luận án còn là cơ sở để đề xuất với ngành điện Việt Nam ban hành quy định đầy đủ về việc ứng dụng công nghệ AI quản lý MBA trong vận hành.
    7. Chẩn đoán trực tuyến MBA trên Web là nội dung chưa được thực hiện ở các nước. Luận án đã xây dựng một hệ thống chẩn đoán trực tuyến trên trang Web của Công ty CP Thủy điện A Vương bằng 2 ngôn ngữ Việt- Anh và cho đến nay đã có đến trên 40 ngàn lượt truy cập chẩn đoán của chuyên gia nhiều nước kể cả Nga, Trung Quốc, Canada, Mỹ, Nhật, Pháp, Malai .; hàng tháng có đến chục ngàn lượt chẩn đoán (có ngày trên 500 lượt truy cập chẩn đoán).
    5. BỐ CỤC CỦA LUẬN ÁN
    Ngoài phần mở đầu và kết luận chung luận án gồm 06 chương.
    Chương 1: Tổng quan các phương pháp đánh giá tình trạng MBA dựa vào DGA và kết quả nghiên cứu ứng dụng AI chẩn đoán MBA dựa vào DGA đã công bố trên thế giới; Xác định phương pháp AI dựa vào DGA là pp tin cậy trong việc giải bài toán chẩn đoán sự cố tiềm ẩn trong MBA và đề tài sẽ tập trung nghiên cứu.
    Chương 2: Xây dựng cơ sở dữ liệu DGA: Thu nhận dữ liệu DGA và quản lý dữ liệu làm cơ sở triển khai nghiên cứu.
    Chương 3: Xây dựng EPS chẩn đoán các sự cố tiềm ẩn trong MBA dựa vào các phương pháp DGA truyền thống để đánh giá khã năng chẩn đoán của các phương pháp này; dựa vào độ chính xác của các pp này để xây dựng EPS trọng số.
    Chương 4: Xây dựng EPS trọng số chẩn đoán các sự cố tiềm ẩn trong MBA dựa vào DGA. Ứng dụng trong hệ thống điện Việt Nam
    Chương 5: Giới thiệu mạng nơ ron MLP, các kiểu kết nối, quy tắc học và thuật toán lan truyền ngược, ứng dụng của mạng MLP trong hệ thống điện.
    Chương 6: Xây dựng mạng nơ ron nhân tạo MLP lai với EPS phân lớp dữ liệu để chẩn đoán các sự cố tiềm ẩn trong MBA. Ứng dụng trong hệ thống điện Việt Nam


    PHỤ LỤC 1
    TÀI LIỆU THAM KHẢO
    Tiếng Việt :
    [1] Nguyễn Văn Lê, (2005), Ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong MBA lực dựa vào phương pháp phân tích khí hoà tan trong dầu, Luận văn thạc sỹ Đại học Bách khoa Đà Nẵng.
    [2] Đinh Thành Việt, Trần Hoàng Khứ, Nguyễn Văn Lê, (2005), Hệ chuyên gia chẩn đoán sự cố tiềm ẩn trong máy biến áp lực, Tạp chí khoa học và công nghệ các trường Đại học Kỹ thuật, số 53, trang 50-54.
    [3] Đinh Thành Việt, Nguyễn Quốc Tuấn, Nguyễn Văn Lê, (2005), Ứng dụng mạng nơron chẩn đoán sự cố tiềm ẩn trong máy biến áp lực, Tạp chí khoa học và công nghệ Đại Học Đà Nẵng, số 1(9), trang 53-57.
    [4] Đinh Thành Việt, Nguyễn Văn Lê, (2006), Xây dựng hệ chuyên gia chẩn đoán sự cố tiềm ẩn trong máy biến áp lực bằng ngôn ngữ C++, Tạp chí khoa học và công nghệ các trường Đại học Kỹ thuật, số 56, trang 14-16.
    [5] Nguyễn Văn Lê, (2005, 2006), Đánh giá kết quả của việc ứng dụng trí tuệ nhân tạo chẩn đoán sự cố MBA 500 KV T1 pha C Yaly, Tạp chí Điện lực, số 12/2005 trang 60-61 và số 1/2006, trang 66-67.
    [6] Đinh Thành Việt, Trần Hoàng Khứ, Nguyễn Văn Lê, (2005), Kết hợp hệ chuyên gia và mạng nơ ron nhân tạo chẩn đoán sự cố tiềm ẩn trong MBA lực, Tuyển tập Báo cáo Khoa học kỹ niệm 30 năm thành lập Trường Đại học Bách khoa Đà nẵng; trang 171-174
    [7] Trần Đình Long, Đinh Thành Việt, Nguyễn Văn Lê, (2007), Ứng dụng Logic mờ chẩn đoán sự cố tiềm ẩn trong máy biến áp lực, Tạp chí khoa học và công nghệ các trường Đại học Kỹ thuật, số 59, trang 31-35.
    [8] JICA, (2004), Phân tích khí hòa tan trong dầu, Dự án JICA-EVN.
    [9] Đinh Mạnh Cường, (2002), Trí tuệ nhân tạo, Nhà xuất bản khoa học kỹ thuật.
    [10] Nguyễn Hoàng Phương, Lê Linh Phong, (2002), Nhập môn trí tuệ tính toán, Nhà xuất bản khoa học kỹ thuật.
    [11] Nguyễn Đình Thức, (2000), Trí tuệ nhân tạo- Phương pháp và ứng dụng, Nhà xuất bản Giáo dục.
    [12] Nguyễn Thanh Thuỷ, (1999), Trí tuệ nhân tạo, Nhà xuất bản Giáo dục.
    [13] Viện Năng lượng Liên Xô,(1989), Hướng dẫn chẩn đoán các hỏng hóc theo kết quả phân tích hoà tan trong dầu của MBA bằng phương pháp sắc ký khí dùng cho MBA lực, tự ngẫu, kháng điện 35 KV trở lên, Mát-cơ-va.
    [14] Trần Văn Chính, (2003), Bài giảng Trí Tuệ Nhân Tạo, Đại Học Bách Khoa Đà Nẵng.
    [15] Bạch Quang Văn, Dương Tử Giang, (1998), Quy trình vận hành- sửa chữa máy biến áp, Tổng Công ty Điện lực Việt Nam.
    Tiếng Anh :
    [16] M.B. Ohmad and Z.B. Yacob, (2002), “Dissolved Gas Analysis Using expert System”, Student Conference on Research and Development Proceeding, pp.50 -55.
    [17] C. E. Lin, J.M. Ling, C.L. Huang, (1993), “An Expert System for transformer fault Diagnosis Using Dissoved analysis”, IEEE Transactions On Power Delivery, vol.8 , No.1, pp. 231-238.
    [18] D. Chu, Chairman, (1999), “On-line monitoring of power transformers and components”, IEEE Proceedings on Electrical Insulation Conference and Electrical Manufacturing & Coil Winding Conference, pp. 669 -675.
    [19] Ph. D. DiGiorgio, (1999), “Dissolved gas analysis of mineral oil insulating fluids”, NTT Copyrighted material.
    [20] Jakob and Weidmann, (1991), “IEEE Guide for the interpretation of gases generated in oil- immerrsed Transformers”, Transformer Committee of the IEEE Power Engineering Society.
    [21] K. Tomsovic and B. Baer, (2004), “Fuzzy information approaches to equipment Condition Monitoring and Diagnosis”, IEEE Electric Power Applications of Fuzzy Systems.
    [22] L.Mokhnache and A.Boubakeur, (2002), “Comparison of different neural networks algorithms used in the diagnosis and thermal ageing prediction of transformer oil”, IEEE International Conference on Systems, Man and Cybernetics, vol.6 , pp.6.
    [23] P. Purkait and S. Chkravorti, (2000), “An Expert System for Fault Diagnosis in Transformer During impulse Tests”, IEEE Power Engineering Society Winter Meeting, vol.3, pp.2181 -2186.
    [24] Peter M. Eleftherion, (1995), “Acoustic emission- based PD sourse location in Transformer”, IEEE Electrical Insulation Magazine, vol 16, No.6, pp. 22 –26.
    [25] Hydroelectric Research and Technical Services Group, (2000), “Transformer maintenance, facilities instruction, standards and technique ”, United States Department Of The Interior Bureau of Reclamation Denver.
    [26] Z. Wang and Yilu Liu, (2000), “Neural net and expert system diagnose transformer faults”, IEEE Computer Applications in Power, vol 131, pp.50 -55.
    [27] Z. Wang and Yilu Liu, (1998), “A combined ANN and expert system tool for transformer fault diagnosis”, IEEE Transactions On Power Delivery, vol 134, pp.1224 -1229.
    [28] Z. Wang, (2001), “Artificial Intelligence Applications in Diagnosis of Power Transformer Incipient Faults”, PhD. dissertation of the Virginia Polytechnic Institute and State University.
    [29] Z. Wang and P.J. Grinffin, (1998), “A Combined ANN and Expert System Tool for Transformer Fault Diagnosis”, IEEE Transactions On Power Delivery, vol 13, pp. 1224 - 1229.
    [30] Y. Zhang and X. Ding, (1996), “An artificial neural network approach to transformer fault diagnosis”, IEEE Transactions On Power Delivery, vol 10, pp.1836 -1841.
    [31] Kim Onn Wong, (2000), “Expert System for Transformer Fault Diagnosic”, Doctor degree disseration of the University of Queensland, Australia.
    [32] Tapan K.Saha,(2003), “Review of modern diagnostic techniques for assessing insulation condition in aged transformers”, IEEE transactions on dielectrics and electrical insulation, vol.10, No.5, p.903-917.
    [33] M. Duval, (2002), “A Review of Faults Detectable by Gas-in-oil Analysis in Transformer”, IEEE Electrial Insulation Magazine, pp.8 -17
    [34] Ma. Ahmad and Zu. Bin Yaacob, (2002), “Dissolved Gas Analysis Using Expert System”, Student Conference on Research and Development, pp.313 -316.
    [35] S.B. Bodkhe and Asst. Professor, (2004), “Turbo Prolog” EPS, G.H. Rasioni College of Engineering.
    [36] Yongchun Liang and Xiaoyun Sun, (2008), “Fault diagnosis model of power transformer based on combinatorial KFDA”, IEEE Conference on Condition Monitoring and Diagnosis, pp.956 – 959.
    [37] Tiefeng Zhang and Guangquan Zhang, (2010), “Fault diagnosis of transformer using association rule mining and knowledge base”, IEEE 10th International Conference on Intelligent Systems Design and Applications, pp.737-742
    [38] Hongzhong Ma and Zheng Li, (2005), “Diagnosis of power transformer faults on fuzzy three-ratio method”, IEEE the 7th International Power Engineering Conference, pp. 1 - 456.
    [39] Xiong Hao, (2006), “An Improved Power Transformer Diagnosis System for Incipient Fault Based on Fuzzy Rough Set Theory”, IEEE International Conference on Power System Technology, pp.1-8.
    [40] K. Tomsovic, (1993), “A Fuzzy Information Approach To Integrating Different Transformer Diagnostis Method”, IEEE Transactions On Power Delivery, Vol.8, No.3.
    [41] Qun-Feng Niu and Li Wang, (2010), “Realization of a power transformer on-line monitoring and diagnosis system based on DGA and PNN”, IEEE conference on Computer, Mechatronics, Control and Electronic Engineering, pp.210-213.
    [42] J.P. Lee and D.J. Ji, (2006), “ Diagnosis of Power Transformer using Fuzzy Clustering and Radial Basis Function Neural Network”, International Joint Conference on Neural Networks, pp.1398-1404.
    [43] Fu Yang and Zhang liang, (2004), “Comprehensive method detecting the status of the transformer based on the artificial intelligence”, IEEE International Conference on Power System Technology, pp.1638-1643.
    [44] Zhang Jiajia and Pan Hongbin, (2008), “Electric power transformer fault diagnosis using OLS based Radial Basis Function Neural Network”, IEEE International Conference on Industrial Technology, pp.1-4.
    [45] Li Honglei and Xiao Dengming, (2000), “Wavelet ANN based transformer fault diagnosis using gas-in-oil analysis”, IEEE Proceedings of the 6th International Conference on Properties and Applications of Dielectric Materials, pp.147-150.
    [46] Song Li, (2008), “Application of CP Modular Neural Networks on DGA Based Power Transformer Fault Diagnosis”, IEEE International Conference on High Voltage Engineering and Application, pp. 574-576.
    [47] Xiaoxia Wang and Tao Wang, (2008), “Hybrid PSO-BP Based Probabilistic Neural Network for Power Transformer Fault Diagnosis”, IEEE Second International Symposium on Intelligent Information Technology Application, pp.545-549.
    [48] Zhang Wei-zheng and Wang Zheng-gang, (2008), “The application of compound networks in fault diagnosis of power transformer”, IEEEInternational Conference on Electricity Distribution, pp.1-5.
    [49] Li. Song and Li. Xiu-ying, (2011), “Fault Diagnosis of Transformer Based on Probabilistic Neural Network”, IEEE International Conference on Intelligent Computation Technology and Automation, pp.129-131.
    [50] Weigen Chen and Chong Pan, (2009), “Wavelet Networks in Power Transformers Diagnosis Using Dissolved Gas Analysis”, IEEE Transactions On Power Delivery, Vol.24, No.1, pp.187-194.
    [51] Z. Wang, and Y.Liu, (2000), “A combined ANN and expert system tool for transformer fault diagnosis”, IEEE Power Engineering Society Winter Meeting, vol.2, pp. 1261-1269.
    [52] J. Dukarm, (1993), “Transformer Oil Diagnosis Using Fuzzy Logic and Neural Network”, IEEE Insulation Magazine, pp. 329-332.
    [53] Hong-Tzer Yang, (1999), “Adaptive fuzzy diagnosis system for Dissolved gas analysis of power transformers”, IEEE Transactions On Power Delivery, Vol.14, No.4, pp. 1342-1350.
    [54] Q. Su, (2000), “A Fuzzy Logic Tool Transformer Fault Diagnosis”, IEEE Electrical Insulation Magazine, pp. 265-268.
    [55] Syed Mofizul Islam and Tony Wu, (2000), “A Novel Fuzzy Logic Approach Transformer Fault Diagnosis”, IEEE Transactions on Dielectrics and Electrical Insulation, Vol.7 No.2, pp. 177-186.
    [56] Xiong Hao and Li Weiguo, (2006), “An Improved Power Transformer Diagnosis System for Incipient Fault Based on Fuzzy Rough Set Theory”,IEEE International Conference on Power Systerm Technology, pp.1-8.
    [57] D.Bhalla and R.K. Bansal, (2011), “Transformer incipient fault diagnosis based on DGA using fuzzy logic”, IEEE International Conference on Power Electronics, pp.1-5.
    [58] J. Pihler and B. GrEar, (1998), “Intelligent Decision Support for Diagnosis of Incipient Transformer Faults Using Self-organizing Polynomial Networks”, IEEE Transactions On Power Delivery, Vol.13, No.3, pp. 946-952.
    [59] W. Lin and Tasy, (2005), “Transformer-fault diagnosis by integrating field data and standard codes with training enhancible adaptive probabilistic network”, IEE Proceedings on Generation, Transmission and Distribution, Vol.152, No.3, pp. 335-341.
    [60] Gao Wensheng and Qian Zheng, (1998), “A multi-resolution system approach to power transformer insulation diagnosis”, Asian International Conference on Dielectrics And Electrical Insulation, pp. 685-688.
    [61] Li Honglei and Xiao Dengming, (2000), “Wavelet ANN based transformer fault diagnosis using gas-in-oil analysis”, IEEE Proceedings of The 6th International Conference on Properties and Applications of Dielectric Materials, pp.147-150.
    [62] C. Huang and Yang, (2002), “Abductive network model-based diagnosis system for power transformer incipient fault detection”, IEE Proceedings on Generation, Transmission and Distribution, Vol.149, No.3, pp.326-330.
    [63] O. Venagas and K. Naito, (1997), “Diagnosis of Oil-insulated power apparatus by using neural network simulation”, IEEE Transactions On Power Delivery, Vol.4, No.3, pp. 290-299.
    [64] Tu Yanming and Qian Zheng, (2000), “DGA based insulation diagnosis of power transformer via ANN ”, IEEE Proceedings of The 6th International Conference on Properties and Applications of Dielectric Materials, pp. 133-136.
    [65] Y.Zhang and Griffin, (1996), “An artificial neural network Approach to transformer fault”, IEEE Transactions On Power Delivery, Vol.11, No.4, pp. 1836-1841
    [66] A.R.G. Castro and V. Miranda, (2004), “An interpretation of neural networks as inference engines with application to transformer failure diagnosis”, IEEE 8th International Conference on Probabilistic Methods Applied to Power Systems, pp. 997-1002.
    [67] Ganyun Lv and Xiaodong Wang, (2007), “Fault Diagnosis of Power Equipment Based On Dissolved Gas Analysis And LS Fusion Combining Neural Network”, Third International Conference on Natural Computation, pp. 154-158.
    [68] Huaren Wu and Xiaohui Li, (2011), “RMP neural network based dissolved gas analyzer for fault diagnostic of oil-filled electrical equipment”, IEEE Transactions On Dielectrics and Electrical Insulation, Vol.18, No.2, pp. 495-498.

    Xem Thêm: Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong máy biến áp lực ứng dụng cho hệ t
    Nội dung trên chỉ thể hiện một phần hoặc nhiều phần trích dẫn. Để có thể xem đầy đủ, chi tiết và đúng định dạng tài liệu, bạn vui lòng tải tài liệu. Hy vọng tài liệu Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán sự cố tiềm ẩn trong máy biến áp lực ứng dụng cho hệ t sẽ giúp ích cho bạn.
    #1
  7. Đang tải dữ liệu...

    Chia sẻ link hay nhận ngay tiền thưởng
    Vui lòng Tải xuống để xem tài liệu đầy đủ.

    Gửi bình luận

    ♥ Tải tài liệu

social Thư Viện Tài Liệu
Tài liệu mới

Từ khóa được tìm kiếm

Nobody landed on this page from a search engine, yet!

Quyền viết bài

  • Bạn Không thể gửi Chủ đề mới
  • Bạn Không thể Gửi trả lời
  • Bạn Không thể Gửi file đính kèm
  • Bạn Không thể Sửa bài viết của mình
  •  
DMCA.com Protection Status