Tóm tắt

Máy biến áp là thiết bị cốt lõi của hệ thống điện, đóng vai trò quan trọng trong việc truyền tải và biến đổi dòng điện, và hoạt động an toàn và ổn định của chúng là rất quan trọng đối với hoạt động bình thường của toàn bộ hệ thống điện. Do cấu trúc phức tạp của máy biến áp, việc sử dụng một dữ liệu duy nhất cho bảo trì dựa trên tình trạng (CBM) có một số hạn chế. Với sự trợ giúp của công nghệ giám sát cảm biến và hợp nhất dữ liệu tiên tiến, dữ liệu đa nguồn được áp dụng cho dự báo và quản lý tình trạng máy biến áp (PHM), đây là một cách quan trọng để đạt được CBM của máy biến áp. Bài báo này đề xuất một phương pháp tích hợp lý thuyết mạng niềm tin sâu (DBNC) và lý thuyết bằng chứng DS và áp dụng nó vào PHM của máy biến áp điện quy mô lớn. Kết quả thực nghiệm cho thấy phương pháp đề xuất có tỷ lệ chính xác chẩn đoán sự cố cao đối với máy biến áp có số lượng lớn dữ liệu đa nguồn.

1. Giới thiệu

Máy biến áp là thành phần quan trọng trong hệ thống điện có cấu trúc bên trong phức tạp và nhiều loại sự cố khác nhau. Hiện nay, hầu hết các phương pháp PHM máy biến áp đều dựa vào một hoặc nhiều yếu tố để đưa ra quyết định, mà không xem xét tình trạng hoạt động tổng thể của máy biến áp, thông tin sự cố, lịch sử bảo trì, lịch sử gia đình và các thông tin trạng thái toàn diện khác. Do hạn chế của phương pháp thử nghiệm, kiến ​​thức không chính xác và các lý do khác, dữ liệu không rõ ràng và ngẫu nhiên, và việc mô tả rõ ràng của bộ phận vận hành và bảo trì về tương tác ghép nối bên trong và diễn biến sự cố máy biến áp là không đủ. Về tính không chắc chắn của PHM máy biến áp, tính chính xác và kịp thời của kết quả chẩn đoán, dự đoán và quản lý sự cố còn xa mới đáp ứng được yêu cầu thực tế.

Công nghệ hợp nhất dữ liệu đa nguồn là một công nghệ xử lý dữ liệu mới được phát triển trong những năm gần đây. Công nghệ này tận dụng tối đa các nguồn cảm biến, tích hợp dữ liệu bổ sung và dư thừa theo không gian và thời gian của các cảm biến khác nhau theo tiêu chí tối ưu hóa, nhằm đạt được kết quả tốt nhất, cải thiện khả năng tồn tại của hệ thống, mở rộng phạm vi không gian và thời gian, nâng cao độ tin cậy của kết quả và giảm thiểu sự mơ hồ của dữ liệu. Công nghệ hợp nhất dữ liệu đa nguồn được ứng dụng trong PHM máy biến áp có thể khắc phục những nhược điểm của phương pháp PHM truyền thống chỉ sử dụng một nguồn dữ liệu. Công nghệ này có thể phân tích chính xác và hiệu quả thông tin tiềm ẩn từ một lượng lớn dữ liệu đặc tính phức tạp của máy biến áp, từ đó theo dõi tình trạng máy biến áp và dự đoán sự cố máy biến áp, giảm thiểu thiệt hại do sự cố máy biến áp gây ra, đồng thời đảm bảo hệ thống điện vận hành an toàn và ổn định.

2. Lý thuyết PHM và DBN

2.1. Sứ mệnh chính của PHM

PHM (Bảo trì Dự phòng) nhằm mục đích kéo dài tuổi thọ của thiết bị kỹ thuật đồng thời giảm chi phí phát triển và bảo trì. Chu trình PHM của máy biến áp bao gồm ba phần chính: chẩn đoán lỗi, dự đoán lỗi và bảo trì dựa trên tình trạng. Mục đích của chẩn đoán lỗi là chẩn đoán và xác định nguyên nhân gốc rễ của sự cố máy biến áp. Nguyên nhân gốc rễ có thể cung cấp thông tin giá trị cho các mô hình dự báo, cũng như phản hồi để cải tiến thiết kế máy biến áp. Prognostic lấy dữ liệu đã xử lý, bao gồm các mô hình hệ thống hiện có hoặc phân tích chế độ sự cố, làm đầu vào. Sau đó, một thuật toán dự báo được sử dụng để cập nhật mô hình suy giảm trực tuyến và dự đoán thời gian sự cố của máy biến áp. CBM (Bảo trì Dự phòng) sử dụng kết quả dự báo, xem xét chi phí và lợi ích của các phương pháp bảo trì khác nhau, để xác định thời điểm và phương pháp bảo trì phòng ngừa nhằm giảm chi phí vận hành và rủi ro.

Trên hết, ba nhiệm vụ này cần được thực hiện động và theo thời gian thực. Bài báo này trình bày một phương pháp mới để chẩn đoán sự cố máy biến áp điện lực. Kế hoạch nghiên cứu PHM cho máy biến áp điện lực cỡ lớn được thể hiện trong Hình 1.

2.2. Mạng lưới niềm tin sâu sắc

Mạng lưới Niềm tin Sâu (DBN) là một phương pháp học sâu có khả năng trích xuất các đặc điểm từ một lượng lớn mẫu để phân loại và cải thiện độ chính xác phân loại. Phương pháp này đã thành công.

Khi được áp dụng vào các vấn đề phân loại và thể hiện những lợi thế nhất định, đây là trọng tâm chính của nghiên cứu quốc tế hiện nay về máy học.

DBN được Giáo sư Jeffrey Hinton đề xuất vào năm 2006. Đây là một mô hình xác suất tạo ra phân phối xác suất kết hợp giữa dữ liệu quan sát và dữ liệu được gắn nhãn bằng cách đánh giá cả P(quan sát|nhãn) và P(quan sát|nhãn). Cấu trúc này bao gồm nhiều Máy Boltzmann Hạn chế (RBM) được xếp chồng lên nhau, sử dụng phương pháp huấn luyện từng lớp. Phương pháp này giải quyết các vấn đề huấn luyện mà các phương pháp huấn luyện mạng nơ-ron (NN) truyền thống không phù hợp với mạng nhiều lớp. Huấn luyện DBN được chia thành hai bước: bước tiền huấn luyện và bước điều chỉnh.

2.2.1. Đào tạo cơ bản

Tiền mồi là một quy trình cơ bản khởi tạo các tham số mạng bằng thuật toán tối ưu hóa đặc trưng không giám sát từng lớp. Các tham số mạng được khởi tạo là trọng số kết nối giữa các lớp và giá trị offset của các nơ-ron của mỗi lớp. Hình 2 là một ví dụ để giới thiệu cấu trúc phân cấp của RBM.

RBM bao gồm các lớp hiển thị và các lớp ẩn, không có kết nối giữa các đơn vị của mỗi lớp nhưng có kết nối hoàn chỉnh giữa các lớp. Giả sử lớp có các đơn vị hiển thị và lớp có các đơn vị ẩn, thì RBM là năng lượng của hệ thống có thể được định nghĩa theo phương trình (1):

trong đó V i là điều kiện của đơn vị hiển thị i đầu tiên, h j là điều kiện của đơn vị ẩn j đầu tiên, 0={W ij , a i , bj} là tham số RBM, W ij là trọng số kết nối giữa đơn vị hiển thị i và đơn vị ẩn i, j là độ lệch của đơn vị hiển thị và là độ lệch của đơn vị ẩn. Từ hàm năng lượng, có thể thu được phân phối xác suất kết hợp (v, h) của phương trình (2):

Ở đâu

 Đó là hệ số chuẩn hóa, tức là hàm phân vùng, phân phối biên (còn gọi là hàm khả năng) của phân phối xác suất chung.

 Nó có thể được biểu thị dưới dạng phương trình (3):

2.2.2. Tùy chỉnh

Sau khi hoàn tất quá trình huấn luyện ban đầu, mỗi lớp RBM có thể thu được các tham số khởi tạo, hình thành nên một khung DBN sơ bộ. Sau đó, cần phải tinh chỉnh quá trình huấn luyện cho DBN và tinh chỉnh thêm các tham số của từng lớp mạng để cải thiện hiệu suất phân biệt mạng. Quá trình tinh chỉnh là một quá trình học có giám sát, tức là sử dụng dữ liệu chưa được gán nhãn để huấn luyện, sau đó sử dụng thuật toán BP để tinh chỉnh các tham số mạng để thu được mạng tối ưu toàn cục. Hiệu suất của nó vượt trội hơn kết quả huấn luyện của thuật toán BP, vì nó chỉ cần tìm kiếm trong không gian tham số mạng cục bộ. So với mạng nơ-ron BP, tốc độ huấn luyện nhanh hơn và thời gian hội tụ ngắn hơn.

3. Mô hình tích hợp dữ liệu đa nguồn của PHM máy biến áp

Tích hợp dữ liệu đa nguồn liên quan đến nhiều khía cạnh lý thuyết và công nghệ, bao gồm xử lý tín hiệu, lý thuyết ước lượng, lý thuyết mờ, phân tích cụm, mạng nơ-ron và trí tuệ nhân tạo, cùng nhiều phương pháp khác. Tích hợp dữ liệu có thể được chia thành ba cấp độ: tích hợp dữ liệu, tích hợp đặc trưng và tích hợp quyết định. Các phương pháp chính được sử dụng bao gồm suy luận Bayes, lý thuyết chứng cứ, DS, lý thuyết mờ, hệ chuyên gia, v.v.

Lý thuyết bằng chứng DS được Dempster đề xuất vào năm 1967. Shafer sau đó đã mở rộng và phát triển lý thuyết bằng chứng này, vì vậy lý thuyết bằng chứng này còn được gọi là lý thuyết bằng chứng DS. Lý thuyết bằng chứng DS được sử dụng rộng rãi trong hợp nhất dữ liệu đa giác quan. Trong lý thuyết bằng chứng, để mô tả và xử lý sự không chắc chắn, các khái niệm về hàm phân phối xác suất, hàm niềm tin và hàm khả năng được giới thiệu.

1) Hàm phân phối xác suất

Giả sử D là không gian mẫu, các mệnh đề trong trường được biểu diễn bởi một tập con của D. Hàm phân phối xác suất được định nghĩa như sau.

Thiết lập chức năng M:

Và theo

Nó được gọi là hàm phân phối xác suất trên

Hàm xác suất cơ bản của A

2) Hàm niềm tin và hàm xác suất

Hàm niềm tin được biểu diễn bằng hàm Bel, còn được gọi là hàm giới hạn dưới, trong đó hàm Bel(A) biểu diễn mức độ tin tưởng rằng mệnh đề A là đúng. Hàm xác suất được biểu diễn bằng hàm Pls(A), biểu diễn mức độ tin tưởng rằng mệnh đề A không bị bác bỏ. [Bel(A), Pls(A)] được gọi là khoảng tin cậy của mệnh đề A.

3) Hàm phân phối xác suất trực giao

Khi thu được hai hoặc nhiều hàm phân phối xác suất khác nhau từ cùng một tiền đề, cần phải kết hợp chúng, tức là tổng trực giao của các hàm phân phối xác suất. Giả sử n là các hàm phân phối xác suất. Tổng trực giao của các hàm này là Phương trình (4):

Ở đâu.

Nếu K≠0 thì tổng trực giao M là một hàm phân phối xác suất. Nếu không có tổng trực giao, K=0, tức là M1 và M2. Xung đột.

Dựa trên khuôn khổ khái niệm chung về tích hợp dữ liệu và đặc điểm sự cố máy biến áp, DBN được kết hợp với tích hợp dữ liệu và được áp dụng để chẩn đoán sự cố trong bài báo này. Chẩn đoán DBN là một quá trình nhập đặc tính và xuất ra quyết định. Về mặt tích hợp dữ liệu, lý thuyết bằng chứng DS tích hợp và lý giải với nhiều bằng chứng khác nhau trong cùng một khuôn khổ, dẫn đến một quyết định thống nhất. Sự tích hợp này có thể cải thiện đáng kể độ tin cậy và độ chính xác của chẩn đoán. Do đó, bài báo này thiết lập một mô hình chẩn đoán tích hợp dữ liệu phân cấp cho các sự cố máy biến áp đa điểm dựa trên sự tích hợp của DBN và lý thuyết bằng chứng DS, như thể hiện trong Hình 3. Các tham số DGA bao gồm H2, CH4, C2H6, v.v. Dữ liệu thử nghiệm điện bao gồm hệ số mất cân bằng cuộn dây, tổn thất điện môi cuộn dây và dòng điện nối đất lõi.

4. Mẫu PHM

Bài báo này sử dụng mô hình mạng lưới niềm tin sâu (DBNC) (như thể hiện trong Hình 4, cụ thể là mô hình DBNC khí DGA). Đầu vào của mô hình là bảy giá trị hàm lượng khí đặc trưng (sau khi chuẩn hóa) của sắc ký đồ dầu trực tuyến. Cuối cùng, đầu ra của bộ phân loại Softmax ở trên là xác suất các mẫu tương ứng ở các trạng thái khác nhau. Trạng thái có xác suất cao nhất là kết quả phân loại. Cuối cùng, lý thuyết bằng chứng DS được sử dụng.

Kết hợp các kết quả chẩn đoán để có được kết quả cuối cùng

Bài viết này tổng hợp dữ liệu từ 1.500 mẫu máy biến áp. Dữ liệu sắc ký đồ dầu được thể hiện trong 

Bảng 1 cho thấy điện trở cách điện lõi, hệ số mất cân bằng điện trở DC cuộn dây, dòng điện tiếp đất lõi đều vượt quá giá trị quy định, và tất cả các giá trị thử nghiệm điện khác đều nằm trong giới hạn bình thường. Điện trở quấn dây chỉ 65 MΩ (giá trị quy định là 1.000 MΩ), hệ số mất cân bằng điện trở DC cuộn dây là 2,95% (giá trị quy định là 2%) và dòng điện tiếp đất lõi là 0,13 A (giá trị quy định là 0,1 A).

Sử dụng bộ phân loại DBNC để phân loại dữ liệu mẫu, độ chính xác của kết quả chẩn đoán từ dữ liệu sắc ký dầu đạt tới 81,53% và độ chính xác của kết quả chẩn đoán từ dữ liệu thử nghiệm điện đạt tới 78,83%. Khi kết hợp kết quả chẩn đoán với lý thuyết bằng chứng DS, độ chính xác chẩn đoán đạt tới 88,56%. Có thể thấy rằng kết quả chẩn đoán từ mô hình tích hợp dữ liệu đa nguồn để chẩn đoán sự cố có độ chính xác cao hơn so với kết quả chẩn đoán từ một hoặc ít nguồn dữ liệu.

5. Kết luận

Bài báo này cố gắng giới thiệu khái niệm PHM (Bảo trì thiết bị điện tử) vào lĩnh vực máy biến áp điện lực, cung cấp một hệ thống tham chiếu hoàn chỉnh cho việc bảo trì máy biến áp điện lực theo tình trạng. Vì mục đích này, bài báo đề xuất một mô hình chẩn đoán lai cho quy trình chẩn đoán sự cố mạch PHM của máy biến áp điện lực, áp dụng Bộ phân loại Mạng lưới Niềm tin Sâu (Deep Belief Network Classifier) ​​và lý thuyết bằng chứng DS. Kết quả thực nghiệm cho thấy hiệu suất chẩn đoán của mô hình chẩn đoán này vượt trội so với dữ liệu nguồn đơn. Hiệu quả của việc tích hợp nhiều nguồn dữ liệu trong việc cải thiện độ chính xác chẩn đoán sự cố của máy biến áp điện lực đã được chứng minh.