Xây dựng hệ chẩn đoán lỗi tiềm ẩn của máy biến áp lực dựa trên mạng neural kết hợp với phương pháp phân tích khí hoà tan

giám sát sai 
số đã được ứng dụng một cách thành công để 
giải quyết các bài toán khó khăn và biến đổi 
khác nhau. Điều đó cho thấy MLP có thể đáp 
ứng các yêu cầu đặt ra. 
Hình 1. Sơ đồ khối của hệ chẩn đoán sử dụng 
mạng MLP 
Hình 1 chỉ ra sơ đồ khối của mạng MLP cho 
chẩn đoán lỗi tiềm ẩn của MBA.Với cấu trúc 
MLP có 5 đầu vào tương ứng với 5 thành 
phần khí , , , , và . 
Trong nghiên cứu này, chúng tôi chỉ giới hạn 
chẩn đoán với các lỗi được chỉ ra như trong 
Bảng 5. Ở lớp đầu ra, có thể có hai phương án 
là dùng 1 đầu ra hoặc 3 đầu ra. Chúng tôi 
nhận thấy sử dụng mạng có 3 đầu ra thì việc 
chẩn đoán lỗi là thuận tiện hơn cả. Với 3 nút 
ở lớp đầu ra, chúng sẽ đại diện cho các điều 
kiện “bình thường”, “quá nhiệt” và “phóng 
điện”. Số lớp ẩn được chọn là 1. Cấu trúc 
mạng sẽ là 5–M–3, tương ứng 5 neural trong 
lớp đầu vào, M neural lớp ẩn, 3 neural lớp ra. 
Huấn luyện mạng 
Trong nghiên cứu này, chúng tôi huấn luyện 
mạng theo thuật toán lan truyền ngược. Thuật 
toán được thực hiện với các lựa chọn như sau: 
- Tổng neural đơn: 
(1) 
- Hàm kích hoạt (activation functions) 
sigmoid: 
(2) 
- Quy tắc delta: 
(3) 
- Hàm trọng lượng mới: 
 (4) 
- Lớp đầu ra: 
(5) 
- Các lớp khác: 
(6) 
Quá trình tiếp diễn cho đến khi thỏa mãn một 
điều kiện nào đó. 
Biểu diễn thuật toán huấn luyện theo lan 
truyền ngược được mô tả như trên sơ đồ khối 
Hình 2. 
Hình 2. Sơ đồ thuật toán lan truyền ngược 
Mô tả chi tiết của thuật toán lan truyền ngược 
như trên Hình 3. 
Dữ liệu đầu vào Đầu ra mong muốn (d) 
MLP 
Kết luận đầu ra 
Huấn luyện 
x 
d (mong muốn) 
sai số 
Mạng Neural 
(+) 
(-) 
y 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
127 
Hình 3. Thuật toán lan truyền ngược cho mạng neural 
KẾT QUẢ 
Thực hiện huấn luyện mạng neural với các cấu trúc 5-8-3, 5-10-3 và 5-16-3 thì thấy rằng mạng 
có cấu trúc 5-16-3 cho kết quả tốt nhất. Tập dữ liệu dùng cho quá trình chẩn đoán được xây dựng 
dựa trên việc thu thập các mẫu phiếu đo đạc và kiểm định thực nghiệm và tình trạng lỗi tương 
ứng của MBA trong nhiều lần chẩn đoán. 
Bảng 6. Một số mẫu trong bộ dữ liệu đầu vào dùng cho luyện mạng 
Các thành phần khí (ppm) 
2 4 40 3 10 
12 6 20 6 16 
12 60 20 26 10 
24 70 69 103 27 
34 40 69 203 30 
30 10 49 13 10 
Từ tập dữ liệu đầu vào trong Bảng 6, ta tính được các tỉ lệ R1, R2 và R5 theo Bảng 5, là luật chẩn 
đoán theo tiêu chuẩn IEC-60599 (2015). Kết quả như trong Bảng 7. Các tỉ lệ này chính là giá trị 
đầu ra mong muốn (d, Hình 1 và Hình 2). Giá trị này được sử dụng để tính toán sai số lớp ra 
trong quá trình luyện mạng theo thuật toán lan truyền ngược. 
b11 
 f
1
b21 
 f
1
b31 
 f
1
1 
W
1
x b12 
 f
1
b22 
 f
1
1 
1 
b1 
b2 
 
 (mong 
muốn) 
(+
) 
y
2
1 
1 
1 
(-) 
(-) 
(+
) 
 Qua 
lớp ra 
 
tốc độ 
học tập 
Qua 
lớp ẩn sai số 
lớp ẩn 
e1=y1(1-y1)W2e2 
huấn luyện: lan truyền ngược 
quy tắc Delta 
W2 mới 
b2 mới quá trình lặp 
lại cho đến 
khi thoả điều 
kiện nào đó, 
ví dụ e=tol 
quy tắc Delta 
W2 mới 
b2 mới 
y
1
W
2
đầu vào lớp ẩn (1) lớp ra (2) đầu ra 
y1=f1(W1x+b1) y
2=f2(W2y1+b2) 
lan truyền thẳng 
y2=f2{W2[f1(W1x+b1)]+b2} 
e=y2(1-y2) (d-y2) 
sai số 
lớp ra 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
128 
Bảng 7. Dữ liệu huấn luyện và các lỗi tương ứng 
Thành phần các khí đầu vào (ppm) Các hệ số tỉ lệ 
Chẩn đoán 
2 4 40 3 10 2.00 0.75 0.40 Quá nhiệt 
12 6 20 6 16 0.50 1.00 0.38 Phóng điện năng lượng thấp 
12 60 20 26 10 5.00 0.43 6.00 Phóng điện năng lượng cao 
24 70 69 103 27 2.92 1.47 2.59 Quá nhiệt 
34 40 69 203 30 1.18 5.08 1.33 Quá nhiệt 
30 10 49 13 10 0.33 1.30 1.00 Phóng điện năng lượng thấp 
Trong nghiên cứu này, chúng tôi sử dụng Neural Network Toolbox trong Matlab để luyện mạng. 
Thử nghiệm với các cấu trúc mạng 5-8-3, 5-10-3 và 5-16-3. Chúng tôi nhận thấy rằng với cấu 
trúc 5-16-3 cho kết quả chẩn đoán là chính xác nhất. Mô hình mạng 5-16-3, quá trình huấn luyện 
và kết quả như trên Hình 4. 
Hình 4. Mô hình mạng, quá trình luyện và kết quả mạng MLP có cấu trúc 5-16-3 
Trong đó: 
W: trọng số 
b: độ dịch chuyển 
Hàm kích hoạt đầu vào ‘tansig’, đầu ra ‘purelin’ 
Giá trị sai số mong muốn 
KẾT LUẬN 
Trong bài báo này, chúng tôi đã ứng dụng 
mạng neural trong chẩn đoán sự cố tiền ẩn 
MBA kết hợp với phương pháp DGA, kết quả 
nhận được là một mô hình mạng neural MLP, 
trong đó sai lệch sau quá trình luyện mạng 
cho kết quả khá tốt nằm trong phạm vi cho 
phép. Từ đó chúng ta có thể ứng dụng mạng 
neural trong chẩn đoán sự cố của MBA lực 
với các công suất khác nhau. 
Từ kết quả chạy thực nghiệm với mạng neural 
MLP có số lớp ẩn khác nhau 5-8-3, 5-10-3 và 5-
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
129 
16-3, chúng tôi nhận thấy mạng 5-16-3 có số 
kỷ nguyên luyện mạng và sai số là nhỏ nhất. 
Qua kết quả chạy thực nghiệm, mạng neural 
đã chẩn đoán được những sự cố cơ bản trong 
MBA lực như: trạng thái “bình thường”, “quá 
nhiệt” hoặc “phóng điện”, v.v. và cho kết quả 
tốt với bất kỳ một thông số đầu vào nào của 5 
chất khí. 
Lời cảm ơn 
Nghiên cứu này được thực hiện bởi kinh phí 
cấp cho đề tài KH&CN cấp Bộ có mã số 
B2017-TNA-32, theo hợp đồng số 32/B2017-
TNA-32, năm 2017. 
TÀI LIỆU THAM KHẢO 
1. Viện Năng lượng Liên Xô (cũ), (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. 
2. 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, pp. 903-917. 
3. Zhenyaun Wang (2000), “Artificial intelligence 
applications in the diagnostic of power 
transformer incipicent”, Virginia. 
4. Fathiah Zakaria, Dalina Johari, Ismail Musirin 
(2012), “Artificial Neural Network (ANN) 
Application in Dissolved Gas Analysis (DGA) 
Methods for the Detection of Incipient Faults in 
Oil-Filled Power Transformer”, IEEE 
International Conference on Control System, 
Computing and Engineering, pp. 23-25, Penang, 
Malaysia. 
5. N. K. DHOTE, J. B. HELONDE (2012), 
“Diagnosis of Power Transformer Faults based on 
Five Fuzzy Ratio Method”, WSEAS 
TRANSACTIONS on POWER SYSTEMS, Issue 3, 
Volume 7, pp. 114-125. 
6. Er. Niti Sharma (2012), “Power Transformer 
Diagnosis Using Fuzzy Logic”, International 
Journal of Latest Research in Science and 
Technology, Vol.1, Issue 2, ISSN (Online): 2278-
5299, pp. 149-151. 
7. R. Naresh, Veena Sharma, and Manisha 
Vashisth (2008), “An Integrated Neural Fuzzy 
Approach for Fault Diagnosis of Transformers”, 
IEEE TRANSACTIONS ON POWER DELIVERY, 
VOL. 23, NO. 4, pp. 2017-2024. 
8. Quyền Huy Ánh, Đặng Mạnh Cường (2005), 
“Chẩn đoán sự cố máy biến áp dầu bằng hệ mờ”, 
Tạp chí Phát Triển Khoa Học & Công Nghệ, Đại 
học Quốc Gia Tp.HCM, Tập 8, Số 12. 
9. Quyền Huy Ánh, Quách Thanh Hải (2003), 
“Ứng dụng mạng neural trong chẩn đoán sự cố 
máy biến áp”, Tạp chí Khoa Học & Công Nghệ, 
Số 42+43. 
10. Quyền Huy Ánh, Lê Văn Bằng, Nguyễn Ngọc 
Phúc Diễm (2006), “Hệ chuyên gia chẩn đoán sự 
cố máy biến áp”, Tạp chí phát triển KH&CN, 
9(11). 
11. Nguyễn Văn Lê, (2013), “Nghiên cứu ứng 
dụng trí tuệ nhân tạp chẩn đoán sự cố tiềm ẩn 
trong máy biến áp lực - ứng dụng cho hệ thống 
điện Việt Nam”, Luận án Tiến Sĩ, Trường ĐH 
Bách Khoa, Đại học Đà Nẵng. 
12. 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, 53, pp. 
50-54. 
13. Đinh Thành Việt, Nguyễn Văn Lê, Nguyễn 
Quốc Tuấn (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, 
1(9), pp. 53-57. 
14. 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, 56, pp. 14-16. 
15. Trần Đình Long, Đinh Thành Việt, Nguyễn 
Văn Lê (2007), “Ứng dụng Fuzzy logic chẩn đoán 
sự cố tiềm ẩn trong máy biến áp lực”, Tạp chí 
khoa học và công nghệ các trường Đại học Kỹ 
thuật, 59, pp. 31-35. 
16. Đinh Thành Việt, Nguyễn Văn Lê (2012), “Xây 
dựng hệ chuyên gia trong số chẩn đoán sự cố tiềm ẩn 
trong máy biến áp lực”, Tạp chí khoa học và công 
nghệ Đại học Đà Nẵng, 3(52), pp. 55-61. 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
130 
SUMMARY 
CONSTRUCT THE DIAGNOSIS SYSTEM POWER TRANSFORMER LATENT 
FAULTS BASED ON ARTIFICIAL NEURAL NETWORK AND DISSOLVED 
GAS IN OIL ANALYSIS METHOD 
Nguyen Huu Cong
1*
, Nguyen Tien Duy
2
, Tran Thi Thanh Thao
2
1Thai Nguyen University, 
2University of Technology - TNU 
In this paper, the application of neural networks is proposed to construct the potential fault system 
of the power transformer. The neural network inputs are the ratio of the gas components generated 
during the transformer’s work. Moreover, the output is the conclusions about its status. The 
diagnostic rule is based on Dornemburg's proportional method with 5 ratios as using input 
components. Output conclusions include “normal”, “over temperature" or "discharge". Multi-layer 
Perceptron (MLP) network is used with 5-M-3 network structure. Through training with the 
number of neutrals of different hidden layers, we selected M = 16. This number gives the most 
accurate diagnostic results. Through experimentation with actual data, the results show that the 
diagnostic system makes credible conclusions. 
Key words: Diagnosis system, Power Transformer, Latent Faults, Artificial Neural Network 
Ngày nhận bài: 10/8/2018; Ngày phản biện: 29/8/2018; Ngày duyệt đăng: 31/8/2018 
*
 Email: conghn@tnu.edu.vn