Thiết kế hệ chẩn đoán sự cố tiềm ẩn của máy biến áp lực dựa trên logic mờ và đại số gia tử

Nghiên cứu khoa học công nghệ

THIẾT KẾ HỆ CHẨN ĐOÁN SỰ CỐ TIỀM ẨN CỦA
MÁY BIẾN ÁP LỰC DỰA TRÊN LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ
Nguyễn Tiến Duy*
Tóm tắt: Trong quá trình máy biến áp làm việc, dưới tác dụng của nhiệt mà phần
tử hydro–cacbon của khoáng dầu bị phân huỷ thành dạng hydrogen và sinh ra các
thành phần khí hydrohen, methane, ethane, ethylene, acetylene và một vài thành
phần khí khác. Mật độ của các thành phần khí này có thể cho biết một số tình trạng
và lỗi tiềm ẩn của máy biến áp. Trên cơ sở phương pháp chẩn đoán theo các bộ mã
của chuẩn IEC-599, bài báo này đề xuất mô hình chẩn đoán theo logic mờ. Trong
đó, việc xây dựng hàm thuộc cho các tập mờ là dựa trên ngữ nghĩa của các hạng từ
ngôn ngữ trong đại số gia tử. Từ kết quả phân tích mật độ các thành phần khí trong
dầu (DGA - Dissolved Gas Analysis), bộ suy luận tính toán tổng hàm lượng khí hoà
tan (total gas), tổng hàm lượng khí dễ cháy và chẩn đoán được 8 trường hợp lỗi khác
nhau và một trường hợp là bình thường. Cùng với các kết luận về lỗi là độ tin cậy
được tính theo tỉ lệ phần trăm. Thuật toán đã được cài đặt hoàn chỉnh chạy trên môi
trường web và kiểm thử với nhiều bộ dữ liệu. Kết quả chẩn đoán là đáng tin cậy.
Từ khóa: Sự cố máy biến áp; Phân tích khí hoà tan; Đại số gia tử; Logic mờ.

1. GIỚI THIỆU
Chẩn đoán sự cố tiềm ẩn của máy biến áp lực trong hệ thống điện là một vấn đề đã
được nhiều nhà khoa học quan tâm. Để có thể đưa ra được thông tin về các lỗi có thể xảy
ra trong tương lai (lỗi tiềm ẩn) của máy biến áp, trong một số công trình đã đưa ra các
phương pháp chẩn đoán dựa trên phân tích lượng khí hoà tan trong dầu. Dựa trên kỹ thuật
này, đã có nhiều phương pháp hiện đại cho phép chẩn đoán tốt [1, 2]. Tuy nhiên, một điểm
chung của các phương pháp này là phải dựa trên các kỹ thuật đo đạc chính xác. Vì vậy, kết
quả chẩn đoán cũng phụ thuộc nhiều vào độ chính xác kết của của các phép đo. Một
phương pháp chẩn đoán khác có thể kế thừa được tri thức chuyên gia dưới dạng luật thống
kê đã được giới thiệu [3-5]. Phương pháp này được phát triển dựa trên sử dụng mạng
neural nhân tạo. Để có được kết quả chẩn đoán chính xác, theo phương pháp sử dụng

mạng neural cần phải có bộ dữ liệu thực nghiệm “đủ lớn” để huấn luyện mạng và lựa chọn
được một cấu trúc mạng hợp lí. Thực tế cho thấy, theo tiếp cận này có rất nhiều cấu trúc
mạng có thể được lựa chọn với những kết quả chẩn đoán khác nhau. Thời gian huấn luyện
mạng lớn cũng là một nhược điểm của phương pháp này. Các phương pháp sử dụng fuzzy
logic cũng được đề xuất [7, 8]. Điểm chung của các phương pháp này đó là kế thừa được
tri thức chuyên gia trên cơ sở hệ luật. Tuy nhiên, việc xây dựng hàm thuộc cho các tập mờ
như thế nào là vấn đề còn phải nghiên cứu. Cùng một hệ luật chẩn đoán, việc xây dựng các
tập mờ khác nhau làm cho kết quả chẩn đoán cũng khác nhau.
Bài báo này đề xuất xây dựng hàm thuộc cho các tập mờ dựa trên ngữ nghĩa của các
hạng từ ngôn ngữ trong đại số gia tử. Theo đề xuất này, sự thay đổi của độ thuộc theo các
tập mờ là hợp lí hơn.
2. CHẨN ĐOÁN LỖI TIỀM ẨN CỦA MÁY BIẾN ÁP LỰC
DỰA TRÊN KẾT QUẢ DGA
Chẩn đoán lỗi tiềm ẩn dựa trên các tỉ lệ theo chuẩn IEC-599
Phương pháp chẩn đoán lỗi theo chuẩn IEC-599 [12] là dựa trên tỉ lệ của các thành
phần khí (bảng 1).

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Hội thảo Quốc gia FEE, 10 - 2020

427


Toán học – Công nghệ thông tin

Bảng 1. Tỉ lệ các thành phần khí và các lỗi tương ứng theo IEC-60599 (2015) [12].
Lỗi
R1 (
/ ) R2 (
/
) R5 (

/
)
Bình thường
< 0.1
< 0.1
< 0.1
NS
Phóng điện từng phần
< 0.1
< 0.2
(Non-Significant)
Phóng điện năng lượng thấp
0.1 – 0.5
> 0.1
>1
Phóng điện năng lượng cao
0.1 – 1
0.6 – 2.5
>2
o
t < 300 C
> 1, NS
NS
<1
Quá nhiệt 300 oC < t < 700 oC
>1
< 0.1
1–4
t > 700 oC
>1

< 0.2
>4
Từ bảng 1, theo tiêu chuẩn IEC-599 các khoảng giá trị đã được mã hoá và biểu diễn các
lỗi theo mã như những luật chẩn đoán như bảng 2 và bảng 3.
Bảng 2. Mã của các tỉ số theo từng khoảng giá trị theo tiêu chuẩn IEC-599 [12].
Mã của các tỉ số
Phạm vi các tỉ số
R5=
R1=
R2=
<0.1
0
1
0
0.1 – 1.0
1
0
0
1.0 – 3.0
1
2
1
>3.0
2
2
2
Bảng 3. Bảng luật chẩn đoán lỗi theo mã quy ước của tiêu chuẩn IEC-599 [12].
Luật
1
2

3
4
5
6
7
8
9

R1=
0
0 (*)
1
1 or 2
1
0
0
0
0

R5=

R2=
0
1
1
0
0
0
2
2

2

0
0
0
1 or 2
2
1
0
1
2

Kết luận
Bình thường
Phóng điện từng phần năng lượng thấp
Phóng điện từng phần năng lượng cao
Phóng điện năng lượng thấp
Phóng điện năng lượng cao
Quá nhiệt: <150 oC
Quá nhiệt: 150 oC – 300 oC
Quá nhiệt: 300 oC – 700 oC
Quá nhiệt: > 700 oC

3. GIỚI THIỆU VỀ ĐẠI SỐ GIA TỬ
Đại số gia tử là một cấu trúc đại số trên miền giá trị ngôn ngữ đã được giới thiệu trong
[9] và ứng dụng để giải quyết lớp bài toán mờ được phát biểu dựa trên thông tin ngôn ngữ
[10, 11]. Với tiếp cận đại số gia tử cho ta nhiều lợi điểm trong việc tính toán trên các hạng
từ ngôn ngữ. Bài báo này đã sử dụng đại số gia tử để xây dựng hàm thuộc các tập mờ cho
bộ suy luận xấp xỉ.
Định nghĩa 1 [9]. Đại số gia tử của biến ngôn ngữ là một bộ 5 thành phần:

=
( , , , , ≤), trong đó là tập các hạng từ trong . = { , },
≤ , được gọi là
các phần tử sinh. = { , , } là tập các hằng, với ≤
≤
≤
≤ , để chỉ các
phần tử có ngữ nghĩa nhỏ nhất, phần tử trung hoà và phần tử có ngữ nghĩa lớn nhất. là
tập các toán tử một ngôi, gọi là các gia tử. =
∪
, với
= ℎ : - ≤ ≤ -1 là
tập các gia tử âm,
= ℎ : 1 ≤ ≤ là các gia tử dương. ≤ biểu thị quan hệ thứ tự trên
các hạng từ trên .
Từ các tính chất trong đại số gia tử, các tác giả trong [9, 10] đã xây dựng ra các hàm

428

Nguyễn Tiến Duy, “Thiết kế hệ chẩn đoán sự cố tiềm ẩn … logic mờ và đại số gia tử.”


Nghiên cứu khoa học công nghệ

đo, trong đó, hàm định lượng ngữ nghĩa SQMs [11] cho phép lượng hoá các hạng từ ngôn
ngữ thành giá trị ngữ nghĩa tương ứng của chúng.
4. XÂY DỰNG BỘ CHẨN ĐOÁN DỰA TRÊN LIGIC MỜ
VÀ ĐẠI SỐ GIA TỬ
4.1. Xây dựng mô hình cho bộ chẩn đoán mờ dựa trên đại số gia tử
Giả sử có 2 khoảng mờ ứng với các hạng từ ngôn ngữ u, v. Với mỗi giá trị ngữ nghĩa x

nằm trong khoảng của
( )< <
( ), x có mối quan hệ “gần gũi” về ngữ nghĩa với
các phần tử u và v. Giả sử định nghĩa điểm “cân bằng” về mặt ngữ nghĩa đối với các phần
tử u và v thông qua khoảng tính mờ và giá trị ngữ nghĩa của chúng bằng biểu thức:
( )∗
( )+ ( )∗
( )
(1)
=
( )+
( )
Biểu thức (1) cho biết giá trị ngữ nghĩa w có độ “gần gũi” hay “đặc trưng” là như nhau
đối với các phần tử u và v. Giá trị ngữ nghĩa càng cần ( ) thì càng “gần gũi” v và càng
“khác” u và ngược lại.

Hình 1. Xây dựng hàm thuộc giữa 2 giá trị ngữ nghĩa có điểm “đặc trưng”.
Đề xuất mới là cần tìm điểm w’ sao cho tại đó ta có thể xây dựng hàm tuyến tính mà
điểm đặc trưng w chính là hoành độ của điểm trọng tâm G của các tập mờ có diện tích là
Su và Sv (xem hình 1). Như vậy, ta cần xác định điểm ’ ≠ mà tại đó, độ thuộc của nó
vào các tập mờ u và v là bằng 0.5. Điểm trọng tâm G được tính theo công thức:
∗
+
∗
(2)
=
+
Trong đó, Gu, Gv là các điểm trọng tâm của tập mờ có diện tích Su, Sv tương ứng. Với
một giá trị ( ) ≤ ≤ ( ), tổng độ thuộc ( ) + ( ) = 1.
Từ quan điểm đó, một cách trực quan ta có thể phát biểu dưới dạng định đề sau:

Mệnh đề 1. Cho các hạng từ ngôn ngữ , ∈ , ( ) ≤ ≤ ( ).
Hàm thuộc tuyến tính được xây dựng qua điểm ’ sao cho có hoành độ điểm trọng tâm
G là trọng tâm tổng hợp từ các tập mờ u, v có diện tích Su, Sv là điểm “đặc trưng” w thoả
điều kiện ( ’) = ( ’) = 0.5 và ( ) + ( ) = 1
( )∗
( )+ ( )∗
( )
(3)
′=
( )+
( )
Hàm thuộc các tập mờ được xây dựng bởi các đường chuyển đổi tuyến tính của trọng
số ngữ nghĩa theo khoảng của mệnh đề này cho phép ta mô tả độ thuộc giữa các hạng từ
ngôn ngữ là khá hợp lí. Mô hình hệ chẩn đoán được xây dựng qua 2 bước như sau:
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Hội thảo Quốc gia FEE, 10 - 2020

429


Toán học – Công nghệ thông tin



Bước 1: Thiết kế các tập mờ
Dựa trên sự phân chia các khoảng trong chuẩn IEC-599 [12], ta chọn các hạng từ ngôn
ngữ thay thế các mã cho mỗi tỉ số như trong bảng 4.
Bảng 4. Lựa chọn các hạng từ ngôn ngữ cho các mã.
Mã
0
1

2
Tỉ số
R1
vvvL
M
vvvH
R2
vL
vvvL
H
R3
vL
lH
vvvH
Trong đó: L – Low; H – High; v – Very; l – Litle.
Miền biến thiên của các đại lượng này nằm trong khoảng [0,3]. Vậy, từ miền ngữ nghĩa
ta chỉ cần định tỉ lệ với hệ số
= 3.
- Chọn bộ cấu trúc đại số gia tử và các tham số mờ như sau:
= ( , , , , ≤) với = { (
)< (
ℎ)},
={(
), (
)}, ( ) = = ( ) = 0.5
( ) = 0.5.
Chọn M (Medium) là phần tử trung hoà . ( ) = ( ) =
- Tính toán giá trị ngữ nghĩa của các hạng từ ngôn ngữ và các điểm ( ) ∪ ’ =
{ , , , , } cho các tỉ số theo (3):
Với tỉ số R1:

)= ( )∗ ( )∗ ( )∗
( )∗ ∗
= (
= 0.09375
= ( )∗
= ∗
= 1.5
) = (1 − ( ) ∗ ( ) ∗ ( ) ∗
( )∗ )∗
= (
= 2.90625
(
)∗
( )+ ( )∗
(
)
=
∗
( )+
(
)
0.03125 ∗ 0.5 + 0.5 ∗ 0.0625
=
∗ 3 = 0.25
0.5 + 0.0625
( )∗
(
)+ (
)∗
( )+

=
∗
( )+
(
)
0.5 ∗ 0.0625 + 0.96875 ∗ 0.5
=
∗ 3 = 2.75
0.5 + 0.0625
Được tập các điểm cho tỉ số R1: {0.09375, 0.25, 1.5, 2.75, 2.90625}
Với các tỉ số R2, R3: Tính toán tương tự với các điểm cân bằng ngữ nghĩa theo (3),
được tham số toạ độ các điểm {a, b, c, d, e} xác định tập mờ đối với các tỉ số là:
R2: {0.09375, 0.15, 0.375, 1.0, 2.25} và R3: {0.375, 1.125, 1.875, 2.7, 2.90625}
Hàm thuộc tập mờ ứng với các hạng từ ngôn ngữ của các tỉ số như trên hình 2.
Độ thuộc được tính theo các công thức sau:
1, <
⎧2 − −
⎪
, < ≤
2( − )
( ),
( )=
(4)
⎨ 1( − ), < ≤
⎪ 2( − )
⎩
0, <

430

Nguyễn Tiến Duy, “Thiết kế hệ chẩn đoán sự cố tiềm ẩn … logic mờ và đại số gia tử.”


Nghiên cứu khoa học công nghệ

0, <
⎧ 1( − )
⎪
, < ≤
⎪ 2( − )
⎪ +( −2 )
⎪
, < ≤
2( − )
( ),
( ),
( )=
⎨2 − − , < ≤
⎪ 2( − )
⎪ 1( − )
⎪
, < ≤
⎪ 2( − )
⎩
0, <
0, <
⎧ 1( − )
⎪
, < ≤
⎪

2( − )
( ), ( ) =
⎨ +( −2 )
, < ≤
⎪
⎪ 2( − )
⎩
1, <

(5)

(6)

Hình 2. Tập mờ cho các tỉ số.
- Tính toán ví dụ: Với bộ giá trị tính được từ dữ liệu thí nghiệm:
R1=
R2=
R3=

= 0.393, giá trị này nằm trong khoảng [b, c] = [0.25, 1.5];
= 0.5, giá trị này nằm trong khoảng [c, d] = [0.375, 1.0];
= 0.667, giá trị này nằm trong khoảng [a, b] = [0.375, 1.125].

- Tính độ thuộc theo biến tỉ số R1:
1 ( − ) 1 (1.5 − 0.393) 1 1.107
(0.393) =
=
=
= 0.4428;
2 ( − ) 2 (1.5 − 0.25)

2 1.25
+ ( − 2 ) 0.393 + (1.5 − 2 ∗ 0.25)
(0.393) =
=
= 0.5572;
2( − )
2(1.5 − 0.25)
(0.393) = 0.

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Hội thảo Quốc gia FEE, 10 - 2020

431


Toán học – Công nghệ thông tin

Nhận được vector
= (0.4428, 0.5572, 0).
- Tính độ thuộc theo biến tỉ số R2:
(0.5) = 0;
2 − −
2*1-0.375-0.5
(0.5) =
=
= 0.9;
2( − )
2(1-0.375)
1 ( − ) 1 (0.5 − 0.375)
(0.5) =
=

= 0.1.
2 ( − ) 2 (1 − 0.375)
Nhận được vector
= (0, 0.9, 0.1).
Tính độ thuộc theo biến tỉ số R3:
2 − −
2 ∗ 1.125 − 0.375 − 0.667 1.208
(0.667) =
=
=
= 0.805;
2( − )
2(1.125 − 0.375)
1.5
1 ( − ) 1 (0.667 − 0.375) 1 0.292
(0.667) =
=
=
= 0.195;
2 ( − ) 2 (1.125 − 0.375) 2 0.75
(0.667) = 0.
Nhận được vector

= (0.805, 0.195, 0).



Bước 2: Chuyển đổi hệ luật chẩn đoán từ logic rõ về logic mờ
Từ bảng luật chẩn đoán theo tiêu chuẩn IEC-599 (bảng 3) và các hạng từ ngôn ngữ
được lựa chọn thay thế cho các mã như trong bảng 4 ta được bảng luật chẩn đoán theo

ngôn ngữ như trong bảng 5.
Bảng 5. Bảng luật chẩn đoán cho 8 lỗi được viết lại theo nhãn ngôn ngữ.
Luật

R1=

R2=

R5=

Kết luận

vvvL
vL
vL
Bình thường
*
vvvL
vL
Phóng điện từng phần năng lượng thấp
M
vvvL
vL
Phóng điện từng phần năng lượng cao
M or vvvH
vL
lH or vvvH Phóng điện năng lượng thấp
M
vL
vvvH

Phóng điện năng lượng cao
vvvL
vL
lH
Quá nhiệt: <150 oC
vvvL
H
vL
Quá nhiệt: 150 oC – 300 oC
vvvL
H
lH
Quá nhiệt: 300 oC – 700 oC
vvvL
H
vvvH
Quá nhiệt: > 700 oC
Trong bảng trên, mỗi dòng luật chẩn đoán được hiểu như sau:
Luật 1: Nếu (R1=vvvL) và (R2=vL) và (R3=vL) Thì “Bình thường”.
Luật 3: Nếu (R1=M) và (R2=vvvL) và (R3=vL) Thì “Phóng điện từng phần năng
lượng thấp”.
Luật 4: Nếu ((R1=M) hoặc (R1=vvvH)) và (R2=vL) và ((R3=lH) hoặc (R3=vvvH)) Thì
“Phóng điện năng lượng thấp”.
Trong đó: R1=M  µM(x), xR1 (độ thuộc của x, của tỉ số R1 vào tập mờ M).
4.2. Thuật toán cho mô hình chẩn đoán
Từ mô hình của hệ suy luận trên, các bước tính toán được mô tả cụ thể như trong thuật
toán sau:
Fuzzy_ Hedge_Algebra_Diagnosis_Algorithm()
Input: Các thành phần khí [ppm]:
(hydrogen),

(methane),
(acetylen),
(ethylen),
(ethane); , ,
,
[ppm].
1
2
3
4
5
6
7
8
9

432

Nguyễn Tiến Duy, “Thiết kế hệ chẩn đoán sự cố tiềm ẩn … logic mờ và đại số gia tử.”


Nghiên cứu khoa học công nghệ

Output: Kết luận tình trạng của máy biến áp theo hệ luật chẩn đoán cùng độ tin cậy
chẩn đoán tương ứng
Method:
1) If tất cả giá trị các thành phần khí không vượt ngưỡng L1 (bảng 6) Then kết luận
là “Bình thường” (return)
Bảng 6. Ngưỡng L1 theo IEC-599 [12].
Khí (Key gas)

Ngưỡng L1 (concentration [ppm]) 100

120

35

50

65

350

Else //một trong các thành phần khí vượt ngưỡng L1, thực hiện bước tính toán
tiếp theo
2) Tính giá trị các tỉ số

=

,

=

,

=

3) Tính các vector độ thuộc ứng với mỗi Ri (i=1..3) theo công thức (4)-(6):
( ), ( ),
( )], ∈ 1,
=[

( ),
( ), ( )], ∈ 2 và
=[
( ),
( )], ∈ 3
= [ ( ),
4) For mỗi luật trong bảng luật, tính độ độ tin cậy (thoả mãn) của kết luận như sau
(xem bảng 7):
}, là chỉ số dòng luật.
=
(
,
,
), , , ∈ {
, , , ,
Bảng 7. Tính toán độ tin cậy kết luận của các luật chẩn đoán mờ.
Luật
1
2
3

=
vvvL
*
M

Độ tin cậy chẩn đoán
(100%)

=

=
vL
vvvL
vvvL

vL
vL
vL

=
=
=

4

M or
vvvH

vL

lH or
vvvH

=

5
6
7
8

9

M
vvvL
vvvL
vvvL
vvvL

vL
vL
H
H
H

vvvH
lH
vL
lH
vvvH

=
=
=
=
=

(
(
(

( ),
( ),
( ),

⎛
⎜
(
⎝
( ( ),
( ),
(
( ),
(
( ),
(
(
),
(

( ),
( ))
( ),
( ),
( ),
( ),
( ),
( ),
( ),
( ),
( ),

( ),

( ))
( ))
( ),
( ),
( ),
( ),
( ))
( ))
( ))
( ))
( ))

( ) ,
( ) , ⎞
⎟
( ) ,
( ))⎠

5) Đưa ra các kết luận chẩn đoán và lưu CSDL
End Fuzzy_ Hedge_Algebra_Diagnosis_Algorithm
5. KẾT QUẢ THỰC NGHIỆM
Phần mềm chẩn đoán đã được cài đặt hoàn chỉnh và chạy trên môi trường web, tại địa
chỉ Thử nghiệm với bộ số liệu theo [8], gồm 20 mẫu được thu tập từ
thực tế với nhiều loại lỗi khác nhau. Kết quả chẩn đoán được theo các phương pháp khác
nhau tổng hợp trong bảng 8.

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Hội thảo Quốc gia FEE, 10 - 2020

433


Toán học – Công nghệ thông tin

Bảng 8. Mẫu dữ liệu thực tế và kết quả chẩn đoán theo các phương pháp.
Lỗi
IEC- Fuz_HA Độ tin cậy
No.
H2
CH4
C2H4 C2H6 C2H2
thực tế
599
đề xuất
[%]
1
200
700
740
250
1
8, 9
8
9
100
24.7,
2
300
490

360
180
95
8
N
4, 6, 8
24.7, 49.4
3
56
61
32
75
31
3
N
1, 7
21.3, 21.3
66.1,
4
33
26
5.3
6
0.2
1
1
1, 4, 6
33.9, 33.9
5
176 205.9

75.7 47.7 68.7
4
N
4, 6
43.2, 23.7
6
70.4
69.5 241.2 28.9 10.4
9
N
4, 9
49, 51
7
162
35
30
5.6
44
5
5
5
57.6
8
345 112.25
51.5 27.5 58.75
4
4
4
85.6
9

181
262
528
210
0
8
8
8, 9
53.5, 46.5
10
172.9 334.1 812.5 172.9 37.7
9
9
9
87.3
11 2587.2 7.882
1.4 4.704
0
2
2
2
100
12
1678 652.9 1005.9 80.7 419.1
5
5
5
56.7
13
206 198.9 612.7

74 15.1
9
N
9
47.32
14
180
175
50
75
4
7
1
1, 7
52.2, 47.8
15
34.45 21.92 44.96 3.19 19.62
5
5
4, 5
57.5, 57.5
16
51.2
37.6
52.8
5.1 51.6
5
5
5, 9
71.3, 20.9

17
106
24
28
4
37
5
5
4, 5
60.4, 60.4
18 180.85 0.574 0.188 0.234
0
2
2
2
71.4
19
27
90
63
42
0.2
8
8
7, 8
25, 75
20
138.8
52.2
62.8 6.77 9.55

5
5
4, 5
18.7, 81.3
Quan sát kết quả trên bảng 8 thấy rằng, phương pháp IEC có 5 trường hợp không xác
định được lỗi, trong khi đó với phương pháp đề xuất (Fuz_HA) thì không có trường hợp
nào. Nó đã đưa ra kết luận lỗi trong mọi trường hợp. Với các mẫu số liệu thứ 2, 5, 6, 13
IEC đã không thể đưa ra kết luận thì Fuz_HA đã đưa ra kết luận trùng với lỗi thực tế với
độ tin cậy cao nhất. Ngoài ra, nó còn đưa ra thêm khác lỗi khác mới độ tin cậy thấp hơn.
Tương tự, với bộ số liệu thứ 9, 14, 16, 19, 20 Fuz_HA đã đưa ra kết luận trùng với lỗi thực
tế có độ tin cậy cao và lỗi khác có tính chất liên quan có độ tin cậy thấp hơn. Nhìn chung,
các kết luận có độ tin cậy cao là đúng với lỗi thực tế.
Tuy nhiên, duy nhất có một trường hợp Fuz_HA đã đưa ra kết luận thiếu chính xác. Tại
mẫu số liệu thứ 3, lỗi thực tế là 3 nhưng Fuz_HA lại đưa ra kết luận là lỗi số 1 và 7 nhưng
với mức độ tin cậy rất thấp. Điều đó có nghĩa rằng, cần lưu tâm đến lỗi 7 hơn so với lối số
1, đó là Quá nhiệt ở phạm vi 150 oC – 300 oC. Nguyên nhân dẫn đến sự quá nhiệt này
thường do lỗi số 2 hoặc 3 gây nên.
Thực tế, trạng thái máy biến áp có thể có 1 hoặc vài lỗi khác nhau, sự tiến triển lỗi cũng
có thể tạo nên một số lỗi liên tiếp ở mức độ khác nhau. Theo cách phân khoảng “rõ” và
suy luật theo luật “rõ” như chuẩn IEC thì chỉ có thể chỉ ra được tối đa là 1 lỗi ứng với một
mẫu số liệu. Theo tiếp cận “mờ” dựa trên ngữ nghĩa của đại số gia tử, biểu diễn giá trị của
các tỉ số theo tập mờ là phù hợp với thực tế nên hệ suy luận có thể đưa ra được nhiều lỗi
chẩn đoán.
Các kết quả còn lại đều cho thấy Fuz_HA chẩn đoán tốt, kèm theo là số liệu về mức độ
tin cậy trong chẩn đoán. Đây là ưu điểm của Fuz_HA so với IEC. Số liệu đó cũng cho biết
mức độ phát triển của lỗi tương ứng. Căn cứ vào đó, để người vận hành có những kế hoạch
cụ thể trong việc bảo trì, bảo dưỡng máy biến áp.

434

Nguyễn Tiến Duy, “Thiết kế hệ chẩn đoán sự cố tiềm ẩn … logic mờ và đại số gia tử.”


Nghiên cứu khoa học công nghệ

6. KẾT LUẬN
Trong bài báo này, tác giả đã đề xuất một mô hình và thuật toán chẩn đoán mới để chẩn
đoán sự cố tiềm ẩn của máy biến áp. Việc chẩn đoán được thực hiện dựa trên kết quả DGA
và phương pháp tỉ số. Cụ thể, tác giả đã xây dựng mô hình chẩn đoán theo tiếp cận logic
mờ kết hợp với đại số gia tử, phát triển từ các luật chẩn đoán theo chuẩn IEC-599. Các tập
mờ được thiết kế mờ dựa trên ngữ nghĩa của các hạng từ ngôn ngữ trong đại số gia tử. Mô
hình chẩn đoán mờ này đã khắc phục được những hạn chế của chuẩn IEC-599 khi biểu
diễn giá trị các tỉ số dựa trên các tập mờ. Nó cho phép mô tả mật độ của các thành phần
khí là phù hợp với thực tế. Với cách tính toán theo mô hình mờ này, các lỗi tiềm ẩn được
chẩn đoán còn có kèm theo mức độ tin cậy. Với thuật toán chẩn đoán được thiết kế, phần
mềm đã được cài đặt hoàn chỉnh chạy trên môi trường web. Phần mềm đã được kiểm thử
với nhiều bộ dữ liệu thực tế và đã có những hiệu chỉnh cần thiết để kết quả chẩn đoán trở
nên tin cậy hơn.
TÀI LIỆU THAM KHẢO

[1]. S. Saranya, Uma Mageswari, Natalya Roy, R. Sudha (2013), “Comparative Study
Of Various Dissolved Gas Analysis Methods To Diagnose Transformer Faults”,
International Journal of Engineering Research and Applications (IJERA) ISSN:
2248-9622 www.ijera.com, Vol. 3, Issue 3, pp.592-595.
[2]. Sherif Ghoneim, Kamel A. Shoush (2014), “Diagnostic Tool for Transformer Fault
Detection Based on Dissolved Gas Analysis”, IOSR Journal of Electrical and
Electronics Engineering (IOSR-JEEE) e-ISSN: 2278-1676, p-ISSN: 2320-3331,
Volume 9, Issue 5 Ver. III, pp. 20-26.
[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, 23 - 25 Nov. 2012, Penang, Malaysia.
[5]. Amin Samy, Sayed A. Ward, Mahmud N. Ali (2015), “Conventional Ratio and
Artificial Intelligence (AI) Diagnostic methods for DGA in Electrical
Transformers”, International Electrical Engineering Journal (IEEJ) ISSN 20782365, Vol. 6 No.12, pp. 2096-2102.
[6]. 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, July 2012, pp. 114-125.7.
[7]. Er. Niti Sharma (2012), “Power Transformer Diagnosis Using Fuzzy Logic”,
International Journal of Latest Research in Science and Technology, Vol.1, Issue 2:
pp. 149-151, ISSN (Online): 2278-5299.8.
[8]. Hongzhong Ma, Zheng Li, P. Ju, Jingdong Han and Limin Zhang (2005),
“Diagnosis of power transformer faults on fuzzy three-ratio method”, International
Power
Engineering
Conference,
Singapore,
pp.
1-456.
doi:
10.1109/IPEC.2005.206897.9.
[9]. Ho N. C., Wechler W. (1990), “Hedge algebra: An algebraic approach to structures
of sets of linguistic truth values”, Fuzzy Sets and Systems, 35, pp. 281-293.10.
[10]. Ho N. C., Khang T. D., Nam H. V., Chau N. H. (1999), “Hedge algebras, linguisticvalued logic and their application to fuzzy reasoning”, International Journal of
Uncertainty, Fuzziness and Knowledge-Based Systems, 7(4), pp. 347-361.11.

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Hội thảo Quốc gia FEE, 10 - 2020

435


Toán học – Công nghệ thông tin

[11]. Ho N. C. and Long N. V. (2007), “Fuzziness measure on complete hedge algebras
and quantifying semantics of terms in linear hedge algebras”, Fuzzy Sets and
Systems, 158(4), pp. 452–471.13.
[12]. IEEE, ‘‘IEEE Guide for the Interpretation of Gases Generated in Oil-immersed
Transformers’’, IEEE Standard C57.104-1991, pp. 130, 1991.14.
ABSTRACT
DESIGN OF POTENTIAL FAULTS DIAGNOSIS SYSTEM OF TRANSFORMERS
BASED ON FUZZY LOGIC COMBINING HEDGE ALGEBRAS
In the process of a transformer working, under the effect of heat, the hydrogencarbon element of the mineral oil is broken down to hydrogen and produces
components of hydrogen gas, such as methane, ethane, ethylene, acetylene and
some other gases. The density of these gas components may indicate some states of
working and potential faults of the transformer. Based on the diagnostic method
according to the codes of IEC-599 standard, this paper proposes diagnostic model
based on fuzzy logic combine with hedge algebra. The designation of membership
functions for fuzzy sets are based on the semantic of the linguistic terms in hedge
algebras. From the results of the analysis of density of oil gas components (DGA Dissolved Gas Analysis), the inference system calculate the total gas content, total
flammable gas content and determine 8 cases fault diagnosed and a case is normal
(no fault). Along with the conclusions about faults, corresponding reliability is
calculated as a percentage. The diagnostic software has been coded completely on
the web environment and has been tested with many actual data sets. The diagnosis
results are reliable.
Keywords: Diagnose transformer faults; Dissolved gas analysis; Hedge algebra; Fuzzy logic.

Nhận bài ngày 15 tháng 6 năm 2020
Hoàn thiện ngày 05 tháng 10 năm 2020

Chấp nhận đăng ngày 05 tháng 10 năm 2020
Địa chỉ: Khoa Điện tử, Trường Đại học Kỹ thuật công nghiệp - Đại học Thái Nguyên.
*Email:

436

Nguyễn Tiến Duy, “Thiết kế hệ chẩn đoán sự cố tiềm ẩn … logic mờ và đại số gia tử.”