## Tổng quan nghiên cứu

Máy biến áp (MΒA) là thiết bị quan trọng trong hệ thống điện, chịu trách nhiệm thay đổi điện áp để phù hợp với nhu cầu sử dụng điện. Theo ước tính, tỷ lệ sự cố tiềm ẩn trong máy biến áp có thể gây ra thiệt hại kinh tế lên đến hàng triệu USD mỗi năm. Vấn đề nghiên cứu tập trung vào việc phát hiện và chẩn đoán lỗi tiềm ẩn trong máy biến áp nhằm nâng cao độ tin cậy và tuổi thọ thiết bị. Mục tiêu cụ thể của luận văn là ứng dụng mạng nơ-ron nhân tạo (ANN) kết hợp với phương pháp phân tích khí hòa tan (DGA) để phát hiện sớm các lỗi tiềm ẩn trong máy biến áp dầu. Nghiên cứu được thực hiện trên dữ liệu thu thập từ các máy biến áp vận hành tại một số trạm biến áp trong khoảng thời gian từ năm 2010 đến 2020. Ý nghĩa của nghiên cứu được thể hiện qua việc giảm thiểu thời gian và chi phí bảo dưỡng, đồng thời nâng cao hiệu quả vận hành hệ thống điện, góp phần đảm bảo an toàn và ổn định cung cấp điện.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Lý thuyết phân tích khí hòa tan (DGA):** Phân tích các loại khí hòa tan trong dầu máy biến áp như H₂, CH₄, C₂H₆, C₂H₄, C₂H₂, CO, CO₂ để xác định các loại lỗi tiềm ẩn.
- **Mạng nơ-ron nhân tạo (ANN):** Sử dụng mô hình mạng nơ-ron đa lớp (MLP) để học và phân loại các mẫu dữ liệu khí hòa tan, từ đó dự đoán lỗi tiềm ẩn.
- **Mô hình kết hợp DGA và ANN:** Kết hợp dữ liệu phân tích khí hòa tan với thuật toán ANN nhằm nâng cao độ chính xác trong chẩn đoán lỗi.
- **Khái niệm chính:** Lỗi tiềm ẩn, phân tích khí hòa tan, mạng nơ-ron nhân tạo, độ tin cậy máy biến áp, chẩn đoán sớm.

### Phương pháp nghiên cứu

Nguồn dữ liệu chính là các mẫu dầu lấy từ máy biến áp vận hành tại các trạm biến áp trong giai đoạn 2010-2020, với cỡ mẫu khoảng 500 mẫu được chọn ngẫu nhiên theo phương pháp chọn mẫu ngẫu nhiên có chủ đích nhằm đảm bảo tính đại diện. Phân tích khí hòa tan được thực hiện theo tiêu chuẩn IEC 599, đo lường nồng độ các khí chính trong dầu. Mạng nơ-ron nhân tạo được huấn luyện trên tập dữ liệu đã được phân loại lỗi, sử dụng thuật toán lan truyền ngược (backpropagation) với cấu trúc 3 lớp (input, hidden, output). Quá trình huấn luyện và kiểm thử mạng được thực hiện trong vòng 6 tháng, với tỷ lệ chính xác đạt trên 95%. Phương pháp kết hợp này giúp giảm thời gian chẩn đoán từ vài ngày xuống còn vài giờ, đồng thời tăng độ chính xác phát hiện lỗi tiềm ẩn lên khoảng 20% so với phương pháp truyền thống.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mạng nơ-ron nhân tạo kết hợp với phân tích khí hòa tan (DGA) đạt độ chính xác chẩn đoán lỗi tiềm ẩn lên đến 96%, cao hơn 18% so với phương pháp phân tích khí truyền thống.
- Tỷ lệ phát hiện sớm lỗi hồ quang và quá nhiệt trong máy biến áp đạt khoảng 92%, giúp giảm thiểu nguy cơ sự cố nghiêm trọng.
- Thời gian xử lý và phân tích dữ liệu giảm từ trung bình 48 giờ xuống còn khoảng 4 giờ, nâng cao hiệu quả bảo dưỡng và vận hành.
- Mô hình mạng nơ-ron đa lớp 5-15-3 được đánh giá là tối ưu nhất trong việc phân loại các loại lỗi dựa trên dữ liệu khí hòa tan.

### Thảo luận kết quả

Nguyên nhân của sự cải thiện độ chính xác là do khả năng học và tổng quát hóa của mạng nơ-ron nhân tạo, giúp nhận diện các mẫu khí hòa tan phức tạp và đa dạng hơn. Kết quả này phù hợp với các nghiên cứu gần đây trong lĩnh vực chẩn đoán máy biến áp, đồng thời khẳng định tính hiệu quả của việc ứng dụng trí tuệ nhân tạo trong bảo trì thiết bị điện. Việc giảm thời gian phân tích giúp các đơn vị vận hành có thể chủ động hơn trong việc bảo dưỡng, giảm thiểu rủi ro sự cố và tổn thất kinh tế. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các phương pháp và bảng thống kê thời gian xử lý, giúp minh họa rõ ràng hiệu quả của mô hình đề xuất.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống giám sát tự động:** Áp dụng mô hình mạng nơ-ron kết hợp DGA vào hệ thống giám sát trực tuyến tại các trạm biến áp để phát hiện sớm lỗi, mục tiêu giảm 30% sự cố trong vòng 2 năm, do các công ty điện lực thực hiện.
- **Đào tạo nhân lực chuyên sâu:** Tổ chức các khóa đào tạo về phân tích khí hòa tan và ứng dụng AI cho kỹ thuật viên bảo trì, nâng cao năng lực chẩn đoán, hoàn thành trong 12 tháng.
- **Nâng cấp thiết bị phân tích:** Đầu tư trang thiết bị phân tích khí hòa tan hiện đại, tích hợp công nghệ AI, nhằm tăng độ chính xác và tốc độ xử lý, dự kiến hoàn thành trong 18 tháng.
- **Xây dựng quy trình bảo dưỡng dựa trên dữ liệu:** Phát triển quy trình bảo dưỡng dựa trên kết quả phân tích dữ liệu khí hòa tan và dự đoán lỗi từ mạng nơ-ron, giúp tối ưu hóa lịch bảo dưỡng, giảm chi phí vận hành trong 3 năm tới.

## Đối tượng nên tham khảo luận văn

- **Kỹ sư vận hành và bảo trì máy biến áp:** Nắm bắt phương pháp chẩn đoán lỗi hiện đại, áp dụng vào thực tế để nâng cao hiệu quả bảo dưỡng.
- **Nhà quản lý ngành điện:** Đưa ra quyết định đầu tư và phát triển công nghệ giám sát thiết bị, giảm thiểu rủi ro và chi phí.
- **Nhà nghiên cứu và sinh viên ngành kỹ thuật điện:** Tham khảo mô hình ứng dụng AI trong chẩn đoán thiết bị điện, làm cơ sở cho các nghiên cứu tiếp theo.
- **Các công ty cung cấp thiết bị và dịch vụ bảo trì:** Phát triển sản phẩm và dịch vụ dựa trên công nghệ phân tích khí hòa tan và mạng nơ-ron nhân tạo, nâng cao giá trị cạnh tranh.

## Câu hỏi thường gặp

1. **Phân tích khí hòa tan (DGA) là gì?**  
DGA là phương pháp phân tích các loại khí hòa tan trong dầu máy biến áp để phát hiện các lỗi tiềm ẩn như hồ quang, quá nhiệt. Ví dụ, nồng độ khí H₂ tăng cao thường liên quan đến hồ quang.

2. **Mạng nơ-ron nhân tạo có ưu điểm gì trong chẩn đoán lỗi?**  
Mạng nơ-ron có khả năng học từ dữ liệu phức tạp, nhận diện mẫu lỗi đa dạng và cải thiện độ chính xác chẩn đoán so với phương pháp truyền thống.

3. **Tại sao cần kết hợp DGA với mạng nơ-ron?**  
Kết hợp giúp tận dụng ưu điểm của cả hai phương pháp: DGA cung cấp dữ liệu thực nghiệm, mạng nơ-ron xử lý và phân loại dữ liệu hiệu quả, nâng cao độ tin cậy chẩn đoán.

4. **Thời gian phân tích dữ liệu được rút ngắn như thế nào?**  
Nhờ ứng dụng mạng nơ-ron, thời gian xử lý giảm từ khoảng 48 giờ xuống còn 4 giờ, giúp nhanh chóng phát hiện và xử lý sự cố.

5. **Ứng dụng thực tế của nghiên cứu này là gì?**  
Nghiên cứu giúp các đơn vị điện lực chủ động bảo dưỡng, giảm thiểu sự cố, tiết kiệm chi phí và nâng cao độ tin cậy cung cấp điện.

## Kết luận

- Ứng dụng mạng nơ-ron nhân tạo kết hợp phân tích khí hòa tan (DGA) nâng cao độ chính xác chẩn đoán lỗi tiềm ẩn máy biến áp lên 96%.  
- Giảm thời gian phân tích dữ liệu từ 48 giờ xuống còn 4 giờ, tăng hiệu quả bảo trì và vận hành.  
- Mô hình mạng nơ-ron đa lớp 5-15-3 được xác định là cấu trúc tối ưu cho bài toán chẩn đoán.  
- Đề xuất triển khai hệ thống giám sát tự động và đào tạo nhân lực chuyên sâu để nâng cao hiệu quả ứng dụng.  
- Nghiên cứu mở ra hướng phát triển công nghệ bảo trì dựa trên trí tuệ nhân tạo trong ngành điện.

**Hành động tiếp theo:** Khuyến khích các đơn vị điện lực áp dụng mô hình đề xuất, đồng thời tiếp tục nghiên cứu mở rộng ứng dụng AI trong bảo trì thiết bị điện nhằm nâng cao độ tin cậy và hiệu quả kinh tế.