Việc đo lường, thu thập tín hiệu, phân tích và nhận định nguyên nhân gây ra hiện tượng phóng điện cục bộ là một chủ đề hiện đang nhận được rất nhiều sự quan tâm trong nhiều nghiên cứu kể cả trong và ngoài nước. Dù rằng các thiết bị đo PD đã được sử dụng phổ biến hiện nay tại các đơn vị thí nghiệm điện cũng như các công ty điện lực, hiện việc phân tích tín hiệu PD vẫn còn dựa rất nhiều vào kinh nghiệm phán đoán của kỹ sư vận hành. Khi phân tích tín hiệu PD, các chuyên gia thường sẽ dùng đến một số kỹ thuật như giản đồ phân giải góc pha (Phase-Resolved Pattern Diagram - PRPD) hay phân tích chuỗi xung PD (Pulse Sequence Analysis – PSA). Tuy vậy, việc phân tích là tương đối phức tạp và đòi hỏi nhiều kiến thức chuyên môn để có thể đưa ra nhận định đúng. Thậm chí, nguồn tài liệu hướng dẫn phân tích dạng sóng và đánh giá PD cụ thể vẫn còn đang rất hạn chế. Bài viết này sẽ trình bày về một ứng dụng trí tuệ nhân tạo để phân tích dạng sóng PD được phát triển tại Công ty Thí Nghiệm Điện miền Nam, giúp người dùng phân tích đặc trưng và nhận dạng nguồn gốc gây ra PD một cách tự động mà không cần phụ thuộc vào chuyên môn của người phân tích. Với ứng dụng này người kỹ sư thí nghiệm sẽ có thêm công cụ để hỗ trợ việc phân tích nguồn gốc gây ra tín hiệu PD, từ đó có được những nhận định chính xác hơn về tình trạng cách điện của thiết bị điện.

Từ khoá: Thí nghiệm điện; Phóng điện cục bộ; Trí tuệ nhân tạo.

ABSTRACT

Partial Discharge (PD) is a phenomenon that frequently occurs on high-voltage and medium-voltage electrical equipment. Although it does not directly lead to immediate damage to the equipment, it can cause local heat generation and increase the aging rate of insulating materials during equipment operation. Each type of defect will affect insulation degradation in different ways; for example, corona discharge is easy to detect but less harmful, while internal discharge caused by air bubbles is very dangerous and relatively difficult to detect. Measuring, collecting signals, analyzing, and identifying the cause of partial discharge is a topic that is currently receiving a lot of attention in many studies, both domestically and internationally. Although PD measuring devices are widely used today in electrical testing units as well as power companies, PD signal analysis still relies heavily on the judgment and experience of operating engineers. When analyzing PD signals, experts often use techniques such as Phase-Resolved Pattern Diagram (PRPD) or Pulse Sequence Analysis (PSA). However, the analysis is relatively complex and requires a lot of specialized knowledge to be able to make correct judgments. Even the source of documents guiding waveform analysis and specific PD assessment is still very limited. This article will present an artificial intelligence application for PD waveform analysis developed at the Southern Electrical Testing Company, helping users analyze characteristics and identify the source of PD automatically without depending on the expertise of the analyst. With this application, the testing engineer will have more tools to support the analysis of the source of PD signals, thereby obtaining more accurate judgments about the insulation condition of electrical equipment.

Keywords: Electrical test; Partial discharge; Artificial intelligence.

KÝ HIỆU

CHỮ VIẾT TẮT

1. GIỚI THIỆU

Phóng điện cục bộ là hiện tượng xảy ra tại những khoảng trống hay bọt khí nằm trong nội bộ môi chất cách điện, do ở những vị trí này độ bền điện môi yếu hơn phần điện môi lân cận. Trong môi chất có dư hạt mang điện tự do để có thể bắt đầu quá trình hình thành thác điện tử và kênh dẫn điện khi điện áp đặt lên nó cao hơn điện áp khởi phát PD (Partial Discharge Inception Voltage - PDIV), lúc đó phóng điện cục bộ bắt đầu xảy ra [1]. Tuy không gây hại tức thời, nhưng nếu PD xảy ra trong thời gian dài thì chất lượng và tuổi thọ của môi chất cách điện sẽ bị suy giảm, gây ra nguy cơ xảy ra sự cố trên thiết bị. Việc đo lường và phân tích tín hiệu PD có thể giúp chúng ta phát hiện sớm những sự cố tiềm ẩn [2].

Khi phân tích tín hiệu PD, các chuyên gia thường sẽ dùng đến một số kỹ thuật như giản đồ phân giải góc pha (Phase-Resolved Pattern Diagram - PRPD) hay phân tích chuỗi xung PD (Pulse Sequence Analysis – PSA) [3].  Trong đó, PRPD là một kỹ thuật được chấp nhận rộng rãi trên quốc tế để đánh giá tình trạng cách điện và dựa trên các giả định rằng hình dạng của mẫu PD chỉ phụ thuộc vào từng loại nguồn PD (thay vì cấu trúc của hệ thống cách điện) và các mẫu PD như vậy được đo bằng các kỹ thuật phát hiện PD khác nhau. Trong phương pháp này, biên độ của các xung PD sẽ được ghi nhận trên miền thời gian và phân nhóm trên miền góc pha 360°, ứng với từng chu kì điện tương ứng của nguồn áp cung cấp.

Việc phân tích là tương đối phức tạp và đòi hỏi nhiều kiến thức chuyên môn để có thể đưa ra nhận định đúng. Quan sát hình dạng nhóm xung trên giản đồ bằng mắt thường để nhận dạng nguồn gốc gây ra PD là một chọn lựa khả thi, nhưng sẽ đòi hỏi nhiều chuyên môn của kỹ sư phân tích. Thay vào đó, các thông số như phân bố xung theo chu kỳ (Pulse distribution), độ méo (Skewness), độ sắc (Kurtosis), số đỉnh (Peaks) và độ đối xứng (Asymmetric) điện tích và pha của tần số phóng điện cục bộ cho phép phân tích so sánh chi tiết hơn bằng các phương pháp xử lý tín hiệu nâng cao với các yếu tố trí tuệ nhân tạo [4].

2. PHÂN TÍCH PHÓNG ĐIỆN CỤC BỘ BẰNG TRÍ TUỆ NHÂN TẠO

2.1. Dữ liệu đầu vào để phân tích PD

Trong quá trình đo PD, các tín hiệu PD được đo tại các đầu cuối của đối tượng thử nghiệm, do đó chúng ta không thể đo được hình dạng thực của các xung dòng PD cũng như không thể xác định được vị trí xảy ra PD một cách chính xác. Ngoài ra, tín hiệu PD chúng ta đo được cũng đã bị suy giảm và phân tán trong khi lan truyền từ nguồn PD đến các đầu cuối của đối tượng thử nghiệm. Chính vì vậy, người ta thường mô tả các đặc điểm của phóng điện cục bộ trên cơ sở hai phương pháp; các tham số thống kê và các đặc điểm xung phóng điện miền thời gian - tần số. Phân tích thống kê bao gồm các phân loại mẫu phóng điện cục bộ được phân giải theo góc pha của chu kỳ điện, tương tự như phương pháp PRPD. Dữ liệu PD có thể được đặc trưng bởi hai phân phối chính: phân phối đếm xung (số PD so với góc pha φ) và phân phối chiều cao xung (biên độ điện tích PD so với góc pha φ). Các phân phối này có thể được chia thành hai phân phối riêng biệt, bao gồm nửa chu kỳ âm và dương, cụ thể bao gồm các thông số nêu trong bảng 1. Các đặc điểm thống kê được trích xuất từ các phân bố PD này, bao gồm độ lệch (S_k), độ nhọn (K_u), hệ số đối xứng và sự đồng dạng [5].

Độ méo là mức độ bất đối xứng của phân phối liên quan đến phân phối chuẩn. Độ méo S_k > 0 cho thấy phân phối không đối xứng với phía bên trái lớn hơn, độ méo S_k = 0 cho thấy phân phối đối xứng và S_k < 0 cho thấy phân phối không đối xứng với phía bên phải lớn hơn. Mặt khác, độ nhọn là mức độ sắc nét của phân phối liên quan đến phân phối chuẩn. Độ nhọn K_u = 0 bằng không cho thấy phân phối có hình dạng chuẩn, độ nhọn K_u > 0 cho thấy phân phối có hình dạng nhọn và K_u < 0 cho thấy phân phối có hình dạng phẳng. Các đặc điểm trên được minh họa trong hình 1.

Bảng 1. Miêu tả các thông số dùng trong phân tích dạng PD

Nhìn chung, sử dụng các tham số mô tả hình dạng của phân phối là một lựa chọn tốt hơn về mặt máy học so với việc sử dụng các giá trị tuyệt đối. Đây cũng là một lựa chọn tốt hơn việc quan sát hình dạng nhóm xung trên giản đồ bằng mắt thường để nhận dạng nguồn gốc gây ra PD. Kiến thức về độ méo, độ sắc, số đỉnh và độ đối xứng điện tích và pha của tần số phóng điện cục bộ cho phép phân tích đặc trưng nhóm xung PD chi tiết hơn, phù hợp để làm dữ liệu đầu vào cho hệ thống phân tích bằng trí tuệ nhân tạo.

2.2. Trí tuệ nhân tạo

Trí tuệ nhân tạo (AI) có thể thực hiện nhiều nhiệm vụ quá phức tạp và tốn thời gian. Do đó, AI được sử dụng để phát triển một hệ thống chẩn đoán PD toàn diện, trong đó tất cả các thuật toán học máy có thể áp dụng, đặc biệt là mạng nơ-ron nhân tạo (Artificial Neuron Networks - ANN) đóng vai trò quan trọng. AI rất hứa hẹn có thể trở thành một phần của hệ thống chẩn đoán PD để phân loại tín hiệu PD ra khỏi nhiễu nền, phân loại các loại PD từ nhiều nguồn PD và định vị nhiều nguồn PD với tốc độ cực nhanh [5].

Một mạng nơ-ron đơn giản được miêu tả trong hình 2, trong đó một mạng lưới nơ-ron được kết nối với nhau, có các khả năng sau: tìm hiểu mối quan hệ giữa dữ liệu đầu vào và đầu ra; xử lý dữ liệu nhiễu, không hoàn hảo hoặc không đầy đủ; xử lý các hàm phức tạp, bậc cao và các tương tác phi tuyến tính giữa các biến đầu vào và thực hiện song song nhiều phép toán trong thời gian ngắn. Trong các mạng nơ-ron nhân tạo, nơ-ron đơn giản bao gồm một số đầu vào (Inputs), hàm đầu vào (Input function), hàm kích hoạt (Activation function) và một số đầu ra (Outputs). Mỗi đầu vào cho một nơ-ron được chia tỷ lệ với trọng số (Weight) ảnh hưởng đến hàm đầu vào. Quá trình học diễn ra nếu các trọng số được điều chỉnh. Khi đó, hàm kích hoạt hoặc hàm chuyển tiếp (có thể là ngưỡng hoặc một hàm phi tuyến) được áp dụng để gửi ra các đầu ra [6-7].

Trong quá trình học có giám sát, một tập dữ liệu đào tạo được cung cấp. Mỗi đầu ra được xác định bởi phản hồi mong muốn của nó đối với đầu vào. Sau khi các đầu vào được áp dụng cho mạng, đầu ra của mạng được so sánh với các mục tiêu. Sau đó, trọng số và độ lệch của mạng được điều chỉnh để giảm thiểu lỗi giữa đầu ra của mạng và các mục tiêu. Quá trình học có giám sát cũng đôi khi được gọi là phân loại (Classification). Các mô hình học sâu dựa trên học có giám sát liên quan đến các mạng nơ-ron lớn có thể học cách nhận dạng các mẫu trong tập dữ liệu. Các lớp mạng khác nhau học các khía cạnh khác nhau của dữ liệu và sau đó lớp cuối cùng dự đoán kết quả mong muốn. Ngược lại, trong quá trình học không giám sát, mạng học các tính năng quan trọng từ tập dữ liệu, khai thác mối quan hệ giữa đầu vào và cụm. Các trọng số và độ lệch được sửa đổi để phản hồi đầu vào của mạng. Các đầu ra mục tiêu không khả dụng. Quá trình học không giám sát cũng có thể được gọi là phân cụm (Clustering). Trong một số trường hợp, người ta còn dùng khái niệm học bán giám sát (sự kết hợp giữa học có giám sát và không giám sát), khi này một số đầu ra được xác định là phản hồi mong đợi của chúng đối với các đầu vào đã cho.

2.3. Ứng dụng trí tuệ nhân tạo trong việc phân tích PD

Đầu tiên, để thành lập bài toán trí tuệ nhân tạo trong việc phân tích PD, cần thực hiện các công đoạn: (i) Tín hiệu PD được thu thập từ các cảm biến và gửi đến máy đo, trải qua quá trình lọc nhiễu để tạo dữ liệu thô cho hệ thống; (ii) Bước trích xuất đặc trưng, tách lọc các đặc điểm, tham số hoặc thông tin hữu ích làm dữ liệu đầu vào; (iii) Các biến đầu vào sẽ được xác định, để tạo cơ sở cho việc thành lập bài toán nhận dạng với dạng phân loại (Classification) hoặc phân cụm (Clustering). Nếu dữ liệu đầu vào là các sự kiện PD ghi nhận trên giản đồ PRPD, chuyên gia phân tích có thể gắn nhãn cho dữ liệu mẫu để huấn luyện cho mạng nơ-ron nhân tạo nhận dạng PD (như hình 3). Trong nghiên cứu này, bài toán nhận dạng được xác định là phân loại.

Hình 3. Mạng nơ-ron nhân tạo nhiều lớp để phân tích và nhận dạng tín hiệu PD

Sau khi đã thành lập được bài toán nhận dạng, phần còn lại là lựa chọn nền tảng để phát triển ứng dụng trí tuệ nhân tạo. Với lợi thế là mã nguồn mở, cùng kho thư viện lớn, ngôn ngữ Python có thể hoàn toàn đáp ứng tiêu chí để được chọn lựa làm nền tảng ứng dụng. Trong đó, thư viện Scikit-learn cung cấp rất nhiều thuật toán hữu dụng cho quá trình học máy, cùng những hướng dẫn chi tiết cho việc lựa chọn giải thuật phù hợp, nên có thể được ứng dụng để xây dựng hệ thống trí tuệ nhân tạo. Các vấn đề khác liên quan đến quản lý dữ liệu, tính toán và vẽ đồ thị, nghiên cứu có thể sử dụng các thư viện như Pandas, Numpy, Math và Matplotlib để thực hiện. Các giải pháp để xây dựng mạng nơ-ron nhân tạo dùng trong phân tích PD được liệt kê tóm tắt trong bảng 2.

Bảng 2. Giải pháp xây dựng mạng nơ-ron nhân tạo phân tích PD

3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thực hiện nhiệm vụ chuyển đổi số tại Tổng Công ty Điện Lực miền Nam (EVNSPC), một sản phẩm “Ứng dụng trí tuệ nhân tạo để phân tích dạng sóng PD” đã được xây dựng tại Công ty Thí Nghiệm Điện miền Nam (SPCETC). Nền tảng của ứng dụng là một mạng ANN nhiều lớp như đã nêu ở mục trước, lấy dữ liệu đầu vào là file chứa dữ liệu đo PD, bao gồm các thông số phân bố xung, phân bố biên độ, độ méo nhóm xung, độ nhọn nhóm xung, cho ra kết quả đầu ra là các dạng PD cơ bản như: Corona (phóng điện vầng quang), Internal (phóng điện bên trong), Surface (phóng điện bề mặt), Floating (phóng điện do điện cực thả trôi).

Trải qua quá trình thực nghiệm kéo dài 4 tháng liên tục tại phòng thí nghiệm và hiện trường, một tập dữ liệu bao gồm 814 mẫu tín hiệu PD đã được tổng hợp. Các dữ liệu đến từ phòng thí nghiệm vốn đã được gắn nhãn sẵn, do trong điều kiện mô phỏng thì người thí nghiệm đã biết trước dạng PD là gì. Có 4 nhãn dán bao gồm: phóng điện vầng quang (Corona), phóng điện bên trong (Internal), phóng điện bề mặt (Surface) và điện cực thả trôi (Floating). Tập dữ liệu được chia thành 2 phần để huấn luyện và kiểm tra với tỉ lệ 80% - 20%. Cụ thể, số mẫu để huấn luyện là 651 mẫu, số mẫu để kiểm tra là 163 mẫu. 

Để huấn luyện mô hình, nhóm nghiên cứu huấn luyện trên phương pháp mạng nơ-ron nhiều lớp thông qua hàm MLPClassifier của thư viện Scikit-learn [8]. Cấu trúc và thông số của mạng được tinh chỉnh để đạt được kết quả huấn luyện tốt nhất. Trong quá trình nghiên cứu, mạng nơ-ron với bộ thông số có kết quả huấn luyện tốt nhất, độ chính xác là 99.34%. Giao diện ứng dụng phân tích PD trên nền tảng web như minh họa trong hình 4-5, được viết trên Django Framework [9]. Đây là một Web Framework bậc cao miễn phí, sử dụng mã nguồn mở được lập trình bằng ngôn ngữ Python. 

Hình 4. Kết quả huấn luyện hệ trí tuệ nhân tạo để phân tích tín hiệu PD

Với ứng dụng đã được xây dựng hoàn, nhóm nghiên cứu đã triển khai áp dụng thực tế nhằm kiểm chứng khả năng chẩn đoán PD của mạng nơ-ron. Một số trường hợp thực tế tương ứng với các mẫu PRPD thu thập được tại hiện trường sẽ được sử dụng để kiểm chứng, đánh giá khả năng phân tích PD của hệ trí tuệ nhân tạo. Các mẫu tín hiệu PD dạng phóng điện vầng quang (Corona), phóng điện bên trong (Internal), phóng điện bề mặt (Surface) đo được tại hiện trường đã được sử dụng để kiểm tra khả năng phân tích PD của hệ trí tuệ nhân tạo. Kết quả phân tích và nhận dạng tín hiệu PD đơn loại có độ chính xác rất cao. Tuy nhiên, trên thực tế thì tín hiệu đo PD mà ta nhận được có thể sẽ gồm nhiều dạng PD chồng lấn lên nhau. Do đó, việc phân tích các tín hiệu PD, đặc biệt là tín hiệu đo được từ phép đo online bằng các cảm biến phi truyền thống như HFCT, TEV hay UHF, có thể sẽ gặp rất nhiều khó khăn. Một trường hợp tín hiều gồm nhiều dạng PD chồng lấn được khảo sát nhằm kiểm tra khả năng phân tích nhiều tín hiệu chồng lấn của hệ trí tuệ nhân tạo. Giản đồ PRPD của mẫu tín hiệu này, cùng các thông số phân bố nhóm xung theo bán kỳ được thể hiện trong hình 5.

Hình 5. Mẫu tín hiệu gồm nhiều tín hiệu PD chồng lấn

Qua quan sát hình ảnh giản đồ PRPD, một chuyên gia phân tích có thể sẽ ngay lập tức nhận định rằng đây là dạng phóng điện bên trong, bởi vì trên giản đồ thể hiện rất rõ 2 nhóm xung đối xứng ở 2 bán kỳ điện. Tuy nhiên, nếu quan sát kĩ, ta có thể nhận thấy sự hiện diện của một nhóm xung nhỏ với cực tính dương ở bán kỳ dương, nhưng ở phần bán kỳ âm thì hầu như không hiện diện phần xung cực tính âm. Điều này cho thấy, trong tín hiệu mà ta nhận được có nhiều hơn một nguồn PD. Thực tế, số đỉnh biên độ giữa 2 bán kỳ vẫn có sự đồng đều (28 - 34), dẫn đến hệ số đối xứng là 0.90, cũng gần với 1. Tuy nhiên, hệ số đồng dạng trong trường hợp này chỉ có 0.63, gây ra bởi sự bất đối xưng trong số đỉnh xung . Điều này nghĩa là vẫn có sự khác biệt trong nhóm xung giữa 2 bán kỳ, dù rằng khi quan sát trên PRPD thì rất khó có thể nhận ra đặc điểm này. Kết quả phân tích dạng PD do hệ trí tuệ nhân tạo đưa ra là dạng xác suất như sau: dạng bên trong (Internal) với tỉ lệ 70%, dạng bề mặt (Surface) với tỉ lệ 25% và dạng điện cực thả trôi (Floating) với tỉ lệ 5%, như thể hiện trong hình ảnh trích xuất từ ứng dụng (hình 6). Như vậy, hệ trí tuệ nhân tạo đã đưa ra được kết quả phân tích gồm nhiều dạng PD chồng lấn, một điều rất khó thực hiện khi phân tích chuyên gia thông qua giản đồ PRPD.

4. KẾT LUẬN VÀ KHUYẾN NGHỊ

Báo cáo đã trình bày việc ứng dụng trí tuệ nhân tạo để phân tích dạng sóng PD đã được triển khai tại Công ty Thí Nghiệm Điện miền Nam (SPCETC). Nền tảng của ứng dụng là một mạng ANN nhiều lớp, có khả năng ứng dụng cao, giúp người dùng phân tích đặc trưng và nhận dạng nguồn gốc gây ra PD một cách tự động mà không cần phụ thuộc vào chuyên môn của người phân tích. Mô hình trí tuệ nhân tạo được sử dụng là mô hình mạng nơ-ron nhiều lớp, lấy dữ liệu đầu vào là kết quả đo PD, qua nhiều lớp ẩn và kết quả đầu ra sẽ là xác suất dạng PD có thể xảy ra trong thiết bị. Với kết quả huấn luyện và thử nghiệm có độ chính xác cao, mô hình này đã chứng minh được độ tin cậy, sẵn sàng để có thể ứng dụng rộng rãi trong công việc chẩn đoán kết quả đo PD.

Vẫn còn nhiều vấn đề có thể được cải thiện để giúp hệ trí tuệ nhân tạo này trở nên hiệu quả hơn. Đầu tiên, số lượng các tham số đầu vào đang bao gồm các thông số liên quan đến sự phân bổ điện tích và số lượng xung, hệ số đối xứng và hệ số tương quan đồng dạng. Các thiết bị đo PD chuyên dụng dùng trong nghiên cứu này đều có thể cung cấp đầy đủ dữ liệu để sử dụng cho hệ trí tuệ nhân tạo. Tuy nhiên, với một số chủng loại thiết bị đo PD khác có tính năng thấp hơn, số lượng thông số này vẫn còn là quá nhiều và vượt ngoài khả năng cung cấp của phần mềm đi kèm thiết bị. Thậm chí, một số thiết bị chỉ có thể cung cấp được giản đồ PRPD dưới dạng file hình ảnh (.bmp, .png, .jpeg). Điều này cũng có thể được đào sâu vào nghiên cứu để đưa ra giải pháp trong tương lai.

Hình 6. Kết quả phân tích tín hiệu gồm nhiều tín hiệu PD chồng lấn

5. TÀI LIỆU THAM KHẢO (REFERENCE)

[1].      Nguyễn Sĩ Huy Cường. 2017, Thí nghiệm chẩn đoán phóng điện cục bộ cho biến điện áp khô. Luận văn cao học, Đại Học Bách Khoa TPHCM, 2017.

[2].      IEC 60270, High-voltage test techniques – Partial discharge measurements, 2015.

[3].      N. Pattanadech, R. Haller, S. Kornhuber, and M. Muhr, Partial Discharges (PD), 2023. Detection, Identification and Localization. Wiley-IEEE Press.

[4].      B. Schober and U. Schichler, 2019. Application of machine learning for partial discharge classification under DC Voltage,. Proceedings of the Nordic Insulation Symposium, no. 26, pp. 16–21.

[5].      H. Kumar, M. Shafiq, K. Kauhaniemi, and M. Elmusrati, 2024. A review on the classification of partial discharges in medium-voltage cables: Detection, feature extraction, artificial intelligence-based classification, and Optimization Techniques. Energies, vol. 17, no. 5, p. 1142.

[6].      S. Russell, P. Norvig, 2021. Artificial Intelligence: A Modern Approach, 4e. London, UK: Pearson.

[7].      S. Shanmuganathan, S. Samarasinghe, 2016. Artificial Neural Network Modelling, 1e. Switzerland: Springer.

[8].      https://scikitlearn.org/stable/modules/generate d/sklearn.neural_network.MLPClassifier.html.

[9].      https://www.djangoproject.com/.

Nguyễn Sĩ Huy Cường, Nguyễn Trọng Huy