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

Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
123 
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 
Nguyễn Hữu Công1*, Nguyễn Tiến Duy2, Trần Thị Thanh Thảo2 
1Đại học Thái Nguyên, 
2Trường Đại học Kỹ thuật công nghiệp - ĐH Thái Nguyên 
TÓM TẮT 
Trong bài báo này, chúng tôi đề xuất ứng dụng mạng neural để xây dựng hệ chẩn đoán sự cố tiềm 
ẩn của máy biến áp (MBA) lực. Các đầu vào mạng neural là tỉ lệ các thành phần khí sinh ra trong 
quá trình MBA làm việc. Đầu ra là các kết luận về tình trạng của MBA. Luật chẩn đoán dựa trên 
phương pháp tỉ lệ theo chuẩn IEC-599 với 5 thành phần khí được sử dụng là các thành phần đầu 
vào. Các kết luận đầu ra bao gồm “bình thường”, “quá nhiệt” hoặc “phóng điện”. Sử dụng mạng 
truyền thẳng nhiều lớp (MLP - Multi-layer Perceptron) với cấu trúc mạng được lựa chọn là 5-M-3. 
Qua quá trình huấn luyện với số neural lớp ẩn khác nhau, chúng tôi lựa chọn được M=16 cho kết 
quả chẩn đoán là chính xác nhất. Thông qua thử nghiệm với dữ liệu thực tế, kết quả cho thấy hệ 
chẩn đoán đưa ra các kết luận là đáng tin cậy. 
Từ khoá: Hệ chẩn đoán, Máy biến áp, Lỗi tiềm ẩn, Mạng nơ-ron nhân tạo, công nghệ DGA 
GIỚI THIỆU* 
Chẩn đoán sự cố tiềm ẩn của MBA 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 tiềm ẩncó thể xảy ra 
trong tương lai của MBA, trong một số công 
trình đã đưa ra các phương pháp chẩn đoán 
dựa trên phân tích lượng khí hoà tan trong 
dầu (DGA - Dissolved Gas in oil Analysis). 
Ngoài ra còn có các phương pháp chẩn đoán 
dựa trên đáp ứng phổ tần MBA, chẩn đoán 
dựa trên độ rung của MBA. Phương pháp sắc 
ký khí với phân tích khí hoà tan trong dầu 0 
cần thiết phải có những thiết bị đo chuyên 
dụng và đòi hỏi độ chính xác cao. Dựa trên 
những kỹ thuật này, đã có nhiều kỹ thuật hiện 
đại cho phép chẩn đoán tốt hơn 0, 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 0, 0. Phương 
pháp này được phát triển dựa trên sử dụng 
mạng neural nhân tạo. Để có được kết quả 
*
 Email: conghn@tnu.edu.vn 
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. Ngoài ra, các phương pháp 
sử dụng fuzzy logic, mờ-neural cũng được đề 
xuất 0, 0, 0. Điểm chung của các phương 
pháp này đó là kế thừa được tri thức chuyên 
gia. 
Ở Việt Nam, các hệ hỗ trợ quyết định dựa 
trên trí tuệ nhân tạo được phát triển trên cở sở 
sử dụng tri thức chuyên gia như hệ chuyên 
gia, mạng neural, fuzzy logic, v.v. cũng dần 
được phát triển rộng rãi. Có thể thấy một số 
nghiên cứu về xây dựng hệ chẩn đoán lỗi cho 
MBA đã được công bố như ứng dụng hệ mờ 
0, mạng neureal 0, hệ chuyên gia 0, hay kết 
hợp hệ chuyên gia, mạng neural và fuzzy 
logic để phát triển hệ chẩn đoán sự cố tiềm ẩn 
MBA 0 - 0. Tuy nhiên, việc nghiên cứu tìm 
kiếm các phương pháp mới hiệu quả hơn luôn 
là cần thiết của quá trình phát triển khoa học 
và công nghệ. Vì vậy, việc tìm kiếm một cấu 
trúc mạng neural đơn giản, hiệu quả và đáp 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
124 
ứng được yêu cầu thực tế trong công tác thí 
nghiệm MBA là bài toán có tính cấp thiết và 
thực tiễn cao. Với mục tiêu như vậy, trong 
nghiên cứu này chúng tôi xây dựng hệ chẩn 
đoán sự cố tiềm ẩn của MBA lực bằng mạng 
neural dựa trên kết quả phân tích theo DGA. 
CHẨN ĐOÁN SỰ CỐ MBA BẰNG 
PHƯƠNG PHÁP DGA 
Phương pháp DGA và đặc tính sinh khí 
Phân tích khí hoà tan trong dầu của máy biến 
áp là nhằm mục đích sớm phát hiện ra sự quá 
nhiệt cục bộ, sự phóng điện ở mức độ thấp 
v.v. Để phân tích khí hoà tan trong dầu máy 
biến áp sử dụng hệ thống máy phân tích gọi là 
TOGAS (Transformer Oil Gas Analysis 
System). Từ kết quả phân tích khí hoà tan 
trong dầu máy biến áp ta có thể chẩn đoán 
được các dạng hư hỏng của máy biến áp. Việc 
phân tích DGA khi không cần phải ngắt 
nguồn điện MBA hay còn gọi là phương pháp 
“online” hay trực tuyến. Loại phân tích này 
bao gồm DGA thông thường, đó là dựa trên 
cơ sở việc lấy mẫu dầu định kỳ và kỹ thuật 
hiện đại của việc giám sát khí trực tuyến. 
Dưới tác dụng của điện và nhiệt, phần tử 
hydro–cacbon ( ) của khoáng dầu có thể 
bị phân huỷ thành dạng hydrogen và các 
mảnh , các mảnh này có thể kết hợp với 
nhau để tạo ra các khí là hydrohen ( ), 
methane ( ), ethane ( ), ethylene 
( ), acetylene ( ), và . 
Lượng khí của mỗi chất khí riêng biệt phụ 
thuộc vào nhiệt độ ở lân cận điểm chịu tác 
dụng. Nhiều nhà nghiên cứu đã đề xuất các 
phương pháp khác nhau để dự đoán lỗi tiềm 
ẩn trong MBA như tỉ số Dornenberg, tỉ số 
Roger, phương pháp khí chính, tiêu chuẩn 
IEC-599. 
Các lỗi tiềm ẩn của MBA 
Các lỗi tiềm ẩn của MBA lực có thể được 
phân loại thành các dạng chính sau: hồ quang 
điện, vầng quang điện hay phóng điện cục bộ, 
quá nhiệt của xenlulo, quá nhiệt của dầu. Mức 
năng lượng do các sự cố này gây ra xếp theo 
thứ tự từ cao đến thấp như sau: hồ quang 
quá nhiệt vầng quang. Những lỗi này có 
thể do một hoặc nhiều nguyên nhân khác 
nhau được chỉ ra trong Bảng 1. 
Bảng 1. Các lỗi MBA và nguyên nhân gây ra 
Nguyên nhân 
Các lỗi 
Hồ quang 
điện 
Vầng 
quang điện 
Quá nhiệt 
của xenlulo 
Quá nhiệt 
của dầu 
Ngắn mạch vòng dây x x 
Hở mạch vòng dây x x 
Sự hở mạch của LTC có sẵn x 
Biến dạng hoặc xô lệch cuộn dây x x 
Biến dạng hoặc xô lệch thanh cái x x 
Xiết ống nối ko chặt, đầu ren, bảng đầu 
cuối 
x x x 
Nước tự do hoặc độ ẩm quá giới hạn 
trong dầu 
x 
Mảnh kim loại nhỏ nổi trong dầu x x 
Lỏng kết nối với tấm chắn vầng quang điện x 
Lỏng mặt bích, miếng đệm, lõi tiếp địa, 
lõi định vị góc (thanh nối) 
 x 
Đứt gãy máng x 
Quá tải x x 
Hỏng đai ốc cách ly x 
Rỉ trục hoặc hỏng trục x 
Hỏng nhánh song song của thùng chứa x 
Kẹt đường tuần hoàn dầu x 
Lỗi hệ thống làm mát x 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
125 
Phương pháp tỉ lệ trong DGA 
Các phương pháp tỉ lệ theo chuẩn IEC-599 sử dụng tỉ lệ khí hoà tan là cơ sở chính của việc chẩn 
đoán lỗi. 5 hệ số tỉ lệ mang tính truyền thống được sử dụng như Bảng 2. Nồng độ giới hạn của 
các khí ở trạng thái làm việc bình thường của MBA được cho trong bảng 3. Khi vượt quá giới 
hạn bình thường, tuỳ vào mức độ mà MBA ở những trạng thái sự cố với mức độ nghiêm trọng 
khác nhau. 
Bảng 2. Định nghĩa tỉ lệ các thành phần phí 
Tỉ số 
Ký hiệu R1 R2 R3 R4 R5 
Bảng 3. Giới hạn nồng độ các khí hoà tan 
Khí 
Giới hạn (ppm) 100 120 350 35 50 65 
Trong những phương pháp tỉ lệ khác nhau thì số các hệ số được sử dụng là khác nhau. Phương 
pháp tỉ lệ Dornemburg phân biệt giữa lỗi nhiệt và lỗi điện bằng cách sử dụng 4 hệ số tỉ lệ như 
trong Bảng 4. 
Bảng 4. Phương pháp hệ số tỉ lệ Dornemburg 
Lỗi R1 R2 R3 R4 
Phân huỷ do nhiệt > 0.1 0.4 
Vầng quang điện (PD cường độ thấp) 0.4 
Hồ quang (PD cường độ cao) > 0.1 và 0.75 > 0.3 < 0.4 
Phương pháp tỉ lệ Rogers gốc cũng dùng 5 khí và 4 tỉ lệ R1, R2, R3 như trên nhưng 
R4= . Một cải tiến của phương pháp Rogers là chỉ dùng 3 tỉ lệ R1, R2 và R3. Ngoài 
ra, cũng có thể sử dụng phương pháp tỉ lệ theo tiêu chuẩn IEC-599 khi chỉ sử dụng với 3 tỉ số 
được cho như trên bảng 5. 
Bảng 5. Tỉ lệ các thành phần khí và các lỗi tương ứng theo IEC-60599 (2015) 
Lỗi R1 ( ) R2 ( ) R5 ( ) 
Bình thường < 0.1 < 0.1 < 0.1 
Phóng điện từng phần < 0.1 NS(a) < 0.2 
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 
Quá nhiệt 
t < 300 
o
C > 1, NS
(a)
 NS
(a)
 < 1 
300 
o
C < t < 700 
o
C > 1 < 0.1 1 – 4 
t > 700 
o
C > 1 < 0.2
(b)
 > 4 
Ghi chú: 
(a) NS: Non-Significant whatever the value – không quan trọng dù là giá trị nào 
(b) Nếu tăng mạnh thì có thể quá nhiệt t > 1000 oC. 
CHẨN ĐOÁN SỰ CỐ MBA BẰNG MẠNG NEURAL KẾT HỢP DGA 
Lựa chọn cấu trúc mạng 
Đối với phương pháp tỉ lệ theo chuẩn IEC-599 thì mỗi một lỗi tiềm ẩn của MBA có thể tương 
ứng với nhiều bộ giá trị khác nhau. Chẳng hạn, với lỗi “Phóng điện năng lượng cao” tương ứng 
giá trị R2>0.6. Có thể giá trị thực tế đo được R2=0.8 hoặc thậm chí R2=2.5, v.v. Như vậy cho 
thấy với mỗi một lỗi cụ thể, giá trị các chất khí đo được có thể nằm trong một miền con giá trị. 
Điều này làm tăng tính phi tuyến đối với mối quan hệ vào – ra của mạng neural xây dựng. 
Nguyễn Hữu Công và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 185(09): 123 - 130 
126 
Trong nghiên cứu này, chúng tôi lựa chọn 
mạng MLP để xây dựng bộ chẩn đoán lỗi 
tiềm ẩn cho MBA. 
Bài toán chẩn đoán lỗi MBA giống như bài 
toán ánh xạ phi tuyến phức tạp cao vì cả đầu 
vào và ra là dạng đa biến và không có mối 
quan hệ tuyến tính nào đã biết. Tuy nhiên với 
một mạng MLP 3 lớp (1 lớp ẩn) đã được 
chứng minh là có khả năng xấp xỉ hoá các 
hàm phi tuyến thỏa mãn một số điều kiện nhất 
định. Hơn nữa, các mạng MLP có thuật toán 
huấn luyện lan truyền ngược có 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