Fault Diagnosis of Power Transformers Based on Dissolved Gas Analysis (DGA) Using Artificial Intelligence Techniques

Abstract

Fault diagnosis in oil-immersed power transformers is essential for ensuring the reliability and continuity of electrical power systems. While dissolved gas analysis (DGA) represents one of the most effective condition monitoring techniques, traditional interpretation methods often suffer from limited diagnostic accuracy due to overlapping fault regions and insufficient feature representation. This thesis proposes a systematic comparative framework that evaluates two distinct feature extraction strategies derived from DGA data, namely ratio-based features and graphical features, in combination with state-of-the-art artificial intelligence classifiers to address these limitations. The research investigates four machine learning algorithms — K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Random Forest (RF), and RUSBoost — applied to a dataset of 407 samples distributed across six fault categories: partial discharge (PD), low-energy discharge (D1), high-energy discharge (D2), and thermal faults (T1, T2, T3). Ratio-based features are derived from established gas ratio methods, while graphical features are constructed from visual diagnostic representations including the Duval Triangle and related geometric techniques. Both feature sets are systematically evaluated using a comprehensive set of performance metrics, including accuracy, precision, recall, F1-score, Matthews Correlation Coefficient (MCC), and Cohen’s Kappa. The experimental results demonstrate that graphical feature representation consistently outperforms ratio-based features across all tested classifiers, raising the average diagnostic accuracy from 77.25% to 93.85%, corresponding to an overall improvement of 16.60%. The most substantial gains are observed for KNN and SVM, with accuracy improvements of 31.15% and 28.69% respectively, confirming that graphical features produce a more geometrically separable feature space. These findings establish that feature engineering plays a decisive role in transformer fault diagnosis performance, often surpassing the influence of classifier selection itself, and provide a robust foundation for intelligent predictive maintenance systems in power transformers. ُعّد تشخيص أعطال المحولات الكهربائية المغمورة في الزيت أم اًر بالغ الأهمية لضمان موثوقية منظومات الطاقة الكهربائية واستمراريتها. وعلى الرغم من أن تحليل الغازات الذائبة ( )DGAيمّثل أحد أكثر أساليب م ارقبة الحالة فعالية، إلا أن طرق التفسير التقليدية كثي اًر ما تعاني من محدودية في الدقة التشخيصية، نتيجة تداخل مناطق الأعطال وضعف تمثيل الخصائص. لذلك، تقترح هذه الأطروحة إطا اًر مقارناً منهجياً يُقّيم است ارتيجيتين مختلفتين لاستخ ارج الخصائص من بيانات ،DGAهما الخصائص النسبية والخصائص البيانية، وذلك بالتكامل مع خوارزميات الذكاء الاصطناعي الحديثة للتغلب على هذه القيود. Support Vector Machine وK-Nearest Neighbors :تبحث الدراسة في أربع خوارزميات تعلم آلي، هي و Random Forestو ،RUSBoostوقد ُطّبقت على مجموعة بيانات تضم 407عينة موزعة على ستة أصناف من الأعطال: التفريغ الجزئي ( ،)PDوالتفريغ الكهربائي منخفض الطاقة ( ،)D1والتفريغ الكهربائي عالي الطاقة ( ،)D2والأعطال الحرارية بثلاث مستويات ( T1و T2و .)T3وتُستخرج الخصائص النسبية من طرق النسب الغازية المعتمدة، في حين تُبنى الخصائص البيانية انطلاقاً من التمثيلات التشخيصية البصرية كمثلث دوفال والتقنيات الهندسية المرتبطة به. ويخضع كلا النوعين من الخصائص للتقييم الشامل باستخدام مجموعة متكاملة من مقاييس الأداء، تشمل: الدقة الكلية والدقة التنبؤية والاستدعاء ودرجة F1ومعامل ماثيوس الارتباطي ( )MCCومعامل كاپا لكوهين. تُظهر النتائج التجريبية أن التمثيل البياني للخصائص يتفوق باستم ارر على الخصائص النسبية عبر جميع النماذج المختبرة، إذ ترتفع متوسط الدقة التشخيصية من %77.25إلى ،%93.85بما يعادل تحسناً إجمالياً قدره .%16.60وتبرز أكبر المكاسب في نموذ َجي KNNو ،SVMبتحسينات في الدقة بلغت %31.15و %28.69على التوالي، مما يؤكد أن الخصائص البيانية تُنتج فضاًء أكثر قابلية للفصل الهندسي. وتُرّسخ هذه النتائج أن هندسة الخصائص تؤدي دواًر محورياً في أداء تشخيص أعطال المحولات، وكثي اًر ما يتجاوز تأثيرها تأثير اختيار الخوارزمية ذاتها، مما يوفر أساساً متيناً لأنظمة الصيانة التنبؤية الذكية في محولات القدرة