A Comparative Study of Graphical Fault Detection Methods for Power Transformers in Dissolved Gas Analysis with Artificial Intelligence Enhancements

Abstract

This study proposes an intelligent framework for power transformer fault diagnosis based on Dissolved Gas Analysis( DGA )enhanced by artificial intelligence techniques .Traditional graphical methods such as the Duval Triangle and other geometric approaches are effective but suffer from limitations related to subjectivity and inconsistency. To overcome these challenges ,this work integrates multiple graphical DGA methods with machine learning algorithms ,including SVM, KNN ,Decision Tree , and , AdaBoost .A unified feature vector is constructed ,and SHAP-based feature selection is applied to improve interpretability and reduce dimensionality . The results show that the proposed approach improves classification accuracy and robustness ,with ensemble models achieving the best performance . Additionally ,SHAP analysis enhances the understanding of feature importance and model decisions. Overall ,the proposed methodology provides an accurate ,interpretable ,and efficient solution for transformer fault diagnosis and supports predictive maintenance in power systems تُقترح في هذه الدراسة منظومة ذكية لتشخيص أعطال محولات القدرة الكهربائية اعتمادًا على تحليل الغازات المذابة ( )DGAمع تعزيزها بتقنيات الذكاء الاصطناعي. وعلى الرغم من فعالية الطرق البيانية التقليدية مثل مثلث دوفال وغيرها من الأساليب الهندسية، إلا أنها تعاني من محدودية تتمثل في الذاتية وعدم الاتساق في نتائج التشخيص. لمعالجة هذه الإشكاليات، تم دمج عدة طرق بيانية لتحليل DGAمع خوارزميات تعلم الآلة مثل SVM و KNNو Decision Treeو ،AdaBoostوذلك ضمن إطار موحد يعتمد على متجه ميزات شامل. كما تم تطبيق اختيار الميزات باستخدام SHAPبهدف تحسين قابلية التفسير وتقليل الأبعاد مع الحفاظ على المعلومات الأكثر تأثي ًرا في عملية التصنيف. أظهرت النتائج أن المنهج المقترح يحقق تحس ًنا واض ًحا في دقة التصنيف وموثوقية النماذج، حيث سجلت النماذج التجميعية ( )Ensembleأفضل أداء مقارنة ببقية الخوارزميات. بالإضافة إلى ذلك، ساهم تحليل SHAPفي توضيح تأثير كل ميزة على قرارات النموذج، مما عزز من شفافية النظام. بشكل عام، يوفر هذا العمل إطا ًرا فعا ًلا ودقيقًا وقاب ًلً للتفسير لتشخيص أعطال المحولات، ويدعم تطبيقات الصيانة التنبؤية في أنظمة القدرة الكهربائية