Prediction of Power Transformer Lifetime and Performance Using Dissolved Gas Analysis (DGA) and Machine Learning Algorithms

Abstract

Fault diagnosis of oil-immersed power transformers plays a central role in ensuring system reliability and supporting predictive maintenance in power networks. This study proposes an intelligent diagnostic framework based on dissolved gas analysis (DGA) and machine learning for transformer fault classification. The methodology relies on the extraction of ratio-based and graphical features from DGA data, followed by Z-score normalization and dimensionality reduction using t-distributed stochastic neighbor embedding (t-SNE) to obtain a compact and informative feature representation. The reduced features are then evaluated using supervised classification algorithms. Model performance is assessed through multiple metrics, including accuracy, precision, recall, F1-score, and specificity. The findings indicate that integrating heterogeneous DGA-derived features within a unified framework improves the robustness and reliability of transformer fault diagnosis, highlighting the potential of intelligent datadriven approaches for condition monitoring and maintenance decision support in modern power systems . ُعد تشخيص أعطال محولات القدرة المغمورة بالزيت عنص ًرا أساسيًا لضمان موثوقية الأنظمة الكهربائية ودعم الصيانة التنبؤية في شبكات الطاقة. تقترح هذه الدراسة إطا ًرا ذكيًا لتشخيص الأعطال يعتمد على تحليل الغازات المذابة ( )DGAوتقنيات التعلم الآلي لتصنيف أعطال المحولات. تعتمد المنهجية على استخراج خصائص قائمة على النِّسب والخصائص البيانية من بيانات تحليل الغازات المذابة، يلي ذلك تطبيق تطبيع Z-scoreوتقليل الأبعاد باستخدام تقنية التضمين العشوائي الموزع t-SNEللحصول على تمثيل مدمج وغني بالمعلومات للخصائص المستخرجة. بعد ذلك، يتم تقييم الخصائص المختزلة باستخدام خوارزميات تصنيف خاضعة للإشراف. ويتم تقييم أداء النماذج اعتمادًا على عدة مؤشرات، تشمل الدقة ( ،)Accuracyوالإحكام ( ،)Precisionوالاسترجاع ( ،)Recallودرجة ،F1والنوعية ( .)Specificityوتشير النتائج إلى أن دمج الخصائص غير المتجانسة المستخرجة من بيانات DGAضمن إطار موحد يُحسن من متانة وموثوقية تشخيص أعطال المحولات، مما يبرز إمكانات الأساليب الذكية المعتمدة على البيانات في مراقبة الحالة ودعم قرارات الصيانة في أنظمة الطاقة الحديثة