Enhancing power transformer fault diagnosis through integration of dissolved gas analysis and artificial intelligence techniques

Abstract

Fault diagnosis and monitoring of oil-immersed power transformers are among the most important factors for ensuring their reliable and continuous operation. One of the most widely used techniques is Dissolved Gas Analysis (DGA), which analyzes gases dissolved in transformer oil to detect incipient faults. However, conventional DGA methods often suffer from overlapping fault zones and reduced diagnostic accuracy in certain cases. This research proposes an advanced framework based on integrating Artificial Intelligence (AI), Machine Learning (ML), and optimization algorithms to improve fault diagnosis accuracy and overcome the limitations of traditional techniques. The proposed approach evaluates dissolved gas ratios and combines them with decision tree–based algorithms to enhance performance and classification efficiency. Several conventional gas ratio analysis techniques were employed, including: CIGRE Ratio Method, ETRA Ratio Method, Doernenburg Ratio Method, Hyosung Cooperation Ratio Method, Tree Ratio Technique, IEC Ratio Method To select the most relevant features, the Incremental Wrapper Subset Evaluation technique was applied. In addition, Sequential Forward Selection was integrated to progressively evaluate feature subsets in order to improve classification performance and reduce model complexity. Ensemble learning techniques such as Bagging and Boosting were also utilized to enhance prediction accuracy and robustness. Furthermore, optimization algorithms were employed to identify the most suitable fault classification model based on conventional ratio data. Each algorithm was evaluated independently and compared using several performance metrics, including Accuracy, Recall, Precision, Specificity, and the Confusion Matrix, which contributed to improving prediction capability and identifying faults more effectively. The optimization algorithms investigated in this study include: AdaBoost, Gradient Boosting, Random Forest The results demonstrated that integrating Artificial Intelligence techniques with traditional dissolved gas analysis methods significantly improves fault diagnosis accuracy and provides a practical and effective framework for predictive maintenance and fault monitoring in electrical power transforme "يُعدّ تشخيص الأعطال ومراقبة محولات الطاقة المغمورة بالزيت من أهم العوامل لضمان تشغيلها الموثوق والمستمر. ومن أكثر التقنيات استخدامًا تحليل الغازات المذابة (DGA)، الذي يحلل الغازات المذابة في زيت المحولات للكشف عن الأعطال في بدايتها. مع ذلك، غالبًا ما تعاني طرق تحليل الغازات المذابة التقليدية من تداخل مناطق الأعطال وانخفاض دقة التشخيص في بعض الحالات.

يقترح هذا البحث إطار عمل متطورًا قائمًا على دمج الذكاء الاصطناعي والتعلم الآلي وخوارزميات التحسين لتحسين دقة تشخيص الأعطال والتغلب على قيود التقنيات التقليدية. يُقيّم النهج المقترح نسب الغازات المذابة ويجمعها مع خوارزميات قائمة على شجرة القرار لتعزيز الأداء وكفاءة التصنيف.

استُخدمت عدة تقنيات تقليدية لتحليل نسب الغازات، منها:

طريقة نسبة CIGRE، وطريقة نسبة ETRA، وطريقة نسبة Doernenburg، وطريقة نسبة Hyosung Cooperation، وتقنية نسبة الشجرة، وطريقة نسبة IEC. لاختيار السمات الأكثر صلة، طُبقت تقنية التقييم التدريجي لمجموعة فرعية من التغليف. بالإضافة إلى ذلك، تم دمج خوارزمية الاختيار الأمامي المتسلسل لتقييم مجموعات فرعية من الميزات تدريجيًا بهدف تحسين أداء التصنيف وتقليل تعقيد النموذج. كما استُخدمت تقنيات التعلم الجماعي، مثل التجميع والتعزيز، لتعزيز دقة التنبؤ وقوته.

علاوة على ذلك، استُخدمت خوارزميات التحسين لتحديد نموذج تصنيف الأعطال الأنسب بناءً على بيانات النسب التقليدية. تم تقييم كل خوارزمية على حدة ومقارنتها باستخدام عدة مقاييس للأداء، بما في ذلك الدقة، والاستدعاء، والضبط، والنوعية، ومصفوفة الارتباك، مما ساهم في تحسين قدرة التنبؤ وتحديد الأعطال بفعالية أكبر.

تشمل خوارزميات التحسين التي تم بحثها في هذه الدراسة: AdaBoost، والتعزيز التدريجي، والغابة العشوائية.

أظهرت النتائج أن دمج تقنيات الذكاء الاصطناعي مع طرق تحليل الغازات المذابة التقليدية يُحسّن بشكل كبير دقة تشخيص الأعطال، ويوفر إطارًا عمليًا وفعالًا للصيانة التنبؤية ومراقبة الأعطال في محولات الطاقة الكهربائية."