Interpreting dissolved gases in transformer oil: A new method based on the analysis of labelled fault data
Notice bibliographique
Résumé
Abstract In this contribution, a new dissolved gas analysis (DGA) method combining key gases and ratio approaches for power transformer fault diagnostic is presented. It is based on studying subsets and uses the five main hydrocarbon gases including hydrogen (H 2 ), methane (CH 4 ), ethane (C 2 H 6 ), ethylene (C 2 H 4 ), and acetylene (C 2 H 2 ). The proposed method uses 475 samples from the dataset divided into subsets formed from the maximum and minimum(s) concentrations of the whole dataset. It has been tested on 117 DGA sample data and validated on the International Electrotechnical Commission (IEC) TC10 database. The performance of the proposed diagnostic method was evaluated and compared with the following diagnostic methods: IEC ratios method, Duval's triangle (DT), three ratios technique (TRT), Gouda's triangle (GT), and self‐organizing map (SOM) clusters. The results found were analysed by computer simulations using MATLAB software. The proposed method has a diagnosis accuracy of 97.42% for fault types, as compared to 93.16% of TRT, 96.58% of GT method, 97.25% of SOM clusters method and 98.29% of DT method. However, in terms of fault severity, the proposed method has a diagnostic accuracy of 90.59% as compared to 78.90% of SOM clusters method, 83.76% of TRT, 88.03% of DT method, and 89.74% of GT method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».