Influence of Data Balancing on Transformer DGA Fault Classification With Machine Learning Algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The application of artificial intelligence algorithms for transformer incipient fault classification using dissolved gas analysis (DGA) is an interesting engineering approach. However, there are various factors that affect the performance of artificial intelligence algorithms. This article presents the influence of the data balancing approach on transformer DGA fault classification with the machine learning (ML) approach. In this work, a total of 4580 DGA samples from in-service transformers are considered for training various ML models. The main challenge for the DGA problem lies in the availability of the normal degradation transformer data and its uniformity corresponding to different faults is almost impossible. This is because DGA is not an exact science, but an empirical approach subjects to variability. Thus, it is a usual practice to apply data sampling techniques that largely influence the efficiency of the algorithms. The present work reports the impact of the data balancing schemes on the performance of the fault classification and demonstrates that a careful choice of the data sampling method and ML algorithm is essential for DGA problems. To demonstrate the global scale ability of the propose model, the model is tested on the IEC TC ten data (field inspection data), while these data are not exposed to the machine during the learning stage. The ability of the ADASYN method in significant enhancement of the global scale capability of AI-based transformer DGA fault classification is reported. This approach will be helpful for condition monitoring engineers in transformer insulation diagnosis in implementing the monitoring modules for large transformer fleets and understanding the insulation oil behavior over years.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle