Improving the Reliability of Dissolved Gas Analysis (DGA) Diagnostics Through Consideration of Measurement Device Uncertainty
Notice bibliographique
Résumé
During operation, due to an unforeseen circumstance, an in-service transformer could experience some faults, which could be of electrical or thermal origin. Transformers diagnostic and monitoring through dissolved gas analysis (DGAs) is an imperative way for sustainable and reliable power distribution. This method is used in the early detection of faults in liquid-filled power systems. In this contribution, a novel approach integrating uncertainty into DGA for power transformers is proposed. By modifying traditional empirical methods like Duval’s Triangle and Duval’s Pentagon to include uncertainty, this study demonstrates how these modifications affect fault diagnostics. The results indicate that incorporating the gas chromatograph’s uncertainty enhances diagnostic accuracy for IEC, Rogers, and Doernenburg methods, improving effective fault detection. Additionally, artificial intelligence (AI) models such as random forest (RF), MLP, and support vector machine (SVM), trained with probabilities (PRs) derived from the modified methods, show significant improvements in diagnostic performance. These models demonstrated increased robustness against different levels of uncertainty, achieving 87.76% accuracy for the RF model and 86.73% for the SVM model with a 30% uncertainty level on the IEC TC10 Database. Therefore, the incorporation of the Gas chromatograph’s uncertainty in DGA diagnostic methods appears to be a promising approach to support transformer monitoring and fault diagnostic both for transformer owners and the producer.
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 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 | 0,002 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».