A Stairway Statistical Neural Model for DGA Analysis
Este trabalho propõe uma nova abordagem para análise de gás dissolvido (DGA) em transformadores de potência, utilizando técnicas de Aprendizado de Máquina Estatística e Redes Neurais para compor um modelo de progressivo que realiza análises em três níveis a fim de verificar a existência de falhas e qual o seu tipo mais provável. A abordagem proposta contorna o problema da falta de dados confiáveis relacionados ao tipo de falha, criando um modelo com três níveis de análise. O primeiro usa dados reais de uma empresa de energia e de dados IEC TC 10 para classificar as amostras DGA como defeituosas ou normais. Depois disso, um segundo baseado apenas no IEC TC 10 ocorre para classificar três possíveis tipos de falha. O terceiro nível é usado para classificar 5 tipos de falhas em uma análise mais detalhada. Os níveis propostos do modelo atingiram uma precisão no conjunto de teste de 100%, 94% e 92% respectivamente.
A Stairway Statistical Neural Model for DGA Analysis
-
DOI: 10.22533/at.ed.73421220223
-
Palavras-chave: Transformador; Manutenção Baseada na Condição; Predição de Falhas; Análise de Gases Dissolvidos no Óleo Isolante; Redes Neurais
-
Keywords: Power Transformer; Condition Based Maintenance; Fault Prediction; Dissolved Gas Analysis; Neural Network; Classification
-
Abstract:
This paper proposes a new approach for power transformers dissolved gas analysis (DGA) using Statistical Machine Learning Techniques and Neural Networks to compose a stairway model which performs analysis in three levels in order to check the existence of faults and which type it most probably is. The proposed approach shortcuts the problem of lacking reliable data related to the type of fault creating a model with three levels of analysis. The first one uses real data from an energy company and from IEC TC 10 data to classify the DGA samples as faulty or normal. After that, a second one based just on IEC TC 10 takes place to classify three possible types of the fault. The third level is used to classify 5 types of fault in a more detailed analysis. The proposed levels of the model achieved an accuracy in the test set of1 00 %, 94 % and 92 % respectively.
-
Número de páginas: 15
- Gabriel De Souza Pereira Gomes
- Mateus Batista De Morais
- Rafael Prux Fehlberg
- Murilo Marques Pinto
- Arthur Franklim Marques de Campos
- Marcos Eduardo Guerra Alves
- Rogério Andrade Flauzino
- Daniel Carrijo Polonio Araujo
