High-Performance Incipient Fault Classification of Transformer with Modified Optimized Artificial Data Integration

Dieses Kapitel untersucht die Entwicklung und Validierung eines leistungsstarken maschinellen Lernmodells für die Klassifizierung beginnender Fehler im Transformator. Die Studie konzentriert sich auf die Integration eines grafischen 4GM-Algorithmus mit einem KNN-Klassifikator, der durch künstliche Datenerzeugungstechniken erweitert wird. Zu den zentralen Themen zählen die Identifizierung von Transformatorenfehlern auf der Grundlage von Lösungsgasanalysen, die Herausforderungen traditioneller Diagnosemethoden und die Vorteile maschineller Lernansätze. Die Forschung zeigt signifikante Verbesserungen bei der Genauigkeit der Fehlerklassifizierung, insbesondere bei Teilentladungen (PD), Niedrigenergieentladungen (D1) und thermischen Fehlern (T1 + T2). Die Studie vergleicht die vorgeschlagene Methode auch mit bestehenden Ansätzen und zeigt ihre überlegene Leistung und Effizienz auf. Durch die Behebung von Datenungleichgewichten und die Verfeinerung des Prozesses der künstlichen Datengenerierung erreicht das Modell eine Gesamtgenauigkeit von 85,35%, was es zu einem wertvollen Werkzeug für proaktive Wartung und Langlebigkeit des Transformators macht.