DIAGNOSTIC DES DÉFAUTS DANS LES TRANSFORMATEURS DE PUISSANCE PAR ANALYSE DES GAZ DISSOUDÉS RÉÉCHANTILLONNÉS ET APPRENTISSAGE AUTOMATIQUE
DOI :
https://doi.org/10.59277/RRST-EE.2026.2.13Mots-clés :
Transformateur de puissance, Échantillonnage hybride, Machine à vecteurs de support (SMVM), Analyse des gaz dissous (AGD), Jeu de données déséquilibréRésumé
Le diagnostic des défauts des transformateurs de puissance est essentiel pour garantir leur fiabilité opérationnelle et minimiser les temps d'arrêt pour maintenance. Cet article présente un cadre d'apprentissage automatique hybride qui exploite des techniques avancées de rééchantillonnage et d'optimisation pour améliorer la précision de la classification des défauts à partir de l'analyse des gaz dissous (AGD). Pour pallier le déséquilibre des classes au sein de l'ensemble de données, des méthodes de rééchantillonnage, telles que SMOTE-ENN et ADASYN, sont utilisées. Trois classificateurs, à savoir la machine à vecteurs de support non linéaire (NLSVM), l'analyse discriminante linéaire (LDA) et les réseaux de neurones artificiels (ANN), sont évalués. L'optimisation des hyperparamètres est réalisée à l'aide de la fonction d'optimisation basée sur le gradient (GFO) et de l'optimisation par les lucioles (FFO). Parmi eux, le NLSVM optimisé par FFO, combiné à SMOTE-ENN, a obtenu les meilleures performances, avec un taux de reconnaissance de 98,7 %. Les résultats, validés par des matrices de confusion et une analyse ROC, démontrent la robustesse de l'approche proposée. Ce cadre constitue un outil efficace et fiable pour la maintenance conditionnelle, permettant d’identifier avec précision des défauts multiclasse dans les transformateurs de puissance.
Références
(1) A. Christina, M.A. Salam, Q.M. Rahman, F. Wen, S.P. Ang, W. Voon, Causes of transformer failures and diagnostic methods – A review, Renew. Sustain. Energy Rev., 82, pp. 1442–1456 (2017).
(2) A. Moeini, M. Dabbaghjamanesh, T. Dragičević, J.W. Kimball, J. Zhang, Machine learning technique for low-frequency modulation techniques in power converters, Control of Power Electronic Converters and Systems, Academic Press, pp. 149–167 (2021).
(3) Y. Wang, X. Zeng, Z. Dong, Y. Huang, Novel protection scheme of stator single-phase-to-ground fault for power formers, Int. J. Electr. Power Energy Syst., 53, pp. 321–328 (2013).
(4) J. Zhao, Y. Xu, F. Luo, Z. Dong, Y. Peng, Power system fault diagnosis based on history-driven differential evolution and stochastic time domain simulation, Inf. Sci., 275, pp. 13–29 (2014).
(5) L. Wang, X. Zhao, J. Pei, G. Tang, Transformer fault diagnosis using continuous sparse autoencoder, SpringerPlus, 5, 1, pp. 1–10 (2016).
(6) J. Dai, H. Song, G. Sheng, X. Jiang, Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network, IEEE Trans. Dielectr. Electr. Insul., 24, 5, pp. 2828–2835 (2017).
(7) S. Kim, S.H. Jo, W. Kim, J. Park, J. Jeong, Y. Han et al., A semi-supervised autoencoder with an auxiliary task (SAAT) for power transformer fault diagnosis using dissolved gas analysis, IEEE Access, 8, pp. 178295–178310 (2020).
(8) Y. Cui, H. Ma, T. Saha, Improvement of power transformer insulation diagnosis using oil characteristics data preprocessed by SMOTEBoost technique, IEEE Trans. Dielectr. Electr. Insul., 21, 5, pp. 2363–2373 (2014).
(9) G. Du, J. Zhang, M. Jiang, J. Long, Y. Lin, S. Li et al., Graph-based class-imbalance learning with label enhancement, IEEE Trans. Neural Netw. Learn. Syst., pp. 1–12 (2021).
(10) M. Koziarski, M. Woźniak, B. Krawczyk, Combined cleaning and resampling algorithm for multi-class imbalanced data with label noise, Knowl.-Based Syst., 204, pp. 1–12 (2020).
(11) S.M.A. Lopes, R.A. Flauzino, R.A.C. Altafim, Incipient fault diagnosis in power transformers by data-driven models with an over-sampled dataset, Electr. Power Syst. Res., 201, pp. 1–10 (2021).
(12) H.A. Illias, W.Z. Liang, Identification of transformer fault based on dissolved gas analysis using hybrid support vector machine-modified evolutionary particle swarm optimization, PLoS ONE, 13, 1, pp. 1–18 (2018).
(13) E. Li, L. Wang, B. Song, Fault diagnosis of power transformers with membership degree, IEEE Access, 7, pp. 28791–28798 (2019).
(14) S.I. Ibrahim, S.S.M. Ghoneim, I.B.M. Taha, DGALab: An extensible software implementation for DGA, IET Gener. Transm. Distrib., 12, 18, pp. 4117–4124 (2018).
(15) B. Zeng, J. Guo, W. Zhu, Z. Xiao, F. Yuan, S. Huang, A transformer fault diagnosis model based on hybrid grey wolf optimizer and LS-SVM, Energies, 12, 21, pp. 1–10 (2019).
(16) G. Lv, H. Cheng, H. Zhai, L. Dong, Fault diagnosis of power transformer based on multi-layer SVM classifier, Electric Power Systems Research, 75, 1, pp. 9–15 (2005).
(17) M.S. Kraiem, F. Sánchez-Hernández, M.N. Moreno-García, Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties. An approach based on association models, Appl. Sci., 11, pp. 1–15 (2021).
(18) P. Babu, C. Columbus, S.R. Lakshmi, J. Chithambaram, Wind turbine fault modeling and classification using cuckoo-optimized modular neural networks, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 369–374 (2023).
(19) A. Saidi, A. Draoui, T. Abdelouahed, Fault detection and diagnosis in photovoltaic power systems using Fisher random matrix approach, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 4, pp. 513–518 (2025).
(20) K. Guerraiche, A.B. Abbou, L. Dekhici, Intelligent fault detection and location in electrical high-voltage transmission lines, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 3, pp. 269–276 (2024).
(21) S. Saravanan, R.S. Kumar, P. Balakumar, Binary firefly algorithm-based reconfiguration for maximum power extraction under partial shading and machine learning approach for fault detection in solar PV arrays, Appl. Soft Comput., 154, pp. 1–15 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
