LiveZilla Live Chat Software

Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Combining and comparing different machine learning algorithms to improve dissolved gas analysis interpretation

El Amine Mohammed, Brahami Mostefa et Fofana Issouf. (2018). Combining and comparing different machine learning algorithms to improve dissolved gas analysis interpretation. IET Generation, Transmission & Distribution, 12, (15), p. 3673-3679.

Le texte intégral n'est pas disponible pour ce document.

URL officielle: https://dx.doi.org/doi:10.1049/iet-gtd.2018.0059

Résumé

Since the discovery of dissolved gas analysis (DGA), it is considered as a leading technique for the diagnosis of liquid insulated power equipment. However, accurate analysis results can only be achieved if the measured gases closely reflect the actual equipment condition to enable an appropriate interpretation of these gases. In general, conventional techniques such as the ratio method, key gases, and Duval triangle combined or not with artificial intelligence techniques such as machine-learning algorithms are used for DGA interpretation. Here, four well-known machine-learning algorithms are compared in terms of DGA fault classification – Bayes network, multilayer perceptron, k-nearest neighbour, and J48 decision tree. Moreover, the effect of applying ensemble methods such as boosting through the Adaboost algorithm and bootstrap aggregation (bagging) is analysed, and the performances of these algorithms are evaluated. The data for developing classification models was transformed into three forms, other than the raw data. The obtained results clearly presented the efficiency and stability of some algorithms such as the J48 tree and Bayes networks for DGA fault classification, in particular, when the data is appropriately pre-processed. Moreover, the performance of these algorithms was found to consistently improve by integrating the concepts of multiple models or ensemble methods.

Type de document:Article publié dans une revue avec comité d'évaluation
Volume:12
Numéro:15
Pages:p. 3673-3679
Version évaluée par les pairs:Oui
Date:28 Août 2018
Sujets:Sciences naturelles et génie > Génie
Sciences naturelles et génie > Génie > Génie électrique et génie électronique
Sciences naturelles et génie > Sciences appliquées
Département, module, service et unité de recherche:Départements et modules > Département des sciences appliquées > Module d'ingénierie
Unités de recherche > Centre international de recherche sur le givrage atmosphérique et l’ingénierie des réseaux électriques (CENGIVRE) > Vieillissement de l’appareillage installé sur les lignes à haute tension (ViAHT)
Mots-clés:Bayes methods, power engineering computing, pattern classification, decision trees, transformer oil, fault diagnosis, chemical engineering computing, multilayer perceptrons, nearest neighbour methods, méthodes de Bayes, calcul de l'ingénierie énergétique, classification des modèles, arbres de décision, huile de transformateur, diagnostic de pannes, calcul du génie chimique, perceptrons multicouches, méthodes du plus proche voisin
Déposé le:22 juin 2021 19:31
Dernière modification:22 juin 2021 19:31
Afficher les statistiques de telechargements

Éditer le document (administrateurs uniquement)

Creative Commons LicenseSauf indication contraire, les documents archivés dans Constellation sont rendus disponibles selon les termes de la licence Creative Commons "Paternité, pas d'utilisation commerciale, pas de modification" 2.5 Canada.

Bibliothèque Paul-Émile-Boulet, UQAC
555, boulevard de l'Université
Chicoutimi (Québec)  CANADA G7H 2B1
418 545-5011, poste 5630