La mayoría de los analizadores de gas juzgan las fallas del transformador a través del análisis de gas disuelto en aceite (dga). su precisión no es fija. afectada por factores como el método de análisis, el rendimiento del instrumento y las especificaciones de funcionamiento, la precisión de los métodos tradicionales es de alrededor del 80% al 86%. la precisión del esquema de optimización con Algoritmos inteligentes se puede aumentar a más del 95%, y algunos modelos de optimización incluso están cerca del 100%. las diferencias específicas son las siguientes:
Métodos de análisis tradicionales: el método tradicional de tres relaciones, el método de relación Rogers y otros métodos que dependen de la relación de concentración de gas para juzgar la falla, debido a los defectos de codificación incompleta y límite absoluto, la precisión es limitada. Entre ellos, la precisión del método de tres relaciones es de aproximadamente 86,32%; Los primeros métodos de diagnóstico basados en modelos simples tuvieron un peor desempeño, como un modelo básico basado en máquinas vectoriales de soporte (máquinas vectoriales de soporte), la precisión general del diagnóstico de fallas fue de solo 90%, y la tasa de identificación de transformadores de fallas fue de solo 80%.
Método de optimización con algoritmos inteligentes: con la integración de algoritmos y tecnología de detección, la precisión ha mejorado considerablemente. Al igual que el esquema que combina la media k evolutiva con el submodelo experto, la precisión en la base de datos iectc10 alcanza el 98,29%; El sistema de diagnóstico inteligente con algoritmos forestales aleatorios incrustados tiene una precisión de identificación de fallas típicas de 32 modos de falla en 6 categorías ≥ 98,5%; También hay un sistema de razonamiento difuso basado en características de correlación de gases característicos, que alcanza una precisión del 100% en la prueba de datos de tiempo de falla específico; La precisión de la detección también se puede aumentar al 95% cuando el cromatógrafo de gases se combina con la comparación automática digital y la tecnología de reconocimiento inteligente.
Otros métodos de optimización de modelos: algunos modelos personalizados optimizados por optimización de características y optimización de algoritmos también tienen un excelente desempeño. Por ejemplo, el modelo ao - RF basado en el algoritmo de optimización de Chacal dorado para optimizar las características y el algoritmo de Águila celestial para optimizar los bosques aleatorios puede mejorar la precisión del diagnóstico entre un 1,84% y un 15,86% en comparación con los modelos comunes de radiofrecuencia y svm; Por su parte, el modelo basado en redes bayesianas y pruebas de hipótesis tiene una precisión máxima de diagnóstico del 88,9%, aunque es inferior a algunos modelos algorítmicos superiores, todavía mejora significativamente en comparación con los métodos tradicionales.
Sin embargo, la precisión anterior es el resultado de condiciones ideales. en la aplicación práctica, si hay problemas como el muestreo irregular, la vibración del transporte de muestras de aceite que conduce a la dispersión del gas y la pureza insuficiente del gas portador, puede causar alrededor del 23,7% de casos de juicio erróneo, lo que reducirá significativamente la precisión del juicio final de falla.