Analyseur de gaz à travers l'analyse du gaz dissous dans l'huile (DGA) pour juger de la défaillance du transformateur, sa précision n'est pas une valeur fixe, influencée par des facteurs tels que la méthode d'analyse, la performance de l'instrument et les spécifications opérationnelles, la précision de la méthode traditionnelle est d'environ 80% - 86%, la précision du schéma d'optimisation avec l'algorithme intelligent peut être augmentée à plus de 95%, une partie du modèle d'optimisation est même proche de 100%, les différences spécifiques sont les suivantes:
Méthodes d'analyse traditionnelles: méthode traditionnelle à trois rapports, méthode de rapport de Rogers et autres méthodes de jugement des défauts en fonction du rapport de concentration de gaz, en raison de défauts tels que le codage incomplet, les limites de décision absolues et autres, la précision est limitée. Où l'exactitude de la méthode à trois ratios est d'environ 86,32%; Et les diagnostics antérieurs basés sur des modèles simples sont moins performants, comme un modèle de base basé sur une machine à vecteur de support (SVM), avec une précision globale de diagnostic de seulement 90% et un taux d'identification du transformateur défectueux de seulement 80%.
Une approche optimisée avec des algorithmes intelligents: la précision augmente considérablement à mesure que les algorithmes fusionnent avec la technologie de détection. Un schéma comme Evolution K - means combiné avec un sous - modèle expert, avec une précision de 98,29% sur la base de données iectc10; Système de diagnostic intelligent avec algorithme forestier aléatoire intégré, précision d'identification des défauts typiques ≥ 98,5% pour 32 modes de défaillance dans 6 grandes catégories; Il existe également un système d'inférence floue construit à partir des caractéristiques de l'Association de gaz caractéristique, avec une précision encore plus grande de 100% dans les tests de données temporelles de défaillance spécifiques; Lorsque le chromatographe en phase gazeuse combine l'alignement automatique numérique avec la technologie d'identification intelligente, la précision de la détection peut également atteindre 95%.
Autres méthodes d'optimisation des modèles: certains modèles personnalisés optimisés pour les caractéristiques et les algorithmes ont également d'excellentes performances. Par exemple, basé sur l'algorithme d'optimisation du chacal d'or, la quantité caractéristique préférée et l'algorithme Skyhawk optimisent le modèle ao - RF de la forêt aléatoire, par rapport aux modèles RF, SVM et autres, la précision du diagnostic peut être améliorée de 1,84% - 15,86%; Les modèles basés sur les réseaux bayésiens et les tests d'hypothèse ont montré une précision diagnostique maximale de 88,9%, bien que inférieure à certains modèles algorithmiques de pointe, mais une amélioration significative par rapport aux méthodes traditionnelles.
Cependant, la précision ci - dessus est le résultat de conditions idéales, dans l'application pratique, s'il y a des irrégularités dans l'échantillonnage, des vibrations dans le transport d'échantillons d'huile entraînant une fuite de gaz, une pureté insuffisante du gaz porteur, etc., peut causer environ 23,7% des cas d'erreur de calcul, ce qui réduira considérablement la précision du jugement final.