O analisador de gás avalia a falha do transformador por meio da análise de gás dissolvido em óleo (DGA), sua precisão não é um valor fixo, afetado por fatores como o método de análise, o desempenho do instrumento e as especificações operacionais, a precisão dos métodos tradicionais é de cerca de 80% -86%, a precisão do esquema de otimização com algoritmos inteligentes pode ser melhorada para mais de 95%, alguns modelos de otimização até perto de 100%, as diferenças específicas são as seguintes:
Métodos de análise tradicionais: o método tradicional de proporção tripla, o método de proporção de Rogers, etc., dependem da proporção de concentração de gás para julgar a falha, devido à existência de defeitos como a codificação incompleta e a determinação do limite absoluto, a taxa de precisão é limitada. A taxa de precisão é de cerca de 86,32%; Os primeiros métodos de diagnóstico baseados em modelos simples são piores, como um modelo básico baseado em máquinas vetoriais de suporte (SVM), onde a precisão geral de diagnóstico de falhas é de apenas 90% e a taxa de reconhecimento de falhas do transformador é de apenas 80%.
Metodologia otimizada com algoritmos inteligentes: à medida que os algoritmos se combinam com a tecnologia de detecção, a precisão aumenta significativamente. Programas como a combinação da média k evolutiva com submodelos especializados, com uma precisão de 98,29% no banco de dados IECTC10; Sistema de diagnóstico inteligente com algoritmo florestal aleatório incorporado, taxa de precisão típica de identificação de falhas ≥98,5% para 6 grandes categorias e 32 padrões de falhas; Há também um sistema de raciocínio vago baseado nas características de associação de gases característicos, no teste de dados de sequência temporal de falhas específicas, a taxa de precisão atinge 100%; Quando o cromatografo de gás combina a comparação automática digital com a tecnologia de reconhecimento inteligente, a precisão da detecção também aumenta até 95%.
Outros métodos de otimização do modelo: Alguns modelos personalizados, otimizados por características e algoritmos, também apresentam excelente desempenho. Por exemplo, o modelo AO-RF com base nas características preferidas do algoritmo de otimização do chacal de ouro combinado com o algoritmo Sky Eagle para otimizar florestas aleatórias, em comparação com os modelos comuns de RF, SVM e outros, a precisão do diagnóstico pode ser melhorada em 1,84% -15,86%; Os modelos baseados em redes Bayesianas e testes de hipóteses têm uma precisão máxima de diagnóstico de 88,9%, o que, embora seja inferior a alguns modelos de algoritmos de topo, ainda apresenta melhorias significativas em comparação com os métodos tradicionais.
No entanto, a taxa de precisão acima é o resultado das condições ideais, na aplicação prática, se houver uma amostragem irregular, vibrações de transporte de amostras de óleo causando a fuga de gás, pureza insuficiente do gás transportador e outros problemas, pode causar cerca de 23,7% de erros de julgamento, reduzirá significativamente a taxa de precisão da decisão final de falha.