دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 16 2 2025 06 22 Internal Fault Diagnosis in Power Transformers Using Dissolved Gas Analysis and Deep Learning Technique تشخیص خطای داخلی در ترانسفورماتورهای قدرت با روش تحلیل گازهای محلول در روغن ترانسفورماتور و تکنیک یادگیری عمیق 83 100 29968 10.22108/isee.2025.145040.1734 FA محسن کریمان مجد دانشجوی مقطع دکتری، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران محسن نیاستی دانشیار، دانشکدۀ مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران Journal Article 2025 05 01 The most common method for detecting internal faults in power transformers is the dissolved gas analysis (DGA) technique. The application of deep learning approaches in analyzing dissolved gases in oil faces challenges related to the scarcity of reliable labeled datasets, leading to overfitting and limited generalizability of these methods within the DGA domain. To address this issue, this study proposes the use of a large volume of synthetic DGA data for training deep models. A synthetic DGA database is generated by applying a Gaussian copula-based probabilistic function to the limited standard IEC TC 10 dataset, resulting in a semi-standard, extensive, labeled synthetic DGA database. Subsequently, various statistical and technical methods are employed to verify the similarity between the generated synthetic database and the original dataset. The deep convolutional neural network (CNN) model is then trained using this synthetic data. The outcome of this research introduces a hybrid model combining a deep convolutional neural network with a long short-term memory (LSTM) network for internal fault detection in transformers, trained on the semi-standard IEC TC 10 dataset. The model achieved a training accuracy of 95% and a testing accuracy of 93.3%. رایج ترین روش تشخیص خطای داخلی در ترانسفورماتورهای قدرت، تحلیل گازهای محلول در روغن می باشد. استفاده از روش های یادگیری عمیق در تحلیل گازهای محلول در روغن با مشکل کمبود داده برچسب دار معتبر مواجه می باشد که باعث ایجاد بیش برازش و عدم قابلیت عمومی سازی این روش ها در حوزه DGA می گردد. برای حل این مشکل در تحقیق حاضر، استفاده از داده های مصنوعی پرتعداد DGA جهت آموزش مدل عمیق پیشنهاد شده است. برای تولید پایگاه داده مصنوعی DGA، تابع احتمالاتی کاپولای گوسی بر روی پایگاه داده کم تعداد استاندارد IEC TC 10 پیاده سازی شده و یک پایگاه داده مصنوعی DGA برچسب دار شبه استاندارد و پرتعداد تولید می گردد. سپس یا استفاده از روش های مختلف آماری و فنی، شباهت پایگاه داده مصنوعی تولیدی با پایگاه داده اصلی ثابت شده و مدل عمیق کانولوشنی توسط داده های مصنوعی مذکور آموزش می بیند. نتیجه این تحقیق، معرفی یک مدل ترکیبی شبکه عمیق کانولوشنی با شبکه بازگشتی از نوع حافظه طولانی کوتاه مدت جهت تشخیص خطای داخلی ترانسفورماتور است که با پایگاه داده شبه استاندارد IEC TC 10 آموزش دیده است. دقت آموزش مدل برابر 95% و دقت تست مدل برابر 93.3% بدست آمده است. https://isee.ui.ac.ir/article_29968_8fba3f8923d4dd6d6eb0b30c300000c6.pdf