Electrical utilities apply condition monitoring on power transformers (PTs) to prevent unplanned outages and detect incipient faults. This monitoring is often done using dissolved gas analysis (DGA) coupled with engineering methods to interpret the data, however the obtained results lack accuracy and reproducibility. In order to improve accuracy, various advanced analytical methods have been proposed in the literature. Nonetheless, these methods are often hard to interpret by the decision-maker and require a substantial amount of failure records to be trained. In the context of the PTs, failure data quality is recurrently questionable, and failure records are scarce when compared to nonfailure records. This work tackles these challenges by proposing a novel unsupervised methodology for diagnosing PT condition. Differently from the supervised approaches in the literature, our method does not require the labeling of DGA records and incorporates a visual representation of the results in a 2D scatter plot to assist in interpretation. A modified clustering technique is used to classify the condition of different PTs using historical DGA data. Finally, well-known engineering methods are applied to interpret each of the obtained clusters. The approach was validated using data from two different real-world data sets provided by a generation company and a distribution system operator. The results highlight the advantages of the proposed approach and outperformed engineering methods (from IEC and IEEE standards) and companies legacy method. The approach was also validated on the public IEC TC10 database, showing the capability to achieve comparable accuracy with supervised learning methods from the literature. As a result of the methodology performance, both companies are currently using it in their daily DGA diagnosis.

中文翻译：

---

一种电力变压器故障诊断的无监督方法

电力公司对电力变压器 (PT) 进行状态监测，以防止意外停电并检测早期故障。这种监测通常使用溶解气体分析 (DGA) 结合工程方法来解释数据，但是获得的结果缺乏准确性和可重复性。为了提高准确性，文献中提出了各种先进的分析方法。尽管如此，这些方法通常很难被决策者解释，并且需要训练大量的故障记录。在 PT 的背景下，故障数据质量经常受到质疑，与非故障记录相比，故障记录很少。这项工作通过提出一种用于诊断 PT 状况的新型无监督方法来解决这些挑战。与文献中的监督方法不同，我们的方法不需要标记 DGA 记录，并且在二维散点图中结合了结果的视觉表示以帮助解释。改进的聚类技术用于使用历史 DGA 数据对不同 PT 的条件进行分类。最后，应用众所周知的工程方法来解释每个获得的集群。该方法使用来自发电公司和配电系统运营商提供的两个不同真实世界数据集的数据进行了验证。结果突出了所提出方法的优势，并优于工程方法（来自 IEC 和 IEEE 标准）和公司 我们的方法不需要标记 DGA 记录，并在二维散点图中结合了结果的可视化表示，以帮助解释。改进的聚类技术用于使用历史 DGA 数据对不同 PT 的条件进行分类。最后，应用众所周知的工程方法来解释每个获得的集群。该方法使用来自发电公司和配电系统运营商提供的两个不同真实世界数据集的数据进行了验证。结果突出了所提出方法的优势，并优于工程方法（来自 IEC 和 IEEE 标准）和公司 我们的方法不需要标记 DGA 记录，并在二维散点图中结合了结果的可视化表示，以帮助解释。改进的聚类技术用于使用历史 DGA 数据对不同 PT 的条件进行分类。最后，应用众所周知的工程方法来解释每个获得的集群。该方法使用来自发电公司和配电系统运营商提供的两个不同真实世界数据集的数据进行了验证。结果突出了所提出方法的优势，并优于工程方法（来自 IEC 和 IEEE 标准）和公司 应用众所周知的工程方法来解释每个获得的集群。该方法使用来自发电公司和配电系统运营商提供的两个不同真实世界数据集的数据进行了验证。结果突出了所提出方法的优势，并优于工程方法（来自 IEC 和 IEEE 标准）和公司 应用众所周知的工程方法来解释每个获得的集群。该方法使用来自发电公司和配电系统运营商提供的两个不同真实世界数据集的数据进行了验证。结果突出了所提出方法的优势，并优于工程方法（来自 IEC 和 IEEE 标准）和公司遗留方法。该方法还在公共 IEC TC10 数据库上得到了验证，显示了使用文献中的监督学习方法实现可比精度的能力。由于该方法的性能，两家公司目前都在其日常 DGA 诊断中使用它。