용해가스 분석 및 기계 학습 알고리즘을 통한 전력 변압기 고장 분류: 체계적인 문헌 검토

전력 시스템에서 발전소에서 배전 변전소에 이르기까지 전력 변압기는 전력을 신뢰할 수 있게 전송하는 데 중요한 역할을 합니다. 시간이 지남에 따라 운영 요구사항 및 기타 다양한 요인으로 인해 변압기는 신뢰성과 수명을 위협하는 고장에 취약해집니다. 이러한 문제를 해결하기 위해 용해가스 분석(DGA) 방법과 같은 다양한 변압기 고장 진단 방법이 고장의 상태를 감지하고 모니터링하는 데 사용됩니다. 본 논문에서는 기계 학습 알고리즘을 DGA 기반 변압기 고장 분류에 적용하기 위한 현재 연구 작업을 기록하고 검토하기 위해 체계적인 문헌 검토(SLR)를 PRISMA 프레임워크를 사용하여 수행했습니다. 이 연구는 이 연구 분야에서 탐색해야 할 잠재적인 문헌 및 방법론의 격차를 평가하고 식별하는 것을 목적으로 합니다. 문헌 평가에서는 2014년부터 2024년 사이에 발표된 총 124개의 논문을 개발된 PRISMA 프레임워크를 사용하여 조사했습니다. 조사 결과 DGA를 이용한 변압기 고장 분류를 위해 수행된 연구의 대부분이 서포트 벡터 머신(32%), 인공 신경망(17%), k-최근접 이웃(12%) 알고리즘을 사용하고 있음을 보여줍니다. 또한, 이 조사는 기계 학습 알고리즘을 사용하는 DGA 기반 변압기 고장 진단의 최전선에 있는 국가들을 보여줍니다. 더불어, 조사 결과 대다수의 연구가 SVM 및 ANN과 같은 기법의 정확성 향상에 중점을 두는 고장 진단과 관련되어 있음을 보여줍니다. 동시에, 정밀도, 평균 제곱 오차 및 R-제곱과 같은 다른 주요 지표에 대한 노력은 제한적이며, 현재 조사된 작업들은 제안된 모델의 과적합 및 과소적합을 방지하기 위한 정규화 기법을 탐색하지 않고 있습니다.