Prediksi Kegagalan Transformator Daya dengan Metode DGA(Dissolved Gas Analysis) Menggunakan Random Forest Berbasis TDCG

Abstract

Transformator adalah komponen penting, dan deteksi dini potensi kegagalan memainkan peran penting dalam pengoperasian sistem tenaga listrik yang andal. Artikel ini menjelaskan pendekatan baru untuk prediksi kegagalan transformator daya berdasarkan analisis gas terlarut (DGA) dengan menerapkan metode TDCG dengan algoritma Random Forest. Data DGA dari trafo operasional digunakan untuk melatih dan menguji model prediktif. Metode random forest berdasarkan TDCG memungkinkan analisis komprehensif terhadap perubahan gas terlarut dalam minyak transformator, sehingga memungkinkan deteksi dini kondisi kegagalan. Hasil percobaan menunjukkan bahwa model prediksi menggunakan model yang dibuat dengan menerapkan hyperparameter tuning untuk penyetelan parameter yang di optimal agar mempunyai akurasi yang tinggi, akurasi didapatkan mencapai 96% dalam mendeteksi potensi kegagalan, standar yang digunakan untuk presentasi akurasi menggunakan confusion matrix sebagai keakuratan model prediksi . Selain itu, dapat mengoptimalkan efisiensi waktu dalam menganalisis kegagalan dan mencegah terjadinya human error pada saat perhitungan identifikasi fault gas atau potensi kegagalan.

Transformers are critical components, and early detection of potential failures plays an important role in the reliable operation of the power system. This article describes a novel approach for power transformer failure prediction based on dissolved gas analysis (DGA) by applying the TDCG method with Random Forest algorithm. DGA data from operational transformers are used to train and test the predictive model. The Random Forest method based on TDCG enables comprehensive analysis of dissolved gas changes in transformer oil, thus enabling early detection of failure conditions. Experimental results show that the predictive model using the model created by applying hyperparameter tuning for optimal parameter tuning to have high accuracy, the accuracy obtained reaches 96% in detecting potential failures, the standard used for accuracy presentation uses confusion matrix as the accuracy of the predictive model. In addition, it can optimize time efficiency in analyzing failures and prevent human error when calculating gas fault identification or potential failures.