Bài báo đề xuất mô hình mạng Bayes (Bayesian Network) cho chẩn đoán lỗi máy biến áp lực dựa trên phân tích khí hòa tan (DGA), nhằm khắc phục hạn chế của các phương pháp truyền thống trong việc xử lý sự không chắc chắn của dữ liệu. Mô hình được xây dựng trên phần mềm GeNIe Academic với 500 mẫu tổng hợp bằng phương pháp Monte Carlo theo phân phối lognormal chuẩn IEC 60599, cấu trúc mạng học tự động bằng thuật toán PC và tham số ước lượng qua thuật toán EM, kiểm chứng bằng K-fold (K=10). Kết quả đạt độ chính xác tổng thể 83,2%. Đặc biệt, mô hình đạt độ chính xác 98,82% với AUC = 0,9968 đối với lỗi phóng điện năng lượng cao (D2). Ba đóng góp chính: (1) học cấu trúc tự động kết hợp kiểm chứng tính tương thích vật lý theo IEC 60599; (2) chuẩn hóa ngưỡng rời rạc hóa hoàn toàn dựa trên IEC 60599; (3) đánh giá hiệu suất theo từng lớp lỗi kèm ROC và AUC riêng biệt, cung cấp cơ sở định lượng cho bảo dưỡng dựa trên tình trạng.
This paper proposes a Bayesian Network (BN) model for power transformer fault diagnosis based on Dissolved Gas Analysis (DGA), addressing the limitations of conventional methods in handling data uncertainty. The model uses GeNIe Academic software, 500 Monte Carlo-synthesized samples drawn from lognormal distributions calibrated to IEC 60599, automated structure learning via the PC algorithm, EM-based parameter estimation, and 10-fold cross-validation. The BN achieves an overall accuracy of 83.2%. Notably, it attains an accuracy of 98.82% with an AUC of 0.9968 for highenergy discharge faults (D2). Three key contributions are made: (1) automated PCalgorithm structure learning with IEC 60599 physical validation; (2) fully IEC 60599- based discretization thresholds ensuring reproducibility; and (3) per-class ROC/AUC evaluation providing a quantitative basis for condition-based maintenance.