Dissolved gas analysis in insulating oil is a popular method for monitoring the condition of oil-immersed transformers. International standards organizations and researchers have developed many methods such as Doernenburg ratio, Roger ratio, IEC ratio, Duval triangle, and Duval pentagon to diagnose faults based on the composition of combustible gases produced in insulating oil: H2, CH4, C2H4, C2H6, C2H2, CO, and CO2[1]. However, these methods have certain limitations, reducing the reliability of the diagnosis results. To overcome this, the authors applied the FastTreeOva machine learning model, developed by Microsoft, to predict potential failures in transformers. Using the ML.NET Framework and FastTree regression technique, this model achieved a prediction accuracy of 99.5%. Combined with the database from the transformers on the Central and Central Highlands power grids from 2002 to present, the software "DGA DIAGNOSTIC TOOL" was built to support analysis and diagnosis.Phân tích khí hòa tan trong dầu cách điện là phương pháp phổ biến để theo dõi tình trạng máy biến áp (MBA) ngâm dầu. Các tổ chức tiêu chuẩn quốc tế và các nhà nghiên cứu đã phát triển nhiều phương pháp như: phương pháp tỷ lệ Doernenburg, tỷ lệ Roger, tỷ lệ IEC, tam giác Duval, và ngũ giác Duval để chẩn đoán lỗi dựa trên thành phần khí cháy sinh ra trong dầu cách điện: H 2 , CH 4 , C 2 H 4 , C 2 H 6 , C 2 H 2 , CO và CO 2 [1]. Tuy nhiên, các phương pháp này có những hạn chế nhất định, làm giảm độ tin cậy của kết quả chẩn đoán. Để khắc phục, nhóm tác giả đã ứng dụng mô hình máy học FastTreeOva, phát triển bởi Microsoft, để dự đoán sự cố tiềm ẩn trong MBA. Sử dụng ML.NET Framework và kỹ thuật hồi quy FastTree, mô hình này đạt độ chính xác dự đoán 99,5%. Kết hợp với cơ sở dữ liệu từ các MBA trên lưới điện miền Trung và Tây Nguyên từ năm 2002 đến nay, xây dựng phần mềm “DGA DIAGNOSTIC TOOL” để hỗ trợ phân tích và chẩn đoán.