唐勇波， 桂卫华， 彭涛

(1．中南大学信息科学与工程学院，湖南长沙 410083;2．宜春学院物理科学与工程技术学院，江西宜春 336000)

电力变压器是电力系统中最重要的设备之一，油中溶解气体分析(dissolved gas analysis，DGA)是电力系统诊断充油电气设备早期潜伏性故障的重要方法。油中气体浓度预测是对用气相色谱法定期检测气体浓度的十分重要且必要的补充，能够提供全面的、重要的、及时的DGA信息，应用这些信息可以保持变压器运行的可靠性［1－3］。

目前，变压器的油中气体浓度预测主要采用灰色模型(grey model，GM)及其改进形式［1－4］。GM在建模时只考虑某种气体的发展变化，缺乏对多种气体的统一考虑，进行预测时难以取得满意的拟合效果。灰色多变量模型(multivariable grey model，MGM)同时考虑了各特征气体的发展变化，取得较好的效果。然而，灰色模型的预测精度一般随数列自身规律的变化而变化，在数列有确定性趋势时预测效果较好，否则预测效果较差［5］。支持向量机(support vector machine，SVM)［6－7］对数据序列分布没有要求，克服了灰色模型的不足，它建立在统计学习理论和结构风险最小化原理基础上，通过结构风险最小化原理来提高泛化能力，不易发生过拟合现象，但SVM的训练需要求解二次规划问题，影响了计算速度。最小二乘支持向量机(least squares support vector machine，LSSVM)［8－9］利用最小二乘法的方法将SVM的学习转化为求解线性方程组问题，提高了学习速度。但是，LSSVM的建模精度过于依赖核函数及其参数的选择。在不同的应用场合，核函数的性能表现差别很大，且核函数的构造或选择至今没有完善的理论依据［10］。……