高国磊，李英娜，段效琛，李 川

(昆明理工大学 信息与自动化学院，云南 昆明 650500)

随着国民经济和我国电力工业的快速持续发展，社会上各行各业对电力的需求不断增加。近几年来，我国高压及特高压级别的变压器发生故障的频率越来越高，虽然我国在变压器监测与维修领域的技术有了明显提高，但是整体上仍有不足[1]。因此，加强变压器日常监测与维护，深入研究故障的预防性实验，才能有效提高对变压器各类故障的预防、修复能力。由此可见，使用合理有效的变压器故障诊断方法，对变压器状态的监测以及变压器故障诊断有着重要的实际意义[2]。

目前基于油中溶解气体分析技术(Dissolved Gases Analysis，DGA)的变压器故障诊断研究主要有传统诊断法和智能诊断法两类[3]。文献[4]采用入模糊理论来构造变压器状态诊断模型，存在编码涵盖范围小、不可扩展等不足。文献[5]建立了可增扩新规则的专家系统，提出可扩展的油中溶解气体成分的变压器故障诊断专家系统，但是训练样本少，分类准确率不高。文献[6]提出支持向量机、粗糙集和属性约简集选择的变压器故障诊断模型，但忽视了局部放电性故障。文献[7]提出利用微分进化优化神经网络,但是模型训练时间长，需要样本量大。

针对DGA技术在变压器故障诊断中的需求与应用，在分析传统故障诊断方法以及人工智能故障诊断方法存在不足的基础上，通过改进的核主元分析方法(Kernel Principal Component Analysis，KPCA)剔除异常离群值，利用蚁群……