熊卫红，张宏志，谢志成，韩雄辉,李正天,林湘宁

(1. 国家电网公司华中分部，湖北 武汉 430077；2. 华中科技大学 电气与电子工程学院 强电磁工程与新技术国家重点实验室，湖北 武汉 430074；3. 广东省电力公司梅州供电局，广东 梅州 514021)

0 引言

变压器作为电网枢纽设备之一，其正常运行是电力系统安全、可靠、优质、经济运行的重要保证。一旦变压器发生故障，将会导致系统供电中断，极大地影响工农业生产和人民的正常生活。另外，变压器的造价十分昂贵、结构复杂，若因故障而损坏，其检修难度大、时间长，将不可避免地导致严重的经济损失。因此，准确、可靠地发现变压器潜在的故障隐患，可以为及时制定合理的检修计划提供指导，避免变压器故障的发生，从而提高设备运行可靠性[1-2]。

针对变压器等电网枢纽设备的故障风险评估，国内外公认的有效方法有改良三比值法、Rogers法、Domerburg法等[3-4]。这些方法都是利用变压器油中溶解气体的比值进行编码，由编码结果查找对应的故障类型。然而，从实际应用来看，这些方法均存在“编码盲点”的问题。为此，国内外学者引入人工智能算法对故障样本进行学习，挖掘故障特征，进而形成知识库对变压器故障风险进行评估。常用的方法包括灰色理论、模糊理论、神经网络、Petri网、粗糙理论、支持向量机、Bayesian网络、证据理论等[5-11]。然而，由于设备状态数据(包括在线监测、带电检测、预防性试验数据等)具有体量大、类型繁多的特点，这些方法都存在一定的不足。……