王鹤，姜鸿儒，王振丁

(1. 东北电力大学，吉林 吉林 132012； 2. 国网山东省电力公司黄岛供电公司，山东 青岛 266000)

0 引 言

电力变压器作为电力系统中能量转换、传输的核心，能否快速、准确地诊断出变压器故障，直接影响系统的安全、稳定运行[1-2]。我国目前已有较多变压器在长期运行过程中出现绝缘老化、材质劣化等故障隐患，这将导致发生事故的概率不断增加[3]。由此有必要采取合理的方法来及时的发现变压器潜伏性故障，进而预防和降低事故发生的概率[4]。

目前，变压器油中溶解气体分析法(Dissolved Gas Analysis，DGA)已成为诊断和检测变压器内部故障性质的重要方法[5]。基于DGA已形成了IEC推荐的三比值法、Rogers法等传统诊断方法[6-7]。随着人工智能技术的发展，国内外学者将人工神经网络 (ANN)[6]、贝叶斯分类器[8]、极限学习机(ELM)[9]和支持向量机(SVM)[10]等人工智能算法引入到变压器故障诊断领域，为电力变压器故障诊断技术的发展提供了新思路。其中，支持向量机因所需训练样本数据少、泛化能力强等优点广泛应用于变压器故障诊断中[11-12]。文献[12]利用布谷鸟算法对SVM的参数进行寻优，利用优化后的SVM模型进行变压器故障判断。文献[13]利用建立的快速相关向量机多层次分类模型减少了模型的训练时间，并利用量子粒子群算法优化了模型参数，提高了诊断的精度。文献[14]利用多核学习向量机将模型分解为2个凸优问题进行求解，降低了计算复杂度。以上基于SVM的智能算法最终均是以故障类型作为诊断的结果，但是考虑到变压器结构复杂，故障现象与故障特征间存在着模糊性，其仍存在误诊断问题。……