，，，

(东北电力大学电气工程学院，吉林 吉林 132012)

1 引言

电力变压器作为电力系统中的关键设备，其运行状况直接影响整个系统的安全稳定运行[1]。变压器内部结构复杂、故障类型众多，如何及时准确地辨识电力变压器的潜伏性故障，一直是输变电领域的研究热点[2]。目前，变压器油中溶解气体分析法(dissolved gas analysis，DGA)是电力变压器诊断内部故障性质的重要方法[3]。基于DGA的常用诊断方法为IEC的三比值法、改良电协研法等传统诊断方法[4]，上述方法在实际应用中存在编码不全、编码边界绝对化等缺点[5]。

近年来，国内外学者将人工神经网络(ANN)[6]、灰色理论[7]、专家系统[8]和支持向量机(SVM)[9]等人工智能算法引入到变压器故障诊断领域。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[9-12]。文献[10]利用PSO算法对LS-SVM诊断模型的参数进行优化，利用优化后的LS-SVM模型进行变压器故障判断。文献[11]利用SVM构建了变压器故障组合预测模型，并与多种预测方法进行比较，结果表明上述模型提高了诊断的精度。文献[12]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。

本文提出一种基于MCPO模型的变压器故障诊断方法，模型的输入为DGA数据和变压器故障类型，输出为发生每种类型故障的概率估计。……