张彼德，梅 婷，王 涛

（西华大学 电气与电子信息学院，四川 成都610039）

0 引言

作为电力系统中最为核心的设备，电力变压器对整个系统的安全稳定运行起着举足轻重的作用［1］。因此，有必要对变压器的运行状态进行监控，及时诊断出变压器的潜伏性故障，解决系统安全隐患［2］。在变压器故障诊断技术之中，油中溶解气体分析（Dissolved Gas Analysis，DGA）是最为有效也最常用的一种［3］。DGA 技术实时性强，效果直观，且对于发现变压器内部潜伏性故障具有显著效果，已成为变压器故障诊断中最为方便有效的方法之一［4-5］。近年来，人工智能在变压器故障诊断领域得到了广泛应用，各分类模型也发挥了良好的分类效果。常用的分类模型有k 近邻（K-Nearest Neighbor，KNN）［6-8］、人 工 神 经 网 络（ANN）［9-11］、支 持 向 量 机（SVM）［12-14］、贝 叶 斯 网络［15-17］、模糊理论［18-19］等，其中，KNN算法由于其简单有效、易于实现、适用性强等特点而得到了广泛研究。

KNN 算法是由Cover 等人提出的经典分类算法之一，被广泛应用于文本分类［20-21］、人脸识别［22-23］、故障诊断［24-25］等领域之中。传统KNN 算法首先寻找训练样本中与待测样本距离最近的k 个样本点，并统计所有近邻样本的类别，最后将出现次数最多的类别作为待测样本的类别。然而，传统KNN算法也有一些不足之处，主要包括以下几个方面。首先，KNN 作为一种懒惰算法，在特征维数较高时会使得计算量较大；其次，近邻个数k 为固定取值，在实际应用中k 值难以确定，且在样本分布不均时对k进行固定取值并不科学；并且，KNN算法在判定待测样本类别时对所有近邻点施加相同的权重，未考虑样本分布带来的影响。……