张弛，吴东，王伟，刘力卿，谢军

(1.国网天津市电力公司电力科学研究院，天津100084； 2. 国网天津市电力公司设备管理部，天津100084；3.华北电力大学电力工程系，河北 保定071003)

0 引言

电力变压器是电力系统的关键设备。然而，受设计、制造及运行状态等影响，变压器异常或故障状态时有发生，影响电力系统安全稳定运行。对变压器运行状态进行准确监测，并实现变压器故障高效诊断，对提高电力系统运行可靠性具有重要意义。

油中溶解气体分析(dissolved gas-in-oil analysis, DGA)是实现变压器故障诊断的可靠方法之一[1]。以DGA为基础，形成了比值法[2 - 3]、人工智能和机器学习法等多种变压器故障诊断方法。比值法通过分析特征气体比值关系实现变压器故障诊断，其代表方法包括三比值法、改良三比值法等。比值法操作简单，但存在着编码不全及边界过于绝对等缺点，影响了故障诊断效果。为此，人工智能及机器学习技术在变压器故障诊断中得到了普遍应用。目前常用方法主要包括专家系统法[4]、模糊理论法[5]、人工神经网络(artificial neural network，ANN)法[6 - 7]、支持向量机(support vector machine, SVM)法[8]等。然而，专家系统法受先验知识的影响较大；模糊理论法的特征学习能力有限，且针对不同故障类型的适用能力差别较大；ANN方法易陷入局部最优，且模型泛化能力较差，难以满足实际变压器故障诊断复杂需求。SVM方法需多个分类器，参数设置过于复杂，且经核函数变化后，故障特征空间仍存在混杂可能。

传统基于人工智能及机器学习的变压器故障诊断方法本质上仍为浅层学习，特征挖掘能力有限。……