李鹤健，徐肖伟，王 科，赵勇军，吴世浙，刘可真

(1. 云南电网有限责任公司 大理供电局，云南 大理 671000； 2. 云南电网有限责任公司 电力科学研究院，云南 昆明 650217；3. 云南电力技术有限责任公司，云南 昆明 650217； 4. 昆明理工大学 电力工程学院，云南 昆明 650500)

0 引 言

电力系统已发展成为跨区域的互联大电网，变压器作为网络的能量转换枢纽，一旦发生故障将严重影响电网的稳定运行[1].通过油中溶解气体分析(Dissolved Gas Analysis，DGA)可以辨识变压器内外部潜伏性故障及其发展态势[2]，是电力行业公认的一种诊断变压器故障的可行方法.因此，DGA数据作为变压器最直观、有效的特征参量，可为诊断变压器状态提供依据[3].

以变压器油中气体特征为基础，至今为止，研究人员提出了不少故障诊断方法，主要包括两种：其一为传统诊断方法，例如IEC三比值法、Rogers四比值法、无编码比值法等，这些比值判别法操作简单，但时常表现出编码不完善、故障界限区分绝对化等缺陷[4]；其二是以油中溶解气体浓度比值或组分占比为特征参量挖掘的机器学习模型，常用的有人工神经网络[5]、支持向量机[6]、相关向量机[7]以及优化其参数的混合模型[8]等.这些机器学习方法有限地提升了故障诊断正确率，取得了一定成效，然而也存在一定缺陷.比如：神经网络训练时间长、容易陷入局部极值点，难以获得全局最优解；支持向量机对核函数选取不敏感，需组合多个二分类器才能解决多分类情况，难以取得更为精确的分类效果；……