周海阳 赵振刚 于 虹 李英娜 张家洪 张大骋

（1.昆明理工大学信息工程与自动化学院；2.云南电网有限责任公司电力科学研究院）

我国电力水平在日益提高，泛在电力物联网也在不断发展、完善，因此实现对电力变压器的准确可靠监控显得尤为重要［1］。 油色谱在线监测装置被广泛用于油浸式变压器，使用行业中认可的油中溶解气体分析 （Dissolved Gas Analysis，DGA）方法作为主要的监测手段，该方法已成为带电检测项目中应用最广泛、 最有效的一种方法。 基于DGA 数据诊断的核心思想是根据油中气体组分含量确定故障类型。

变压器在运行中由于受到电应力、热应力和机械应力的影响发生异常， 导致变压器油分解，产 生H2、CH4、C2H4、C2H6和C2H2这 些 典 型 气 体。传统的变压器诊断方法主要利用图表查询方式，常见的有IEC 三比值、Rogers 比值及Duval 三角等［2～5］。 由于存在编码方式有缺失，划分结果依赖阈值等情况，传统的诊断方法误诊率较高，已经逐步沦为辅助手段。 电力变压器结构复杂，故障类型较多。 支持向量机是针对二分类问题提出的，在多分类方面存在不足之处［6］。神经网络模型对小样本问题的分类效果并不是很理想，需要较多样本数据才能取得较好的效果，而变压器故障样本数量一般较少，此外神经网络存在收敛速度慢、容易陷入局部最优值等问题［7］。利用集成学习的方法主要有随机森林（Random Forest，RF）和梯度提升树（Gradient Boosting Decision Tree，GBDT）两大分支。 RF 是用决策树作为其基学习器，通过减小方差来提高预测精度，但处理噪声较大的分类问题时容易过拟合，文献［8］利用集成学习的思想建立RF 模型， 克服了单分类器的局限性， 并提高了分类器的分类预测能力。……