霍 浩，马天龙，李宁瑞，康 超，赵立宇，孙 伟

（国网甘肃省电力公司超高压公司，兰州 730070）

电力变压器在电网中承担着至关重要的作用[1]。目前，绝大多数变压器为油浸式变压器，当变压器内部出现故障时，绝缘油将受热分解产生H2、CH4、C2H6、C2H4和C2H2等气体[2]。因此，溶解气体分析DGA（dissolved gas analysis）是油浸式变压器运行状态分析与故障诊断的重要手段[3]。依据DGA结果准确判断变压器状态是电网安全稳定运行的重要保障[4]。

传统的故障诊断方法包括关键气体法、Rogers比值法、Dornenburg比值法、IEC比值法、Duval三角形法等[5]。然而，这些方法存在过度依赖主观知识、边界固定等问题，故障诊断准确率较低。近年来，人工智能方法凭借其强大的非线性表示能力，为变压器故障诊断提供了新思路[6]。目前应用于变压器故障诊断的人工智能方法主要分为支持向量机SVM（support vector machine）与神经网络两大类。

SVM方法根据超平面切割的思想，基于核函数实现非线性分类，已在变压器故障辨识领域取得了较好的效果[7]。SVM方法的辨识准确度与超参数高度相关，因此学者们提出了多种方法进行SVM超参数寻优。例如麻雀搜索[8]和磷虾群[9]等多种启发式智能算法均被用于搜索SVM 的惩罚因子、核参数、集成算法的分类器权重等。同时，SVM方法对输入特征类型的选择较为敏感，为进一步提高SVM模型的诊断精度，有学者提出了基于随机森林的多特征优选方法[10]，从气体成分百分比、气体比值等多特征中进行寻优。考虑到数据集可能存在各类样本数量不平衡的问题，文献[11]提出了基于托梅克链接移除核自适应样本合成的方法，对原始数据进行去噪处理，提高了故障诊断精度。……