摘要:预测变压器潜伏性故障对评估其健康状态至关重要。本文提出一种新型变压器故障预测方法，首先以LSTM网络为载体搭建时间注意力机制预测框架，并采用IALO算法优化其参数；其次利用优化的模型预测变压器油中溶解气体；然后采用MPA算法优化的SVM模型对气体预测结果进行故障诊断；最后统计诊断结果并与实际运行状态对比验证模型。实验结果显示在第42-58天内运行状态异常次数最多为29次，未来两个月内运行异常几率为86.89%，其中中温过热故障占比最高为88.67%，与实际情况误差仅为2.46%和1.29%，预测结果与实际运行情况符合较高，证明了所提方法在准确预测变压器运行状态异常时间点和故障类型中的可行性。

摘要:为提高变压器故障诊断的准确率及可靠性，提出了基于MPC(modification of the PC,简称MPC)算法优化贝叶斯网络的变压器故障诊断方法，对变压器故障诊断技术进行了研究。首先，根据油中溶解气体分析，采用无编码比值法提取油浸式变压器的9维故障特征，并对数据样本进行归一化处理；其次，以归一化的训练样本作为输入建立基于贝叶斯网络的故障诊断模型，采用MPC算法对贝叶斯网络模型进行优化；最后，利用测试样本对故障诊断模型进行测试。为了证明所提出方法的优越性，将本文研究方法与现有故障诊断方法进行了对比。结果表明，所提出方法的诊断正确率更高，诊断效果更好。