基于深度学习的变压器油中溶解气体故障诊断与寿命预测方法

摘要

变压器作为电力系统核心设备，其运行可靠性直接关系电网安全。油中溶解气体分析（DGA）是早期故障诊断的关键手段，但传统方法在多故障耦合、微弱特征识别及剩余寿命量化方面存在显著局限。本研究构建一种端到端深度学习框架，融合图卷积网络与门控时序卷积，实现从原始DGA数据到故障类型判别、严重程度分级及剩余寿命区间预测的联合建模。通过217台现场运行变压器三年实测数据验证，故障分类准确率达98.3%，五级严重度评估Kappa系数为0.91，寿命预测平均绝对误差控制在4.2个月以内。结果表明，该方法显著提升诊断鲁棒性与预测可解释性，为状态检修决策提供高置信度量化支撑。