油浸式变压器广泛应用于上海电网220千伏及以上变电站中,它利用变压器油作为绝缘和冷却介质,通过电磁感应原理将高压电网中的高电压转化为满足工农业生产条件的低电压,是变电站中最重要电气设备。随着变压器内部绝缘逐渐损耗,绝缘油中碳氢化合物发生分解,分解后的离子重新组合成气体并溶解于变压器油中,当损耗积累到一定程度后可能会导致变压器发生内部故障、绝缘击穿等严重后果,造成电网大面积停电事故。传统的变压器故障诊断技术主要为三比值法或改良三比值法。该方法需要定期对变压器绝缘油进行取样,并通过油色谱分析技术分析绝缘油中溶解的特征气体含量和比值进行故障判断。由于无人站的运行管理模式,变压器取油样周期一般为三个月到一年时间,这就造成变压器故障诊断周期过长,诊断结果存在滞后性,对于发展型缺陷无法及时识别和跟踪等问题。近年来,变压器油色谱在线监测技术的广泛应用扩充了油中溶解气体数据样本,为基于机器学习算法的变压器故障诊断提供了可能。鉴于这种情况,本文研究了基于机器学习算法的变压器故障诊断技术,分别用逻辑回归算法、支持向量机算法和极限梯度提升(XGBoost)算法对变压器油中溶解气体进行了建模和仿真,并比较了各自的算法性能。由于工程现场获得的油中溶解气体数据均为无标签样本,且同一台变压器一段时间内气体变化不明显,常规的逻辑回归算法、支持向量机算法容易出现过拟合等问题,无法很好地完成分类任务。XGBoost算法通过不断对误差进行二次分类来改善系统的训练准确率,仿真实验的性能明显优于常规的机器学习算法,适用于变压器故障诊断场景。因此,综合考虑仿真实验结果,将XGBoost算法与国网设备(资产)运维精益管理系统相结合,开发了一套基于机器学习算法的变压器故障诊断系统,并在上海超高压电网进行了推广应用。系统试运行期间,成功发现多起变压器内部故障隐患,保证了电网的安全稳定运行。