变压器是电力传输系统中的核心设备之一,维持变压器正常运行对保障电力资源的正常输送具有十分重要的意义。变压器顶层油温过高是造成变压器故障的主要因素之一。传统的变压器油温故障诊断技术包括热路模型、油色谱分析等。但由于其设备成本高昂、技术操作繁杂、参数设置复杂等原因,导致难以进行大规模推广。近年来,使用机器学习对油浸式变压器油温进行预测,然后基于算法预测油温值对变压器油温异常故障进行诊断,是机器学习在电网应用中的热门方向。但是,由于油浸式变压器数据中往往存在概念漂移的现象。油温数据中的概念漂移将会使得算法预测油温误差变大,进而使得算法进行油温异常故障诊断的可靠性降低。为了解决上述问题,文本提出了两种基于概念漂移的变压器油温预测算法。算法一:基于固定窗口的变压器油温预测算法。算法二:基于动态窗口机制的变压器油温预测算法。上述两种算法均能适应油温工况数据中的概念漂移,使得算法具有良好的油温预测精度。在此基础上,提出了一种油温异常故障诊断方法,该方法能够对不同的变压器潜在的油温异常故障缺陷进行分类,并对不同类型的故障缺陷进行处理。相关内容归纳如下:油温预测算法一:以回归树为算法中的基学习器,采用集成算法框架构建算法一。其主要思想是:1、在油温预测过程中,如果算法的基学习器油温预测性能较差,则使用最新的汕温数据对基学习器进行更新,从而使得更新后的基学习器能够适应油温工况数据中的概念漂移。2、采用权重更新以及竞争策略对算法油温预测的性能进行优化。油温预测算法二:以回归树为算法中的基学习器,采用集成算法框架构建算法二。其主要思想是:1、设定两个决策阈值α和β,其中1>α>β>0。在预测过程中,若基学习器预测准确率低于阈值α,则更新基学习器的模型训练集;若基学习器油温预测的准确率低于阈值β,则使用对应的模型训练集更新基学习器,从而使算法适应汕温工况数据中的概念漂移。2、采用权重更新以及竞争策略对算法油温预测的性能进行优化。油温异常故障诊断方法:利用油温算法预测的油温值与系统传感器油温之间的数值差异。通过总结电力行业专家的经验,得出了一套变压器油温故障诊断逻辑规则。该规则实现了对变压器油温异常故障的提前预警,可以同时对不同类型的变压器油温异常故障进行分析和诊断,具有良好的实用推广性。