油浸式变压器是最为广泛使用的变压器,其顶层油温状态研究具有重要的生产和研究价值。当前的顶层油温异常相关技术,具有设备成本高昂,技术操作复杂且难以推广的特点。本文根据国网变压器油温异常标注不足的数据现状,提出了一种新型的两阶段油温异常预警策略。其中:第一阶段为基于半监督学习的顶层油温异常标注,第二阶段为基于LSTM循环神经网络的油温异常预警算法。相关研究归纳如下。第一阶段:首先采用k-means算法寻找油温无标签训练集的不同工况聚类;然后根据油温异常标注阈值对油温无标签训练集各个聚类类簇下的各个油温区间的数据进行油温异常标注;其次基于规则抽取与实际应用需要,将进行异常标注后的油温训练集中引入随机森林模型,训练后可获得油温异常判定决策规则及油温异常分类器;最后将模型在人工标注测试集中进行测试,如果达到指定准确率加召回率的要求则达到了目标,否则通过阈值优化算法优化阈值并重新进行标注和测试。第二阶段:首先将第一阶段标注了异常标签的油温训练集经过数据集转换算法获得训练数据集,并导入到LSTM循环神经网络模型;依靠隐藏层的特征提取和LSTM循环神经网络具有学习长短期依赖知识的能力,进而完成模型的训练;最后利用训练完成的模型便可以进行油温异常预测。由于LSTM循环神经网络具有学习长短期依赖知识的能力,在油温异常预测场景中使用LSTM循环神经网络的预测效果相比传统的数据挖掘方法更好。本文通过多角度对比实验对提出的相关算法进行了验证,证明了其有效性和可行性。同时本文方案在S市的油浸式变压器中投入生产实测,进一步证明了上述方案的可行性和有效性。本文基于半监督学习,同时使用了有标签和无标签的样本,降低了样本标注的代价且取得了不错的效果。同时不需要额外的检测设备,可适用于不同类型的变压器,具有良好的可推广性。