随着国民经济的不断增长,能源需求也日益增长,对电网的安全稳定性提出了更高要求。电力系统设备中变压器是电网中重要的电气设备,变压器故障预测和智能预警可以降低变压器故障的概率,是保证系统正常运行、进行维修的基础。变压器常见故障如过热性故障、局部放电、火花放电和电弧放电发生时,会产生多种气体;油中气体分析法(Dissolved Gas-in-oil Analysis,DGA)是一种有效的检测变压器故障的方法,根据其数据结果,结合IEEE和IEC导则等传统方法可对变压器的故障状态和故障类型做出诊断。包括三比值法在内的传统故障诊断与智能预警方法的经验积累对该课题研究有着重要的作用。随着人工智能技术的快速发展和变压器数据采集的全面覆盖,越来越多的机器学习算法在变压器故障诊断中发挥作用。本文针对单一变压器故障数据稀缺和常见人工智能方法实现复杂、难以结合传统方法的特点,提出一种基于数据驱动的装袋法决策树变压器故障智能预警方法:收集不同变压器设备故障数据库建立预警数据库,并将故障发生前故障设备的历史检测数据已经出现部分异常或异常趋势的数据一并标记为需产生预警信号数据进行训练,利用装袋法决策树学习数据库并生成判断系统,辅以特征筛选折衷、系统参数优化、K折交叉验证。当系统判断实时油色谱数据异常时,即时发出警报提出预警,并继续结合决策树及传统三比值法为系统决策提供依据。同时,针对提出模型中的监测量,提出一种基于NARX神经网络的改良监测量预测模型,对油中气体分析法的监测量的未来数值进行实时预测,将全部预测值同步输入提出的故障预警及诊断模型可进一步保障变压器系统未来的安全稳定性。提出方案扩大了故障库的规模,充分发挥人工智能算法的优势,学习故障发生前故障设备的历史检测数据中已经出现部分异常或异常趋势的数据的规则,扩大预警范围,预警潜在故障。训练好的模型可转换为逻辑判断语句实现,较其他人工智能算法无需算法库支持,实现难度小,并可方便结合包括三比值法在内的传统故障预警与诊断方法。基于变电站真实故障数据测试,提出方案预警准确率及故障诊断率较其他常见模型如神经网络、K-近邻(KNN)、支持向量机(SVM)、线性判别分析和logistic回归分析等更高;提出的监测量预测模型较传统NARX神经网络模型及其他预测模型如支持向量机(SVM)、回归树、线性回归、高斯过程回归模型等误差更小,两者结合进而提高变压器系统的运行稳定性。