IEEE Transactions on Power Delivery期刊2022年6月第37卷第3期刊载了题为《Early Warning of Incipient Faults for Power Transformer Based on DGA Using a Two-Stage Feature Extraction Technique》的研究论文。该研究由来自中国国防科技大学、东南大学、香港理工大学、国网浙江省电力有限公司及其下属单位的联合团队完成，通讯作者为Hong Cai Chen（东南大学自动化学院）。研究得到国家电网公司科技项目（5500-202019090A-0-0-00）资助。

本研究针对电力变压器故障预警这一电力系统可靠性维护的关键问题，基于油中溶解气体分析（DGA, Dissolved Gas Analysis）技术，提出了一种创新的两阶段特征提取方法。在电力设备监测领域，传统DGA诊断方法（如Rogers比值法、Duval三角法等）依赖经验阈值导致准确性受限，而现有人工智能算法多聚焦于故障类型识别而非早期预警。针对这一研究空白，团队首次系统探索了变压器”亚健康状态”（sub-health status）的特征提取问题，旨在故障发生前约100天实现预警，为预防性维护决策提供科学依据。

研究方法采用创新的两阶段架构（如图1所示），核心技术流程包含特征生成、非参数检验特征排序和遗传编程（GP, Genetic Programming）逻辑合成三个关键环节。第一阶段处理原始DGA数据（含8种气体浓度及衍生54维特征），通过Wilcoxon秩和检验筛选出15个关键特征（如表III所示），继而采用GP算法优化特征组合，最终获得4个核心特征；第二阶段引入滑动窗口计算特征增长率（公式8），重新标注数据状态（公式9）后再次进行特征提取，最终建立预警逻辑表达式（如公式10）。研究采用留一交叉验证法，在国网浙江电网提供的8组变压器全生命周期数据（6组过热故障、2组局部放电故障）上验证，平均提前114天（过热）和89天（局部放电）发出预警。

研究结果显现三大创新价值：首先，首次构建了变压器亚健康状态特征体系，通过两阶段处理解决了故障样本失衡（正常:警告≈100:1）的行业难题，将特征维度从108维降至6维；其次，开发了基于累积分布函数的自适应阈值确定方法（公式6），相比传统固定阈值法准确率提升40%以上；最重要的是，该方法突破了现有预警技术对气体浓度单调增长假设的局限（如图8所示），能有效识别非单调变化模式。对比实验显示，相较差异化预警规则（DWR）和动态故障预测（DFP）方法（如表VIII所示），本方法在全部测试案例中实现零误报，且在局部放电预警方面具有独特优势。

从方法论角度看，该研究做出三项重要贡献：(1) 将非参数统计检验与进化计算相结合，开发了具有95%置信度的特征选择流程（如图9所示）；(2) 提出基于滑动窗口的动态增长率计算方法（图5），解决了时间序列数据分析的时延问题；(3) 构建可解释的逻辑表达式预警规则（如公式10所示），克服了传统AI算法的”黑箱”局限。实际应用中，该方法在浙江电网的变压器监测系统验证显示，可减少30%以上的非计划停运，具有显著的工程应用价值。

该研究的突出亮点体现在：在数据处理层面，创新采用两阶段策略分别处理”正常-故障”（样本比5:1）和”正常-预警”（样本比100:1）数据，通过分级降低维度破解了机器学习中的样本失衡难题；在算法层面，改进的遗传编程配置（表II）配合敏感度/特异度（SS）适应度函数（公式7），使模型收敛速度提升300%（图7）；在应用层面，所提取特征具有跨变压器型号的泛化能力，这得益于对IEC和IEEE标准中多种气体关联特征的系统性挖掘（如相对含量、比值等54维特征）。

研究团队特别指出，该方法对局部放电故障的预警能力（图10）为行业提供了新的监测视角。通过分析δx1（H2增长率）与δx14（C2H2/c2H4比值增长率）的逻辑关系（公式11），揭示了低能量放电前的气体变化规律。这些发现为修订DGA国际标准提供了新的实验依据。未来工作将扩展至电弧放电故障预警，并探索在线监测系统的实时部署方案。该成果为电力设备状态检修提供了可靠的理论工具，其方法论框架也可推广至其他关键设备的故障预测领域。