向量化SMOTE与分层采样的随机森林变压器故障诊断研究

桂雨欣，马晶，何惜琴
(厦门大学嘉庚学院 机电工程与自动化学院，福建 漳州 363123)

    摘 要 ：针对变压器油中溶解气体分析 (DGA) 数据类别不平衡导致少数类故障识别率低的问题，提出一种融合向量化 SMOTE 过采样与分层随机欠采样的随机森林故障诊断方法。该方法将数据平衡策略与分类模型构建作为一个统一的诊断框架 ：即对现场实测 DGA 样本进行预处理，并基于物理规则与数据特征设定平衡基准 ；通过组合采样策略构建物理合理的均衡数据集，并提取含原始与衍生特征的 9 维故障特征向量 ；将该均衡特征数据输入经交叉验证优化的随机森林模型中，实现变压器故障的高效辨识。利用现场实测数据开展独立验证，结果表明该方法整体诊断效果良好，重点故障识别表现优异，有效解决了传统诊断对少数类故障识别不足的缺陷，为变压器 DGA 故障诊断提供了可靠手段。
    关键词 ： 向量化 SMOTE ；分层采样 ；随机森林 ；溶解气体分析
    中图分类号 ：TM406 ；TM411     文献标识码 ：A     文章编号 ：2097-6623(2026)10-0033-07

Transformer Fault Diagnosis Based on Random Forest with
Vectorized SMOTE and Stratified Sampling

GUI Yu-xin, MA Jing, HE Xi-qin
（ School of Mechanical and Electrical Engineering & Automation, Xiamen University Tan Kah Kee College, Zhangzhou 363123, China）
 

    Abstract: To address the low recognition rate of minority-class faults caused by class imbalance in dissolved gas analysis (DGA) data of transformer oil, a random forest fault diagnosis method integrating vectorized SMOTE oversampling and stratified random undersampling is proposed. The method takes the data balancing strategy and classification model construction as a unified diagnostic framework: the on-site measured DGA samples are preprocessed. A balancing benchmark is established based on physical rules and data characteristics. A physically reasonable balanced dataset is constructed using the hybrid sampling strategy, and a 9-dimensional fault feature vector including original and derived features is extracted. The balanced feature data are fed into the random forest model optimized by cross-validation to achieve efficient identification of transformer faults. Independent verification is carried out using on-site measured data. The results show that the proposed method achieves favorable overall diagnostic performance and outstanding recognition performance for critical faults. It effectively addresses the limitation of insufficient recognition of minority-class faults in traditional diagnosis, providing a reliable means for transformer DGA fault diagnosis.
    Key words: vectorized SMOTE; stratified sampling; random forest; dissolved gas analysis
 

参考文献
[1] 梁博渊 . 运行变压器健康状态综合诊断平台的研究与开发 [D]. 保定 ：华北电力大学，2011 ：2.
[2] 吴文英，易美玲，温君，等 . 变压器油中溶解气体的分析与判断 [J]. 能源研究与管理，2019(4) ：57-60.
[3] 林倍民 . 基于三比值法的典型变压器故障案例分析 [J].电气技术， 2023， 24(10) ： 63-67.
[4] 汪路 . 基于 DGA 分析的变压器健康状况评价 [J]. 电工技术，2025(6) ：210-216.
[5] 周萱，吴伟丽 . 基于改进 SMOTE 不均衡样本处理和 IHPO-DBN 的变压器故障诊断方法研究 [J]. 电力系统保护与控制，2024，52(11) ：21-30.
[6] 李佰霖， 陈昱锐， 褚凡武，等 . 基于混合采样和 CAWOA-BP 的变压器故障诊断 [J]. 水电能源科学，2024，42(3) ：216-220.
[7] 谢国民，王嘉良 . 基于混合采样与 IHBA-SVM 的变压器故障辨识方法 [J]. 电子测量与仪器学报，2022，36(12) ：77-85.
[8] 李亮，范瑾，闫林，等 . 基于混合采样和支持向量机的变压器故障诊断 [J]. 中国电力，2021，54(12) ：150-155.
[9] 朱莉，汪小豪，李豪，等 . 不平衡样本下基于变异麻雀搜索算法和改进 SMOTE 的变压器故障诊断方法 [J].高电压技术，2023，49(12) ：4993-5001.
[10] 童宇轩， 李灿， 周佳炎 . 基于数据-特征增强与参数优化的变压器故障识别方法 [J]. 电工电气，2025(12) ：42-47.
[11] 张天翼 . 非平衡数据集过采样算法研究 [D]. 武汉 ：武汉大学，2020 ：20-21.
[12] 欧阳鑫，李志斌 . 基于样本扩充和特征优选的 IGWO 优化 SVM 的变压器故障诊断技术 [J]. 电力系统保护与控制，2023，51(18) ：11-20.
[13] Dhini A，Faqih A，Kusumoputro B，et al.Datadriven fault diagnosis of power transformers using dissolved gas analysis(DGA)[J].International Journal of Technology，2020，11(2) ：388.
[14] 王寅初 . 基于 Ada Boost 算法的油浸式变压器故障诊断研究 [D]. 保定 ：华北电力大学，2024 ：2.
[15] DL/T 722—2014 变压器油中溶解气体分析和判断导则 [S].