电力变压器是保证输配电网的稳定运行的重要设备,变压器故障引起的停电事故将造成巨大的经济损失及社会影响,变压器油中溶解气体含量是变压器状态评价的重要依据。变压器故障大多为潜伏性故障,而在线监测对于油中溶解气体含量的获取具有一定滞后性,因此,变压器油中溶解气体含量短期预测(七天之内)能够弥补在线监测的滞后性,提前发现变压器的潜伏性故障,监测变压器的绝缘状况,对变压器的状态检修的合理安排具有重要的意义。现在的变压器油中溶解气体含量短期预测方法存在如下问题:1)现有的油中溶解气体含量数据中存在大量的缺失值,破坏了在线监测数据时间序列的连续性,一定程度上改变了其数据特征及变化趋势,给预测工作带来困难。2)变压器油中溶解气体时间序列中不同时间尺度的信息混叠,具有非线性与非平稳性,对于原始序列直接分析,难以发掘油中溶解气体含量变化的规律。3)短期预测精度要求高,单一的油中溶解气体预测方法对具有较强非线性的时间序列解释能力不足,精确度难以满足要求,同时存在过拟合的问题,而目前常用的组合预测模型的组合方法过于粗糙,基学习器的选择存在局限,不能充分发挥多模型的优势,影响预测的精度。针对上述问题,本文提出了基于梯度提升机的变压器油中溶解气体含量短期预测方法,首先,提出了基于马尔可夫过程的数据补全方法,将油中溶解气体数据时间序列转化为马尔可夫链,生成状态转移概率矩阵,通过多步状态转移对油中溶解气体数据缺失部分进行补全,对于油中溶解气体监测数据的缺失值补全的相似度可达到99.999%,相较于保形插值法和均值插值法,相似度分别提高了5.32%,4.57%;对于极值点、跃变点处的关键数据进行补全的相似度可以达到98.956%,相较于保形插值法和均值插值法,相似度分别提高了 14.77%,103.42%。然后,根据油中溶解气体含量时间序列时频特性,采用经验小波变换(EWT)对其进行分解,削弱不同时间尺度信息间的互相干扰,得到多个时间序列分量作为后续预测的依据。利用样本熵对分解效果进行评价,复杂度最高的时间序列分量的样本熵仅为原始时间序列的36%。最后,以梯度提升机的形式将多个基学习器组合,针对不同时间序列分量建立分别预测模型,并针对常用的GBDT算法的固有缺陷,采用径向基神经网络(GBRBFNN)作为基学习器,建立了基于梯度提升机的变压器油中溶解气体含量短期预测模型。最终通过实际案例对文章提出的方法进行验证,结果表明,相较于EWT-GBDT模型、EWT-LSTM模型,EWT-GBRBFNN模型预测的平均相对误差分别降低了 51.43%,22.72%;互相关系数分别提升了 16.73%,6.61%,标准差分别降低了 41.84%,6.71%,决定系数分别提升了 27.26%,2.21%。本文所提出的方法各方面均为最优,能够更好地为后续变压器状态评价、检修工作提供依据。