电力行业对于各领域的发展都起到重要作用,是我国经济快速发展的基石。电力系统最核心的设备就是变压器,变压器能否正常的工作直接决定了电力系统的运行质量优劣,因此在变压器油中溶解气体分析（Dissolved Gas Analysis,DGA）技术的基础上,实现的变压器故障诊断的准确度就变得尤为重要。针对现今变压器故障诊断方法准确度较低、单一智能算法的自身局限性、数据质量要求过高的问题,本文提出了一种基于粗糙集与随机森林算法的变压器故障诊断模型。根据随机森林（Random Forest,RF）是一种结合集成学习与决策树的新型机器学习方法,相较于神经网络算法、极限学习机（ELM）、分类回归树（CART）、支持向量机（SVM）等单一算法,随机森林作为一种集成学习算法可以克服每个单一算法存在的局限性,具有更好的学习性能。本文将集成算法与DGA技术相结合,便可以实现在线监测变压器状态和故障诊断的功能,同时可以在故障初期找到正在发展中的缺陷,这样就可以实现对变压器故障更智能、更迅速、更准确的检测。为了可以在算法优势的基础上可以进一步提高诊断准确率与速度,本文提出将随机森林算法（RF）与粗糙集算法相结合的方法。首先把通过DGA方法得到的故障样本数据结合三比值法,罗杰斯法等多种变压器气体数据处理方法,得到多组气体比值量,提高数据的特征量,扩展数据属性,再经过归一化处理得到预处理决策表数据。然后使用粗糙集算法对预处理数据集进行约简,得到最简决策表数据,获得核心属性、降低数据冗余度、提高数据质量。这样既保证了数据的高质量,也避免了数据过冗余,可以提高最终的故障诊断准确率。最后,为了验证本文所提的基于粗糙集和随机森林算法的故障诊断模型的优越性,把预处理决策表数据和最简决策表数据分别代入随机森林（RF）、AdaBoost、极限学习机（ELM）、分类回归树（CART）四种算法的变压器故障诊断模型中,分别仿真得出两个大类共八种不同诊断模型下的诊断精度和诊断时间等,进行对比分析得到结论。本文使用的分类算法除随机森林外,还引入了三种具有实际价值和代表性的机器学习算法来进行仿真对比,同时再把粗糙集处理前后的数据集分别代入四种分类算法中进行仿真对比。通过对八组仿真结果的图表分析得到结论:基于粗糙集与随机森林算法的变压器故障诊断模型的诊断正确率最高达到99.76%,诊断速度也具有优势,所以该模型更高效、更精确,并具有更高的实用价值。图[24]表[20]参[80]