刘  对1，2，3，唐金权1，金  涛3，蔡定国1，黄建华1

（1.明珠电气股份有限公司， 广东 广州 511468；2.福建师范大学物理与能源学院， 福建 福州 350117；

3.福州大学电气工程与自动化学院， 福建 福州 350108）

摘要：针对非均衡数据集下变压器故障诊断准确率低、模型泛化能力不足等问题，本文开展基于贝叶斯优化CNN-BiLSTM的故障诊断方法研究。首先，针对数据集的质量问题，设计融合箱线图离群值检测、

L1范数特征提取与LSTM数据增强的预处理缓解，可以有效缓解数据集样本偏少及类别分布非均衡问题。其次，构建CNN-BiLSTM混合模型，利用CNN提取故障信号的空间特征，通过BiLSTM捕捉时序动态

特征，结合贝叶斯优化算法对网络超参数进行全局寻优，避免人工调参的主观性与盲目性，提升模型结构合理性与训练稳定性。试验算例结果表明，该方法在非均衡数据集上的故障诊断准确率显著优于传统

机器学习与单一深度学习模型，且经实际工程数据验证，其泛化能力与实用价值突出，为解决变压器故障诊断中非均衡数据难题提供了可靠的技术方案，也为同类电气设备的智能诊断研究提供了参考。

关键词：变压器；故障诊断；油中溶解气体分析；CNN-BiLSTM；贝叶斯优化

中图分类号：ＴＭ４０6      文献标识码：Ｂ      文章编号：１００１－８４２５（２０26）０8－００61－10

作者简介：

刘  对（通信作者）1990-，男，湖北襄阳人，博士，讲师，主要从事故障诊断和电力人工智能方面的研究工作。