摘要：支持向量机（SVM）能较好地解决小样本、非线性特征的多分类问题，适用于电力变压器运行状态评估，但参数选择对分类效果有着显著影响。利用改进的粒子群算法（PSO）对支持向量机（SVM）参数进行寻优，通过引入收敛因子、惯性因子动态化和自适应粒子变异三种方法对传统的PSO算法进行改进，从而获得最佳的分类模型。该模型以变压器油中溶解气体浓度为评估指标，将变压器分成优秀、一般、良好、注意、故障等5个等级，其中故障又分为低温过热、中温过热、高温过热、低能放电、高能放电、局部放电6个类别。通过实例数据分析得出，用改进后的PSO算法优化得到的SVM分类器能对变压器的各种状态进行较准确的评估。

关键词：电力变压器 状态评估 粒子群算法 支持向量机 参数寻优 

单位：华北电力大学电气与电子工程学院 河北保定071003