Pour le problème de la faible précision du diagnostic des défauts de gaz d'isolation dans les huiles d'isolation des transformateurs (DGA), l'algorithme de mue de champignon (SMA) a été amélioré en utilisant une stratégie d'apprentissage inverse pour former l'algorithme ISMA, afin d'augmenter la capacité d'optimisation globale et d'optimiser la machine à vecteurs de support (SVM), et de créer un modèle amélioré de diagnostic des défauts ISMA-SVM et de l'entraîner sur des échantillons. Les résultats du diagnostic et de la reconnaissance ont été comparés aux modèles d'optimisation du loup gris GWO-SVM et du modèle PSO-SVM, et la précision du diagnostic des défauts ISMA-SVM était de 93,3%, soit une augmentation de 6,66 points de pourcentage et 10,66 points de pourcentage par rapport à GWO-SVM et PSO-SVM respectivement.

Huile d'isolation; défauts gazeux; algorithme de mue de champignon; machine à vecteurs de support; diagnostic et reconnaissance