Para el problema de la baja precisión en el diagnóstico de fallas de gas de aislamiento en los aceites de aislamiento de transformadores (DGA), se mejoró el algoritmo del hongo viscoso (SMA) utilizando una estrategia de aprendizaje inverso para formar el algoritmo ISMA, con el fin de aumentar la capacidad de optimización global y optimizar la máquina de vectores de soporte (SVM), y crear un modelo mejorado de diagnóstico de fallas ISMA-SVM y entrenarlo en muestras. Los resultados de diagnóstico y reconocimiento se compararon con el modelo optimizado del lobo gris GWO-SVM y el modelo PSO-SVM, y la precisión del diagnóstico de fallas ISMA-SVM fue del 93.3%, un aumento del 6.66% y 10.66% en comparación con GWO-SVM y PSO-SVM respectivamente.

Aceite de aislamiento; fallas de gas; algoritmo del hongo viscoso; máquina de vectores de soporte; diagnóstico y reconocimiento