Актуальность. Надёжная и экологичная эксплуатация силовых трансформаторов – необходимые требования функционирования современных энергосистем. Важными факторами, приводящими к аварийным ситуациям, являются деградация трансформаторного масла и ненормальные режимы работы электрооборудования. Состав трансформаторного масла служит индикатором технического состояния трансформатора и позволяет оценить ресурс его изоляционных материалов и внутренних компонентов. Своевременная замена масла способствует продлению срока эксплуатации силовых трансформаторов, снижению риска возникновения внезапных отказов и повышению надёжности энергосистемы в целом. В качестве ключевого показателя для выявления ранних признаков износа и потенциальных неисправностей принят прогноз технического состояния силового трансформатора, объединяющий различные параметры, в частности концентрацию растворенных газов и электрические характеристики масла, и позволяющий осуществить прогнозирование его срока эксплуатации. Одним из направлений решения проблем, связанных с определением технического состояния силовых трансформаторов, является применение методов искусственного интеллекта. В связи с этим актуальна разработка систем принятия решений на базе моделей, объединяющих прогнозы классических алгоритмов машинного обучения и моделей, сформированных с использованием методов автоматизированного машинного обучения. Такие системы позволяют совместить преимущества экспертного выбора алгоритмов с возможностями автоматизированного поиска оптимальных структур и параметров модели, что повышает точность оценки технического состояния силового трансформатора и, следовательно, определения на её основе ожидаемого срока его эксплуатации. Цель: повышение надёжности силовых трансформаторов при минимизации затрат на техническое обслуживание путём применения методов искусственного интеллекта. Методы: статистический анализ хроматографических данных трансформаторного масла; предобработка данных (исключение аномальных и дублирующих записей, z‑преобразование); классические методы машинного обучения (линейная регрессия, Random Forest, Extra Trees, Hist Gradient Boosting), валидация модели с разделением выборки данных в соотношении 8:2; разработка структуры модели на базе AutoML с применением специализированной программной платформы FEDOT; расчёт и анализ метрик эффективности модели (R², MAE, MSE, RMSE); ансамблирование методами Averaging, Weighted Averaging, Stacking, Blending и XGBoost. Результаты. Разработана ансамблевая модель, предназначенная для комплексной оценки технического состояния силового трансформатора по результатам хроматографического анализа трансформаторного масла и эксплуатационным данным при использовании методов машинного обучения, что позволяет исключить трудоемкие вычисления влияния отдельных признаков и человеческого фактора при выдаче экспертного заключения. Внедрение разработанной модели позволяет объективизировать результаты по оценке остаточного ресурса силового трансформатора и обоснованно перейти к их риск-ориентированному обслуживанию, что, в свою очередь, сокращает эксплуатационные затраты и минимизирует риск возникновения отказа электрооборудования.