Este artículo propone un método novedoso para diagnosticar fallas en transformadores sumergidos en aceite, aprovechando la extracción de características y un algoritmo de aprendizaje en conjunto para mejorar la precisión del diagnóstico. Inicialmente, los datos del Análisis de Gases Disueltos (DGA) de los transformadores pasan por un proceso de limpieza para garantizar la calidad y fiabilidad de los datos. Posteriormente, se emplea un método de razón interactiva para aumentar las características y proyectar los datos de DGA en un espacio de alta dimensión. Para refinar el conjunto de características, se utiliza un algoritmo combinado de Filtro y Wrapper, eliminando efectivamente características irrelevantes y redundantes. El paso final implica optimizar el modelo de Light Gradient Boosting Machine (LightGBM) utilizando el algoritmo IAOS para la clasificación de fallas en transformadores; este modelo es un modelo de aprendizaje en conjunto. Los resultados experimentales demuestran que el método de extracción de características propuesto mejora la precisión del modelo LightGBM al 86.84%, lo que representa una mejora del 6.58% sobre el modelo base. Además, la optimización con el algoritmo IAOS aumenta la precisión diagnóstica del modelo LightGBM al 93.42%, un aumento adicional del 6.58%.