运行条件下气体绝缘组合电器(gasinsulatedswitchgears,GIS)的局部放电检测已取得了大量的应用,但对于检测到局部放电信号的严重程度评估仍然是亟待解决的难题。利用变电站现场GIS的局部放电检测数据,结合长短时记忆网络(long short-term memory network,LSTM)和Bagging集成学习方法,提出一种运行条件下GIS局部放电严重程度评估方法。先明确了用GIS设备未来1个月内的故障概率来定义局部放电严重程度,并基于该定义对大量的变电站现场检测数据确定了数据标签,建立了数据集。针对数据样本不均衡,利用Bagging集成学习方法将N个LSTM深度网络构建成适用于局部放电严重程度评估的集成学习模型。通过对由局部放电数据特征值、局部放电技术影响因素、设备运行信息等组成的特征向量进行分析,模型最终可以输出局部放电严重程度评估结果。通过与普通LSTM网络、反向传播神经网络(backpropagationneuralnetwork,BPNN)以及Bagging-BPNN方法的对比,以及变电站现场检测案例分析,结果表明所提方法可以有效地对运行条件下GIS局部放电进行严重程度评估,易于实施,与普通LSTM、BPNN和Bagging-BPNN相比评估结果的可信度更高。