Online monitoring of mineral-oil-immersed transformer variables provide capabilities such as failure avoidance, optimization of load capacity and maintenance as well as extending the remaining life expectancy. A central role is played by the Top-Oil-Temperature which in its own is an indicator of harmful events or transformer states. It is also one of the key features for estimating Hot-Spot-Temperature which is associated with directly harmful phenomenons such as arching and partial discharges. Expanding the conventional features of Top-Oil-Temperature, load current and ambient temperature, the potential influence of time-delayed instances of the same are investigated in an attempt to improve machine learning models. To ensure credibility to the research, the methodology of relevant literature is critically assessed. Predictions are performed with the state-of-the-art decision tree framework "light gradient boosting machine". The results found with the framework are substantiated with a multilayer perceptron and basic linear regression. Delayed instances indeed proved advantageous on real transformer data collected from a 220 kV power transformer, gathered over a year, and sampled at 15 minutes interval. The optimal delay was found to be 5 hours, lowering the Root-Mean-Squared-Error of light gradient boosting machine algorithm to 1.22, corresponding to 28% reduction compared to not using any delayed features. 

Online övervakning av variabler i oljekylda transformatorer möjliggör förhindring av haveri, optimering av lastkapacitet och underhållsarbete så väl som förlängning av återstående livslängd. En central roll spelas av Top-Oil- Temperature som i sig är en indikator av skadliga händelser eller tillstånd i transformatorer. Därtill så är den en av de huvudsakliga parametrarna för estimering av Hot-Spot-Temperature som är associerad med direkt skadliga fenomen som gnistbildning och partiella urladdningar. Utöver de vedertagna prediktorerna, lastström och omgivande temperatur, så efterforskas den potentiella inverkan av tidsförskjutna instanser av de samma i ett försök att förbättra maskininlärningsmodeller. För att säkra trovärdighet till forskningen så granskas relevant litteratur kritiskt. Prediktioner utförs med det senaste ramverket inom beslutsträd light gradient boosting machine". Resultaten förskaffade med ramverket underbyggs med en multilayer perceptron och en simpel linjär regression. Tidsförskjutna instanser bevisades fördelaktiga på verklig transformator data från en 220 kV krafttransformator, insamlat över ett år och samplat med 15 minuters intervall. Den optimala förskjutningen hittades vid 5 timmar och sänkte roten ur medelkvadrat felet för light Gradient boosting machine till 1.22 vilket motsvarar en sänkning om 27,5% jämfört med att inte använda någon tidsförskjutning alls.