变压器是电力系统实现输、变电工程的枢纽设备,其运行状态直接影响着整个电力系统的安全、可靠和稳定。长时间持续工作中的油浸式变压器,不可避免地会出现故障。如何通过油浸式变压器内部机理及油中溶解气体含量对变压器故障进行及时诊断和预测是变压器安全运行的关键。本文以油浸式变压器故障诊断为背景,针对油中溶解气体含量数据集寻找规律,采用特征提取、机器学习等方法对变压器的故障进行诊断和预测。本文的主要研究内容有以下几个方面:1、建立油浸式变压器故障诊断模型,提出结合人工智能的油浸式变压器故障诊断方法。首先研究变压器油中气体的来源和气体的溶解,并分析变压器油中气体的产气机理以及变压器故障与绝缘油中特征气体之间的映射关系,得到不同故障类型与产生的特征气体相互之间的关系。基于特征气体与变压器故障的特殊对应关系,通过第一章各种诊断方法的对比,提出需要寻求更为准确全面的方法,结合人工智能的方法进行变压器故障诊断。2、改进的KPCA和LS-SVM故障诊断方法。针对油中溶解气体含量中异常数据对KPCA特征提取造成精度下降这一问题,提出改进的KPCA和LS-SVM故障诊断方法,该方法对KPCA非线性映射后得到的特征空间进行格拉布斯准则判定,剔除异常离群值,减小离群值对KPCA特征提取的影响。在油浸式变压器故障诊断中,将经过KPCA处理后的特征样本输出LS-SVM,结果证明本章方法的可行性和有效性。3、提出基于蚁群优化最小二乘支持向量机(ACO-LSSVM)的变压器故障诊断方法。针对LS-SVM中核函数参数及惩罚系数预先难以确定的问题,提出了基于蚁群算法优化最小二乘支持向量机的变压器故障诊断方法。本文采用蚁群算法对LS-SVM中参数的选取进行优化,提高LS-SVM方法故障类型的分类准确性及精度。在样本数据集上对基于蚁群优化的LS-SVM方法进行验证,结果表明经蚁群优化以后的最小二乘支持向量机模型分类准确率达到了 92.57%,分类准确率比LS-SVM算法高出了 9.43个百分点,并根据诊断结果得出正常状态和6种典型的故障类型。