油浸式电力变压器作为电力系统的核心设备之一,其故障影响大且故障原因复杂。为确保电力系统的安全稳定运行,必须对其运行状态进行监测与判断。随着互联网行业的日渐成熟以及传感器技术的不断发展,促成了智能电网的出现,实现了智能化的变压器在线监测、状态评估以及故障诊断。基于以上,本文将智能诊断算法与变压器故障特征参数相结合,围绕油色谱数据与电气试验数据展开对变压器故障诊断的研究。本文首先在分析了变压器故障诊断研究现状及现有诊断方法存在的问题的基础上,将油色谱数据作为故障特征参数,提出了PSO-ELM融合动态加权AdaBoost与PSO-IGWO优化混合核极限学习机这两种变压器故障诊断模型,并利用Matlab软件进行了仿真验证。但由于油色谱数据所展现的故障特征信息有限以及变压器故障诊断时存在的不确定性,因而无法对变压器运行中的异常状态给出准确的判断结果。故而,本文将变压器的油色谱数据与电气试验数据相结合,形成多特征参数,提出了一种基于多参数信息融合的变压器故障诊断模型,该模型以4个多分类相关向量机完成了变压器故障的初步诊断,并将诊断结果转变为相应的证据体,采用入兰式距离函数、光谱角余弦函数以及冲突再分配策略对DS证据理论进行了改进,利用改进后的DS证据理论对证据体实现了最终决策融合,并以实例分析证明了该方法的可行性、准确性。其次,将单一油色谱数据与多特征参数分别作为输入量,对上述三种模型以及BP神经网络与多分类相关向量机进行了仿真验证。通过对比仿真结果可知,不同模型的诊断效果之间存在一定差距,且多特征参数的诊断准确率明显优于单一油色谱数据的判断结果。在本文所提出的在三种诊断模型中,多参数信息融合的变压器故障诊断模型准确率最高,达到93.37%,PSO-ELM融合动态加权AdaBoost的变压器故障诊断模型次之,为89.10%,PSO-IGWO优化混合核极限学习机的变压器故障诊断模型最低,为88.08%。因此,多参数信息融合模型更适合于对变压器异常运行状态的判定。最后,利用Matlab的GUI控件,搭建了变压器故障诊断专家系统,实现了良好的人机交互,为更好地完成变压器运行状态诊断提供了便利。图53幅,表8个,参考文献66篇。