变压器是输配电系统中的关键设备,及时而准确地检测出变压器早期潜伏性故障,对于保障电力系统的可靠运行具有重大意义。本文在分析电力变压器故障机理和现有故障诊断方法的基础上,研究了自组织抗体网络、极限学习机和证据理论等人工智能方法,并用于解决电力变压器故障诊断问题。论文的主要内容如下。自组织抗体网络的学习算法中没有网络压缩机制,训练后的网络中存在大量的冗余抗体。针对该问题,本文提出了改进的自组织抗体网络。该方法将网络压缩机制引入自组织抗体网络,利用亲和度阈值调节免疫网络的记忆抗体分布。仿真实验表明,网络压缩机制可以加快网络的收敛速度,优化网络结构,同时维持免疫网络的稳定性。将自组织抗体网络应用于变压器故障诊断时,由于其初始抗体是随机选取的,网络性能并不稳定。文中将免疫算子引入自组织抗体网络,提出了基于混合免疫算法的变压器故障诊断方法。该方法利用K-means最佳聚类算法获取初始抗体,并通过粒子群优化算法优化亲和度阈值。仿真实验表明,混合免疫算法的性能比自组织抗体网络更加稳定,其诊断正确率高于单一诊断方法。基于混合免疫算法的变压器故障诊断方法中提取疫苗需要进行大量的计算,并且存在训练速度慢和参数确定困难的问题。为此,文中将极限学习机和核极限学习机用于解决变压器故障诊断问题,并利用粒子群优化算法优化核极限学习机的学习参数。仿真实验表明,极限学习机比混合免疫算法的诊断正确率稍高,训练时间远远少于后者,但其性能不太稳定；和其他智能诊断方法相比,核极限学习机需要的训练时间和测试时间最少,训练正确率和测试正确率最高,并且性能更加稳定。由于变压器气体征兆与故障原因之间存在复杂性和模糊性,各种故障诊断方法的判断结果容易出现分歧。文中提出了一种基于证据理论的变压器故障诊断方法,利用冲突证据合成规则将混合免疫算法、核极限学习机和模糊理论的诊断结果进行融合,实现了多特征信息、多诊断方法的有效融合。实例分析表明,该融合方法可以提高故障诊断的可靠性。