随着国民经济的快速发展,各行业对电能需求逐渐增加,电力能源的稳定供应对各行业发展具有重要作用,伴随着“智能电网”、“中国制造2025”等政策的推进,对电力系统的稳定性安全性智能性也提出了新的要求。在电力系统中,电力变压器和高压断路器被广泛使用,是两个重要且故障频发的不可或缺器件,变压器和高压断路器发生故障会造成巨大危害并诱发重大的电力事故,本研究在省自然科学基金重点项目的支持下完成,针对传统的故障诊断手段已经不能满足快速、精准、智能、稳定的要求和现有的故障诊断方法不足,提出融合人工智能方法对变压器和高压断路器的故障诊断方法,具有重要研究价值和实用应用前景。本文分析了电力系统中的变压器和高压断路器的物理构造、工作原理及常见故障,介绍了变压器和高压断路器的常见故障类型和故障表征。提出一种基于粒子群优化的改进K均值聚类算法。所提方法对传统K均值算法的聚类中心初始化方式进行改进,并且改进了距离评价函数,为输入向量各维度添加权重因子构造一种新的距离评价函数;然后直接使用变压器油中气体百分比作为故障诊断数据,避免了比值法在编码过程中造成的信息损失,取得较高精度的诊断效果。本文提出一种多分类相关向量机故障诊断方法。该方法针对高压断路器具有复杂的结构和特殊的工况,故障具有类别较多且不易获取大量故障样本数据的特点,将在小样本数据条件下具有较好的分类效果的相关向量机方法与具有较高精度的“一对一”多分类模型结合,使其既能够进行多故障分类又能具有较高的精度。实验仿真结果表明:本文所提出的基于粒子群优化权重的K均值算法能够在变压器故障诊断领域取得准确的结果;提出的基于多分类相关向量机算法能够在小数据集上具有比BP神经网络算法和支持向量机算法具有更好的分类精度和分类速度,在高压断路器的小故障样本数据集上,具有较高的诊断可信度。