电力变压器作为电力系统中最重要的输变电设备之一,准确地掌握其运行状态和故障情况,并及时采取相应的处理措施,对于提高电力系统运行的安全性、可靠性和经济性具有重要的意义。电力变压器的故障诊断实际上是完成一个由故障信息到故障类型的复杂非线性映射,电力变压器故障涉及面较广,具体类型的划分方式较多,如按故障回路划分,按变压器的主体结构划分,按故障性质划分等。电力变压器故障信息的检测手段也多种多样,目前与变压器状态评估有直接关系的试验项目可分为油色谱分析、电气试验、油化试验、局部放电试验、红外测温和绕组变形试验六类,这些检测项目反映不同故障的有效性和灵敏性也不尽相同。而电力变压器复杂的结构和恶劣的运行环境使故障信息具有随机性、模糊性和不确定性。如何在一个科学的划分模式下,合理充分地利用变压器的故障信息,确定变压器故障的真实状态,即准确可靠的诊断技术是实现电力变压器状态检测与维修的关键。本文从油中溶解气体分析(Dissolved Gas-in-oil Analysis,DGA)结合人工智能技术对变压器故障进行定性分析入手,选取人工神经网络(Artificial NeuralNetwork,ANN)作为代表,首先利用MATLAB的神经网络工具箱对变压器故障诊断的BPNN模型进行了仿真,对学习样本的选择、输入输出模式的确定、网络参数的选择等问题做了分析与探讨。在此基础上,讨论了变压器故障诊断的概率神经网络(PNN)模型,并在相同的条件下,从收敛速度和泛化能力两方面对BPNN和PNN两者的性能进行了对比。仿真结果证明,BPNN和PNN都可以较好地实现变压器故障的诊断,相比之下,PNN结构简单、工程上易于实现,是实现变压器故障在线监测的有效途径。模糊神经网络(Fuzzy Neural Network,FNN)由于结合了处理不确定信息能力的模糊逻辑,以及具备知识储存能力的神经网络两种技术,在模式识别领域中具有独特的优势。本文选取TNFIN(Tsukamoto-Type Neural Fuzzy Inference Network)作为模糊神经网络代表,对其在变压器故障诊断中的应用做了初步的探讨。首先根据输入输出模式确定网络结构,然后在有监督学习和误差最小化的前提下,利用变量梯度法和LMS算法确定网络参数。结果证明,该模型有效地改善了神经网络收敛速度慢,易陷入局部最小的缺点,分类效果较好,将其应用于变压器故障诊断是切实可行的。在上述研究的基础上,本文从信息融合的角度出发,提出了一种基于TNFIN和证据推理的模块化综合故障诊断模型。该模型分为定性、一级定位和二级定位三个模块,首先利用TNFIN收敛速度快、不易陷入局部最小的优点对故障进行定性,然后利用证据推理处理不确定性问题的优势,逐步确定故障的具体部位。结果证明,该模型能有效地模拟专业人员的决策思维,提高了故障诊断的可靠性和准确性,为运行人员制定相应的检修策略提供了直观、全面的参考依据。