电力变压器是电力系统最核心最重要的设备之一。电力变压器运行的可靠性直接关系到电力系统运行的安全性。所以电力变压器的故障诊断技术显得尤为重要。大型油浸式变压器不同的故障类别、部位和程度都会使得绝缘油中溶解气体的组分和含量不同。分析各种溶解气体的组分、含量、比值关系可以判断变压器的故障类型。
　　本文研究了基于油浸气体分析的变压器故障诊断方法，主要研究工作如下：
　　（1）由于变压器溶解油中气体含量和对故障的敏感程度不一样，本文采用了基于对数变换和特征白化的数据预处理方法。因为原始特征数据幅值变化大，且分布杂乱，我们使用对数变换对特征幅值进行压缩，然后使用特征白化将原始数据的协方差矩阵变为单位阵。实验表明，本文提出的数据预处理和特征提取方法对分类性能有很大提升。
　　（2）使用了“一对一”和“一对多”两种策略构建基于支持向量机的多分类器进行变压器故障诊断。两种多分类器各有优点及其局限性。同时也对支持向量机参数优化、数据样本不均衡问题进行了详细的探讨。
　　（3）本文在支持向量机分类学习的基础上应用具有线性求解形式的最小二乘支持向量机分类学习方法。因为最小二乘支持向量机的每一个学习样本都是支持向量，所以考虑每一个支持向量的贡献度，使用加权最小二乘支持向量机和模糊最小二乘支持向量机进行变压器故障诊断。实验结果表明，采用最小二乘支持向量机及其改进算法进行故障分类，在能够保证整体分类准确率的同时还能显著改善原本分类准确率较低的故障类别的分类效果。
　　（4）对基于支持向量机和基于神经网络的变压器故障诊断方法进行了对比。实验结果表明，相比于BP神经网络，支持向量机故障诊断的正确率更高，且学习模型更加稳定。