随着红外热成像技术的发展,越来越多的变电站使用该技术对变压器进行故障检测。由于红外图像成像质量较低以及图像中存在较多的干扰因素,单纯使用图像处理进行变压器故障检测难以获得很好的效果。利用运行数据对变压器运行状态进行监测,但仅使用该技术无法进一步对故障类型进行识别和故障点的提取。结合这两种方法,能够更加准确、全面地诊断变压器发生的故障,提高智能电网建设水平,因此本文提出了一种结合变压器运行数据和红外图像共同诊断故障的方法。在故障检测中,通过研究变压器运行数据和红外图像的特点,本文通过判别运行数据是否异常、故障类型识别及异常发热点提取这三个方面进行研究。1)分析变压器运行数据特征,为使各特征之间差异最大化,使用主成分分析（PCA）将原始29个特征降维到2个特征。使用支持向量机（SVM）算法对变压器运行数据进行分析检测,得到变压器实时运行状态;2)对于出现故障的时间点获取实时红外图像并对其进行故障分析。由于红外图像数据集较少,本文将使用迁移学习来增加训练深度,通过Res Net算法对变压器故障特征进行提取,载入Res Net在大型数据集上预训练的模型权重文件,加入红外图像数据进行训练得到故障类型识别模型;3)使用改进的分水岭算法对变压器红外图像进行分割,避免在设备外的背景中出现干扰因素,分析变压器红外图像表现出来的颜色特征,通过转RGB颜色空间为HSV颜色空间,提取颜色为接近白色的异常发热点,在HSV色彩空间中表现为亮度最高的点,从而得到异常发热点所在位置。本文通过对变压器运行数据和红外图像进行特征分析,在电力系统运行基本状态信息管理系统的基础上,构建了一个故障类型识别、异常发热点定位、多信息融合的变压器故障诊断模型。此模型可用于电力系统中设备检修和维护工作,实现对变压器运行状态分析和故障预警,提高了故障预警的精确性。实现非接触、无断电式故障检测,保障了维护人员的人身安全及财产损失。通过这种故障诊断手段将会减少设备在使用过程中的重大故障事故,提高设备的使用寿命。