电力变压器故障诊断方法的研究,对于防止和减少变压器工作故障的发生是很有意义的。同时,对保证变压器有着良好的供电水平,以及对国家综合型大电网的建设也是十分有益的。将变压器故障的原因特征进行充分分析后,以及在当前电力变压器故障诊断方法研究现状基础之上,本文进一步对变压器故障诊断方法及其应用展开了研究。研究了变压器故障诊断的改良三比值法和概率神经网络法,通过实例分析总结了两种方法的优缺点,为人工智能诊断方法的研究奠定了基础。基于油中溶解气体分析(Dissolved Gas Analysis,DGA)技术的故障诊断,是变压器故障诊断通常采取的最简单和最普遍的方法。以此为基础,探究电力变压器故障分析新方式。研究了基于模糊关系与自组织竞争网络的变压器故障诊断方法。综合变压器故障的传统诊断方法和人工智能网络,基于自组织竞争网络模型的诊断方法得到了颇为深入地研究。为实现变压器故障的实时在线诊断和高可靠性诊断提供了一种新的可行性思路。故障分析表明,该方法提高了实时在线电力变压器故障诊断的精确度。提出了基于改进粒子群优化支持向量机的电力变压器故障诊断方法。首先,分析了标准粒子群(Particle Swarm Optimization,PSO)算法的改进方法,以及改进粒子群算法对参数的优化性能。其次,运用支持向量机(Support Vector Machine,SVM)的有关理论和研究,结合改进粒子群可以有效改善其参数寻优的能力,建立了该故障诊断模型。结果表明,基于IPSO-SVM算法的电力变压器故障诊断的精确度和收敛速度均高于传统故障诊断方法,更适合于变压器故障诊断的现实应用。