电力变压器作为一种能量转化的设备,在现代化电力系统中处于最核心的地位,它的性能直接影响着整个电力系统的安全可靠运行。因此准确掌握电力变压器的运行状态,对变压器进行实时监测、故障诊断成为必不可少的环节,从而为电力系统安全、稳定、高效的运行提供最可靠的保障。在变压器故障诊断研究中,油中溶解气体分析(DGA)法已被公认为最有效的方法之一。由于传统的三比值法不具备故障信息的完整性,针对这个问题本文采用非线性映射的BP神经网络及支持向量机两种算法,结合DGA建立变压器故障诊断模型,以提高诊断的准确率和可靠性。在参阅大量文献的基础上,论文主要研究工作如下：首先,鉴于BP神经网络的非线性逼近能力,本文以试验数据作特征参数,借助遗传算法优化BP网络参数,建立了三层BP网络的充油变压器内部故障诊断模型。利用MATLAB神经网络工具箱对所建立的模型进行实验仿真,结果表明遗传算法优化BP神经网络应用在变压器故障诊断的方案是可行、有效的。其次,本文提出了基于支持向量机(SVM)的变压器故障诊断模型。由于变压器故障时所能搜集到的特征向量有限,这对于需要大量训练样本的BP网络来说,网络的训练具有一定的局限性,存在局部极小点和过学习等问题。因此,论文引入了基于小样本学习的支持向量机,并将其与DGA相结合建立了基于SVM的变压器故障诊断模型。为了进一步提高诊断准确率,文中运用Libsvm安装包中的交叉验证功能选取SVM的最佳参数c和g,并利用最佳参数来优化模型。通过对比GA-BP神经网络的变压器故障诊断模型的仿真结果,可知将基于交叉验证法的支持向量机运用于变压器故障诊断,大大提高了诊断系统的推广能力,缩短了诊断时间,进一步体现了该诊断系统的实用价值。