电力变压器作为电网主要枢纽设备,在电力系统中具有举足重轻的地位,其运行状态直接影响电网的安全运行。及时、准确地判断变压器故障类型一直是学者们研究的热点,传统的三比值法是过去几十年来应用最为广泛的故障诊断方法,但因其编码存在边界、模糊等缺陷致使故障诊断的正确率不高。同时随着各种在线检测装置的应用,电力设备检测数据爆炸式增长,传统诊断方法更显得心余力绌;而数据挖掘技术在处理海量数据、挖掘隐藏信息方面具备得天独厚的优势,如今被广泛应用于金融、气象、道路交通等领域。因此本文结合数据挖掘与传统诊断方法,提出一种融合数据约简、改进引力搜索、模糊核聚类的变压器故障诊断方法。本文对传统的基于油中溶解气体的变压器故障诊断方法进行理论学习,归纳、总结出油浸式电力变压器的故障类型,分析了变压器油中溶解气体产生的原理及其与相应故障的联系;指出三比值法存在的缺陷,并以此作为下一步故障诊断的切入点。概述了数据挖掘的基本过程以及常用的几种智能算法,选择模糊核聚类为本文故障诊断模型的基础,详细研究了该算法的原理特征、数学模型及其实现步骤。选取H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CH₄/H₂、C₂H₂/C₂H₄、C₂H₄/C₂H₆作为变压器故障诊断的原始特征量,初步构建变压器故障诊断的主体模型,仿真实验发现基础模糊核聚类的诊断正确率过度依赖初始聚类中心向量而陷入局部收敛。考虑到知识系统中不同条件属性对决策的贡献程度不同,冗余的条件属性可能使得决策者无法正确地辨别有用的信息,而且知识系统中数据维度越高故障诊断过程越复杂、繁琐。因此引入粗糙集和核主成分分析,以UCI标准数据集wine为例进行仿真实验,结果显示wine数据集经核主成分分析处理后原始线性不可分数据变得线性可分;经过粗糙集处理后,原始数据不仅降低了维度而且还保持了原有的类别信息,有助于数据挖掘。针对模糊核聚类的不足融入万有引力搜索,构建引力核聚类诊断模型;该模型以核函数参数和聚类中心作为搜索粒子,在初始的种群空间中寻找最优解;同时利用混沌初始化、动态逼近策略、纵向交叉策略优化万有引力搜索,增强算法搜索的多样性、改善初始群体的分布性以及算法的寻优效率。结合粗糙集和核主成分分析,本文分别搭建了基于粗糙集与万有引力核聚类和基于核主成分分析与万有引力核聚类的变压器故障诊断模型,仿真实验结果显示后者的诊断结果稍优于前者,且两者诊断正确率均优于模糊核聚类,这表明本文所提出的方法在变压故障诊断方面具有一定的应用性。