电力变压器是我国运输电力流程中不可或缺的设备,关系着电力系统的正常运行。确保电网的稳定运行需要及时对变压器的潜伏性故障进行维修,避免进一步的事故发生。在变压器故障诊断领域中,采用油中溶解气体分析法（Dissolved Gas Analysis,DGA）是极为有效且普遍的诊断方法,特征气体识别法、三比值法等传统故障诊断方法都是基于油中溶解气体分析法构建的。目前,人工智能技术不断发展,变压器故障诊断方法也借由这些技术开始走向智能化的道路,并展现出比传统诊断方法更好的诊断性能。变压器故障数据量较少,而支持向量机（SVM）在小样本情况仍能有较好表现的特性,正好适用于变压器故障诊断场景。因此本文构建的故障诊断模型中的分类器采用支持向量机,模型的输入为油中溶解气体数据,分类结果作为输出。其中,支持向量机的分类性能与核函数及惩罚因子这对参数组合有着紧密的联系。因此,构建诊断准确率高的故障诊断模型关键在于获取最优参数组合。本文提出一种改进的混合蛙跳算法来获取最优参数,并通过该参数实现故障诊断模型的构建。针对标准混合蛙跳算法在迭代过程中易陷入局部最优且寻优精度低的缺点。本文提出优化局部搜索步骤的跨子群交流策略,在其最差青蛙的位置更新公式中引入邻近子群最优青蛙的位置信息,进而改善搜索空间。除此之外,引入最优群体自变异策略,在最差青蛙位置更新前,对最优群体进行变异操作,增强其指引能力,减小算法陷入局部最优的可能。之后通过改进混合蛙跳算法对多个标准测试函数进行寻优操作,并将结果与标准蛙跳算法及其他改进策略进行对比,对比可知改进算法在收敛速度和寻优精度方面都要表现的更好。通过收集到的油中气体数据结合本文提出的改进蛙跳算法对支持向量机进行参数寻优,获得最优参数组合后构建变压器故障诊断模型进行性能测试。通过结果对比可知,本文提出的基于改进蛙跳算法优化支持向量机的故障模型分类性能要好于遗传算法（GA）和粒子群算法（PSO）优化的表现。最后,结合实际生产情况,通过代码搭建线上故障诊断平台,为工作人员提供一个可视化、信息化的诊断工具。