电力变压器是电力系统中最重要的电气设备之一,其运行状态直接影响到整个电力系统的安全与稳定运行。油中溶解气体分析由于无需停电试验,便于在线监测,且不受外界电场和磁场因素的干扰,因此被世界公认为是监测和诊断充油电力变压器早期潜伏性故障最有效的方法之一。目前基于溶解气体分析的变压器故障诊断方法有很多,本文尝试将模糊聚类分析方法应用到变压器油色谱数据的分析中来,并针对该方法在实际应用中存在的问题进行了分析讨论。本文首先应用模糊聚类分析中的模糊ISODATA算法对变压器油色谱数据进行了聚类分析。该方法在实际应用中存在一些问题,如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。本文对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进后的模糊ISODATA算法对100条测试样本进行了故障诊断,并将诊断结果与三比值法、改良电协研法以及实际故障原因进行了对比分析,诊断准确率达到了92%,相对于原有的88%有了一定程度的提高。模糊ISODATA算法以及改进后的算法都存在着一个共同的缺点,那就是大数据量情况下的计算耗时。改进后的模糊ISODATA算法虽然有效地缩短了故障诊断的时间,但在故障诊断之前需要对已有的样本数据进行聚类分析,其计算过程依然比较繁琐,为此,将模糊逻辑聚类神经元网络应用到变压器故障诊断中来,该方法采用模糊集理论中的模糊逻辑算子来完成网络的运算,再加上神经网络并行处理的特点,从而大幅度提高了其运算速度,节省了运算时间。应用该方法对测试库的样本进行了故障诊断,其诊断准确率达到了91%。模糊ISODATA算法存在两大缺点:一是处理大数据量时的计算耗时,二是容易陷入局部极小点或鞍点。模糊逻辑聚类神经元网络虽然可以解决其中第一个缺点,但该方法还是基于梯度下降的学习算法,因此不可避免的会陷入局部极小点或鞍点,为此,将进化计算中的进化策略应用到变压器故障诊断中来,利用该算法全局寻优的特点,从而得到更加合理的类别划分。实际诊断结果表明,在参数相同的条件下,使用该算法可以得到比传统模糊ISODATA算法更小的聚类目标函数,并且诊断准确率也得到了相应的提高。