作为电力系统中能量传递的枢纽,电力变压器故障机理复杂且维修成本高昂,一旦发生故障将会造成巨大的经济损失,严重威胁到电网的安全可靠运行。因此,根据变压器状态预先制定对应措施,准确感知变压器内部出现的故障信息,对延长变压器寿命,降低变压器故障频率,保障电网的供电可靠性具有重要意义。油中溶解气体分析技术（Dissolved Gas Analysis,DGA）是一种广泛应用的油浸式变压器状态监测手段,传统的分析方法不能有效提取DGA中隐含的变压器故障信息,导致故障诊断的准确性受到影响。机器学习技术能够从有限的数据中学习出具有一般性的规律,挖掘出隐藏在数据内的信息。通过将机器学习技术与DGA数据相结合,进一步判断变压器内部故障状态,对提高电力系统的安全性、经济性、可靠性具有重要意义。首先,论文介绍了变压器的内部结构以及产气原理,总结了变压器故障类型与特征气体含量、产气速率间的关系。部分没有发生故障的变压器内部也可能会产生特征气体,此时可以进一步观察产气速率,并利用传统的故障诊断方法来对变压器内部状态进行分析。然后,论文论述了极限学习机（Extreme Learning Machine,ELM）的基本原理与数学理论模型,构建了基于极限学习机的变压器故障诊断模型。此外,进一步分析了隐含层神经元数量与隐含层激活函数对模型性能的影响,验证了使用极限学习机算法对变压器故障进行诊断的可行性。目前,针对变压器故障诊断问题还没有一个标准的故障气体特征集合。本文通过引入灰狼优化算法对油中溶解气体特征参量进行了优选。基于7种常用油中溶解气体构建了35种不同的特征参量,建立了基于灰狼优化算法的特征优选模型,获得了包含5个优选参量的变压器故障诊断混合特征集。仿真结果表明,得到的混合特征集拥有更好的故障辨识度,能够更完整的表达出数据中所包含的故障信息。最后,基于优选的特征参量,使用混合核极限学习机作为分类器构建了变压器故障诊断模型,并使用改进的灰狼优化算法对模型结构进行优化。基于Mercer定理,通过变权重的方式将全局核函数与局部核函数相结合,构造一种新的混合核函数。而后将差分进化的思想融入灰狼优化算法中,进一步提高灰狼种群的多样性,增强灰狼优化算法的搜索能力,避免灰狼优化算法在迭代过程陷入局部最优点。并使用改进的灰狼优化算法对混合核函数的核参数与权重参数进行寻优。以IEC TC 10变压器故障数据构造优选特征组合作为模型的输入集,对模型进行仿真分析,再以现场实际收集到的变压器故障诊断数据进行训练和验证,两组数据的仿真结果表明该方法能准确、有效地诊断出变压器故障,与传统方法相比具有较高的故障诊断准确率。