在以特高压电网为骨干网架的智能电网建设过程中,电力系统规模逐渐扩大,供电稳定性变得越来越重要,电力变压器是电力系统的核心的部分,它的运行状态关乎着整个电力系统的稳定性。一旦出现故障,将会立即导致整个区域内的电力网瘫痪。因此对电力变压器的故障诊断是一项十分重要的工作。对油浸式变压器内部隐藏的潜在故障的诊断是确保供电稳定的关键。分析油浸式变压器油中溶解气体的目的是确定变压器的运行状态,并且是故障诊断的重要依据。准确预测溶解在油中气体的浓度可为变压器故障诊断提供重要参考。为了解决传统最小二乘向量机算法在变压器气体预测中存在的缺点,如油中溶解气体浓度预测中缺乏考虑油温、负荷、特征气体间的相互影响作用、参数选择困难、预测精度低。采用了一种基于灰关联分析和花授粉算法优化最小二乘向量机的油中溶解气体浓度的预测的方法。首先,利用灰关联分析各因素间的相关性,提取与待预测气体具有强相关性的因素。其次,利用花授粉算法对最小二乘向量机的的参数进行优化。实例分析结果表明,最小二乘向量机的参数可以影响到气体预测的精度,而采用花授粉算法可以对参数进行有效的优化。与支持向量机和最小二乘向量机相比较,本文所提的模型具有更好的预测精度。小波神经网络是一种解决非线性和高维问题的强大工具。为了解决传统小波神经网络算法在变压器故障诊断中存在的缺点,如训练样本样本分布不均匀、参数选择困难、诊断故障错误率高,采用了一种基于模糊聚类和花授粉算法优化小波神经网络的变压器故障诊断的方法。首先,采用模糊聚类算法处理变压器故障样本数据,去除不良数据;其次,应用花授粉算法对小波神经网络的参数进行优化,对小波神经网络的输入输出、传递函数以及隐含层节点数进行确定,最终建立了小波神经网络模型。实例分析结果表明,小波神经网络的参数可以影响到故障诊断的准确率,而采用花授粉算法可以对参数进行有效的优化。与基于粒子群算法的小波神经网络相比,基于花授粉算法的小波神经网络的的故障诊断方法具有更好的收敛性和更低的诊断错误率。