当对变压器进行故障诊断时,由于故障特征与故障类型的映射关系错综复杂,单一特征参量难以对其状态进行全面且准确的评估。随着先进传感器技术在变压器状态监测领域的不断成熟与逐步覆盖,变压器状态数据量不断增长,特征种类日益增多,为基于多源信息融合的变压器故障诊断奠定了良好的数据基础。但这些多源特征具有非线性性、异构性、模糊性与不确定性的特点,仅凭传统的浅层智能分类算法难以保证诊断效果,且单一诊断算法所得结果存在较大的片面性。因此,有必要研究如何有效分析和处理多源特征以及提升分类器的诊断性能。针对已有的智能诊断方法仅使用油色谱信息进行诊断,导致准确率不足的问题,论文基于信息融合技术中特征级融合的理念,提出了一种变压器多源故障信息的特征级融合方法。将油色谱数据作为主要的变压器故障特征参数,并与电气试验、油化试验数据相结合构建多源初始故障特征集,以实现多源信息的互补。考虑到多源特征中蕴含的冗余信息可能会导致诊断性能下降,提出了基于最大信息系数与随机森林的综合式特征选择方法对多源特征进行融合。同时,针对核极限学习机算法故障诊断时特征挖掘能力薄弱以及由于单核函数的敏感性而难以保证诊断效果的问题,提出了深度多核极限学习机模型以用于具体的故障识别。最后,利用深度多核极限学习机及其对比模型对特征融合的效果进行验证。针对单一智能算法采用多源特征作为输入特征进行诊断时所得结果存在的片面性,论文基于信息融合技术中的决策融合理念,采用证据理论进行改进,构建了基于深度置信神经网络、多核支持向量机、深度多核极限学习机进行初步诊断,并且通过证据理论进行决策融合的多层次信息融合的变压器故障诊断方法,从而同时避免信息单一以及方法单一造成诊断结果不够全面、准确的问题。通过实例表明,应用论文提出的基于多源信息特征级与决策级多层次融合的变压器故障诊断方法进行诊断时,其诊断正确率为94.2%,高于基于单一故障特征信息与单一智能诊断算法的故障识别率,可以实现对变压器状态更加全面且准确的评估,从而为变压器状态检修模式的推广提供必要的关键技术支持与科学指导。