电力变压器担负着电网中电能变换与传输任务,是电力系统安全可靠、经济优质运行的重要保障。因此,对其潜伏性故障进行准确判断,减少和防止故障发生频率,并及时制定状态检修计划对整个系统而言意义重大。油中溶解气体分析(dissolved gas analysis,DGA)作为油浸式电力变压器故障诊断中应用范围最广应用时间最长的一种诊断方式,具有良好的故障诊断成效。本文根据当前DGA智能诊断算法中所具备的特点及局限性,将多层次分级思想贯穿始终,通过搜集大量专家经验与变压器状态数据深入研究了DGA数据与故障类间映射关系,以探索更有效的变压器故障诊断模型。本文构建的主要模型如下:首先,构建了基于粗糙集与决策融合的故障诊断模型。本模型在细致分析变压器故障产气机理与相关参考文献后,对传统DGA比值进行一定调整,并采用粗糙集理论对其进行有效降维。随后,利用信息融合对来自多分类器的多源诊断结果进行综合分析与决策融合以获取最终诊断。该方法实现了DGA冗余特征信息的筛除,采用多层次机器学习互补与信息融合思想克服了单一诊断局限性,能获取更有效的诊断结论。其次,构建了基于邻域粗糙集与多核支持向量机的变压器多级故障诊断模型。本模型对气体比值进一步调整后,采用邻域粗糙集获取各阶段属性重要度高的有效特征信息,并以此建立多层次分级诊断模型,以实现粗糙集缺陷优化并获得DGA数据与故障类间相关量化信息。此外,将多核支持向量机作为分类器,以克服单一核函数变化空间狭小与鲁棒性低的缺陷。实例分析证明,该方法不仅量化了故障特征与故障类间的模糊信息,而且具备良好的故障判定效果,能进一步提高诊断准确率。最后,为削弱分类数据不平衡性对故障诊断的制约,沿用分级诊断思想构建了基于K-S检验及NSMOTEBoost SVM的故障诊断模型。本模型采用K-S检验从统计角度筛选90%置信区间内各诊断层有效特征信息作为故障输入。此后,将NSMOTE重采样方式与集成学习BoostSVM分类器相结合构成可以应对数据不平衡性的新分类器进行诊断。实例证明该方法增加了少类样本诊断准确率,针对类间数据不平衡导致的诊断性能降低问题具有一定抑制作用,可提升整体样本诊断效果。