电力变压器作为电力系统中必不可少的基础设备,它的平稳长久运行,关系到整个电力系统的正常运转。因此,针对变压器的智能诊断与故障预测就显得非常必要。油中溶解气体含量作为变压器运行状态评估的重要指标,被广泛应用到变压器的故障诊断与预测领域。本文研究了如何通过变压器油中溶解气体含量来实现变压器的故障分类诊断以及对未来变压器可能发生故障的精准预测。本文在深入研究大型油浸式变压器的结构特点、产气原理、故障类型以及产气与故障之间的内部关联的基础上,结合目前国内外主流的变压器故障诊断方法以及实际所测数据量的大小,提出了一种改进麻雀算法优化支持向量机（Support vector machine,SVM）的变压器故障诊断模型。首先该方法针对传统故障诊断方法诊断准确率低,采用麻雀算法（The sparrow algorithm,SSA）来优化支持向量机的参数,在参数的优化过程中进行了改进,引进反向学习策略来提高麻雀算法初始种群的质量,同时针对麻雀位置易陷入到局部最优的缺点引进了萤火虫扰动策略,提高了算法的全局寻优能力;经过仿真测试,证明了改进后算法具有更好的优化性能;然后构建了最优变压器故障诊断模型。依据相关导则,重构了14组特征输入,确定了变压器的5种故障类型;按照本文提出的故障诊断方法进行实例分析,结果显示本文提出的诊断模型精度更高、效果较好,更适合变压器故障诊断领域。以油中溶解特征气体含量的历史变化特征为基础,提出了一种预测未来特征气体含量变化的模型,该模型主要以极限学习机（Extreme learning machine,ELM）网络为主体,考虑到该模型连接权重和偏置难以选择的缺点,采用改进的麻雀算法进行优选与提升。依据相关的导则确定以变压器溶解的五种特征气体含量作为输入,按照本文提出的预测模型进行实验,实验结果显示预测效果好、精度高。在此基础上,构建了改进麻雀算法优化支持向量机结合提升极限学习机的变压器故障预测模型;经过200组实际数据的实验测试,证明了该故障预测模型具有优秀的性能,可以为变压器的状态检修提供有价值的参考。