电力变压器是电网中能量转换、传输的核心,是电网中最重要和最关键的电气设备之一,其运行状态直接影响系统的安全运行水平,变压器一旦发生事故,导致电网不能正常供电,将带来巨大的经济损失。变压器故障诊断和故障预测是确保变压器正常运行的基础,也是实施状态维修的基础。本文对变压器故障诊断和故障预测方法进行了深入研究,主要研究内容如下:①针对变压器故障诊断的特点,提出分层诊断模型,依据特征气体对各层诊断所提供的有效信息量大小,选择信息量大,冗余度小的特征量集合作为最优诊断特征量,建立分层诊断模型。②应用互信息理论实现变压器故障诊断的特征量选择,针对互信息理论计算方法中不合理的地方,改进了互信息的计算方法;针对互信息理论不适合用于衡量特征量与类变量之间互信息的问题,提出用卡方距离计算特征量与类变量之间的互信息,并修改卡方距离的计算公式,使之与互信息计算具有相同的数量级。用修正的卡方距离度量特征量提供的有效分类信息量,用互信息衡量各个特征量之间的冗余度,为各层故障诊断选择出最优的诊断特征量集合。③用模糊数学解释故障诊断模型中神经网络各层节点的作用,基于此提出了一种自动设计神经网络结构,初始化神经网络权重矩阵的方法。该方法首先按卡方距离的计算思想,分析特征子空间与各个故障类别之间的关系,定义了卡方关系,然后依据子空间与各个类别之间的卡方关系,初始化神经网络连接权重。④为了进一步提高故障诊断的正判率和抗干扰能力,将神经网络群方法应用于变压器故障诊断领域,分析了分层诊断的神经网络群结构,为了提高分类器之间的差异,提出用核主成分分析方法增加特征量,详细分析比较了经过核主成分分析,所得的核特征值、核特征量与分类之间的关系,实验结果表明,核特征值大小不能反映核特征量所提供的有效分类信息量的多少,依据修正的卡方距离和互信息大小选择合适的核特征量,建立分层神经网络群是有效的。⑤分析变压器油中溶解气体组分预测的特点,认为气体组分预测问题的实质是对气体组分变化情况的预测,基于此,提出用气体组分的差值序列建立预测模型,并用气体组分序列的偏差对差值序列进行预处理,消除气体组分大小差异带来的影响,使不同特征气体的差值序列幅值相近,便于后续建立预测模型。⑥由于变压器内部各特征气体组分之间存在互相影响,为每个特征气体单独建立预测模型增加了建模和预测的计算量,不能反映气体变化的实际情况,也会影响预测精度。针对这个问题,提出用模糊认知图方法建立变压器特征气体的统一预测模型,该方法能够从历史数据中学习系统内在的变化规律,在一定程度上实现了对变压器特征气体的长期预测,其短期预测和长期预测效果均达到了一定的预测精度。