由于能源转换和传输的功能,变压器在电力系统中具有重要的作用。一旦发生故障将会造成大面积的停电,如果不及时采取措施会给社会经济带来巨大损失。因此及时诊断出故障并防止其进一步破坏系统非常重要。油中溶解气体分析(Dissolved Gas Analysis,DGA)是变压器故障诊断技术中最流行的一种。其中气体比值法作为最常用的基于DGA的诊断方法,在故障诊断中存在缺编码和诊断准确率不高等问题。研究人员将智能诊断技术和DGA相结合以提高诊断效果,由于气体比值法存在多种不同的组合,智能算法建立的诊断模型准确率会随着输入的变化而变化,导致诊断模型的鲁棒性不强;目前为止在基于智能算法的变压器故障诊断模型中还没有统一的特征输入量组合。针对当前DGA智能诊断算法的局限性,单一的特性气体比值无法全面反映故障分类的情况。本文结合Rapid Miner和支持向量机用于变压器诊断,针对支持向量机模型参数影响最终诊断结果,提出一种混合优化算法BAS＿PSO来优化支持向量机参数,为寻找到更加有效的智能诊断模型提供了一条思路。本文的研究内容如下:(1)分析了变压器故障的发生原理和产气机理,并且介绍了传统诊断方法的优势和不足。为了寻找到更适合于智能算法的输入特征,使用Rapid Miner软件对数据样本进行分析,挑选出最能代表故障类型的相关变量,将其作为支持向量机诊断模型的输入。(2)鉴于支持向量机的核函数与惩罚参数对支持向量机的最终诊断效果有着很大的影响,使用粒子群、磷虾群和蚁狮等优化算法对其进行优化,并将结果与传统智能算法结果进行对比。(3)优化算法可以寻找最佳的支持向量机参数组合进而提高诊断效果,但是单一智能优化算法容易陷入局部极值中,本文提出新的混合天牛须和粒子群的算法,以粒子群算法作为基础算法,结合天牛须算法良好的局部搜索能力,来弥补传统粒子群的不足,并且通过典型测试函数,验证了混合算法要比改进前的粒子群算法拥有更好的收敛性,最后将这种新的算法用于支持向量机诊断模型的参数优化,并且和前文的单一优化算法进行对比,结果表明:混合算法优化支持向量机的故障诊断准确率要高于单一算法优化。