本文研究了GA-BP混合算法和粗糙理论在电力变压器故障诊断中的应用。首先研究了将改进遗传算法和误差反向传播(BP)算法相结合的混合算法来训练人工神经网络。根据电力变压器油中溶解气体分析(DGA)，采用反向传播神经网络(BPNN)对电力变压器进行故障诊断时，随着学习样本数目的增多，输入输出关系的复杂化，网络收敛的速度将变得缓慢，收敛精度不理想甚至不收敛。本文充分利用遗传算法的全局搜索性能和BP算法较强的局部搜索能力，提出一种计算精度高、收敛速度快及计算稳定性好的改进GA-BP混合算法，并用于基于油中溶解气体分析(DGA)的电力变压器故障诊断中。实例仿真表明了这种算法应用于电力变压器故障诊断的高效性。应用粗糙集理论中的决策表化简的方法分别对常规IEC三比值诊断表和IEC新导则诊断表进行了化简，得到了简化的诊断规则，它们不但具有与常规IEC三比值法和IEC新导则完全相同的诊断分类能力，而且扩充了常规IEC三比值表的编码范围和IEC新导则的诊断范围，在一定程度上改善了常规IEC三比值表编码缺损和IEC新导则无对应代号的问题，弥补了常规IEC三比值法编码的不足，克服了IEC新导则分类及边界的绝对化，使得IEC诊断法在实际诊断中更具灵活性、实用性和容错性，提高了故障诊断能力。研究了利用粗糙集理论对电力变压器进行综合诊断，提出了一种根据电力变压器的油色谱分析结果和电气试验数据，对电力变压器进行综合诊断的方法。电力变压器一种故障可能引起多个征兆，而一种征兆又可能由几种故障引起，更易出现几种故障同时存在的情况。根据各种各样的征兆对电力变压器的进行综合诊断，实现故障定位，能够给予检修人员很大的指导作用。将变压器的故障诊断描述成一个模式分类问题，利用粗糙集理论中的决策表方法来处理，能够利用故障信息的冗余性，通过避开遗漏的或错误的信息来处理不完备的故障信息。该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论，而且还能从不完备的故障征兆样本集中导出满意的诊断结论，并能够处理变压器的复合故障。