电力变压器是电网中的关键电气设备,它担负着改变电压、传输电能的作用,其运行状态直接关系到整个电力系统的稳定性和安全性。电力变压器一旦发生事故,造成的经济损失和社会影响是巨大的。对电力变压器进行故障诊断和故障预测是保证其正常运行和实施状态检修的基础。本文针对电力变压器故障诊断中样本有限、非线性、不确定性等特点,以支持向量机为主,结合其它智能方法,对标准支持向量机进行融合改进,提出基于改进支持向量机的电力变压器故障诊断与预测方法,对电力变压器故障性质诊断、故障部位识别和故障预测三方面的问题进行了研究,并研发了电力变压器状态检修辅助决策系统。在电力变压器故障诊断方面,首先深入研究了二叉树支持向量机多分类算法,比较不同树结构对分类精度和分类速度的影响。针对二叉树支持向量机结构根据经验知识主观确定的缺陷,研究了根据数据样本特性基于聚类思想构建二叉树的方法,提出一种基于模糊C均值聚类和分裂层次法构建完全二叉树的方法,该方法能有效挖掘数据样本中隐含的知识,客观地反映样本类型问的关联性,有助于减少误差累积,提高分类器的准确率。本文利用该方法构建了电力变压器故障诊断的完全二叉树支持向量机,以油中溶解特征气体相对百分比含量为特征量,将电力变压器内部故障划分为七种,进行了实例诊断,结果表明该方法克服了改良三比值法中编码缺失和边界绝对化所带来的误判,避免了一对一和一对多支持向量机存在的拒分、误分问题,提高了电力变压器故障诊断的准确率。在电力变压器故障部位识别方面,深入研究支持向量机后验概率估计理论,利用一对一支持向量机和逐对耦合法实现两两配对概率向多类概率的转化,有效地解决了支持向量机多分类概率输出问题。针对信息融合诊断方法中难以确定基本概率分配的问题,提出一种利用支持向量机后验概率构造基本概率分配函数的方法,该方法能在有限样本条件下实现基本概率分配函数赋值的客观化。本文利用该方法构造了电力变压器油中溶解气体相对含量、比值以及电气试验数据三个证据体的基本概率分配函数,建立了基于支持向量机和D-S证据理论的电力变压器故障部位识别模型。通过实例分析表明,该模型能有效识别故障部位,在准确率和泛化性方面较单一特征的支持向量机和多神经网络与证据理论融合诊断方法有明显优势。在电力变压器故障预测方面,深入研究模糊支持向量机回归理论。根据时间序列预测中,当前预测与近期数据的关联性强,而与早期数据的关联性弱的特点,本文提出一种基于模糊支持向量机的时间序列预测模型,按照采样时间由近及远赋予由大到小的权重,反映出近期数据对后续预测的影响大于早期数据,并将其应用于电力变压器油中溶解特征气体含量的预测中。针对目前油中溶解气体含量预测中缺乏考虑油温、负荷、特征气体间的相互影响作用,提出利用灰关联分析各因素间的相关性,提取与待预测气体具有强相关性的因素,剔除相关性较弱的信息。本文将灰关联和模糊支持向量机紧密结合,建立了基于灰关联和模糊支持向量机的油中溶解气体含量预测模型,并将预测结果与故障诊断方法相结合,实现电力变压器故障预测。通过实例分析表明,该预测模型较以往预测模型具有更高的预测精度,可用于电力变压器故障预测中。最后,将基于改进支持向量机的故障诊断与预测方法应用于电力变压器状态检修辅助决策系统中。分析了电力变压器状态检修辅助决策系统的设计原则,给出了系统的体系结构和功能框架,设计了故障诊断和故障预测流程,构建了故障诊断和故障预测模块。利用Eclipse开发平台和Java语言,实现了系统软件的开发。该系统已在国家电网和南方电网的相关电力公司试运行,运行结果表明,该系统运行稳定,有助于及时了解电力变压器的健康水平,实现电力变压器的故障诊断与预测,为电力变压器状态检修决策提供了技术支持。