目前我国超/特高压变压器大多安装了油色谱在线监测装置,基于油色谱监测数据对变压器进行故障诊断具有现实意义,对于电力系统安全可靠运行十分重要。本文在探索极限学习机及其深度结构算法的基础上,尝试将极限学习机的改进算法应用于基于DGA的变压器故障诊断中,以进一步提高变压器故障诊断的时效性和准确率,更好地对变压器进行运行维护。具体主要做了以下研究:(1)提出了一种NSGA2优化正则极限学习机(NSGA2-RELM)的变压器故障诊断算法。该算法首先利用NSGA2优化正则极限学习机,将正则极限学习机的参数优化问题转化为多目标优化问题;然后用优化后的参数初始化正则极限学习机,以得到更加稳定的网络模型;最后将其用于变压器故障诊断。该算法旨在降低原始极限学习机的经验风险和结构风险,避免对变压器故障诊断准确率的影响。(2)提出了一种深度降噪极限学习机(Deep denoising extreme learning machine,DDELM)的变压器故障诊断算法。该算法首先将极限学习机和降噪自编码器结合构建基本单元——降噪自编码极限学习机;然后将基本单元堆叠构建特征提取器——深度降噪极限学习机;最后将常规极限学习机加在特征提取器后边作为特征分类器,对提取的特征进行分类。这种算法将极限学习机、降噪自编码器和深度学习结合起来,能从含噪声的DGA数据中快速准确地提取特征。(3)使用电厂变压器故障实际数据对以上两种算法进行测试,以检验此两种算法对变压器故障诊断的效果,证明本文提出的两种极限学习机的改进算法在快速高效进行变压器故障诊断上具有一定的应用前景。