电力变压器是电力系统的关键设备,其安全稳定的运行是电能输送的保障。基于油中溶解气体分析的变压器的离线监测,是通过定期的检修,对变压器油中气体进行取样分析。由于离线监测试验周期长、操作过程复杂,工作人员很难准确地掌握变压器的运行状况,往往不能及时地判断变压器内部潜伏性故障。而现有的在线监测系统所以如何建立一套可靠的变压器在线监测系统,是目前急需解决的问题。常规的变压器故障诊断方法,是根据变压器油中溶解气体的组分含量以及气体相对浓度的比值法进行故障诊断,由于变压器的故障机理和故障征兆之间复杂的关系以及故障本身的模糊性,这些方法并不能准确地判断变压器故障类型,所以如何提高变压器故障诊断的准确率也是目前研究者们需进一步解决的问题。该文以变压器油中溶解气体(DGA)为依据,采用BP神经网络对故障样本进行训练学习,将特征气体和故障类型作为网络的输入层和输出层节点,实现了变压器故障诊断的智能诊断方法。并通过对蚁群算法的改进优化BP神经网络的权值,解决了 BP神经网络训练时间长、易陷入极小值等问题,加快了神经网络的收敛速度,并实现了全局最优。根据各种智能方法自身的优点,将遗传算法、模糊C均值聚类、粒子群算法以及BP神经网络这4种单项诊断方法综合起来,建立融合诊断模型,通过最优权值的计算,对变压器的故障类型进行精确的诊断。经实例分析,证明了该方法对于变压器故障诊断的有效性和可靠性。该文还设计了一套基于光谱吸收法的多组分变压器在线监测系统,该系统采用可调谐半导体激光光谱吸收(TDLAS)的原理,无需载气且测量准确、灵敏度高、稳定性好,能够实现对变压器的快速在线监测。