变压器是电力系统最重要的设备之一,它的运行状态直接关系到电力系统的安全运行,通过监测变压器潜伏性故障的发生以及判断故障发展的程度,可以预防由此引发的重大事故。由于变压器发生故障时,其油中气体的成分和组成含量与变压器的故障类别和严重程度密切相关,因此,监测变压器油中气体变化及其发展趋势,是目前最常用的变压器监测方法。实际上变压器气体征兆与故障原因之间存在复杂性和模糊性,难以建立精确的数学模型,是一个非常困难的学习问题,靠单一的分类器和测量手段难以解决。而作为多分类器集成的神经网络集成方法可以对复杂问题采取“分而治之”的策略,在变压器故障诊断中有天然的优势和巨大的应用前景。本文研究的个体差异性集成学习通过网络设计的主动性和并行学习的协同性,解决个体网络生成的随机性和盲目性,极大降低集成中网络的冗余和规模,是一类适合工程化应用的高效神经网络集成方法。传统神经网络集成中个体网络生成中存在随机性和盲目性,网络训练通常独立进行,缺乏协同,难以保证个体网络的差异。通过对神经网络集成误差公式的理论分析,提出了一种能主动引导个体网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解,使个体网络的训练准则函数中包含个体网络误差相关度的因素,并通过协同训练,引导个体网络进行差异性学习。基于此,本文提出差异性神经网络集成对变压器油中溶解气体的诊断模型,实验结果表明,相同条件下,主动差异性神经网络集成方法对参与集成的个体网络分类精度要求不太高,能显著地提高集成学习系统的稳定性和泛化能力。该方法的故障诊断准确率优于传统的三比值法与BP神经网络,其性能也比经典的集成方法Bagging和Boosting方法更稳定可靠。提出一种输出数据修正的新型差异性神经网络集成方法,通过修正输出目标数据引导个体网络的差异性学习,提高集成网络的泛化性能。主动差异性神经网络集成方法中成员网络均采用反向传播算法,限制了算法在不同分类器中的广泛应用,而新型差异性集成方法还可以集成多层感知器,径向基函数网络等异构网络。最后讨论了集成网络训练需要的通信代价,分析表明,新型差异性方法明显降低了网络的通信成本,是一种更高效的利于工程应用的神经网络集成方法。本文从个体网络生成的主动和协同性出发,基于网络个体负相关差异评价,研究了两种主动引导个体网络进行差异性集成学习的方法,并将其应用在电力变压器的故障诊断中,取得了良好的诊断效果。