变压器故障诊断可靠性的提高有利于进一步落实变压器的差异化运行维护和状态检修。目前应用较为广泛的评估方法为三比值法,该方法存在编码不全,无法覆盖全部故障类型,评判标准过于绝对的缺点。随着监测设备的投入和检测手段的提高,越来越多的变压器特征数据被收集,这为基于智能算法的变压器故障诊断方法的研究提供了数据基础。这些数据表征了运行工龄工况不同、工作环境差异较大、试验设备有不同程度的误差、检测周期不一致以及不同原因导致故障的变压器状态。本文围绕如何提高以特征数据为建模对象的变压器故障诊断模型精度的问题展开研究,论文的主要内容有:(1)考虑到数据形成环境复杂,采用人工收集的方式,可能存在离群值。本文利用结合密度聚类的模糊C均值算法取代人工的数据挑选方式,实现了数据噪声的分类清洗,使剔除离群值和边缘值后的数据所反映变压器状态特征信息更清晰,提高了数据质量和价值密度。(2)研究现已提出的变压器故障诊断方法,针对方法输出精度低的问题,提出基于智能极限学习机的变压器故障诊断方法,将表征变压器状态的数据转换变为数学模型,输出可靠的诊断信息。为此,本文利用免疫算法对粒子群进行改进,克服了种群容易陷入局部极值的不足,提高了全局快速寻优能力,令模型输出精度更高更稳定。(3)研究以单纯追求较高的训练输出精度作为参数寻优的目标时,最优解可能导致模型过度拟合的问题,本文利用正则系数对模型进行过拟合的惩罚性调整,有效提高了模型泛化能力。算例验证表明了基于智能极限学习机的变压器故障诊断方法的有效性和可行性,并通过与基于极限学习机、正则极限学习机、最优正则极限学习机、粒子群优化极限学习机和遗传算法优化极限学习机分别构建的变压器故障诊断模型比较,本文所提本方法计算精度和鲁棒性更优,计算耗时更短。