电力变压器是电力系统中的重要设备之一,其运行状态直接关系到整个电网的安全稳定。随着电力行业的发展,电力系统装机容量日益増长,变压器无疑面临着日趋严重的材质劣化和绝缘老化问题,甚至引发重大停电事故,并造成严重的经济损失。因此,对电力变压器进行深入有效的故障诊断研究,指导变压器的维护检修,具有重要的理论和实际意义。基于油中溶解气体数据(DGA数据)的电力变压器故障诊断方法能准确及时的发现变压器潜伏性故障,提高变压器的运行维护水平,在此基础上,本课题尝试将智能算法、数据处理方法与擅长解决非线性小样本分类问题的支持向量机(SVM)相结合,研究一种电力变压器故障诊断的新方法。本文的主要研究内容如下:(1)将SVM应用于电力变压器故障诊断中,利用灰狼优化算法(GWO)优化其参数,并针对GWO算法迭代后期收敛速度慢、易陷入局部最优的缺点,对α、β、δ狼的更新机制进行了改进,向其引入了差分进化机制,提出了一种改良的灰狼优化算法(MGWO)。测试函数的寻优实验结果表明,MGWO算法具备丰富的种群多样性与优秀的全局搜索能力,可以作为SVM参数优化的有效工具。(2)确立了电力变压器状态的评价指标与参诊类型,利用主成分分析(PCA)对DGA数据集进行特征重构,从而来消除数据建模导致的特征混淆现象。对DGA数据集、PCA特征重构的DGA数据集执行min-max归一化处理,用于SVM模型的建立。(3)利用DGA数据集、PCA特征重构的DGA数据集训练MGWO-SVM变压器故障诊断模型,并使用测试集样本验证各模型的诊断能力,将诊断结果与灰狼优化算法、粒子群算法(PSO)、遗传算法(GA)以及IEC三比值法进行对比。实验结果表明,基于PCA特征重构的DGA数据集建立的MGWO-SVM模型拥有最高的模型精度与故障诊断准确率,具备优秀的泛化性以及预测能力,可以为变压器的故障诊断提供坚实的技术支撑,存在实际应用的价值。