电力变压器是电力系统中的重要部件,对电力系统的安全运行具有重要的作用。对变压器进行故障预测和诊断是保证其正常运行和实施状态维修的基础。变压器油中溶解气体含量是变压器运行状态的重要特征指标,根据变压器油中溶解气体含量的历史数据相对准确地预测未来一定时期内含量的变化趋势,对变压器运行状态的评估以及合理安排检修具有重要意义。本文研究了变压器油中溶解气体含量的变化预测以及可能引起变压器故障的分类诊断问题。文中给出了一种根据气体含量历史数据确定未来数据的预测方法。该方法针对传统预测方法的预测区间短以及预测精度相对较低的问题,以差分自回归移动平均模型(ARIMA)为基础,在优选参数和模型检验过程中进行改进,通过3种准则筛选模型,利用4种检验方法确保模型的精度,对模型进行参数估计、修正,得到最优预测模型。依据相关导则确定变压器油中溶解的5种气体类型,按照本文给出的预测方法进行预测实验,实验结果表明预测效果较好,可以为合理安排变压器的状态检修提供有价值的参考。以油中溶解特征气体含量为特征量,给出了一种变压器故障诊断方法。该方法主要运用卷积神经网络算法原理构建诊断模型,针对传统的神经网络易发生过拟合的问题,对模型的池化运算进行改进,在池化层采用最大值dropout池化方法代替原有的均值池化或最大值池化,增强了模型的泛化性能。以变压器油中溶解的5种气体含量值为输入向量,变压器的6种状态对应的编码值为输出向量,在模型建立过程中分析参数的位置和数量、并通过优选函数的方法确定激活函数,详细讨论了卷积核的大小与数量、迭代次数、每组样本的数量对模型准确率的影响。将该方法生成的网络应用于变压器故障诊断,不仅克服了传统三比值法中编码不足和绝对边界造成的误判,提高了诊断的准确性,且规避了BP神经网络过拟合的缺点。诊断算例证明了本文方法的有效性。