电力变压器作为整个系统的核心元件,它的运行与整个电网的运行密不可分,一旦电力变压器发生故障,就会给人民以及国家的财产带来极大威胁,所以,电力变压器的研究是重中之重。由于变压器出现故障的情况比较少,导致故障数据样本不多,即为小样本数据,针对这一问题,发现支持向量机在处理小样本的多分类问题具有优越性。首先,通过利用溶解气体分析法(DGA技术),采集到故障数据,选取其中的5种对变压器故障影响比较大的油中溶解的气体的绝对百分量,根据数据特点、算法特点等,选出优化方法和分类器类型,构建改进蜂群算法优化支持向量机参数的诊断模型——IABC-SVM。在智能的故障诊断方法中,通常情况下输入特征量都是溶解气体的百分比,经常忽略对数据预先处理是否会影响到故障诊断的正确率,通过对比是否经过预先处理而得到故障诊断正确率,得出的诊断正确率确实受数据预先处理影响比较大,在对原始故障样本数据通过数据变换以及特征选择的方法处理之后,确定诊断所需的故障特征量。其次,为了能够更好的解决人工蜂群算法的缺点,例如:会出现局部极值问题、搜索效率相对比较低等等,针对这些问题,对人工蜂群算法提出了两点改进方法,一是利用二维均匀的方法初始化蜂群,这样能够使食物源均匀的分布在所有解的范围内,不仅增加了人工蜂群的多样性,也使得ABC算法取得较好的搜索速率以及全局搜索能力;二是改进食物源的更新策略,利用欧氏距离的方法,通过此方法使得食物源能够自动的更新食物源,从而提高了ABC算法的收敛性。最后,通过利用GA-SVM、PSO-SVM、IABC-SVM三种不同故障诊断模型所得的故障诊断正确率进行对比分析,为了使诊断结果更具有说服力,本章利用测试样本数据进行了多次测试诊断,结果表明,IABC-SVM对于变压器的故障而言,具有更精确的识别效果。该论文有图13幅,表27个,参考文献71篇。