总所众知,电力变压器在整个电力系统占据举足轻重的地位。目前国内大型电力变压器主要为油浸式,其内部在某些情况下可能会有空气进入,例如在一些生产出厂或者高负荷运行的场合,当电力变压器中的绝缘油与一些绝缘材料长时间与空气接触后,可能会发生劣化现象,造成产生故障的隐患,所以难免会出现一些故障。当故障发生时,电力变压器绝缘油中将会产出一些故障气体,然而不同的故障气体往往对应着不同的故障类型,且不同的故障之间存在着一定的关系,因此需要对电力变压器绝缘油中溶解的气体进行周期性的分析,以便于完整的掌握电力变压器的运行状态,及时应对发生的故障。本文分析了目前主流的油中溶解气体分析法（DGA）,针对所采集不同状态的DGA数据,结合了聚类算法对数据处理方面的自适应能力与对噪声相对不敏感的优势,提出了一种改进的具有噪声的基于密度的聚类算法（DBSCAN）的油浸式变压器故障诊断方法;此外,利用支持向量机（SVM）在处理分类方面结构风险最小化的优势,将海洋捕食者智能优化算法与支持向量机相结合,提出了一种基于支持向量机的故障诊断模型;同时,为进一步地提高故障预测的准确性和模型的收敛速度,采用了交叉验证、网格寻优的方式,寻找最优的高斯径向基核函数的最优参数,达到最优的分类效果与准确性。本文主要的工作如下:（1）分析了目前主流的油中溶解气体分析法的优缺点,结合了DBSCAN算法的高度自适应能力,对传统的DBSCAN算法进行了改进,使其能够发现任意形状的簇,对聚类结果没有偏倚等特点;提出了一种优化后的具备噪声的基于密度的聚类算法。提高了在簇数上精确性,也加强了故障诊断的准确度。（2）利用了支持向量机在处理分类方面结构风险最小化的优势,同时针对一些传统优化算法普遍存在的收敛速度缓慢、易陷入局部最优等局限问题,提出了一种基于海洋捕食者算法与支持向量机结合的故障诊断方法（MPA-SVM）。该方法是一种解决小样本分类的新思想,优化了系统的收敛速度与寻优能力,提高了系统的鲁棒性与故障诊断的准确率。（3）针对SVM核函数参数和惩罚参数选取设定的问题,目前国内外并没有统一的方法,提出了一种交叉验证网格寻优的方法来获取最佳的参数;通过设定参数的变化范围,对SVM分类器进行分类训练,简化了参数求取的步骤。提高了SVM模型的分类能力,故障诊断的正确性也获得了提升。