电力变压器是承担电力系统输变电任务的极重要设备,保障着电力系统的安全可靠运行。对其潜在故障进行准确诊断,减小故障发生造成的损失,一直以来都是电气工程领域的研究热点。油中溶解气体分析是变压器故障诊断中应用最为广泛的一种方式,但传统基于油中溶解气体的故障诊断方法存在着一些方式上的局限性和模糊性的问题。因此,需要寻找更为准确有效的故障诊断方法。本文将先进的智能方法与传统方法进行结合对变压器进行故障诊断,对电力系统的健康稳定发展具有重要的理论和应用意义。变压器工作原理复杂,工作环境恶劣,导致传统的变压器故障诊断存在诊断困难、结果不确定、故障数据不均衡等问题。针对这些问题,本文通过深入归纳变压器故障与油中气体间的映射关系,对无编码比值法进行改进,尝试以粗糙集和概率神经网络融合的方法构建变压器故障诊断模型,收集变压器故障数据并进行了仿真实验。实验表明,粗糙集融合对概率神经网络算法诊断能力有所提高,但仍存在分布不均衡数据影响性能的问题。因此,在异方差概率神经网络的基础上,对不同属性设置不同参数,提出一种基于混合高斯基函数的属性概率神经网络。该方法利用混合高斯核函数实现多参数估计概率密度,沿用最大期望值法的思路,利用粒子群优化算法估计其参数。最后,利用Lab VIEW进行故障诊断软件设计,通过调用MATLAB脚本,实现属性概率神经网络模块的嵌入以及故障诊断的可视化操作和扩展功能。经过仿真实验验证,改进后的属性概率神经网络算法能够有效处理不均衡数据,提高算法精度,具有很好的诊断效果。基于Lab VIEW设计变压器故障诊断系统软件,有利于实现变压器故障诊断便捷化和高效化。