电力变压器在输配电系统中承担着转换电压等级、输送电能的重要功能,是电力系统安全运行的重要支撑设备。变压器在运行过程中出现任何事故都将会带来经济损失,甚至引发严重的社会影响。目前针对变压器的故障诊断技术多采用人工智能算法,虽然人工智能算法的引入很大程度上改善了传统诊断方法的不足,使得故障诊断准确率得到了较大的提升,但在处理融合算法时许多学者单纯利用各种算法的优点进行融合,导致系统出现冗余和互斥,且在故障排查方面,人为的定期巡检对发现故障、处理故障存在一定的延时问题,因此研究快速准确的变压器故障诊断技术和方法,并对故障进行及时有效的消除,对电网的安全运行具有十分重要的意义。为了解决变压器故障诊断目前存在的问题,首先提出了以支持向量机为基础的故障诊断模型,并引入粒子群算法、随机权重对其进行深层次优化,支持向量机算法很好的解决了变压器故障类型与故障特征之间的非线性映射问题,并且在处理小样本数据时具有绝对优势,但支持向量对参数的选择较为敏感,且在实际应用中缺乏选择参数的标准依据,因此借助对参数具有良好调节能力的粒子群算法对其优化,随机权重的引入有效改善了粒子群出现的早熟、局部最优的缺陷,深层次优化算法使变压器故障诊断模型的准确率有了较大的提高。其次设计了以深层次优化模型为处理中心的变压器信息物理融合系统,信息物理系统(Cyber Physical Systems)是一类集成计算、通信网络和物理实体的复杂系统,具有实时感知、动态控制和信息服务等特点。将此系统应用于变压器故障检测中,可以及时分析变压器的运行特征,有效解决故障诊断过程中出现的动作延时问题。基于信息物理融合的变压器故障诊断过程主要是通过安装在变压器中的物理设备采集变压器的状态数据,并经传输网络将数据传至电网控制中心,控制中心采用深层次优化故障诊断模型对数据做进一步处理,得出判断结果并对相应的故障做出决策,实现了对变压器运行状态的实时监控。通过不同学习网络仿真实验对比,其结果表明深层次优化模型具有较高的诊断诊断正确率。