载流故障是电力设备的常见故障之一。故障发生时，设备触点的温度将高于正常值。监测和分析触点温度是故障诊断和故障预警的主要手段。目前的故障监测系统只能在线采集、存储、传输和显示触点温度，功能较为简单。为了保证设备能长期可靠运行，有必要分析触点实时温度数据和历史温度数据，及时发现故障、排除隐患。　　 本文提出了一种基于PCA的载流故障在线诊断算法，实时监测触点温度的波动情况，分析触点温度长期变化趋势，并预测故障触点的温度值序列。算法使用主成分分析方法(PCA)处理温度数据，根据主成分特征值判断温度的波动情况。针对不同的分析对象，提出了在线PCA和变尺度PCA两种方法，分别处理在线温度数据和历史温度数据。利用K-means聚类算法分离故障触点和正常触点。利用最小二乘支持向量机(LS-SVM)预测故障触点的温度值序列，并使用一种带感知能力的粒子群优化算法(PPSO)调整其中的各个参数。使用合适的训练样本训练函数回归模型。利用训练所得的模型预测给定起始点后的触点温度值序列，以便判断是否应及时采取措施。