电力变压器作为电力系统中连接不同电压等级电力网的枢纽设备之一,承担着不同电压等级电力网之间的电压变换和功率输送的职责。电力变压器的安全稳定运行对于维持和保障电力系统正常运行至关重要。基于油中溶解气体的变压器故障诊断方法是发现变压器内部潜在故障有效途径。然而目前运用于变压器故障诊断的智能诊断方法种类繁多,并各有优缺点。因此研究集成学习对于开展变压器故障诊断具有实际研究意义。同时,绕组变形作为电力变压器常见的故障类型之一,虽然电力变压器绕组在发生轻微变形时并不会严重影响到变压器的运行,但是如果不及时对变压器进行检修维护,绕组变形程度将进一步加重,甚至绝缘破坏出现匝间短路,严重威胁到电力输电系统的安全稳定性。因此开展对绕组变形的检测研究具有十分重要的意义。综上,本文主要做了以下工作:(1)通过分析电力变压器故障与其油中溶解气体直接的关系，研究了集成学习中较有代表性的Adaboost、Bagging和随机森林三种学习算法。并通过采用决策树作为弱学习器构建了不同的变压器故障诊断模型,分别通过测试集和包外估计验证了基于集成学习的变压器故障诊断的有效性和准确性。(2)采用小波时频变换的方法来代替传统的快速傅里叶变换,并在一台三相干式试验变压器绕组上展开测试。结果显示,基于Morlet小波变换处理得到的绕组脉冲频率响应曲线减小了噪声影响,并保留了重要极值点。此外,在重复测试中,基于Morlet小波变换处理得到的绕组脉冲频率响应曲线保持了良好的一致性。而在绕组变形测试下,随着故障程度增加，频率响应曲线的变化更加明显,并呈现出规律性。