变压器是电力系统转换和传输能量的核心,是涉及到电网安全运行的关键枢纽设备,其运行状态是电网的安全生产和经济运行的基础。为了保证变压器运行的可靠性,采用一定的检测方法对变压器进行早期诊断和故障识别是极有必要的。现有的各种诊断方法各有优势和不足,由于发生故障时变压器状况的复杂性,目前已有的诊断方法并不能完全正确地判断变压器故障类型。随着我国电压等级的增加和电网规模的不断扩大,变压器数量激增,探索新的诊断方法目前势在必行。本文在总结变压器的主要故障模式以及分析变压器油纸绝缘等绝缘材料受热产出气体机理的基础上,以油中溶解气体量为特征量,引入了贝叶斯网络分类器等人工智能学习算法,并对这些算法进行了分析与优化,将其应用于变压器故障诊断问题中。具体工作内容如下:首先,由于人为操作的因素以及现场其他干扰的影响,变压器气相色谱数据在采集和传输过程中难免会存在不良数据。本文基于局部异常因子的异常数据挖掘算法对收集的变压器故障数据进行筛选,剔除了部分异常数据。其次,为了适应贝叶斯分类模型的要求,本文利用ChiMerge离散化算法对连续的油色谱数据进行离散化处理。最后,本文提出了基于多种贝叶斯网络分类器的组合故障诊断方法。在识别异常数据和数量离散化的基础上,利用分类器组合故障诊断方法对变压器进行故障诊断。实验表明本文提出的组合诊断模型的正确率明显高于单项贝叶斯分类器的诊断方法,说明了该算法可以提高变压器故障诊断的可靠性。