电力变压器是电网中重要的电气设备之一,电力变压器的可靠对电网的稳定有着重要的意义。电力变压器一旦发生故障,电力系统的稳定将难以为继,严重的情况下电力系统将会瓦解。甚至会造成重大的经济损失。因此,对电力变压器实时在线的诊断是非常有必要的,不仅可以提前发现电力变压器一些潜伏性的故障,还可以对电力变压器的早期故障进行诊断。目前,变压器的故障诊断已经形成了一套体系,电力变压器油中溶解气体含量与变压器潜伏性故障具有非线性的对应关系。传统的方法就是通过分析变压器油中溶解气体含量来分析电力变压器的故障类型。然而,变压器故障诊断存在很多问题,如传统的诊断方法容易陷入局部最优而不能达到全局最优,使诊断结果出现较大的偏差;传统支持向量机的模型参数对电力变压器故障诊断精确度影响较大;电力变压器故障数据不易获取以及电力变压器故障诊断正确率不高的问题。针对以上问题,本文提出一种两级级联的电力变压器故障诊断算法。首先采用关联气体的方法对电力变压器是否故障进行初始判别。在分别介绍遗传算法、支持向量机的基本思想、基本原理的基础上,用遗传算法对支持向量机的模型参数进行优化直至其模型参数达到最优,接着采用优化好的支持向量机分类器对电力变压器具体故障进行判别分类。最后,将本文所用的基于关联气体和遗传算法优化的支持向量机的故障诊断同IEC三比值法进行对比。结果表明:遗传算法优化支持向量机能够有效识别变压器故障,且故障诊断的正确率比三比值法正确率更高。