在电力系统中,变压器属于最重要的大型电气设备之一,变压器可靠运行也是保证电力系统整体稳定的关键环节之一。近年来,我国经济高速发展,用电需求逐年增加,电压等级更高、变电容量更大也逐渐成为变压器发展的必然趋势,因此,如何保证变压器安全、可靠运行具有重要的现实意义。目前,以故障诊断技术为核心的变压器状态维修,是保证变压器稳定运行的重要手段。在变压器故障诊断领域,油中溶解气体分析(Dissolved Gas Analysis,DGA)法能够在线实时监测变压器油中的气体数据,在国内外得到了广泛的应用。本文根据支持向量机能够有效解决高维、非线性以及局部最优等问题,且具备处理小样本数据的优势,采用支持向量机构建故障分类器模型,在此基础之上,考虑到二叉树支持向量机比一对多组合、一对一组合和有向无环图具有测试速度快、不存在不可分区域等优点,构建二叉树支持向量机诊断模型。最后,鉴于变压器故障类型诊断结果受支持向量机的参数直接影响,为优化支持向量机参数模型、提高故障诊断准确率,本文还提出了用遗传算法对影响支持向量机分类精度的两个主要参数C和g进行寻优,通过建立初始特征集合,并根据根据遗传算法编码规则,将支持向量机惩罚因子、核参数及特征子集进行染色体编码,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,解决了支持向量机的模型参数对电力变压器故障诊断正确率影响较大的问题。并利用测试集和故障实例验证诊断性能。实例分析结果表明:该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机—遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。