随着国内的经济迅速增长,国民用电量大幅提升,对智能电网的安全性和平稳性要求越来越智能化、数据化。电力变压器在智能电力网络中担负着电能传输的重要作用,若变压器突发故障,会对电力系统、社会经济以及国民生活造成严重的影响与损失。将油中溶解气体浓度为的历史数据作为研究基础,分别建立时序预测模型以及故障辨识模型,提前挖掘出变压器隐藏性故障,对变压器的安全运行以及智能电网的可靠运行具有现实指导意义。为准确估计变压器油中溶解气体浓度的变化趋势,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）、长短期神经网络（Long Short-Term Memory,LSTM）以及极限学习机（Extreme Learning Machine,ELM）融合而成的时序分频预测模型。首先,通过引入过零率函数,将EMD方法分解出的气体浓度序列分为高频和低频的子序列分量,以降低模型的计算量;然后,对低频序列分量和高频序列分量分别使用ELM神经网络和LSTM神经网络进行预测,充分利用LSTM网络较强的非线性拟合能力和ELM网络较强的训练速度,实现分频预测模型的优势互补;由于ELM和LSTM网络对超参数的要求较高,在传统的蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）的基础上,提出一种基于双重驱动机制的改进蝗虫优化算法（Improved Grasshopper Optimization Algorithm,IGOA）:引入双重驱动机制,动态更新蝗虫位置调整机制,使得IGOA算法具有较强的搜索性能;最后,叠加所有分量的预测值得到分频预测模型的最终预测结果;实例分析表明,相较于传统单一预测方法和其他组合预测算法,本文构建的时序分频预测模型有着更为强大的学习能力以及预测精度。针对传统的变压器故障诊断方法的诊断精度以及泛化能力有限,提出一种基于相似度机制Ada Boost-DBN的变压器故障层级诊断方法。应用层级分类思想把变压器故障诊断模型分为初级分类器和次级分类器;初级分类器采用Bagging-XGBoost方法,使其诊断结果与变压器油中溶解气体数据进行特征融合作为次级分类器的输入特征;次级分类器采用相似度机制Ada Boost-DBN方法,使用Ada Boost集成学习有效避免深度信念网络（Deep Belief Net,DBN）过拟合效应,通过提出相似度机制为Ada Boost网络的初始样本权重赋值,克服随机因数对诊断结果的影响,进一步提高模型的诊断精度以及泛化能力。该论文有图32幅,表19个,参考文献77篇。