在电网输送电环节中,变压器是不可被替代的重要节点,保障变压器的稳定运行是保障我国经济以及人民生活质量的前提。随着时间的推移,变压器的部件会不可避免的发生老化,甚至是导致变压器故障,造成设备损毁,同时,变压器在投运中受制造工艺、外部环境的影响不可避免的也会发生故障,给经济、生活带来巨大影响。因此,有前瞻性的针对变压器进行检修以及提升故障检测水平势在必行。随着人工智能技术的进步与普及,对油中溶解气体与故障间关系的明确下,以油中溶解气体数据为基础进而对变压器故障识别成为了近些年的研究热点。本文的主要研究内容有如下几个方面:首先,以油中溶解气体DGA(Dissolved Gas Analysis))数据为研究对象,通过分析绝缘油裂解时产生的气体与变压器故障类型之间的关联关系,明确了以H2 CH4 C2H6 C2H4 C2H2、、、、五种气体含量数据作为故障识别的基础,同时,通过分析故障发生时特征气体的冗余性,利用主成分分析法对五维数据进行特征提取,简化数据结构,提升模型计算效率。其次,本文利用提取到的DGA特征数据对变压器故障类型进行划分,初步划分后利用实测故障与划分结果进行对照,筛选出故障类型划分中错误划分的数据,随后对筛选出的数据再次进行故障识别。其中,在数据划分上本文采用了点密度加权优化的FCM(Fuzzy C Means)方法,通过点密度计算对样本数据赋权,加强了各个数据的空间识别效果,实验结果显示,基于特征数据与点密度加权的FCM方法对故障类型的划分准确率上较基本FCM对故障类型划分的准确率提升了13.54%,故障类型划分效果较好;在错误划分的数据筛选上,一方面本文将聚类的划分结果与实测变压器故障记录进行对照,挑选出分类错误的样本,进行进一步故障类型识别与诊断;另一方面,针对在实际故障诊断中没有实测记录进行对照筛选的问题,本文利用聚类隶属度的比较对模糊点或离群点进行筛选,最大程度提取出可能分类错误的样本数据。最后,针对提取出的划分错误数据以及离群点数据的故障分类与故障识别问题搭建基于量子遗传神经网络的变压器故障分类模型。在以特征提取后DGA数据基础上,通过量子计算中的量子比特编码及量子旋转门的方法优化遗传算法,在模型中对神经网络神经元的权值进行优化,减少局部最优问题,提升整个模型的准确性。通过实验分析表明,通过量子遗传算法优化后的变压器故障分类准确率提升5.36%,准确率达到91.70%。