变压器故障诊断问题由来已久,作为重要的变电设备,它的稳定运行关系到供电的稳定与否。如何将故障特征反映为故障本身是其关键所在,二者属于非线性关系。前人已就油解气故障特征结合人工智能算法对这一问题取得了一定成就,形成了一套较为成熟的基于油解气法的故障诊断理论。随着变压器诊断技术的不断发展,声频信号、图像信息、电气信号、渗漏油及温度等都已成为故障诊断的特征信息,形成了新的故障诊断方法。在实际工况中由于变压器故障复杂,单一的特征信息无法全面的进行故障诊断,有些特征信息可以定性故障,有些则适于定位故障。因此传统的单源信息诊断技术无法满足变压器故障诊断的需求。基于油气量的变压器故障诊断是本文对于各种特征量诊断中的重要研究内容。变压器发生故障或者运行异常时,会产生油气量的各种特征气体的信息,这种诊断方法对于变压器故障状态检测及故障定性有着很好的效果,本文对此方法利用非线性问题处理能力强大的BP神经网络理论进行研究,并采用自适应变异粒子群算法对BP网络进行优化,在matlab里实现了仿真验证。基于超高频的局部放电信号变压器诊断,此方法能利用超高频信号对故障进行较为精准的定位,根据测得的波形数据可大致确定放电类型,本文从此种特征信息的产生机理,及具体的定位原理做了相关的阐述,对几种典型的局部放电进行了建模仿真,并对此方法采用小波包分解以及核主成分分析法对特征量的提取及优化做了相关研究。最后引入信息融合的理论,介绍了它的一些融合模型以及模型算法,将两种特征诊断方法进行结合以求提高诊断效率。本文拟采用决策层融合,它具有较高的灵活性以及容错性,抗干扰能力强,对单一传感器的依赖小。