电力变压器的安全稳定运行对整个电力系统而言意义重大。故障诊断技术的应用是保障电力变压器安全的重要手段,油中溶解气体分析(Dissolved Gas Analysis,DGA)可为变压器故障诊断提供重要依据,且特征气体含量支持在线监测,对其进行分析可发现早期潜伏性故障,预防严重故障发生。研究如何从原始可测特征气体数据中提取出电力变压器运行状态敏感的特征量,以及在此基础上研究故障精确分类的方法是电力变压器故障诊断的重要关注点。本文针对电力变压器故障状态识别问题,从特征提取与故障分类两个层面展开研究。主要研究内容如下:(1)针对电力变压器原始特征数据存在的相关性和冗余性,对后续的故障状态识别性能产生影响等问题,引入核近邻保持嵌入(Kernel Neighbor Preserving Embedding,KNPE)非线性流形学习方法进行敏感故障特征提取,提出以下三种改进模型,实例分析验证了这些模型的有效性。①针对KNPE算法在评估近邻相似度时忽略了类别信息及样本间的关联关系问题,将提出的监督核共享近邻(Supervised Kernel Shared Nearest Neighbor,SKSNN)相似性度量方法运用于该算法中,形成一种新的基于监督核共享近邻的局部保持投影(Kernel Neighbor Preserving Embedding Based on Supervised Kernel Shared Nearest Neighbor,SKSNN-KNPE)特征提取算法。该算法充分利用样本类别信息及样本间的紧密程度构建局部近邻图,可以更有效揭露原始数据集的低维流形结构。②针对KNPE算法对样本数据的全局分布特征把握不佳的问题,提出了正交全局与局部保持嵌入(Orthogonal globality and locality preserving embedding,OGLPE)非线性流形学习特征提取方法。该方法兼顾全局分布方差保持特性与局部非线性流形结构保持特性,并引入正交化条件以消除嵌入向量间的冗余信息,相比于KNPE算法更利于提取原始数据集中的有效信息。③针对核属性约简算法的无监督性以及核参数确定困难的问题,构建一种面向多分类任务的自适应核参数优化学习框架,将其与KNPE算法相结合形成监督自适应核近邻保持嵌入(Supervised Adaptive Kernel Neighbor Preserving Embedding,SAKNPE)特征提取算法。该算法充分利用样本类别信息,建立一个对数据敏感的自适应核函数,并以最大化类内相似度、最小化类间相似度为目标对自适应核函数中表征类别信息的权值向量进行迭代计算,实现核函数的自适应优化学习,防止核参数选取不当对最终结果带来的不利影响。在处理类似于电力变压器运行状态识别的多流行学习问题时,相比于无监督KNPE算法,SAKNPE更具明显优势。(2)针对k-最近邻(k-nearest neighbor,kNN)分类算法方法存在的不足,提出了云自适应模糊k-最近邻(Cloud Adaptive Fuzzy k-nearest neighbor,CAFkNN)分类方法,通过UCI数据集验证了该方法的分类精度与抗噪能力。将CAFkNN分类方法运用于电力变压器故障诊断,结果表明CAFkNN算法具有强泛化能力和高鲁棒性,面临小样本问题或样本数据不均衡问题时也能保持良好的诊断效果。(3)为了有效融合DGA数据中的特征信息,并进一步提升诊断结果的准确性与可靠性,建立了在特征层与决策层实现信息融合的电力变压器综合诊断模型。在特征层采用加权的方式实现特征空间融合,提高单一诊断模型的分类识别精度;在决策层基于DS证据理论对各单一诊断模型的判断结果进行有效融合,克服单一诊断模型结论的片面性、不确定性及风险性。实例分析表明,与基于单一特征空间和单一分类器的诊断模型相比较,综合诊断模型能有效提升诊断结果的准确性和可靠性。