变压器在线监测与故障诊断是实现其状态检修的前提和基础。油中特征气体的浓度检测是变压器的主要试验项目和诊断依据之一,但由于模块内外不可避免的会存在噪声干扰,以及目前电力局使用的油色谱故障判断方法过于老旧等原因,油色谱在线监测结果在实际工程应用中的准确度和可信度不高。为了建立一种不改变油色谱在线监测装置硬件,而通过数据处理手段提升其准确度的方法,本文首先利用小波变换对油色谱进行了滤噪和重叠峰辨析的处理,经过对比结果得出了一组有效的小波滤噪参数并利用提升小波提出了一种“对称分割法”实现了对了重叠峰的辨析;随后利用BP神经网络对变压器的故障进行预测,并以遗传算法优化其模型参数加快其计算速度,最后通过测试样本验证了方法的有效性,具有一定理论意义和实用价值。本文完成的主要工作和取得的主要研究成果如下:1、根据在线监测模块中的油色谱浓度图的特点,利用泛化性较强的Tsaill数学模型模拟了变压器油的色谱图并运用小波变换对其进行滤噪处理。通过比较选择不同小波基、分解层数、阈值规则、阈值函数时的峰面积偏差、峰位偏差以及峰高偏差,得到了比较适合色谱滤噪的小波参数,达到了不错的滤噪效果。2、由于系统运行过久器件性能下降以及外部环境的干扰的影响,色谱峰会出现重叠。通过研究重叠色谱峰的特点,利用Tsaill数学模型对其建模,根据提升小波的特性提出了“对称分割法”对重叠峰进行处理。结果表明,重叠峰经过分离后峰位误差在规定的范围内。并利用220kV安边变的某一次在线监测的问题色谱进行验证,计算出浓度后发现与离线测试的特征气体浓度误差很小。3、提出了以BP神经网络算法为核心的变压器油色谱在线监测数据处理方法。以三比值法为依据用氢气、甲烷、乙烷,乙炔、乙烯的三组比值为输入量,以变压器的故障类型为输出量,通过历史数据进行训练并形成模型,从而用以预测样本范围内变压器的故障类型以及性质,再与经过试验确认过后的实际故障类型进行对比,从而判断该变压器是否已存在自身绝缘缺陷。4、为提升BP神经网络的准确性和精度,提出基于遗传优化算法的BP神经网络模型参数寻优方法,并通过测试样本验证其有效性。