变压器作为电网能源变送及分配的重要枢纽,其运行状态密切影响着电网的安全运行和经济效益。理论研究和应用实践表明,变压器表面振动信号的基频幅值是评判变压器状态的重要依据,并与变压器工况数据之间具有非线性映射关系。基于变压器工况数据对基频幅值进行预测并对比分析预测值与实测值的偏差,是判断变压器是否存在异常的有效手段。因此,快速准确地预测基频幅值具有重大意义。合适的模型及模型参数是对基频幅值进行准确预测的关键,本文提出一种基于改进人工蜂群算法（Hybrid Artificial Bee Colony,HABC）优化极限学习机（Extreme Learning Machine,ELM）的基频幅值预测模型。ELM擅长处理非线性问题,同时具有运行速度快、人为干扰因素小等优势,但其输入层权值和隐含层阈值随机产生的特点也使得输出结果具有一定的波动性。人工蜂群算法（Artificial Bee Colony,ABC）具有搜索精度高、易操作、鲁棒性强等优点,可对ELM的参数进行优化,但该算法也存在收敛速度慢、局部开发能力弱的缺陷。本文对ABC算法进行改进并用于优化ELM的输入层权值和隐含层阈值,以进一步提高基频幅值的预测精度,主要研究内容分为三部分:（1）分析振动信号的基频幅值与工况数据之间的关联性。在分析变压器表面振动信号频谱特性的基础上,采用灰色关联度算法探寻基频幅值与工况数据中各状态量之间的关联性,并筛选出运行电压、负载电流、油温三个状态量作为基频幅值的预测相关向量。（2）针对ABC算法的缺陷进行改进,提出一种新型的HABC算法。首先,在蜜源初始化阶段引入反向学习机制使得蜜源分布更加合理;其次,改良了各蜂种的搜索公式,促使蜂群在最优蜜源附近搜索新蜜源并在搜索过程中时刻受到最优蜜源的牵引,并嵌入柯西变异算子增强算法跳出局部最优的能力;最后,基于五个标准测试函数进行实验仿真,验证本文改进方法的有效性。（3）建立HABC-ELM预测模型并完成对基频幅值的预测。采用HABC算法对ELM模型的输入层权值和隐含层阈值进行迭代寻优,建立HABC-ELM预测模型;将运行电压、负载电流、油温三个状态量作为模型的输入,对基频幅值进行预测。以变压器表面不同位置的实测数据开展实验,验证所提模型的有效性和可行性。