电力变压器是电力系统的重要组成部分,其运行好坏与电力系统的安全性与稳定性息息相关。由于变压器运行的环境一般比较特殊,在其运行过程中难免会发生故障。如今随着社会的进步,有关部门对电力系统供电的质量,电力系统的可靠性和安全性要求逐步提高,所以深入研究变压器新型故障诊断技术十分必要。在诸多基于油中溶解气体的变压器故障诊断方法中,传统的三比值法由于存在比值边界模糊的问题而逐步被智能诊断方法所取代。基于智能算法的故障诊断技术日渐流行,但是由于许多智能算法本身存在的不足,使故障诊断的效果不尽人意,所以,结合多种智能算法,弥补算法间彼此的不足构成诊断系统成为时下研究的新趋势。因此,论文提出了将最小二乘支持向量机和D-S证据理论相结合的变压器故障诊断方法。论文首先对基于油中溶解气体的变压器故障诊断展开探讨,分析了以往比值法的优势和劣势,以此为前提提出了基于人工智能方法进行故障诊断的必要性。然后经过比较诸多人工智能方法的优劣,论文提出了将最小二乘支持向量机和D-S证据理论结合的变压器故障诊断方法,用最小二乘支持向量机多分类模型输出的后验概率作为D-S证据理论的基本概率分配,然后用D-S合成规则和决策规则完成故障诊断。在建立最小二乘支持向量机分类器模型的过程中,论文深入研究了最小二乘支持向量机多分类方法、最小二乘支持向量机核函数选择以及最小二乘支持向量机后验概率输出等问题。为了获得最优的最小二乘支持向量机参数,论文建立了贝叶斯框架下的最小二乘支持向量机,用最大化参数分布的后验概率实现参数优化。论文最终的故障识别由D-S证据理论完成,用最小二乘支持向量机输出的后验概率求取D-S证据理论的基本概率分配函数值,实现了基本概率分配赋值的客观化;最后课题用搜集到的变压器油中溶解气体数据在搭建好的故障诊断模型中完成了诊断,得到了合理的结果,并把应用最小二乘支持向量机并融合D-S证据理论完成的诊断结果与三比值法和单一的最小二乘支持向量机法的诊断结果进行了比较,证明该方法具有一定优越性。论文的研究成果表明,将最小二乘支持向量机和D-S证据理论结合的智能方法应用到电力变压器故障诊断中具有可行性,并具有较高的故障诊断率,也为今后其他类似系统的故障诊断提供了一种可供参考的方法。