电力变压器作为电网中的核心设备之一,它的正常工作是电力系统安全、可靠、优质、经济运行的重要保证。但是目前随着变压器额定电压的提高、单台容量的增大以及运行年限的增长,变压器停电进行预防性试验的代价越来越高,因此,以在线检修为主要方式的电力变压器故障状态检测技术便应运而生。它是以变压器当前的实际工作状况为依据,识别故障早期的征兆,并对故障部位、故障严重程度及发展趋势做出判断。本文在建立变压器故障运行状态评估的层次指标体系和对定量、定性指标量化的基础上,对变压器状态评估中的几个关键问题进行了深入的研究。由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题。本文针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和pi-sigma神经网络融合在一起,构建了基于混合pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差。用训练过的混合pi-sigma神经网络模型对变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度。证实了该算法应用于电力变压器故障诊断的有效性。从海量数据中学习分类知识,尤其是当获得大量的带有类别标注的样本代价较高时,增量学习是解决该问题的有效途径。本文探讨了一种基于增量式贝叶斯分类器的以溶解气体分析为主结合其它电气试验结果的变压器综合故障诊断方法,该模型可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数,提高诊断效果。实验结果表明,该算法是可行和有效的。