变压器作为智能电网的一部分,起着变换和传输电能的作用。随着智能电网的发展,及早发现变压器的潜在故障,对电网安全稳定运行具有重要意义。此外,为了减少定期检修带来的停电和过多的维修成本,在线智能监测也十分必要。基于上述背景并结合当前的研究现状,本文以人工智能方法为基础,对变压器的故障诊断做出如下研究:针对变压器故障诊断中DGA算法不能全面反映故障类型,以及部分神经网络模型结构复杂等问题,文中提出了IFA-PNN(Improve Firefly algorithm-Probabilistic Neural Networks)诊断模型。首先,利用改进萤火虫算法对概率神经网络中光滑因子(σ)进行寻优,然后PNN神经网络用最优σ值对故障进行分类。在该模型中,采用融合比值法对输入数据进行处理,使其更具有代表性,提高了PNN神经网络诊断的准确率。改进的萤火虫算法既保证了全局搜索能力,又提高了搜索的精度,快速准确的找到σ的最优值。另外,概率神经网络具有结构简单,分类准确率高等优点。经实验测试分析后,表明该方法具有较高的故障诊断准确率。变压器故障数据具有离散性和较强的非线性,据此文中提出了改进的核Fisher诊断模型。在该模型中,采用欧氏距离对类间矩阵进行加权,用复合核函数代替单一核函数。经改进后的模型,减少了故障数据在投影时的重叠现象,复合核函数具有多个核函数的特点,有较强的非线性处理能力,特别适合处理变压器这类数据量较大非线性强的问题。经测试,该方法是一种有效的故障诊断方法。文中图35幅,表11个,参考文献72篇。