电力关系到国民经济的持续发展,而电力变压器是电力系统中最重要的电气设备之一,其运行状态直接影响电力系统的安全水平。变压器油中溶解气体分析(Dissolved Gas-in-oil Analysis,DGA)是变压器内部故障诊断的重要手段,它为间接了解变压器内部的一般隐患提供了重要依据。国际电工电气委员会据此推荐了基于油中溶解气体分析的三比值方法,但该方法中存在一些缺陷。如何进一步发挥油中溶解气体分析诊断方法的优势,及时、准确地分析变压器内部的早期故障,已成为高压电气设备故障诊断研究的一个重要方向。国内外学者从专家系统、模糊数学、人工神经网络(Artificial Neural Network,ANN)、信息融合等角度,对其进行了研究,取得了一定的效果。对此,本文基于油中溶解气体分析数据,采用不同的方法对其与故障之间的关系进行了研究。由于故障征兆和故障类型之间存在着复杂的非线性关系,使得诊断系统的数学模型很难获取。而人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点,为解决这一问题开辟了新途径。因此,本文采用BP神经网络来研究变压器故障诊断系统。但是如何使BP网络被足够泛化,即不收敛于局部极小点,是一个关键问题,此外,采取传统的单一人工智能诊断方法,存在一些固有的缺陷。针对BPNN的不足,本文将模糊数学与神经网络相结合构造了新型的模糊神经网络(Fuzzy Neural Network,FNN),此网络将自适应神经网络的自学习优点与模糊数学的模糊推理方法进行了有效的结合,解决了变压器绝缘故障诊断中模糊规则难以确定的问题。结果证明,该模型有效地改善了神经网络收敛速度慢,易陷入局部最小的缺点,分类效果较好,从而有效地克服了以往采用单一方法进行诊断时所固有的的诊断出错或诊断结果不全面等缺点。本文从信息融合的角度出发,提出了一种基于TNFIN和D-S证据理论的模块化综合故障诊断模型。该模型以油中溶解气体分析作为诊断内部潜伏性故障的主线,结合各种相应的试验项目进行综合诊断,确定了故障的大体部位,提高了故障诊断的可靠性和准确性。