电力变压器在电力系统中承担着电能传输与分配、电压变换的枢纽作用，对电力系统的安全运行起到至关重要的作用。因此，采用各种技术手段对变压器进行故障诊断分析，发现潜在故障、减少并预防变压器故障发生对提高电能质量具有重要意义。基于变压器油中溶解气体含量分析(DGA)的变压器故障诊断方法能够反映变压器工作状态和特征气体之间的映射关系，能够准确及时地诊断出变压器内的各种故障类型，是变压器故障诊断的重要手段。本文在分析DGA数据与故障类型关系基础上，利用人工智能方法从多个角度探究基于DGA数据的变压器故障诊断新方法。
　　提出了基于ReliefF过滤式特征选择的DGA特征量优选方法。目前应用于DGA的特征量较少，并且选取特征量没有统一标准，导致很难进一步提升故障诊断的可靠性和准确性。针对这一问题，本文提出了基于ReliefF的特征量优选方法。首先，根据DGA气体浓度数据构造出27种特征量作为故障待选特征集，扩大了DGA特征量选择范围。然后，采用ReliefF算法对待选特征量进行分析，计算特征量可分性指标，根据指标进行故障特征量可分性排序，量化地描述出特征量在区分故障类型上的能力，为后续的诊断模型的故障特征量选取提供了可靠的依据。
　　提出了基于贝叶斯优化(BO)随机森林的变压器故障诊断方法。针对当前诊断模型大多基于单一算法，诊断精度不高的问题，采用了随机森林(RF)集成学习建立诊断模型。针对集成学习参数众多，缺乏高效准确的参数寻优方法的问题，提出了基于贝叶斯优化随机森林(RF)的变压器故障诊断方法。该方法采用了多个决策树构成RF故障诊断模型，然后将高斯过程(GP)作为概率代理模型、提升策略(PI)作为采集函数，构建贝叶斯优化(BO)算法，进行RF模型参数寻优。利用RF模型对已排序的特征量进行筛选，得到11维的ReliefF优选特征集。最后，建立支持向量机(SVM)、决策树、GBDT和随机森林诊断模型进行变压器故障诊断，结果表明与DGA常规特征集相比，ReliefF优选的特征集准确率更高，且对各类诊断模型具有普遍适用性，均可提升其诊断准确率；在各诊断模型中，RF诊断模型准确率最高。
　　提出了基于Stacking集成学习的变压器故障诊断方法。与用人工智能方法建立单一学习器相比，集成学习(Ensemble Learning，EL)能够组合分类器群实现更强的泛化能力，达到更好的诊断效果。传统集成学习中的基学习器基于同一种算法，属于同质集成，个体学习器之间差异性不足，并缺乏系统的结合策略。针对该问题，将Stacking集成策略运用到故障诊断中。以多层感知器、k最近邻、决策树、支持向量机为初级学习器，随机森林算法作为结合策略，建立Stacking诊断模型。该方法以ReliefF优选特征集作为特征量，经过各初级诊断模型得到初级诊断结果，然后元学习器随机森林模型将各初级学习器组织起来，将初级诊断输出结果作为元学习器的输入，进行二次诊断。此外，还对四种算法运用同质集成方法，建立同质集成诊断模型并对比。实验结果表明，通过集成多种异质学习器可以增强模型泛化能力，提高诊断正确率，精度优于单个分类器和同质集成分类器。