随着我国经济发展对电力的依赖性逐渐加深,电能占终端能源消费的比重不断提高,稳定可靠的供电系统已成为社会经济增长的一个重要基石。电力变压器作为电力系统最基本、最关键的电气设备,其可靠性直接关系整个系统的安全可靠运行,由此可见,提高电网中变压器的运行可靠性具有十分重要的现实意义。随着变压器状态维修策略在电网中的广泛应用,对电力变压器的早期故障预测以及发生故障后的故障诊断研究就显得尤为重要。电力变压器油中溶解气体分析技术就是定性、定量分析变压器油中溶解气体的组分和含量,借助变压器油中信息查明产气的原因,诊断运行中的变压器内部是否正常,以便及时发现变压器内部存在的潜伏性故障。显而易见,变压器油中溶解气体组分含量是变压器故障诊断的重要依据和基础,变压器的故障预测也主要集中在对变压器油中溶解特征气体含量的预测上。相关向量机是一种在贝叶斯框架下进行训练,根据主动相关决策机理来移除不相关点,从而获得稀疏化模型的机器学习方法。相关向量机与传统的支持向量机相比具有核函数不需要满足马瑟条件,学习算法简单,运算速度快,预测精度高等优点。本文提出了一种基于相关向量机回归预测算法的电力变压器故障预测新方法,该方法利用相关向量机对变压器油中溶解气体数据进行训练,由此得到相关向量和权值之后再进行变压器故障的回归预测。经实例验证取得了良好的预测结果。粒子群优化算法的特点是前期算法收敛速度比较快,后期却极易陷入局部最优。出现这种现象的原因是在算法初期整个群落具有较高的多样性,此时适应值变化较大。随着迭代次数的增加,群落的多样性便停止在一个较小的范围内,具体表现为适应值的变化程度迅速减小从而发生早熟收敛。差分进化优化算法在选择过程中采用“贪婪”的搜索思想,将经过变异和交叉操作过程后的个体与父代个体进行比较,当且仅当其适应度好于父代时将其作为子代,否则直接保留父代进入下一次迭代。差分进化优化算法收敛速度更快,但是同样存在着易陷入局部最优的缺陷。针对这两种算法各自的存在的问题,本文提出了一种将改进后的粒子群算法与差分进化算法相融合的新优化算法。将此优化算法与模糊聚类相结合应用于电力变压器故障诊断中,经过实际算例的仿真测试验证,结果表明该混合优化算法具有计算精度高、收敛速度快的特点,对电力变压器的故障诊断具有较好的实用价值和指导价值。