如何快速诊断变压器故障的问题，世界各国都在处于研究当中，至今还没有出现一劳永逸的办法。现如今大多变压器故障的诊断方法都是基于经验的总结和实践的积累，形成一套不断完善的诊断体系。变压器故障诊断的方法多种多样，但从出现时间上分，可以分为两种。第一种是早些时候人们采用较传统的办法，即在变压器在投入使用之前，采用预防性电气试验和特征气体判别法[3]。第二种则是更先进的模糊诊断法、人工神经网络、专家系统、支持向量机[4]、贝叶斯网络、和遗传算法等现代智能监测方法。82877

“智能变电站”技术的不断更新与完善，变压器故障诊断的智能方法也有了了不错的发展。与传统方法相比，现代智能监测方法更加方便，不需要对变压器重复投切，在线即可监测；对故障类型和故障点的判断也更加精准。 论文网

智能监测方法与传统监测方法的相互补充，构成了现在较为完善的变压器故障诊断体系。

变压器故障的检测技术经过30多年的研究与发展，已经应用于多个行业：航天、人造卫星、电网系统、汽轮发电机组、石油化工过程与设备、核反应堆等领域。

传统检测手段主要包括油中可燃性气体的色谱分析、直流电阻检测、绝缘电阻及吸收比、极化指数检测、绝缘介质损失角正切检测等。以基于变压器故障诊断为对象探讨变压器故障规律[5]等人工智能技术对电力变压器故障进行检测是常见的基本方法。而通过DGA不仅可以对运行变压器故障类型作出诊断，也可以对故障部位实施精准定位 [6]。从电力变压器状态参量出发,也催生了几种电力变压器故障的诊断方法[7]。还有人提出了一种基于信息融合的多证据体变压器内部故障诊断新方法[8]。基于欧氏聚类（Euclidean Clustering，EC）和支持向量机（Support Vector Machine，SVM）也整合出变压器故障诊断的方法[9]。按照变压器常见的故障类型，以油中气体作为模型的输入，利用训练集样本数据，建立基于EC和SVM多分类的组合故障诊断也行之有效。基于熵权优化的加权灰色关联度模型可用于诊断变压器故障[10]。灰色模型的改进与完善，提高了灰关联分析的准确性,系统干扰的影响被将至最低。还有一种基于物元模型和扩展关系的功能，给变压器诊断技术带来了新的灵感[11]。