油中溶解气体分析方法（Dissolved Gas Analysis,DGA）可以在不停电时对运行中的变压器内部状态进行监测,对于发现变压器内部的潜伏故障及其发展趋势非常有效,有利于促进变压器设备由定期维修方式向状态维修方式的过渡,因而在工程实践中具有广泛应用。国际电工委员会（International Electro technical Commission,IEC）据此推荐了多种DGA分析方法,包括特征气体法、比值法、大卫三角形法等,但这些方法存在故障边界过于绝对,故障识别正确率通常不高等问题。各国学者运用人工神经网络、遗传算法等多种智能算法对其进行了改进,提出了各种改进的故障识别方法,取得了一定的效果,但这些方法仍局限于比值法的分析思想,很难从根本上弥补DGA方法中故障边界过于绝对的问题,因而在实际应用和推广中受到了一定程度的限制。模糊聚类方法（Fuzzy C-means Method,FCM）按照相似性对事物进行分类,利用隶属度刻画样本所属类别,能有效避免分类过于绝对的缺陷,在DGA数据分析中具有良好的应用前景。本文立足于模糊聚类方法,对基于DGA数据的大型油浸式变压器故障分析方法开展研究,具体研究内容及取得的成果如下。（1）基于DGA数据,分析并研究了模糊聚类算法的初值敏感问题。用传统模糊聚类算法对DGA数据进行分类测试,分析结果表明,传统模糊聚类算法对DGA数据的分类正确率偏低,而且对于同样的样本数据集,分类结果并不唯一,利用不同的迭代起始点能得到众多分类模式,分类结果对迭代起始点过于敏感。在二维平面上生成了高斯分布点集,用于对样本的分布特性进行测试,测试表明:当样本在聚类空间中表现出团簇特性,且各个团簇之间的分布较为均衡时,有利于模糊聚类算法对样本实现分类;当样本分布较为分散,且各个类别的数据之间无明显间隔时,算法的目标函数存在较多的局部极值点,此时迭代过程对初始值敏感。由于变压器各种典型故障的DGA数据在空间分布上并非是紧致的,数据之间存在重叠,同时各种故障类型数据之间也不存在明晰的界限,没有明显的团簇特征,因此,采用传统的FCM分析DGA数据时分类结果并不理想。（2）重构了隶属函数随样本差异性单调变化的模糊聚类算法。传统FCM算法利用欧氏距离倒数的幂刻画样本之间的相似性,由此得到的隶属函数存在较多的局部极值点,不是样本差异的单调函数,因此运用该方法对变压器故障进行诊断时,无法有效识别变压器的故障模式。本文从“样本差异越大,隶属度越小”这一基本要求出发,经过严格的数学推导,重构了隶属度计算函数,该隶属函数对样本差异具有单调性,没有局部极值点,从而优化了算法对聚类空间的划分。同时运用Zangwill定理,对重构聚类算法的收敛性进行了分析,分析表明:从任意的起始点开始迭代,本文提出的重构聚类算法都能收敛到目标函数的极值点,能实现对样本集的划分。结合人工生成的二维高斯分布点集及UCI（University of California Irvine,UCI）数据库中的Iris数据集,对所提出的重构聚类算法进行了测试,测试结果表明:重构的算法能较好地实现聚类分析功能,且与传统算法相比,该算法具有收敛速度快、分类效果好等特点。采用重构的算法对DGA数据集进行分析,能实现对DGA数据进行有效分类。（3）构建了基于混沌序列的多轨迹并行聚类算法。重构的隶属度计算函数,虽然消除了隶属函数的局部极值点,但聚类算法的目标函数是一个典型的非凸函数,而迭代寻优过程属于基于梯度计算的局部搜索方法,其寻优过程陷入局部极值点的情况仍然存在。本文构建了多条轨迹并行计算的迭代方法,在迭代过程中,各条轨迹之间能实现信息的共享和利用,每个点的位置不仅由其所处轨迹的上一个点的梯度信息决定,还受到该轨迹历史信息以及其余轨迹历史信息的影响,进而对轨迹的走向进行调整。同时,在迭代过程中,引入混沌序列充分搜索聚类空间中的潜在可行解,提升算法的寻优能力。采用DGA数据对所构建的算法进行了测试,测试表明:随着并行轨迹数目的增加,以及混沌探测频率的增强,该方法的全局寻优能力得到有效增强。（4）基于重构聚类算法的DGA故障诊断分析与及其应用研究。基于大量（两千余条）已知故障的DGA数据,运用重构的聚类方法得到了变压器低温过热、中温过热、高温过热、局部放电、火花放电和电弧放电等六种典型故障的色谱数据,以其作为故障诊断的参考标准序列。对于待诊断的DGA数据,依次计算它与上述六种参考标准序列之间的隶属度,用隶属度刻画它属于各种典型故障的程度,进而实现故障诊断。大量故障案例（300台故障变压器实例）的测试表明,本文的方法摒弃了比值法的思想,避免了大卫三角形法、三比值法等传统DGA分析方法故障边界数据误判等缺陷,能更详细的描述故障的严重程度,尤其对缺码数据、复合型故障及处于中间状态的故障具有良好的诊断效果,故障诊断正确率较高,是一种有效的故障诊断方法。