变压器是电力系统中贵重的枢纽设备，其故障不仅影响到供电的可靠性，而且对电力系统的运行安全构成严重威胁。因此，有效地监测变压器运行状态、诊断和预测变压器故障具有重要意义。　　基于 DGA数据的电力变压器故障诊断方法能及时发现变压器潜在故障,可在变压器运行过程中进行故障分析,促进变压器从定期维修到状态维修的转变,提高变压器的运行维护水平,其研究具有重要的现实意义。在本文中，利用支持向量机在小样本下仍能解决非线性、高维数、局部极小点等问题的优点，提出了基于支持向量机的变压器故障诊断模型,由于支持向量机的参数选择对故障诊断结果影响很大，因此，本文还提出用改进后的和声搜索算法来优化支持向量机的参数。通过仿真实验表明，基于改进和声搜索算法优化支持向量机的变压器故障诊断方法提高了变压器的故障诊断率，本文的主要创新点如下：　　（1）在变压器故障诊断模型中，利用和声搜索算法优化支持向量机的惩罚因子C和核函数参数σ，为了提高和声搜索算法的优化能力，对和声搜索算法进行三方面的改进，即对和声记忆库保留率HMCR、音高调整率PAR以及带宽bw进行改进。　　（2）在HMCR概率下选择新和声时，如果随机选择，算法搜索没有方向性，随机性比较大，最后可能导致算法无法收敛或迭代次数增加，因此加入权重的概念，使和声库HM中解越优秀权重越大。　　通过将改进后的和声搜索算法的优化效果与未改进的和声搜索算法比较，无论是故障诊断正确率还是迭代次数，改进后的和声搜索算法都高于未改进的，从而也证明了改进的可行性。　　为了验证改进后的和声搜索算法的可行性，本文加入BP神经网络算法，并找出最适合的网络模型，将改进和声搜索算法优化SVM模型与BP神经网络作了比较。仿真结果看出改进和声搜索算法优化SVM的诊断正确率与迭代时间都优于构造的最适合的BP神经网络，从而验证了其可行性。