SVM算法最初是为二值分类问题设计的，在模式识别领域处理多类问题时，需要构造合适的多类分类器，变压器故障诊断实际上就是一种多分类问题，所以为了将SVM用于解决变压器的故障多分类问题，人们对SVM多分类算法方面进行了大量的研究，提出了一些有效的SVM多类分类算法（如“一对一”，“一对多”，“二叉树决策”）。然而在实际应用中，现实条件的限制会存在训练数据不足，特征提取不完整以及训练算法本身的固有缺陷，影响识别的的准确性，产生分类误差，而纠错编码（ECOC）最大的优势能够对分类误差进行有效地修正，如果对于一组纠错编码其最小汉明距离为d，至少能修正d-12位误差，即便有d-12个分类出错，系统还是能给出正确的判别结果。而且如果错误量很少，还可能恢复原始信息。因此本文将基于纠错编码的SVM多类分类算法应用于变压器故障诊断中。最后，本文将SVM模型同BP神经网络识别方法相比，ECC-SVM分类器应用到电力变压器故障诊断中识别错误率更低，它的计算时间小于BP神经网络。本文采用方法远大于三比值识别精确度，主要因为三比值有时会出现分类错误和诊断结果没有对应的编码问题。可见，通过和BP神经网络以及三比值作对比，ECC-SVM可以降低在实际应用中油气数据训练样本不足以及特征提取不完整带来的分类误差，提高了故障识别精度。