电力变压器是电网中重要的设备，是电网中交换能量及传输能量的核心，是电力系统安全运行的重要支撑设备。变压器在运行过程中出现任何事故都将会带来经济损失，甚至引发严重的社会影响。目前针对变压器的故障诊断技术多采用人工智能算法，虽然人工智能算法的引入很大程度上改善了传统诊断方法的不足，使得故障诊断准确率得到了较大的提升，但仍然存在收敛速度慢、稳定性比较差、学习能力有限、不适用于大量样本训练等一系列问题，因此研究快速准确的变压器故障诊断技术和方法，并对故障进行及时有效的消除，对电网的安全运行具有十分重要的意义。

随着深度学习的不断发展，与传统机器学习算法相比，深度学习可以发现复杂数据的特征规律，卷积神经网络CNN作为深度学习的一种，具有良好的的特征提取和分类的能力，本文利用了CNN的特征提取优势和SVM的出色分类能力，采用卷积神经网络(CNN)和支持向量机(SVM)结合的组合模型，并将其应用在了电力变压器故障诊断领域，诊断效果如下图所示，诊断准确率达到了95%以上，完全可以满足科研和实际工程需要。

CNN-SVM分类模型的优势

高效特征提取：CNN在处理高维数据时能有效提取有用的特征。

强分类能力：SVM能够利用这些特征进行准确的分类，表现良好。

适应性强：CNN-SVM结合可以适应各种类型的分类任务，包括数值型分类、图像分类、文本分类等。

本文基于卷积神经网络结合支持向量机CNN-SVM的电力变压器故障诊断，采用Matlab编写代码，代码注释详细，逻辑清晰易懂，可main函数一键运行。

输入：五种DGA特征气体分别为H2,CH4,C2H6,C2H4,C2H2  

输出：'正常','局部放电','低能放电','高能放电','中低温过热','高温过热' 六种运作状态（含正常状态)