针对基于传统神经网络的变压器故障识别诊断方法存在网络收敛慢、易陷入局部极小点和网络参数难确定的缺点，提出了一种基于极限学习机的电力变压器故障快速识别方法。该方法以变压器油中用于故障类型分析的5种主要溶解气体含量作为输入特征量，5种常见变压器状态作为输出量建立分类识别模型。实验结果显示，该方法的识别准确率比支持向量机高12.5%，识别速度是支持向量机的2.6倍，比概率神经网络快5.5倍以上，表明该方法对变压器故障的识别快速而有效。