Con la amplia aplicación de transformadores electrónicos en las redes inteligentes, los fallos en los transformadores se han convertido en un problema apremiante. Sin embargo, el diagnóstico fiable de fallos en los transformadores de corriente electrónicos (ECT) sigue siendo un problema abierto debido a la complejidad y diversidad de los tipos de fallos. Para resolver este problema, este documento propone un modelo de diagnóstico de fallos en ECT basado en una red neuronal de función de base radial (RBFNN) y optimiza los parámetros del modelo y el tamaño de la red de RBFNN simultáneamente a través de un algoritmo de optimización de ballenas mejorado (WOA) para mejorar la precisión de clasificación y la robustez de RBFNN. Dado que el WOA clásico es propenso a caer en un rendimiento óptimo local, se propone un algoritmo de WOA de múltiples estrategias híbridas (CASAWOA) para una mayor mejora en el rendimiento de optimización. En primer lugar, introdujimos la estrategia del mapa caótico de la tienda para mejorar la diversidad de la población de WOA. En segundo lugar, introdujimos un factor de convergencia no lineal y un peso de inercia adaptativo para mejorar la capacidad de explotación del WOA. Finalmente, en aras de garantizar la velocidad de convergencia del algoritmo, modificamos el mecanismo de recocido simulado para evitar la convergencia prematura. Las pruebas de funciones de referencia muestran que el CASAWOA supera a otros algoritmos de WOA de última generación en cuanto a velocidad de convergencia y capacidad de exploración. Además, para validar el rendimiento del modelo de diagnóstico de fallos en ECT basado en CASAWOA-RBFNN, se realiza un análisis exhaustivo de ocho métodos de diagnóstico de fallos basados en las muestras de fallos de ECT recopiladas del circuito de detección. Los resultados experimentales muestran que el CASAWOA-RBFNN logra una precisión del 97.77% en el diagnóstico de fallos en ECT, lo que es un 9.8% mejor que WOA-RBF y muestra una prometedora practicidad ingenieril.