在电力网络中,变压器是输电线路中最重要的大型设备,变压器可靠运行是保证电力系统整体稳定的关键之一。近年来,我国经济高速发展,用电设备的数量快速增加,用电量逐年增加,因此更高的电压等级、更大的容量必然成为电力系统发展的趋势。同时,对电力系统的稳定性与安全性也随之提高,变压器在电力系统中的作用非常重要,是电力系统中的核心的设备之一。变压器的稳定运行直接影响着电力系统的输电质量,也直接影响着整个电力系统的安全性,保证变压器的稳定运行具有非常重要的意义。因为变压器需要不停的进行高低压的变换,变压器是出现故障较为频繁的设备之一,又因为变压器的重要程度,变压器出现故障往往会出现较大的经济损失,因此需要对变压器的运行状态进行持续的监控。传统的变压器故障诊断是通过变压器内的特征气体浓度的比值,判断变压器的故障类型。传统的变压器故障诊断具有模糊性,通过特征气体进行比值来判断故障的类型,可能会出现模糊的实验结果,无法进行准确的判断。针对电力系统中传统的变压器故障诊断方法的缺陷,引入BP神经网络,根据三比值法设计BP,通过对样本学习训练出故障诊断模型。但BP神经网络的权值与阈值是随机产生,神经网络的计算又极易受到权值的影响。所以通过引入遗传算法,弥补BP神经网络权值与阈值随机性的缺陷。同时为了加快遗传算法的收敛速度,提高遗传算法的准确性,通过改进遗传算法的交叉和变异的机制提高遗传算法的寻求最优解的速度,提高整个系统的寻优速度和稳定性。通过使用MATLAB进行变压器的故障诊断实验,以变压器的故障状态的特征气体浓度作为输入,故障类型作为输出进行变压器故障诊断的不同实验模型的仿真实验。通过以BP神经网络、遗传算法优化BP神经网络和改进遗传算法优化神经进行仿真对比,发现不同的网络模型具有的优缺点,同时验证改进遗传算法优化BP神经网络是否具有优越性。