电力变压器是电力系统中最重要的设备,也是导致电力系统事故最多的设备之一。随着国内用电需求急剧增大和东北电网将作为竞价上网的试点地区的发展趋势分析,电力系统亟待解决提高供电可靠性、合理延长设备使用寿命等问题,迫切需要能够准确、及时判断出变压器潜伏性故障的诊断方法。变压器油中溶解气体分析法是诊断变压器内部故障的有效手段。由于神经网络具有并行分布处理、自适应、联想、记忆及聚类和容错性等诸多优点,适于变压器内部故障发生及发展多过程、多故障的多模式系统诊断。因此,研究以变压器油中溶解气体为特征量的神经网络故障诊断方法,为变压器故障诊断提供了新的途径。本文针对变压器故障气体及故障类型的特点,建立了结构为5-12-5型的变压器故障诊断BP神经网络模型。提出了基于误差自动调节修正因子的自适应学习速率法、基于误差自动调节修正因子的自适应学习速率动量BP法和双因素自动调节修正因子的弹性BP法三种BP算法的改进方法。应用这三种方法和其它传统方法对网络模型进行训练和比较。并将获得的BP网络模型应用于变压器故障诊断。训练和诊断结果表明:针对于该电力变压器故障诊断系统,本文提出的三种算法相比于原算法,网络模型的训练次数分别减少了35.4%、6.6%和45.1%,收敛速度分别提高了44.9%、18.6%和36.4%;获得的故障诊断网络模型能较为精确地拟合输入样本,网络输出与目标输出的相关系数在0.994以上;误差精度为0.001时,网络平方和误差小于0.000999567;故障诊断正确率分别达到:90%、90%和95%。证明本文提出的方法应用于电力变压器故障诊断,具有较高的神经网络收敛速度和诊断准确度,符合电力变压器故障诊断系统的实际情况,并且对于神经网络的应用问题研究具有重要的参考价值。