变压器是电力系统中复杂昂贵的电气设备,在电网中使用频繁,也是电网中容量较大、故障率较高的设备之一,一旦变压器出现故障,将对电力系统运行的安全稳定性产生重大影响,给国家和人民带来巨大的经济损失。因此,为了避免和减少变压器故障带来的损失,及时有效发现变压器潜在故障,进行变压器故障诊断研究就显得格外重要。针对传统神经网络在变压器故障诊断应用中,网络模型学习速度慢、诊断精度低、易陷入局部极值的缺点,本文对变压器故障的智能诊断方法进行研究分析。具体研究内容如下:(1)以油浸式电力变压器为基础,研究其基本结构和常见故障类型。分析阐述变压器油中溶解气体来源及溶解过程,基于油中溶解气体提取用于变压器故障诊断的特征气体组分。分析变压器各故障类型与特征气体之间的对应关系,为后续变压器故障诊断提供依据。(2)分析遗传算法(GA)、差分进化算法(DE)和BP神经网络的参数选择及实现过程,通过实例应用分析阐述遗传算法与差分进化算法的性能优劣。以BP神经网络为基础,研究分别利用遗传算法与差分进化算法优化BP神经网络的具体实现步骤,以此获取BP神经网络最佳的权值与阈值参数。(3)分析收集的变压器故障样本数据,利用归一化函数对原始故障样本数据进行归一化处理,并将故障样本数据以比例分为训练样本数据集和测试样本数据集。研究变压器各故障类型的编码方式,将经过编码的变压器故障作为网络模型输出向量,并以经过归一化处理的故障样本数据作为网络模型输入向量。(4)建立用于变压器故障诊断的BP神经网络模型、GA-BP网络模型和DE-BP网络模型,以训练样本集对建立的三种网络模型进行训练,得到最终变压器故障诊断模型;利用测试样本集对变压器的最终网络模型进行验证,并将三种网络模型的测试结果进行对比分析。