电力变压器是电力系统中最重要的电气设备之一,也是导致电力系统事故最多的电气设备之一,其运行状态直接影响系统的安全性水平。及时发现变压器的潜伏性故障,保证变压器的安全运行,从而提高供电的可靠性,是电力部门关注的一个重要问题。因此,研究变压器故障诊断技术,提高变压器的运行维护水平,具有重要的现实意义。由于故障征兆和故障类型之间常常存在复杂的非线性关系,使得诊断系统的数学模型很难获取。而人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点,为解决这一问题开辟了新途径。因此,本文采用神经网络方法为核心并结合油中溶解气体分析来研究变压器故障诊断系统。本文首先对电力变压器的故障及其诊断技术进行了简要的概述,接着综合分析了遗传算法、人工神经网络及小波变换的基本理论、运行机理及各自的优、缺点。并针对具体问题研究、改进了一种基于遗传小波神经网络的故障诊断模型。该模型首先采用改进的遗传算法对小波神经网络的结构和参数进行优化学习,接着采用BP算法对网络进行训练。用训练过的遗传小波神经网络对变压器进行故障诊断,仿真结果表明该算法能够有效地解决小波神经网络极易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点,诊断的精确度也有所提高。本文还改进了基于量子神经网络的电力变压器故障诊断方法,该方法是将量子理论中的量子态叠加思想应用于神经网络形成多层激活函数的量子神经网络,使量子神经网络有了一种固有的模糊性,很好地解决了变压器故障诊断时故障模式间存在交叉数据的模式识别问题,用训练过的量子神经网络对电力变压器进行故障诊断,仿真实验结果表明这种方法具有很高的故障诊断率和很低的误诊断率。本文最后改进了基于量子遗传算法的变压器故障诊断方法,量子遗传算法是一种基于量子计算概念、理论的进化算法,它采用量子编码表征染色体,能够表示出解的线性叠加态,获得更好的种群多样性、更快的收敛速度和全局寻优的能力。用训练过的量子遗传算法对电力变压器进行故障诊断,仿真实验结果表明量子遗传算法比传统的量子神经网络具有更高的精确度。