变压器作为供电系统中电能传输、转换的枢纽设备,它能够可靠运行对整个电力系统的安全经济运行至关重要,因此有必要对变压器进行故障预诊断。基于此本文建立了一个基于深广神经网络的变压器故障诊断案例推理系统。首先介绍了变压器油中溶解气体法,分析了变压器发生故障的一些常见原因以及一些常见故障,总结了故障特征和故障类型之间的关系。然后提出基于案例推理的变压器故障诊断方法,采用K近邻算法(K-Nearest Neighbor)实现案例检索,用交叉验证法比较了K在不同取值时对诊断结果的影响,确定了一个最优K值。并通过仿真实验将案例推理系统与支持向量机进行对比,比较了二者的分类性能。然后提出对案例推理系统的案例表示环节做出改进,将每个变压器的样本特征表示成嵌入向量。提出两种改进深广神经网络算法用来对嵌入向量中的参数进行优化,分别是神经网络和广义线性并行模型(Deep&Wide Neural Network Model,简称为DWM)、神经网络和因子分解机并行模型(Deep Neural Network&Factorization Machine Model,简称为DNN-FM)。在两种模型的训练过程中考虑特征组合对训练结果的影响:1)在具有记忆能力的广义线性模型中加入离散特征的交叉特征,同时使用具有泛化能力的深度神经网络来捕捉连续特征之间的高阶交互,用联合训练的方法对二者进行参数优化,构建DWM模型;2)用具有泛化能力的神经网络捕捉高阶的特征组合,用具有记忆能力的因子分解机实现低阶的特征组合,构建DNN-FM模型。将样本分成训练集和测试集,将变压器故障类型看作样本标签,在模型训练时对样本标签加以利用,实现有监督的学习。通过仿真实验将本文提出的两种模型与浅层BP神经网络进行对比,比较三种模型对参数优化的性能优劣。将案例进行向量嵌入后,写入数据库中,构造KD树来实现案例检索环节,其中相似度计算采用欧氏距离法。采用本文提出的两种算法构建案例推理系统,并对变压器进行故障诊断,将诊断结果与采用传统案例推理系统和支持向量机所得结果进行对比,比较各种方法对故障变压器的诊断效果。最后,本文搭建了一个B/S(Browser/Server)框架,将系统功能实现的核心集中到服务器上,系统通过服务器与数据库进行数据交互,使得工作人员可以通过浏览器随时随地对系统进行操作。