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。及早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。变压器故障是变压器本身及其应用环境综合作用和长期积累的结果,因而变压器故障的征兆多种多样,故障征兆与故障机理间的联系也错综复杂,这就给建立通用的变压器故障诊断方法造成了很大的困难。由于变压器故障的复杂性,其诊断过程不可能只采用单一方法,而要采用多种方法。因此,必须从各种学科中广泛探求有利于故障诊断的原理、方法和手段,这就使得故障诊断技术呈现多学科交叉这一特点。因此,本文以油中溶解气体组分含量为特征量,运用多种人工智能技术,开展变压器绝缘故障诊断系统的研究。论文主要包括三方面的内容:(1)建立了变压器故障综合诊断的的模糊神经网络模型。模糊神经网络模块能有效体现变压器故障诊断中存在的模糊性,又能通过自身的自学习功能来提高网络本身的诊断精确度,又能提高整个系统的诊断能力。选择和训练了适用于电力变压器运行状态及其故障在线监测、诊断和预报的BP神经网络、Elman神经网络和概率神经网络,对网络的结构、优化、算法以及隐层节点的个数进行了探讨,并应用MATLAB中的工具箱进行了大量的仿真试验。(2)本文通过随机抽取的一些实例比较了BP、Elman、概率神经网络几种诊断方法的可靠性。检验表明:Elman网络比BP网络能更好地检验出变压器的故障类型,具有更高的准确性,但是Elman网络训练的次数要比BP网络次数多。概率神经网络比BP网络的正确率高,并且训练速度快。(3)在软件开发方面,采用VB语言为开发工具,数据库采用Access。为了简化程序设计,使用了VB调用Matlab神经网络工具箱的方法。最后并用实例证明了基于模糊诊断模型的变压器故障诊断系统的有效性和准确性。