变压器在整个输电系统和配电系统中扮演着重要角色,其运行状态直接关系到整个电力设备系统的稳定运行。变压器油中特征气体的分析研究是当前变压器故障诊断最常用的有效分析方法之一。多数变压器故障诊断方法对单一故障的诊断比较准确,而对变压器的综合性故障不能准确诊断。本文利用BP神经网络具有的自学习性、自适应性、容错性的优点和D-S证据理论,通过映射的方式将变压器的故障和特征气体之间联系起来,判断变压器内部故障发生的具体类型,从而提高故障诊断准确度。首先,对变压器的电性故障和热性故障进行总结,根据变压器发生故障时产生的特征气体与故障类型的对应关系,研究BP神经网络的传输过程,通过Matlab仿真确定隐藏层参数,建立了5-15-6结构的基于特征气体输入BP神经网络模型和3-7-6结构的基于三比值输入BP神经网络模型,并对网络进行训练效果验证,同时分析网络性能。将变压器故障时的特征气体的原始数据构造特征气体、气体含量占比、三比值三个特征向量作为初步诊断层的输入,得到三个概率输出对变压器故障进行初步诊断。其次,研究将D-S证据理论应用到变压器故障诊断中的可行性,将BP神经网络与D-S证据理论相结合,建立基于信息融合技术的变压器诊断方法的模型,使用D-S证据理论进行融合诊断,得到变压器不同故障类型的概率分布,确定变压器的实际故障类型。同时将基于信息融合技术的变压器诊断方法与BP神经网络的初级诊断结果进行比较,得出基于信息融合技术的变压器诊断方法能够诊断变压器综合性故障的结论。最后,通过大量的样本数据验证,基于信息融合技术的变压器故障诊断方法对故障诊断准确率接近94%,极大的提高了诊断的可靠性和准确性,体现了信息融合技术的优越性。