变压器是电力系统的关键设备之一,也是导致电力系统故障频发的因素之一,其运行状态直接关系到整个电力系统的稳定运行。导致变压器故障的征兆与类型存在着较为复杂的非线性关系,传统的检测方法显然不能满足系统实时性、快速性、准确性的要求。近年来,智能诊断算法显现出强大的优势。为进一步满足现场实时性、快速性、准确性的要求,提出了利用KPCA和QGA联合优化神经网络的变压器故障诊断的方法。采用BPNN作为变压器故障诊断的最终环节。其具有并行分布式处理、自组织、自适应、自学习等优点,BPNN的激活函数可以采用任意函数,其逼近能力非常适合处理变压器故障诊断问题。但也存在处理速度慢、易陷入局部极值的缺点。仿真结果表明:BPNN在2000步尚未符合指定误差标准,且故障识别率仅为83.117%。而遗传算法可以使BPNN得到改进,量子计算强大的并行处理能力和叠加态可以实现遗传算法的优化,二者结合,QGA可以实现对BPNN的改进。根据网络拓扑结构,采用QGA对BP网络的结构参数编码,应用量子旋转门更新种群,搜索BP网络参数的全局最优值。利用优化后的网络进行变压器故障识别。结果表明:经QGA优化的BPNN在634代达到精度要求,故障识别率达到98.017%,提高了诊断速率和诊断精确度。变压器故障检测系统中庞大的数据信息库通常具有冗余性、非线性。为了更好地应用QGA和BPNN对故障做出准确的、快速的诊断,首先KPCA进行数据信息的选择、剔除无关信息、干扰信息。KPCA可以有效简化网络结构,降低网络运算维数,达到提高精度,提升运算速度的目的。应用KPCA对QGA和神经网络的收敛均起到加速效果。仿真结果表明:加入KPCA的量子遗传神经网络在323代即可达到精度要求,获得最优解,故障诊断识别率达到98.836%,速度与识别率均得到提升。图26幅;表26个;参55篇。