变压器是电力系统中重要且昂贵的机器设备,其参与了供电的各个环节,变压器若出现故障将会破坏电力系统稳定性甚至引发供电事故。分析研究以智能诊断实时监测为基础的电力变压器故障诊断技术,从而能够实时监视变压器工作中的潜伏性故障,提升电力变压器的检修维护水平,为电力系统的稳定运行提供保障。对于变压器故障诊断的方案主要有,决策树、小波分析、贝叶斯分类器、神经网络等,而经过不断的研究更新,神经网络诊断法又衍生出了很多种诊断算法和优化方案,比如概率神经网络PNN,粒子群优化PSO等等。本文根据变压器油中特征气体以及对应的故障类型,提出一种以粒子滤波改进粒子群优化BP网络的变压器故障诊断法。首先使用油中气体分析法得到待处理的数据样本;然后使用BP神经网络对其进行故障诊断,针对BP算法收敛慢、没有反馈、易陷入局部最优等缺陷,使用PSO算法对其进行结构的寻优;针对PSO算法误差过大,易出现“早熟”现象等问题,将其融合粒子滤波算法PF,提出一种新的寻优算法PFPSO。改进算法首先使用粒子滤波算法对油中气体数据搭建隐马尔科夫模型,从大量油中气体样本中找到一组隐状态量,可以通过一组数据代替原本繁杂的训练样本作为PSO算法的输入,避免了由于样本测量误差造成的算法精度丢失和性能下降;然后在PSO算法中加上重采样操作,根据适应值筛选出落后粒子并修改,增强PSO寻优能力;同时在重采样过程中加入遗传算法的交叉算子和突变算子,以增加粒子的多样性防止粒子匮乏;最后针对交叉算子没有确定取值的问题,提出一种自适应的交叉算子计算方式,以保障算法前期的搜索速度和后期的收敛精度。结合以上,最后使用Matlab对本文提出的改进故障诊断算法PFPSO-BP与传统BP神经网络算法,PNN概率神经网络算法、标准PSO-BP算法进行了仿真比较,其收敛代数,诊断精度都有明显提高。