变压器在电力系统中主要起到升压和降压的作用,是电能输送的关键节点,变压器如果出现故障就会影响到电能的输送引起大面积停电。所以要想让电力系统能够安全的运行就要提前对变压器进行故障诊断与预测,如果找到有效的变压器故障诊断预测方法,就可以降低变压器故障的频率,还可以提前发现变压器存在的潜在故障与隐患。现在几种关于变压器故障诊断与预测方法,但是这些方法已经不能够满足当前预测精确性的要求,所以本文提出了基于灰色神经网络模型的变压器故障预测方法来提高预测的精确性并且进行了深入的研究。通过对标准的灰色预测模型与BP神经网络模型的研究发现,如果只采用其中一种模型进行预测虽然可以对模型本身进行改进,但是仍然存在局限性。所以本文建立了灰色神经网络预测模型,为了避免只采用一种模型的局限性问题,本文采用两种模型有效的结合的方式来取长补短。由于变压器的故障类型特点是比较复杂的,同时在其中掺杂着许多无法确定的因素,所以本文采用变压器油中溶解气体分析(DGA)原理,把变压器油中溶解的故障气体作为研究的对象,结合着变压器的常见故障,找出了变压器油中溶解的故障气体与常见故障之间的内部联系,运用的三比值法对变压器故障进行编码。首先建立了灰色GM(1,1)模型,在GM(1,1)模型的基础上建立灰色GM(1,n)模型可以更准确的分析变压器多种故障输入并且对灰色GM(1,n)模型进行了优化设计,通过对其背景值的优化设计从而提高了体统的稳定性减小了误差。为了弥补灰色GM(1,n)模型存在的局限性,进一步提高变压器预测的准确性,本文引入了BP神经网络模型,通过对两种模型的有效结合建立了基于灰色神经网络的预测模型,把灰色GM(1,n)模型预处理的输出数据作为BP神经网络的输入,应用L-M自适应学习速率法进行模型训练,并利用MATLAB软件对变压器故障诊断模型进行仿真训练,对仿真结果进行分析。利用灰色神经网络模型对变压器常见的四类故障进行了仿真分析,提高了变压器故障预测的稳定性和准确性。