变压器是电力系统的重要元件之一,其工作状态对电力系统能否正常安全可靠地运行具有十分重要的影响。正常情况下,油浸式电力变压器内会产生少量的各种低分子烃类及二氧化碳、一氧化碳等气体溶解在油中,但这是一种比较缓慢的发展过程。当变压器内部存在潜伏性过热或放电故障时就会加快这些气体的产速率。溶解在油中的气体组分和含量与变压器内部故障的类型及故障的严重程度有十分密切的关系。因此分析变压器油中气体组分和含量的气相色谱法一直是变压器等充油设备的潜伏性故障判定的重要手段。近年来,国内外在油中溶解气体分析诊断技术上作了大量工作,但除日本等少数发达国家有多种气体在线监测的报道外,国内较成熟的技术基本还停留在对单一氢气的在线监测的投入使用上。如何在变压器发生故障后迅速判断出故障原因,是提高工作效率、减少经济损失的一个重要途径。因此,研究对变压器油中多种溶解气体的在线监测与故障诊断技术对保证电力系统安全可靠运行、提高经济效益具有重要意义。本文首先介绍了几种常规离线检测油中溶解气体的方法,针对传统离线检测的不足,提出了一种以油中溶解气体为特征量的在线监测系统的原理和实施方案。着重探讨了高分子透气膜的透气机理,研究了以SnO2为主的N型半导体气敏元件的特点及其对气体检测所起的重要作用,给出了单片微机系统的软硬件设计。同时提出了神经网络对于变压器故障诊断系统的适用性,通过运用标准BP算法、附加动量法、自适应学习速率法和L-M规则这四种不同方法对同一样本进行训练,并通过对误差仿真结果的比较,说明了标准算法与改进算法各自的优缺点,进<WP=96>一步证实了改进型算法的可行性与优越性,确定了采用改进型算法进行训练。在此基础上,讨论了基于神经网络模式识别的混合气体组分与浓度的检测,并结合实例讨论了如何对训练样本进行预处理,且针对标准算法在收敛速度和训练精度方面的不足,采用改进的算法对混合气体进行了对比识别,同时给出了训练中所用神经网络的权值和阈值矩阵,及仿真结果。该结果表明,改进的算法显著提高了网络的收敛速度及训练精度。最后,以气体浓度为输入,以故障性质为输出,给出了利用神经网络进行变压器故障诊断的实例。并对 不同隐含层神经元个数下的学习收敛情况及采用BP人工神经网络诊断结果与采用特征气体法和IEC三比值法诊断结果和实际故障结果进行了分析比较,该比较结果表明,采用神经网络诊断法比采用其他几种判断准则对同一故障性质进行判断的准确率有显著的提高。神经网络在变压器故障诊断中的应用有很大的潜力,选取合适的网络模型,不断地更新学习样本,可获得日益完善的结果。