随着社会经济的飞速发展,对电力的需求量越来越大,同时电网容量也在持续增长,电力变压器在电网的输变电过程中发挥着举足轻重的作用,电力变压器的优异性能直接影响电网的稳定及安全运行。其中的任何故障都可能导致断电和其他巨大的经济损失。因此,检测电力变压器中的潜在故障是至关重要的,尤其是在不影响电力网络正常运行的情况下进行在线监测和诊断,这将会避免很多不必要的损失。近年来随着在线监测技术和人工智能技术的不断完善,溶解气体分析技术在变压器故障诊断的优势逐步扩大,本文采用元启发式算法优化概率神经网络的故障诊断方法。首先,由于变压器内部结构复杂,状态信息的不确定性等因素,采用传统诊断方法准确度低,使得故障诊断准确性无法达到预定期望,由此我们引入人工智能技术进行诊断。其次,神经网络具有并行分布处理、自适应、联想、记忆及聚类和容错性等诸多优点,适用于变压器这种内部结构复杂且指示故障特征需要一定数量状态信息的设备,其中概率神经网络是基于贝叶斯决策理论的径向基函数预反馈神经网络,它具有很强的容错能力,并且在模式分类方面具有明显的优势,但由于概率神经网络的性能受隐藏层单元平滑因子的影响很大,影响其分类性能。最后,引入元启发式算法可以很好克服这缺陷,提高概率神经网络网络性能并提取最合适的参数,以提高故障诊断的准确率。本文针对变压器特征气体及故障类型的特点,使用MATLAB建立了变压器故障诊断仿真模型,采用两组不同的变压器特征气体数据集分别对概率神经网络、国际电工委员会提出的三比值法、多种元启发式算法优化概率神经网络模型进行训练和测试,并且记录了这些模型迭代的适应度曲线和均方误差,预测故障的准确率等重要评价指标的数据。再采用两个不同的数据集进行实验,结果数据集1中蝙蝠算法优化概率神经网络诊断准确率达到了98.46%,粒子群算法优化概率神经网络诊断准确率达到了90.36%;在数据集2中多元宇宙优化算法优化概率神经网络诊断准确率达到了97.49%,粒子群算法优化概率神经网络诊断准确率达到了95.18%。这都明显高于现在国际现行的DL/T 722-2014三比值法及概率神经网络网络模型,进而电力网络的安全性和稳定性得到了提高,同时人民在日常生活中与经济建设上有了更好的保障,避免许多因电力变压器故障断电带来的巨大影响和损失。