变压器在电力系统中是重中之重的一环,其作用是不可替代,发生故障时会带来很严重的影响。所以当变压器发生故障时,最重要的是能如何快速、有效并准确的诊断出变压器的故障。本文提出了一种改进人工鱼群算法(IAFSA)优化BP神经网络的变压器故障诊断方法。首先,深入研究和分析传统的基于油中溶解气体(DGA)数据的变压器故障诊断方法。确定变压器中溶解气体的来源以及各种气体的比例所对应的故障类型,分析了传统的变压器故障诊断方法,为提出的新方法奠定了理论基础。然后,由于BP神经网络收敛速度慢、容易陷入局部极值、权值阈值不易确定等缺点,故提出一种人工鱼群优化算法。再通过研究AFSA算法的原理特征,发现其自身的不足,对AFSA算法的参数和行为进行改进。将“自适应策略、分割策略、跳跃行为等”作为一种改进的策略及行为,对于改进的优化算法,设计其模型及流程图。经过比较分析,改进后的网络搜索速度显著提高,并且对于鱼群行为的选择也给予很大的自由度,能容易逃离局部极值,提供算法来优化BP神经网络进行变压器故障诊断。IAFSA的提出主要用于优化BP神经网络的网络关键参数,使BP网络结构更优,迭代速度更快,进而提高网络的训练效率和准确率,并且由于变压器故障气体数据会存在异常点,提出了一种二阶段聚类预处理方法对变压器故障气体数据进行精确处理。最后,基于IAFSA-BP算法的理论分析结果,利用MATLABR2016b平台建立了模型进行仿真验证。根据仿真数据比较结果,与单一BP网络以及AFSA-BP网络相比,本文中使用的IAFSA-BP网络在变压器故障数据训练和预测的速度及准确性方面有显着改进。IAFSA-BP网络的诊断性能具有很强的比较优势,在变压器故障诊断中具有良好的工程实用价值。该论文有图22幅,表14个,参考文献70篇