变压器是电力系统中最重要的设备之一,它的运行状态直接关系到整个电网的安全与稳定,所以对其进行故障的监测与诊断是非常有必要的。基于油中溶解气体分析的比值法是当前应用最为广泛的诊断方法,它具有简单易用的特点,然而比值法也存在着较多的缺陷,例如编码不全,故障划分区间过于绝对等等。因此本文提出了利用基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络(PSO-RBFNN)进行变压器故障诊断系统的设计,以解决传统诊断方法的不足之处。RBF神经网络是属于一种有监督的网络,其最终的诊断性能,很大程度上依赖于两个方面,一是训练样本的选择;二是网络参数的确定。针对RBF神经网络训练样本的选择问题,通常采用随机挑选的方法,即从总样本中随机挑选出训练样本,这种方法虽然简单,但是在总样本数较少的情况下,得出的训练样本较为片面,分布不均匀,从而严重影响RBF神经网络的知识获取,以及最终的网络性能。所以本文提出了基于聚类法的划分方法,首先利用聚类法分析得出样本的具体分布情况,然后利用文中所提出划分原则,从总样本中挑选出有利于RBF网络学习的训练样本。针对RBF神经网络参数的确定问题,其中最为关键的是确定隐藏层径向基函数的中心。较为常用的方法是利用聚类法,把聚类数作为中心的个数,把聚类中心作为径向基函数的中心,然而该方法往往不能得到最优的中心参数,容易收敛于局部最优值。所以本文提出了采用具有全局寻优能力的粒子群优化(PSO)算法对RBF神经网络的参数进行最优化确定的方法。通过文章最后的三组测试实验,证明了文中所采用的基于聚类法的训练样本划分方法以及基于PSO算法的RBF神经网络参数确定方法是有效的、合理的。在文章的最后,采用MATLAB/GUI进行编程,设计出基于PSO-RBFNN的变压器故障诊断系统,该系统具有三个优良特性:一是具有清晰明了的人机交互界面;二是该系统不仅给出变压器所发生的故障类型,而且还给出可能引起该故障的原因,为检修人员提供参考依据;三是该系统能够实现PSO-RBFNN的不断更新,即把以往不能诊断的数据样本加入到训练样本数据库中进行神经网络的重新学习,从而使诊断系统不断完善。