在电力系统中,变压器的作用尤为显著,其运行状态直接关系到电力系统能否稳定运行。变压器发生故障的征兆与其产生的故障类型有着比较复杂的非线性关系,所以传统方法对于变压器的故障诊断存在一定缺陷。人工神经网络具有自学习能力和自适应能力,能够很好的处理非线性问题,所以选用人工神经网络来判断变压器的运行状态。本文对传统BP神经网络进行了改进,将量子理论运用到BP神经网络中,构成量子神经网络,利用量子理论的叠加态使神经网络具有模糊性和更好的对复杂数据的处理能力,将油中溶解的特征气体的含量作为输入,变压器的故障类型作为输出,构建量子神经网络变压器故障诊断模型,使用收集到的数据对其进行训练,最后利用训练后的量子神经网络对变压器进行故障诊断。仿真结果表明:该算法解决了传统BP神经网络容易陷入局部极小值的问题,在训练400多代就快速收敛获得最优解,且对变压器故障诊断正确率由78%提高到86%。在实验过程中发现,上述方法仍然存在误诊断现象,而且训练速度还需要进一步提高。因此,本文提出了量子遗传神经网络变压器故障诊断方法。量子遗传算法是将量子计算与遗传算法相结合,用量子门作用和量子门更新来完成进化搜索,通过调整旋转角的大小来调整优化结果及进化速度。用量子遗传算法优化RBF神经网络,利用优化后的网络对变压器进行故障诊断。通过仿真实验,结果表明:量子遗传神经网络相比量子神经网络收敛速度有了很大的提升,训练到50多代时就快速收敛获得最优解,而且RBF神经网络的泛化能力也得到很好地改善,对变压器的故障诊断正确率由86%提高到93%。