针对变压器故障征兆和故障类型的非线性特征，结合油中气体分析法，研究应用BP神经网络对变压器进行故障诊断。设计了一个基于BP神经网络的变压器故障诊断模型，通过仿真实验证明BP神经网络可以有效的运用到变压器故障诊断中。

电力变压器是电网运行的主要设备，它的安全运行是保障电力系统可靠运行的条件之一。油中溶解气体的色谱分析技术目前是电力系统充油电器设备故障诊断的一种重要手段。但由于电力设备故障原因，故障现象的复杂性和不确定性，传统的故障诊断方法诊断准确率不高。因此很有必要探索一种更方便，更可靠的诊断方法，以提高诊断的准确率。由于神经网络具有并行处理，学习和记忆，非线性映射，自适应能力和鲁棒性等固有性质，使其非常适合应用在变压器故障诊断领域。其中BP算法是目前在电器故障诊断领域中的特征提取和模式分类等方面应用的最成功，研究的最广泛的一种神经网络。^{6}

电力变压器故障诊断是电力系统的一个重要研究课题。本课题要求采用遗传算法来优化神经网络，将优化后的神经网络用于变压器故障诊断中。利用MATLAB编程实现GA_BP神经网络，并将其用于某变压器故障诊断的实例中，通过仿真实验来验证其有效性。^{1}

由于本人所在专业并没有学习到关于遗传算法的任何内容，遗传算法是本科学习阶段从未碰到过的一门理论，所以首先要学习相关的理论知识，在此基础上进行仿真实验研究。

关于遗传算法：是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

遗传算法包括几个过程：

（1）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

（2）个体评价：计算群体P(t)中各个个体的适应度。

（3）选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

（4）交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。