社会发展电力先行,随着国民经济的快速发展,对电力的需求也日益增加,电力系统的容量也在不断地扩大,同时对电力产品质量的要求也越来越高。电力变压器作为电力系统中重要的电气设备,在电能传输中起到了关键的作用,目前大容量的电力变压器正在广泛地使用,对电力变压器运行的安全可靠性提出了更高的要求。差动保护一直以来都是变压器的主保护,目前用于实际的励磁涌流识别方法均不能很好的满足现代大型变压器保护的要求。因此,励磁涌流的识别问题俨然成为了变压器差动保护的核心问题,有必要进一步探索研究出更加准确、快速、可靠的励磁涌流识别新方法。本论文是结合山东电力集团公司聊城供电公司“基于录波和保护信息融合的变电站智能事故分析系统”科技项目的实施进行研究的。在此项目中作者主要负责变电站大型变压器的故障诊断,采用BP神经网络模型及其遗传算法改进的网络模型,大大提高了区分变压器内部故障和励磁涌流的能力,并将这种方法应用到了实际项目中,获得了很好的效果。BP神经网络是一种多层前馈型网络,它可以实现从输入到输出的任意非线性映射,具有良好的逼近和自学习能力,并且结构简单,训练速度快。本文在研究BP神经网络模型的基础上,引进遗传算法对神经网络的权值和阈值进行优化,提高了神经网络的收敛速度。并将采集到的变压器励磁涌流和内部故障数据,通过频谱分析和归一化处理后作为网络训练样本数据和检验样本数据。利用训练样本数据对神经网络模型进行训练,使得模型具备辨别励磁涌流和内部故障的能力,然后再用检验样本数据对训练好的神经网络模型进行效果检验,并比较分析BP神经网络模型和遗传算法改进的网络模型,给出了一些工况下各自的判定结果。结果表明遗传算法改进的BP神经网络模型能够更加快速准确地鉴别变压器励磁涌流和内部故障,更适合应用于现场的变压器故障诊断。