本文从介绍变压器的典型故障入手,尤其针对变压器的内部故障,分析了变压器油中溶解气体的与变压器内部故障类型之间的对应关系,在大量收集故障特征气体样本的基础上,建立了故障样本集,为神经网络提供数据支持。　　由于变压器故障类型与故障表征之间往往关系复杂且存在不确定性和非线性,使得故障诊断的数学模型难以获得。而人工神经网络由于自身的明显优势,比如自适应、自学习、分布式并行处理、联想记忆以及非线性映射等优点,为解决这一难题开辟了一条新的途径。　　针对目前变压器故障诊断系统大多数都是采用BP神经网络模型,本文利用收集建立的故障气体样本数据在MATLAB中实现了各种算法诊断的训练仿真,根据仿真结果发现BP神经网络由于其自身的结构特点和网络的不足,在训练样本规模扩大和诊断精度要求提高的情况下,网络往往会出现不收敛和极易陷入局部最优值的情形,这给故障诊断带来了不小的挑战。　　为了克服上述BP网络的不足,本文提出使用一种基于概率神经网络的变压器故障诊断模型应用于变压器的故障诊断中。在实际应用中,尤其是在解决模式识别、分类问题的应用中概率神经网络有较好的效果,它的优势在于用线性学习算法来完成非线性学习算法所做的工作,同时保持非线性算法的高精度等特征;这种网络对应的权值就是模式样本的分布,网络不需要反复训练,所以完全可以满足实时处理的要求。通过大量的仿真结果表明,概率神经网络应用于变压器故障诊断大大提高了诊断速度和精度,与BP网络相比概率神经网络在故障诊断的速度、样本追加、精确度和容错上都明显占优。为了进一步提高诊断的准确度,提出使用一种基于遗传算法优化平滑因子的概率神经网络用于变压器故障诊断中,并通过实例分析和仿真结果,证明基于优化平滑因子的概率神经网络的变压器故障诊断方法效果良好完全满足变压器故障诊断的要求。最后,利用MATLAB GUI制作一个简单的用户操作界面,通过实例输入故障特征样本数据,证明该变压器故障诊断系统的有效性、可行性。