电力变压器是电力系统重要组成部分之一,变压器的正常运行是电网安全稳定运转的必要条件。随着我国经济高速发展,变压器的数量和容量均明显增加,因此变压器故障诊断方法的研究具有重要的现实意义。由于能够实现在线实时监测,油中溶解气体分析法成为应用广泛的变压器故障诊断方法。油中溶解气体分析法理论简单,准确率较低,无法解决实际工程中变压器故障类型复杂的问题,因此现代智能方法受到广大研究人员的关注。人工神经网络是一种高效的现代智能算法,在变压器故障诊断领域有突出表现。人工神经网络的训练依靠梯度下降算法,但传统算法收敛性能差,为了加快模型参数收敛速度、提高最终诊断精度,本文提出了3种改进梯度下降算法。标准Adagrad算法自适应步长总是减小,改进后的IAdagrad算法引入步长提升系数削弱此特性,改善模型的后期学习能力;标准RMSProp算法衰减速率是固定的,改进后的IRMSProp算法引入衰减速率改变系统,使得不同时间的梯度影响随环境而改变;在标准Adam算法基础上引入步长扩增因子和缩减因子,提出IAdam算法,使步长具有更强的自适应性,进一步加快收敛速度。本文针对变压器油中溶解气体与故障类型对应关系,建立了基础结构为5-12-6的神经网络变压器故障诊断模型,并分别利用改进后的三种算法进行优化。首先,观察不同参数组合下模型的性能表现,对比后选取合适的算法参数。然后利用样本数据训练变压器故障智能诊断模型,经过测试集验证,结果证明:改进后的算法在变压器故障诊断中表现出更高的性能,相比改进之前,具有更快的收敛速度,准确率有不同程度的提升。