本文介紹了動態對角遞歸網絡，并針對BP 算法收斂慢的缺點，將遞推預報誤差學習算法應用到神經網絡權值和域值的訓練。同時，將動態對角遞歸網絡引入到電力變壓器的故障診斷中，通過改良三比值方法來實現故障診斷，提高了神經網絡故障診斷收斂性及增量學習能力。最后，仿真診斷實例表明了應用這種方法實現的變壓器故障診斷系統的有效性。
變壓器是電力系統的重要設備之一，它的故障給供電可靠性和系統的正常運行帶來了
嚴重的影響。隨著電網向高度自動化方向發展和國計民生對供電可靠性的要求越來越高，迫切需要對現行的設備維修體系進行變革，因此以在線監測及故障診斷技術為基礎的狀態維修體系逐漸取代預防性維修體系已成為變壓器故障診斷的一個明確的發展趨勢。實測和研究表明，采用油中溶解氣體的氣相色譜分析法（Dissolved Gas Analysis）來分析變壓器的潛伏性故障是監視變壓器安全運行的最有效的措施之一，已成為國內外診斷充油電氣設備故障的一種最為有效的手段。目前DL/T2000 已推薦改良三比值法（原改良電協研法）為變壓器內部故障診斷的主要方法[1]。
BP 神經網絡具有一定的非線性逼近能力,能進行故障模式識別,還能進行故障嚴重程度
評估和故障預測,應用很廣,但它對異常類故障處理能力低,收斂性差，不具備增量學習功能。
動態對角遞歸網絡[2][3](Diagonal recurrent neural network)受前饋網絡結構的啟發，將
部分輸入輸出信息作為網絡的輸入，這樣不僅能夠有效提高前饋網絡的泛化能力，提高其用于故障處理的增量學習能力，而且可以有效地提高神經網絡的收斂性。本文采用利用遞推預報誤差（Recursive Prediction Error）算法修正的動態對角遞歸網絡來對變壓器進行故障診斷，取得了良好的效果