本文介绍了动态对角递归网络，并针对BP 算法收敛慢的缺点，将递推预报误差学习算法应用到神经网络权值和域值的训练。同时，将动态对角递归网络引入到电力变压器的故障诊断中，通过改良三比值方法来实现故障诊断，提高了神经网络故障诊断收敛性及增量学习能力。最后，仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。变压器是电力系统的重要设备之一，它的故障给供电可靠性和系统的正常运行带来了严重的影响。随着电网向高度自动化方向发展和国计民生对供电可靠性的要求越来越高，迫切需要对现行的设备维修体系进行变革，因此以在线监测及故障诊断技术为基础的状态维修体系逐渐取代预防性维修体系已成为变压器故障诊断的一个明确的发展趋势。实测和研究表明，采用油中溶解气体的气相色谱分析法（Dissolved Gas Analysis）来分析变压器的潜伏性故障是监视变压器安全运行的最有效的措施之一，已成为国内外诊断充油电气设备故障的一种最为有效的手段。目前DL/T2000 已推荐改良三比值法（原改良电协研法）为变压器内部故障诊断的主要方法[1]。BP 神经网络具有一定的非线性逼近能力,能进行故障模式识别,还能进行故障严重程度评估和故障预测,应用很广,但它对异常类故障处理能力低,收敛性差，不具备增量学习功能。动态对角递归网络[2][3](Diagonal recurrent neural network)受前馈网络结构的启发，将部分输入输出信息作为网络的输入，这样不仅能够有效提高前馈网络的泛化能力，提高其用于故障处理的增量学习能力，而且可以有效地提高神经网络的收敛性。本文采用利用递推预报误差（Recursive Prediction Error）算法修正的动态对角递归网络来对变压器进行故障诊断，取得了良好的效果