电力变压器是电力系统中最重要的电气设备之一,是电网中实现电能传输和分配的关键载体,变压器的运行状态关系到整个电力系统的安全稳定运行,为了保证电力系统的可靠性,对变压器运行状态预测和故障诊断的研究显得尤为重要。在本文中,将以油中溶解气体分析法为基础,结合新型的深度学习算法,实现对变压器未来运行状态的预测和诊断。在变压器未来状态预测方向,以历史特征气体浓度序列作为输入量,提出了一种基于互补集合经验模态分解和时间卷积网络的气体数据趋势预测的方法。针对变压器油中溶解气体浓度时间序列非线性、非平稳性特征,采用互补集合经验模态分解方法进行分解,优化原始序列,消除不同气体序列间的耦合和噪声的干扰。引入深度学习时序模型中的时间卷积网络,时间卷积网络可以高效的处理序列建模任务,相较其他模型保持更多扩展记忆。选择七种典型特征气体作为输入分别进行实验验证,本文提出的预测方法能够较为高效且准确的预测特征气体未来浓度趋势。在变压器故障诊断方向,提出了一种共轭梯度改进粒子群优化算法的深度信念网络变压器运行状态诊断方法。采用共轭梯度改进的粒子群优化算法对初始参数进行寻优,可以在一定程度上使模型精度得到提高,并加快搜索过程中的收敛速度,从而提高深度信念网络模型的诊断效率。通过实例验证,改进后的模型的诊断效率和准确性得到较大的提升,能够根据所提供的特征气体浓度对变压器发生的故障进行诊断。在本文的最后,从硬件和软件角度出发,设计出一套可用于变压器在线监测和状态预测的系统方案。采用工程实际案例对基于时间卷积网络和深度信念网络的变压器状态预测系统进行测试,测试结果与实际案例中的故障类型进行比较。结果表明,本文中提出的方法能够较好的对变压器运行状态做出预测,可以很好的满足工程实际需要。