变压器作为构成电力系统的一部分,其故障将导致电力系统运行状态变更,变压器故障不但会对其自身造成损伤、破坏,而且会波及电力系统,严重时将使得电力系统瘫痪。及时发现并处理变压器的故障对于变压器的长期运行是十分必要的,而基于溶解气体分析的分析方法在变压器故障诊断中应用广泛,根据溶解气体分析结合的方法不同在变压器故障诊断中有着各种不同精度的变压器故障诊断方法。溶解气体分析就是针对变压器不同运行状态下其内部产生的溶解气体浓度的差异进行分析变压器故障的方法。本文围绕基于机器学习的变压器故障诊断问题展开研究,针对目前电力变压器故障在诊断过程中出现的各种问题,深入分析了电力变压器油中溶解气体与故障类型之间的对应关系,因此,本文先用BP神经网络应用于电力变压器故障诊断。针对BP神经网络存在容易陷入局部最优,收敛速度慢的问题,提出基于CSO-BP变压器故障诊断模型,以纵横交叉算法(CSO)来优化BP神经网络输入层、隐含层和输出层之间的权重,解决了BP神经网络易陷入局部最优和收敛速度慢的问题,使其故障诊断的精度提高了6.2%。目前,随着深度学习的发展,面临大样本数据BP网络无法提取数据样本特征,仿真运行时间长。深度学习则具备大样本数据特征提取的能力和运行时间短的优势。本文现将数据进行归一化处理,再应用深度信念网络(Deep Belief Network.DBN)作为变压器故障诊断的模型,利用该网络对大样本数据特征提取的能力,可以将无标签样本更好地训练网络模型,提高电力变压器故障诊断精度,与BP和CSO-BP模型相比精度分别提高了10.6%和4.4%,更加可靠辨识故障类型。为了解决某些地区变压器故障少,样本数目少而引起的电力变压器故障诊断精度低的问题,本文提出了(Tr-BP、Tr-CSO-BP、Tr-DBN、Tr-CSO-DBN)四种迁移学习与神经网络相结合在变压器故障诊断的模型,将电力变压器DGA大样本数据分别用传统的神经网络BP神经网络和深度信念神经网络进行训练,将训练好的输入层和隐含层的权重保留下来并迁移到小样本数据诊断模型当中,替代小样本数据诊断模型中的输入层和隐含层,建立小样本数据诊断模型的输出层,并用纵横交叉算法(CSO)优化输出层的权值和阈值。实验结果表明,迁移学习可以有效的解决对于电力变压器DGA小样本数据精度低,收敛性差的问题,精度分别提高了12.3%、9.6%、9.7%和11.2%,验证了所提模型的可行性及有效性。