工业的发展带动了能源需求的增长,提高了电力系统在我国基础设施体系中的地位。变压器作为电网的核心设备,其运行状况直接或间接的影响着整个电力系统的安全。统计资料表明:在变压器各类故障中,绕组发生匝间短路故障的几率最大,约占整个故障的60%—70%。目前,匝间短路诊断技术需停机拆解,增加运维成本,还不能发现变压器潜在性的故障。对匝间短路特征的认识仍是基于电路模型的辨识方法,该类方法的限制在于需要建立变压器产品的精确等效模型。针对变压器绕组匝间短路辨识问题,本论文提出了基于深度学习分类框架的变压器绕组匝间短路故障智能诊断方法。首先,针对变压器绕组匝间短路进行了机理分析。对不同电压等级变压器的端口电压、电流的幅值和变压器故障相磁通进行了分析,得出了基于深度学习技术的变压器绕组匝间短路辨识方法的适用范围。从时域和频域两个方面,分析了变压器端口电压、电流数据特征,在此特征的基础上,根据深度学习所需数据集的要求研究了一种制作数据集的方法。其次,利用上述研究的数据集制作方法构建变压器端口电压、电流数据集,采用卷积神经网络算法对数据集样本进行自动特征学习与模式识别。在卷积神经网络搭建过程中,分析了卷积神经网络的结构特点和训练过程,根据变压器端口电压、电流数据集特点设计了输入层、卷积池化层、全连接层及输出层。应用搭建的卷积神经网络模型,分别在不同电压等级、不同负载率、三相不平衡以及变压器绕组在不同位置发生匝间短路等条件下,对变压器副边绕组发生匝间短路进行辨识。最后,卷积神经网络分类结构对变压器匝间短路故障进行辨识时,深度学习结构的内部参数和输入信号特性是提高准确度得关键因素。以对变压器副边绕组发生不同匝数短路辨识为例,通过改变卷积核数量和大小、池化策略和卷积池化层数等卷积神经网络结构的内部参数分析辨识效果;还进行了数据集图像的分辨率和窗口大小、互感器测量精度和采样频率等输入信号特性对辨识效果的影响。本论文研究成果补充了电力变压器故障诊断相关基础理论,在电力变压器故障诊断智能化方面具有广阔的应用前景。