实践表明,利用油中溶解气体的成分和含量数据可以有效分析和诊断电力变压器的内部故障。且变压器油中溶解气体分析技术经过多年的研究与应用实践已趋于成熟,至今仍然是变压器故障诊断的首选手段。目前,变压器油中溶解气体分析技术的发展趋势是将其与人工智能等先进技术相结合,以改变需要人工深度参与的现状和进一步提高故障诊断的准确性。本文基于该技术的已有成果,研究变压器故障诊断的智能化方法。主要内容包括:变压器故障与油中溶解气体组分和含量的关联性分析、基于单一时间断面数据的故障智能诊断方法、考虑新故障类型的变压器故障智能诊断方法和考虑时序关联特性的故障智能诊断方法四方面。本文完成的主要工作和取得的创新成果如下:（1）详细分析了变压器油中溶解气体的产气原理以及组成成分,深入探究了变压器故障类型和油中溶解气体的组分和含量的关联特性和判别方法,分别阐述了利用油中溶解气体分析技术来诊断变压器内部有无故障和具体故障类型的典型方法及其存在的不足。（2）提出用于变压器故障诊断的堆栈收缩自动编码网络。该网络集深度学习技术中的自动编码器的两种变体——堆栈自动编码器和收缩自动编码器的优点,能够有效地提取变压器油中溶解气体成分含量和故障状态之间隐含的对应关系特征。在使用油中溶解气体的单一时间断面数据进行测试时,堆栈收缩自动编码网络的诊断准确率达到93.54%。（3）提出堆栈收缩自动编码网络与孤立森林算法相结合的变压器故障诊断两阶段模型,该模型采用孤立森林算法作为异常数据判定环节,来克服单阶段模型在识别属于新故障类型的数据上的局限性。在与设阈值的Softmax分类器模型对比时,本文的两阶段模型在识别新型故障上有更好的性能表现。（4）提出考虑时序关联特性的堆栈收缩自动编码网络与门控循环单元相结合的变压器故障诊断模型。该模型集堆栈自动编码器、收缩自动编码器和门控循环单元的优点,能够挖掘油中溶解气体数据的时序关联特性等深层特征,在变压器出现潜在故障趋势时就能根据序列数据走势发现异常。在使用油中溶解气体的时间序列数据进行测试时,其诊断准确率达到94.31%。