大型充油变压器故障诊断是指对其内部发生的放电或过热情况进行及时准确的识别,以此来保证该电力设备能够平稳安全的运行。长期以来,对于大型充油变压器的故障诊断主要通过分析变压器在不同状态时其内部绝缘油中所含特征气体的成分和含量来进行变压器故障的识别和分类。然而,电力变压器故障成因比较复杂、不同故障间又没有明显的物理界限,这给电力变压器故障诊断带来了很大挑战。本文深入分析了前人关于油中溶解气体分析技术的变压器故障诊断方法。针对其存在的不足,利用深度神经网络良好的特征提取能力和识别能力对电力变压器故障进行了有效诊断。具体工作如下:1.对变压器故障诊断的研究背景、意义和国内外发展现状进行了阐述;着重研究了受限玻尔兹曼机和深度信念网络的相关理论。2.针对传统变压器故障诊断方法准确率低、故障冗余数据影响训练效率等问题,提出了基于PCA-DBN的变压器故障诊断方法。该方法首先利用主成分分析法对故障数据进行降维,去除故障数据中的冗余信息,然后对搭建的深度信念网络进行训练,最后使用训练好的网络对电力变压器存在的故障进行诊断。实验表明,该方法不仅能对变压器常见故障进行精准识别,而且还能提升网络的训练效率。3.针对变压器各种故障没有明显物理边界、传统模糊方法诊断准确率低的问题,提出了基于DBN-IFCM的变压器故障诊断方法。该方法以DBN作为故障数据的特征提取器,用来获取故障数据的深层特征。然后用改进的模糊聚类作为整个网络的分类器对提取的故障特征进行分类。实验结果表明该方法较好的解决了因故障边界不明确而造成的误诊问题,进一步提高了电力变压器故障的识别能力。同时为标签稀缺的模式识别问题提供了一种思路。