电力变压器是电网中重要的设备,是电网中交换能量及传输能量的核心,是电力系统安全运行的重要支撑设备。变压器在运行过程中出现任何事故都将会带来经济损失,甚至引发严重的社会影响。目前针对变压器的故障诊断技术多采用人工智能算法,虽然人工智能算法的引入很大程度上改善了传统诊断方法的不足,使得故障诊断准确率得到了较大的提升,但仍然存在收敛速度慢、稳定性比较差、学习能力有限、不适用于大量样本训练等一系列问题,因此研究快速准确的变压器故障诊断技术和方法,并对故障进行及时有效的消除,对电网的安全运行具有十分重要的意义。为了解决变压器故障诊断目前存在的种种问题,首先分析了变压器油中溶解气体分析(Dissolved Gas Analysis,DGA)的产气原理、产气过程及溶解原理,分析了变压器溶解气体的不同组成成分和变压器故障的对应关系和判别方法,阐述了基于DGA技术的变压器故障诊断的常用方法,进而确定了采用拆分法对变压器进行故障诊断分析。随着深度学习的不断发展,与传统机器学列算法相比,深度学习可以发现复杂数据的特征规律,深度信念网络(Deep Belief Network,DBN)作为深度学习的一种,具有良好的的特征提取和分类的能力,随后分析了 DBN在变压器故障诊断中的应用,构建了深度信念网络分类器(Deep Belief Network Classification,DBNC),利用该方法从大量样本中自动提取气体特征的能力,更好地利用无标签样本训练模型,提高电力变压器故障诊断准确率,可靠辨别故障类型。利用大量工程实例样本数据,对DBN进行测试和调优,并与误差反向传播神经网络(Back Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)两种变压器故障诊断方法进行比较。结果表明,DBN具有更好的故障诊断性能,扩展性更强,完全可以满足实际的工程需要。