变压器作为电力系统中的核心设备之一,它的稳定运行是整个电网能够保证安全稳定的前提,并且它也是电网安全防御系统中的重要枢纽设备。因此,准确诊断变压器内部潜伏性故障,对变压器运行状况做进一步的综合研究,可有效指导电力变压器的运行维护及状态检修,减少变压器故障的发生,维护变压器的安全运行,是保证整个电力系统稳定的关键。本文主要从电力变压器故障诊断与故障预测两个方面进行研究,主要研究工作如下:由于电力变压器的运行状态可通过其油中溶解气体的含量与构成获得基本了解。因此,油中溶解气体分析(Dissolved Gas-in-oil Analysis,DGA)成为判断电力变压器是否处在安全稳定状态的重要依据。本文针对现有的基于DGA的电力变压器故障诊断方法的缺陷和不足,尝试将具有较强学习能力的深度学习神经网络应用于电力变压器故障诊断,基于深度学习神经网络提出了基于栈式降噪自编码网络和栈式稀疏自编码网络两种变压器故障诊断新方法。这两种方法都是先基于该网络,根据变压器DGA数据特点及故障类型,结合softmax分类器构建了变压器故障诊断模型,并给出了详细的诊断步骤。算例分析证明,所提这两种方法都具有较好的稳定性及更高的准确率。对于变压器故障预测主要是通过对变压器油中溶解气体浓度进行分析,判断变压器是否存在潜在故障。本文基于深度学习网络提出了一种稀疏深层信念网络的变压器油中溶解气体浓度的预测模型。该模型将特征气体的浓度作为输入,通过对基于受限玻尔兹曼机的多隐层机器学习模型训练,自动提取气体浓度自身的发展规律,逐层激活各气体组分之间对气体浓度影响的强相关性,抑制、弱化无关和冗余信息。该模型具有较高预测精度。并通过算例分析,验证了该方法的有效性。