电力变压器承担着电网中电能传输与电能转换的重任,是电力系统中的关键枢纽,一旦发生故障,将会造成严重后果。为了能提前及时发现变压器潜在故障,将变压器的潜在故障消除在萌芽之中,需要进行变压器故障诊断的研究。变压器运行过程中会产生很多跟运行状态紧密相关的状态数据,其中油中溶解气体是最常用的状态量。变压器的故障类型主要为热故障和电故障,发生故障时会产生大量气体溶解在变压器油中,其组分和含量跟变压器故障类型存在着联系,基于油中溶解气体的变压器故障诊断方法就是找出这种关系,然后用这种关系判断获得的未知数据的故障类型。油中溶解气体分析是监视油浸式变压器是否安全运行的重要手段,本文通过查阅相关文献阐述了油中溶解气体与故障类型之间的关系,针对改良三比值法存在的编码不全、编码界面过于绝对导致其并不能适用于所有情况的缺点,研究了以神经网络为载体的故障诊断方法。神经网络有很多种不同的类型,本文选取了典型的前馈型BP神经网络、极限学习机以及深度学习作为模型研究的主体,仿真实验证明,BP神经网络性能最差,极限学习机具有最快的学习速度,但是模型稳定性最差,深度学习能够获得最好的学习性能,但是学习时间比较长。针对极限学习机随机初始化权值的缺陷,本文专门提出了一种基于受限玻尔兹曼机的改进模型,通过预训练极限学习机的权值矩阵使得极限学习机的网络性能大幅提高。