变压器是电力系统中关键设备，为此，准确且及时的诊断出变压器的故障或早期潜伏性故障，对保障电力系统的可靠运行有着重大的意义。在变压器故障诊断方法中，油中溶解气体分析法(DGA)常用作判断变压器运行状态的有效手段，可在变压器运行过程中进行故障分析，促使变压器从定期维修到状态维修的转变。本文分析了现有的基于DGA数据的变压器故障诊断方法的特点及存在的问题的基础上，把深度学习网络中具有无监督自主学习特性的稀疏自编码网络应用于变压器故障诊断，研究基于DGA数据的变压器故障诊断新的方法，为实际变压器故障诊断提供更加准确的参考信息。
　　文中提出了一种基于深度稀疏自编码网络的变压器故障诊断新的方法。结合了变压器故障的类型以及变压器DGA数据的特征，搭建了变压器故障诊断模型，并详细给出了诊断的实现的方法与步骤。该诊断方法可以以概率的形式输出诊断结果，具有较强的数据样本转换能力。根据得出的测试结果表明，该方法具有良好的故障诊断正确率。
　　深度学习网络中随着堆叠层数的增加，各层参数值会固定，不能随着网络堆叠个数的增加而提升诊断性能。针对该问题，本文提出了一种基于有监督学习的深度稀疏自编码变压器故障诊断网络，利用有监督学习来调整整个网络参数，以达到全局最优。诊断结果表明，有监督学习的使用改善了诊断网络的整体参数，增加了网络中稀疏自编码堆叠的个数，其诊断正确率有着明显的提高。
　　论文最后采用实际变压器故障案例对文中所提出的两种变压器故障诊断方法进行了测试，并与现有的基于DGA数据的BP神经网络与支持向量机的故障诊断方法进行了对比。结果表明，文中提出的方法具有更优的诊断性能，可以更好的满足实际工程需求。