电力变压器是发电厂和变电站不可或缺的设备,在输变电环节中发挥着重要作用,其故障的发生将会影响电网的安全运行,保证电力变压器正常运行对重要负荷不间断供电以及电力系统稳定运行有着重要意义。在大数据背景下,深度学习以其在多模态维度和长时间尺度序列的数据驱动建模优势,为变压器故障诊断与预测提供了准确可靠的数据支撑和技术手段。本文将深度学习应用于油浸式电力变压器故障诊断,为检修人员对变压器是否进行检修提供更为准确的参考信息。主要研究内容如下:针对油中溶解气体数据测量过程中存在噪声以及采用EMD会出现混叠现象的问题,本文提出了一种基于CEEMD和ABC-LSTM的电力变压器油中溶解气体预测模型。首先应用CEEMD抑制噪声,消除时间序列数据间噪声耦合;其次根据分解后的IMF1～IMF7之间的非线性程度将其重构为微尺度、中尺度和宏尺度三种分量,使序列具备更强的平稳性和规律性;然后应用ABC算法优化的LSTM神经网络对三种尺度分别进行预测,线性求和获取气体最终预测结果。最后通过算例分析表明,相比于传统机器学习预测方法SVM、BP及LSTM等方法,本文方法提高了预测精度,具有较高的预测稳定性与可靠性。由于LSTM模型中存在大量需要优化的权重和偏移参数,网络训练时因过度强调训练集的分类准确度导致泛化能力较弱,从而使测试集分类准确度降低。针对上述问题,本文提出了一种基于MIC-MHG-LSTM的故障诊断模型。首先将变压器故障特征气体扩充成单气体、多种气体比值以及相对含量共29个特征量,通过Fisher Score算法对特征量的重要度进行排序,同时应用最大信息系数（MIC）提取与变压器故障状态相关度高的故障特征量,避免了信息利用不充分与特征气体之间的冗余性;其次构建了具有两级遗忘门和输入门结构的MHG-LSTM模型,通过门控机构和完善的参数更新规则实现了对输入信息流的选择和筛选,提高了LSTM网络对长序列的处理能力;最后,通过实例分析验证了所提出的模型优于传统的LSTM、SVM、DBN模型,具有较高的分类准确率。