电力变压器是电力系统中能量转换和传输的关键,是电网供电可靠性的决定性因素之一。近年来,变压器故障引发的电力系统非计划停运事故频发,严重影响了国民经济发展和正常的社会秩序。变压器故障是一个缓慢发展直至累积爆发的过程,此过程中出现的过热老化和放电击穿现象造成绝缘材料发生了不可逆损伤,缩短了变压器的正常工作寿命。油中溶解气体分析(dissolved gas analysis,DGA)是针对油浸式变压器进行状态估计和故障诊断最可靠的手段之一,IEC和国内标准已经将该技术推荐为油浸式电力设备状态评价的主要检测方法。因此,探究DGA在线监测数据与变压器故障间的关联关系,进一步开展电力变压器的故障诊断和预测工作,对支持电力设备的状态检修工作,降低电网非计划停运的风险,具有重要的理论价值和工程意义。具体而言,目前的电力变压器故障诊断和预测工作存在以下不足:1)变压器长期工作于正常运行状态,难以积累大量的故障案例数据,属于典型的小样本集场景。同时,故障的发生具有随机性,案例集中不同故障的数量比例存在严重不平衡,造成经典诊断模型的诊断精度不足;2)变压器DGA数据是具有随机波动性的非线性时间序列,经典油色谱时间预测方法在此场景中的结果存在明显的“幅值”误差和“时移”误差,尤其以“时移”误差造成基于该DGA预测结果的设备故障预测偏离实际情况。为解决上述问题,本文提出了基于深度信念网络的变压器状态诊断和预测方法。首先本文论述了故障诊断和DGA趋势预测的数学本质,并在此基础上分析了经典诊断方法的性能特点和适用性情况;其次,针对经典方法严重受限于数据质量和小数据样本性能不佳的不足,提出了一种状态导向型的电力变压器故障诊断方法,该方法在误差修正过程中可以在状态导向和数值导向间的自动切换,避免了单一导向型造成的“过修正”或“欠修正”情况,提升了小样本集、故障案例集间比例不平衡场景下的故障诊断准确率;然后,针对经典预测方法在DGA趋势预测中存在“时移”误差的不足,提出了一种面向油色谱预测的深度递归信念网络算法(deep recurrent belief network,DRBN),解决了因模型结构限制导致油色谱时域相关性表述不充分的问题,消除了“时移”误差;最后,本文收集和整理了大量在线监测的现场案例,实例验证了本文工作的先进性。