随着智能配电网的飞速发展，对电力设备的安全稳定运行提出了更高的要求，如何快速、准确的对电力变压器故障进行在线诊断和定位是电力领域亟待解决的问题。在电力变压器发生故障时，往往可将故障一分为二进行考虑，即变压器电气故障和变压器机械故障，前者可通过判断故障类型达到故障诊断的目的，后者则是通过判断故障发生的部件和位置达到故障定位的效果。在线诊断和定位往往需要较高的时效性，深度学习的发展为其带来了生机，其中卷积神经网络较强的特征学习能力可有效提高判断准确率;离线训练、在线诊断的方式也使在线诊断和定位效率大大提高。本文将深度学习中的卷积神经网络和改进卷积神经网络算法应用于变压器故障的研究中，主要工作如下:
　　(1)变压器发生故障时，往往可从电气故障和机械故障两方面考虑，本文从这两方面入手，分别分析了不同电气故障和机械故障产生的原理及故障特征。提出故障数据库生成方法。
　　(2)本文为了在变压器发生故障时在线获取故障诊断和故障定位数据，分析比较了各种传感器特征，提出了变压器油中溶解气体在线监测方法和变压器振动信号在线监测方法，在线监测方法的提出即节省了人力物力，又缩短了诊断和定位的时间，具有较高的经济性和时效性。
　　(3)在故障诊断和定位方面，本文首先提出了基于卷积神经网络的变压器故障诊断方法，这种方法可直接对原始数据进行特征提取和特征选择，步骤简单、易于实现;然后，本文设计了一种改进的卷积神经网络，该网络可以检测并定位故障原因，从而实现了变压器故障的在线定位。此方法针对变压器运行工况下多噪声干扰的问题，并适用于变压器故障定位中多传感器变量输入的情况。
　　(4)本文利用仿真实验证明了所提出的故障诊断和定位方法的有效性和时效性。