励磁绕组匝间短路故障是发电机各类故障中最常见的一种,该故障程度较轻时对机组运行性能影响较小,当故障发展至严重程度时,会导致励磁电流增大,影响无功输出以及引起发电机振动等一系列问题。本文提出了一种基于深度学习的同步发电机励磁绕组匝间短路故障预警方法,能够在励磁绕组轻微匝间短路故障时诊断出故障,达到故障预警的效果。（1）构建了卷积神经网络（Convolution Neural Network,CNN）与深度置信网络（Deep Belief Network,DBN）相结合的分类型励磁绕组匝间短路故障预警模型。模型以CNN为提取器提取输入数据特征,以DBN为分类器对提取后的特征数据进行划分,将发电机的运行状态划分为正常状态和励磁绕组匝间短路故障状态。通过控制变量法选取合适的网络结构,以受试者工作特征曲线对训练完成的模型进行校验。（2）构建了长短期记忆复合卷积神经网络（Long Short-Term MemoryConvolution Neural Network,LSTM-CNN）和门控循环单元复合卷积神经网络（Gated Recurrent Units-Convolution Neural Network,GRU-CNN）两种拟合型模型。选取励磁电流为故障判定指标,以改进粒子群算法确定网络的最优结构。选取两者中性能较好的模型,利用模型输出值与实际测量值的偏差实现励磁绕组匝间短路故障预警。（3）搭建了励磁绕组匝间短路故障预警模型可视化界面。该界面包括拟合型模型训练、分类型模型训练、拟合型故障预警和分类型故障预警四个部分。其中,拟合型模型训练模块用来搭建LSTM-CNN、GRU-CNN两种拟合型深度学习网络;分类型模型训练模块用来搭建CNN和DBN相结合的分类型深度学习网络;拟合型故障预警模块及分类型预警模块用于调用训练好的拟合模型或分类模型,设置相关参数后导入实时数据,可以实现对发电机励磁绕组匝间短路轻微故障的诊断。以上模型通过实验数据验证,均具有较高的故障诊断准确率,对于工程应用有良好的指导价值。