电力变压器的安全稳定运行对整个电力系统而言意义重大,而故障诊断方法是保障电力变压器安全的重要手段。研究表明,油中溶解气体与变压器的运行状态息息相关,油中溶解气体分析(Dissolved Gas Analysis,DGA)是电力变压器故障诊断的重要技术之一。当前,如何从原始DGA数据中提取出有利于表征电力变压器各种运行状态的特征量,以及如何在获得的特征量上进行快速准确的故障分类已成为研究电力变压器故障诊断方法的主要内容。近年来,随着计算机技术与人工智能的发展,以深度学习理论为主的特征提取与模式识别在电力系统装置的故障诊断领域大放异彩,其核心思想是模仿人类大脑思维方式,通过构建深度神经网络对蕴含在原始数据中的深层次特征进行挖掘与学习。在此背景下,文章通过研究深度学习相关理论与DGA数据,为电力变压器故障诊断提供一种新的解决思路。针对电力变压器原始DGA数据特征表达能力不足而使得故障诊断效果较差的问题,基于深度学习理论,建立了基于深度自动编码器(Deep auto-encoders,DAE)的DGA数据特征升维模型,用于扩充各类DGA故障数据的特征维度。相比于传统升维方法,DAE方法人工干预小,同时提取的高维特征具有更强的特征表达能力。针对传统智能诊断算法容易出现准确率不足等一系列问题,基于深度学习理论,利用卷积神经网络(Convolutional neural network,CNN)强大的特征学习能力,建立了电力变压器的CNN故障诊断模型。考虑到CNN不仅可以用于提取1维时域特征还可用于提取2维空域特征,分别建立1D-CNN与2D-CNN的电力变压器故障诊断模型,并通过算例验证上述两种模型的有效性与准确性。为进一步提升诊断结果的准确性与可靠性,有效结合信息融合技术与深度学习理论,建立了基于1D-CNN与2D-CNN联合的双流CNN电力变压器故障综合诊断模型。该模型可对不同特征提取方法获取的特征数据进行融合训练,在训练过程中不断对两个CNN进行参数更新,较传统信息融合方法具有更强的鲁棒性。实例证明,双流CNN综合诊断模型能有效地提高电力变压器的故障诊断精确度。