随着我国经济的发展,电网规模不断扩大,电力变压器的数量不断增加。电网的安全关系到国计民生。电力变压器作为电网的关键设备之一,保障其的安全可靠运行对于电网的安全具有重大的意义。同时,电力变压器的监测系统不断改进,监测数据不断增加。如何有效地利用监测数据,进一步提高电力变压器状态评价和故障预测的精度,具有重要的研究价值和意义。图神经网络是专门处理图数据的神经网络模型,能够充分挖掘节点之间的相互关系,能实现图上的机器学习。本文将数据之间的相互关系图转化为图数据,进而利用图神经网络进行关系挖掘。利用图神经网络及其他神经网络技术深度挖掘变压器的监测信息,进一步完善变压器的状态评价、溶解气体浓度预测和故障诊断技术,提高变压器的安全运行水平。首先,本文从变压器的电气试验数据、溶解气体数据、绝缘油试验数据和运行数据四个方面选取数据,建立变压器状态评价体系。基于层次分析法确定初级指标的权重。考虑到高级指标之间可能存在的相互关系,本文建立高级指标之间的关系图,进一步利用图神经网络进行深度挖掘,进而构建评价模型。该模型克服了层次分析法没有考虑指标之间关联性的问题,提升了评价的准确性。然后,本文对比了LSTM、GRU和CNN神经网络用于变压器油溶解气体浓度预测的效果。接着利用气体浓度时间序列之间的皮尔逊相关系数构建气体之间的关系图。利用图卷积神经网络对于气体之间的相互关系进行深度挖掘,进一步结合LSTM等神经网络提取到的时间特征构建组合预测模型。通过对比实验,改进后的模型在测试集上的预测误差进一步减小,预测效果更好。最后,本文建立了一种基于变压器特征气体关系图的变压器故障诊断模型。该模型从图分类的角度出发,利用图神经网络挖掘故障特征气体之间可能的相互关系,结合多层线性神经网络构建故障诊断模型。与基于BP神经网络的故障诊断模型相比,故障诊断的准确率得到了提升。