随着电力系统规模不断扩大以及复杂度持续提升，传统故障诊断方法已难以满足现代电网运维需求，大数据技术的发展为电力设备故障诊断与预测提供了新途径，研究采用多源异构数据融合技术，构建包含设备状态数据，环境参数及历史故障记录的综合数据集，设计了基于深度学习的故障特征提取模型以及预测算法，实验表明，所提方法在变压器油温异常预测中准确率达94.3%，较传统方法提高15.2%；故障预警时间提前至72小时，为维护决策提供充足准备期，该技术已在某省电网试点应用，有效减少了计划外停电频次以及维修成本。