传统基于有限元分析（Finite Element Analysis,FEA）的电力设备物理场仿真虽然有着较高的仿真精度,但其仿真时间很长,难以满足电力设备物理场的近实时仿真需求。本论文尝试将深度神经网络（Deep Neural Networks,DNN）引入到电力设备物理场仿真领域,分别开展了短路电抗器磁场仿真、漏磁变压器磁场仿真、无短路电抗器磁场仿真、变压器温度场仿真、60 Hz高压套管磁场和发热功率密度仿真研究,以期实现电力设备物理场的近实时仿真。本论文的主要研究内容和研究成果如下:（1）针对短路电抗器磁场近时仿真困难的问题,将DNN引入到短路电抗器磁场中,并开展两种基于深度学习的短路电抗器磁场仿真方法研究。第一种是采用对电抗器中部和端部短路点编码、数据降维、DNN模型构建等处理,开展电抗器中部和端部短路位置以及其他非短路位置的磁场仿真研究;另外一种是采用对电抗器中部和端部短路点磁场坐标提取、短路点磁场和背景磁场裁剪、数据降维、DNN模型构建等处理,但仅利用电抗器中部和端部短路位置的磁场数据作为训练数据,开展电抗器任意短路位置的磁场仿真研究。实验研究结果表明,与FEA得到的数据相比,两种仿真模型的平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）分别为0.18%和0.07%,但两种基于深度学习的磁场仿真方法耗时在本论文中所采用的实验平台上仅需1.27 s和1.65 s。（2）针对漏磁变压器磁场数据随时间呈现类似正弦曲线周期衰减的特征,常规的深度学习方法难以对漏磁变压器磁场进行高精度仿真的问题,将漏磁变压器磁场数据将划分为谷值数据和非谷值数据两部分,分别开展基于深度学习的漏磁变压器磁场仿真研究。通过对漏磁变压器磁场的谷值数据和非谷值数据分别进行数据降维、DNN模型构建等处理,开展仿真实验,并进行十折交叉验证研究。实验研究结果表明,将漏磁变压器磁场数据划分为谷值数据和非谷值数据两部分,开展基于深度学习的漏磁变压器磁场仿真研究,该方法仿真模型的MAPE为1.68%,但该方法仿真模型耗时在本论文中所采用的实验平台上仅需0.02 s。（3）针对DNN在其他正常电力设备物理场仿真实用性的问题,开展了包括无短路电抗器磁场仿真、变压器温度场仿真、60 Hz高压套管磁场和发热功率密度仿真等研究。针对不同电力设备的不同物理场数据的特征,分别开展数据插值、数据降维、DNN模型构建等研究。实验研究结果表明,本论文构建的DNN模型对无短路电抗器磁场仿真、变压器温度场仿真、60 Hz高压套管磁场和发热功率密度仿真的MAPE分别为0.01%、0.01%、0.11%、0.86%,预测时间在本论文中所采用的实验平台上分别为0.16 s、0.16 s、0.16 s、0.17 s。综上所述,本论文将DNN引入到电力设备物理场仿真领域,对短路电抗器磁场仿真、漏磁变压器磁场仿真、无短路电抗器磁场仿真、变压器温度场仿真、60 Hz高压套管磁场和发热功率密度仿真开展研究。实验研究结果表明,本论文构建的DNN模型仿真精度与有限元模型仿真精度非常接近;但基于DNN模型的仿真时间与基于有限元模型的仿真时间相比,由小时级提升到了秒级。