针对电力自动化运维中变压器故障诊断准确率低以及故障临界状态的关键时序特征不易被提取的问题，提出了一种改进注意力机制的长短期记忆网络(Improved Attention-LSTM)诊断模型。该模型以动态加权方式突出故障临界状态的时序特征，并可弥补传统LSTM对重点信息关注度较低的缺陷，以变压器油中溶解气体(DGA)数据分析为例，在考虑经典故障数据集以及某变电站实际运维数据的基础上建立混合样本库，基于LSTM模型的性能改进方法，利用多组对比实验进行性能验证可知：模型在5类故障分类任务上的准确率均最高。同时模型能够更精准地聚焦故障特征突变点，另外该方法对小样本也具有较好的鲁棒性，因此，模型比其他对比算法具有更好的泛化能力，提升了电力自动化运维故障诊断方案的效果。