Los transformadores de potencia son componentes vitales y costosos en los sistemas eléctricos, esenciales para garantizar un suministro confiable e ininterrumpido de energía eléctrica. Su protección es crucial para mejorar la fiabilidad, mantener la estabilidad de la red y minimizar los costos operativos. Los estudios previos han introducido esquemas de protección diferencial con restricción armónica para detectar fallas internas en transformadores. Sin embargo, estos esquemas a menudo tienen dificultades con inexactitudes computacionales en la detección de fallas debido a la saturación del transformador de corriente (CT) y las incertidumbres asociadas. La saturación del CT durante fallas internas puede producir armónicos pares, lo que interrumpe las operaciones de relé. Además, la saturación del CT durante la energización del transformador puede introducir un componente de corriente continua, lo que lleva a una activación incorrecta del relé. Este documento introduce una característica novedosa extraída a través de un análisis avanzado de transformada wavelet de la corriente diferencial. Esta característica, combinada con la amplitud de la corriente diferencial y la corriente de polarización, se utiliza para entrenar un sistema de aprendizaje profundo basado en redes de memoria a corto y largo plazo (LSTM). Al tener en cuenta las incertidumbres existentes, este sistema identifica con precisión las fallas internas en transformadores bajo diversas condiciones de saturación del CT y de incertidumbre de medición. Los resultados de prueba y validación demuestran la efectividad y superioridad del método propuesto en la detección de fallas internas en transformadores de potencia, incluso en presencia de saturación del CT, superando a otras técnicas modernas recientes.