Como uno de los componentes esenciales en los sistemas de energía, los transformadores desempeñan un papel fundamental en la transmisión y distribución de la generación de energía renovable. La diagnóstico preciso de los tipos de fallas en los transformadores es crucial para mantener la seguridad de los sistemas de energía. El enfoque actual en la investigación se centra en los métodos de diagnóstico de fallas en transformadores basados en el Análisis de Gases Disueltos (DGA). Los métodos de diagnóstico tradicionales utilizan directamente los cinco gases de falla de los datos de DGA como características de entrada del modelo, pero este enfoque no refleja de manera integral todos los posibles tipos de fallas en los transformadores. En este documento, se empleó un método de relación no codificante para generar 35 relaciones de gases de falla basadas en los cinco gases de falla, posteriormente refinadas a través de un análisis de correlación para eliminar variables de características redundantes, lo que resultó en 15 relaciones de gases de falla significativamente representativas. Para optimizar aún más las variables de características y eliminar elementos no contribuyentes al diagnóstico de fallas, se introdujo un algoritmo mejorado de Conjunto de Área Rugosa de Vecindario (INRS), aprovechando la medida de incertidumbre simétrica. Al recurrir al INRS propuesto, se seleccionaron ocho relaciones de gases de falla más representativas como variables de entrada para construir un modelo de diagnóstico de Red de Creencias Profundas (DBN). Los resultados experimentales en los datos de Análisis de Gases Disueltos (DGA) confirmaron la efectividad y precisión del método propuesto.