Las técnicas de Inteligencia Artificial (IA) son consideradas los enfoques más avanzados para diagnosticar fallas en transformadores de potencia. El Análisis de Gases Disueltos (DGA) es el enfoque convencional ampliamente adoptado para diagnosticar fallas incipientes en transformadores de potencia. El Método de Razón estándar IEC-599 es un método preciso que evalúa el DGA. Todos los enfoques clásicos tienen limitaciones porque no pueden diagnosticar todas las fallas con precisión. Diagnosticar con precisión defectos en transformadores de potencia es un desafío significativo debido a su cantidad extensa y colocación dispersa dentro de la red eléctrica. Para hacer frente a esta preocupación y mejorar la confiabilidad y precisión del diagnóstico de fallas, se presentan diferentes técnicas de Inteligencia Artificial. En este manuscrito, se implementa una red neuronal artificial (ANN) para mejorar la precisión del Método de Razón de Rogers. Por otro lado, cabe destacar que la complejidad de una ANN requiere una gran cantidad de almacenamiento y potencia de cálculo. Para abordar este problema, se implementa una técnica de optimización con el objetivo de maximizar la precisión y minimizar la complejidad arquitectónica de una ANN. Todos los procedimientos son simulados utilizando el software MATLAB R2023a. En primer lugar, los autores eligen el modelo de clasificación más efectivo entrenando automáticamente cinco clasificadores en la aplicación Classification Learner (CLA). Después de seleccionar la red neuronal artificial (ANN) como el modelo de clasificación suficiente, se entrenaron 30 ANNs con diferentes parámetros y se determinaron los 5 modelos con la mejor precisión. Luego, se probaron estas cinco ANNs utilizando la aplicación Experiment Manager y finalmente se seleccionó la ANN con el mejor rendimiento. La estructura de la red se determina que consiste en tres capas, teniendo en cuenta tanto la precisión diagnóstica como la eficiencia computacional. Finalmente, se seleccionó una ANN en capas (100-50-5) para optimizar sus hiperparámetros. Como resultado, tras la implementación de las técnicas de optimización, la ANN sugerida exhibió un alto nivel de precisión, de hasta un 90.7%. La conclusión del modelo propuesto indica que la optimización de hiperparámetros y el aumento en el número de muestras de datos mejoran la precisión al tiempo que se minimiza la complejidad de la ANN. La ANN optimizada se simula y se prueba en MATLAB R2023a-Deep Network Designer, resultando en una precisión de casi el 90%. Además, en comparación con el Método de Razón de Rogers, que muestra una tasa de precisión de solo el 63.3%, este enfoque aborda con éxito las limitaciones asociadas con el Método de Razón de Rogers convencional. Por lo tanto, la ANN ha evolucionado como un método de diagnóstico supremo en el ámbito del diagnóstico de fallas en transformadores de potencia.