在电力系统的运行中，电力设备的诊断与维护起着非常关键的作用。目前，电力设备的诊断和维护信息还不能方便、快捷的获取、交换以及共享。当今信息技术以其强大、方便、快捷信息共享能力，以及在医学，人文等方面的数字图书馆的出现为电力设备的诊断与维护开启了新的一扇门，文中利用网络、信息、智能控制等技术构建基于Internet的电力设备虚拟医院(VPEH)及其电力设备故障诊断平台，为电力设备的诊断与维护提供一个方便的信息与经验共享、讨论以及全球合作平台。通过该平台用户可以方便快捷的获取、交换和共享诊断和维护信息，并根据自身的经验和现场条件做出诊断和给出维护方案。 在电力设备虚拟医院中，对于电力变压器数据挖掘故障诊断研究，本文基于电力变压器油中溶解气体分析(DGA)，开展了以下电力变压器绝缘故障诊断新方法研究。其作为VPEH新的诊断知识模型的扩充，能够为VPEH更好的提供诊断服务，提高VPEH的服务质量。这些方法也适用于其它一些电力设备。 研究了基于粗糙集方法的电力变压器绝缘故障诊断规则挖掘。文中采用两种数据处理方法将电力变压器DGA数据归一化后，根据定量数据的统计分布自动分段，每一段作为定性数据，对归一化后的数据进行离散化，将离散化后的数据建立故障诊断决策表，以决策表作为主要工具即“知识库”，然后结合可信度和支持度规则评价指标基于粗糙集数据挖掘方法直接从故障样本集中挖掘出潜在的诊断规则，为电力变压器提供有效的故障诊断。这为基于DGA分析变压器诊断规则获取提供一条新途径。并为故障参数信息数据不完备的情况下实现诊断服务，提供一条故障诊断服务规则获取的途径。它作为VPEH专家经验诊断规则的有益补充，能对VPEH中的诊断经验知识库进行维护和更新。 提出基于粗糙集与模糊径向基神经网络的电力变压器绝缘故障诊断方法。这里采用一种新的结合方式，将粗糙集理论对知识的约简能力与模糊径径的基函数神经网络(RBFNN)优良的分类诊断能力有机结合，应用于电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBFNN的前置，对经模糊离散化的样本集进行约简，形成精简的规则集，将高于一定可信度和支持度的挖掘规则用作诊断知识库，直接用于电力变压器故障诊断。另一方面通过RS简化RBFNN输入参数和训练样本的数量。并将粗糙集挖掘的低于可信度和支持度要求的规则所对应的挖掘样本，作为模糊RBFNN的训练样本集，同时将粗糙集对这些样本的聚类结果作为模糊RBFNN的聚类因子，在此基础上构建RBF神经网络，用于诊断不能用粗糙集挖掘的规则诊断的事例。通过RS简化RBFNN输入参数和训练样本的数量，从而使网络结构更加简单，易于理解，提高网络的学习效率。诊断测试中，该方法诊断正确率为90.91﹪，在第七章诊断方法案例测试结果比较中，其诊断正确率最高。 基于聚类与灰色关联理论，作者提出基于APC-Ⅲ聚类与群灰色关联分析方法的变压器绝缘故障诊断新方法。不同于近来传统灰色关联分析在变压器绝缘故障诊断中的应用，文中采用APC-Ⅲ聚类方法，对若干典型故障样本聚类成C个最优聚类中心，根据故障类型和灰色参考序列构造，将聚类中心作为参考序列，构造一组参考序列组，这些参考序列组构成灰色参考序列群。相对于灰色参考序列群，给出了群灰色关联度概念，及其关联系数的计算新方法，最后基于群灰色关联度分析方法识别变压器绝缘故障诊断。该方法改进了传统的关联分析方法，降低了对参考信号数据准确性的要求，其可应用于参考信号具有较强分散性和独立性的领域，提高了系统诊断的容错能力和可靠性。诊断测试中该方法诊断正确率为87.27﹪。 将小波，模糊数学，神经网络，最小二乘加权融合数学方法有机接合，作者提出基于最小二乘加权融合的集成模糊小波神经网络变压器绝缘故障诊断新方法。文中首先将数据进行模糊化预处理，用非线性Morlet小波基作为激励函数，形成神经元，结合双方的优点，构造了一种紧致型小波神经网络。对于小波神经网络故障识别，首先采用不同的单个子网络，对相同变压器故障信号样本进行训练及诊断，然后用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合，最后根据融合结果来进行故障识别。该方法通过最小二乘加权融合方法对子网络进行决策融合，一方面由于识别效果取决于各个子神经网络的整体识别结果，它可以间接地回避神经网络隐含层的神经元个数取多少为宜，这样一个神经网络领域的难题。另一方面起到了会诊功能，有利于总体上提高识别正确率。并且在识别某些输出具有特征类似的变压器故障信号时，集成小波神经网络优于BP神经网络和单个子神经网络。诊断测试中该方法诊断正确率为87.27﹪，高于7个子网络诊断正确率。