变压器是电网中能量传输和转换的核心设备,其运行状态的好坏与电网的安全可靠运行关系密切。因此,对变压器运行状况做进一步的综合深入研究,可有效指导电力变压器的运行维护及状态检修,显著降低变压器的故障发生率,且具有重要的理论意义和现实意义。本文主要从电力变压器的绝缘状态与故障诊断两个方面进行研究,主要研究工作如下:现有电力变压器状态评估方法大多侧重评估模型的研究,而忽视各评估指标时域和空域的关联性分析。针对该问题,提出了一种基于时空信息融合的电力变压器绝缘状态评估方法。针对电力变压器绝缘状态评估中数据信息的随机性、模糊性等特点,建立多层次状态评估体系;引入关联规则和变权重理论,确定评估模型中因素层的变权重系数,构建因素层指标的模糊隶属度函数,并计算其原始基本概率赋值;基于D-S证据理论对评估模型中各因素及各周期的基本概率赋值进行融合,首先将因素层评估得到的各因素基本概率赋值与其权重系数进行时域信息融合,然后对其时域融合信息进行空域融合,最后结合信度准则判断电力变压器绝缘状态。实例验证结果表明,所提方法可对电力变压器绝缘状态进行准确有效地评估。为了更加有效地解决电力变压器故障诊断时面临的数据提取、局部最优、梯度消散等问题,本文提出了一种基于栈式自编码器与Softmax分类器的电力变压器故障诊断新方法。所提方法首先基于深度学习中栈式自编码器与Softmax分类器理论,建立电力变压器故障诊断模型;然后基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机进行逐层无监督训练,并使用有监督算法对模型参数进行调优;最后结合Softmax分类器对故障类型进行判断。算例分析证明,所提方法具有较好的稳定性及更高的准确率。