电力变压器是整个电力系统中最关键的设备之一,承担着电压转换的任务,其安全可靠的运行与否将直接影响到整个电力系统的安全可靠性。油纸绝缘是电力变压器内绝缘的主要形式,在长时间运行中油纸绝缘受到电、热、机械应力的作用而发生老化、失效,并可能导致变压器故障,而变压器的单点故障都可能导致整个电网的中断。因此,研究变压器油纸绝缘老化进程,对运行中变压器的油纸绝缘健康状态进行评估具有十分重要的意义。本文分析了油纸绝缘系统的老化状态量,并选择能够全面准确反映运行中电力变压器的油纸绝缘工作状态的状态量来进行健康状态评估。分析了DGA和油特性试验两类方法在油纸绝缘状态评估中的重要作用,并对不同类型的DGA方法在油纸绝缘故障诊断中的精度进行了对比分析。提出采用健康指数(Health Index, HI)来对油纸绝缘状态进行评估。基于行业标准、专家评估系统、Duval三角法分别计算了健康指数HI1、HI2、HI3。为了降低噪声干扰和测试误差对HI的影响,采用模糊C均值聚类算法计算了HI4。最后综合上述四类健康指数,计算了最终健康指数HIf,并结合DGA数据和油特性试验数据建立了机器学习算法所用样本集。针对当前电力变压器油纸绝缘状态评估存在的主要问题,本文在油纸绝缘状态评估体系的基础上,引入支持支持向量机(SVM)与模糊支持向量机(FSVM)理论,采用LIBSVM建立了SVM、FSVM多分类的油纸绝缘状态评估模型。采用验证样本对评估模型测试,并对评估模型进行了分类精度对比分析。为了提高模型的分类精度,采用过采、欠采样方法处理样本数据不平衡问题,并比较了样本处理前后的SVM、 FSVM的分类精度。为了选择最能反映油纸绝缘状态的状态量作为SVM输入,采用计算相关系数的方法进行状态量选取,并分析了状态量数量对SVM分类精度的影响。最后将BP神经网络应用于油纸绝缘状态评估,且与FSVM的分类精度进行了比较。