电力二次设备是电网系统中的辅助性设备,其稳定可靠的运行对其他电力设备乃至整个电网体系的安全稳定运行都至关重要。由于受到环境、装配、设备本身等诸多成分的干扰,电力二次设备在日程工作过程中时常有故障发生,妨碍整个系统的正常运转。故障预测与健康管理技术在众多设备的管理应用中发挥了良好的作用,是当前各类行业研究的热点。本文以电力二次设备为研究对象对故障预测与健康管理的三个关键技术:特征选择、状态评估、故障预测,分别进行了研究与应用试验,以期为电力二次设备的运行与维护提供参考和依据。本文首先对一些现有的特征选择方法进行了研究分析,基于各方法的性能表现确立以ReliefF为基础方法,在对其重复抽样等缺陷予以改进后提出更可靠准确的特征选择方法。在对电力二次设备状态评估方法研究部分,采用了DAG-SVM多分类方法,并结合二次设备状态演化规律辅助生成最大差异性的有向无环图结构,同时引进朴素贝叶斯理论实现双重验核。最后以解决隐半马尔科夫理论中训练问题的思路,结合二次设备的实际,利用基于修正系数的多观测序列HSMM模型来完成对电力二次设备的故障预测工作。实验研究发现基于改进ReliefF的特征选择方法可靠有效,双重验核的状态评估模型也表现良好,分类结果准确率较高,故障预测模型对电力二次设备剩余使用寿命的预测结果基本准确,偏差较小。说明本文所提出的方法都具备较高的可行性和有效性,能很好的应用于电力二次设备的故障预测与健康管理,达到预期目标。