电力变压器是电力系统的关键设备,其健康状态直接关乎电力系统的安全稳定运行。然而,电力变压器健康状态的评价和预测是一项复杂的任务,因为其涉及到的数据种类繁多,评价模型为非线性且难以用解析表达式予以描述。已有研究虽然取得了不少成果,但是诸多方面尚有待提升。近些年来,以深度学习为代表的人工智能技术在多个领域都有了广泛的应用。从技术发展趋势看,基于人工智能的电力变压器状态评价、预测以及故障诊断将会成为一个重要研究方向。鉴于上述背景,本文旨在探索研究基于人工神经网络的电力变压器健康状态评价与预测的新方法,试图通过分析梳理电力变压器在线监测和试验技术数据,基于可观性原理构建能够比较准确表征电力变压器健康状态的状态向量,利用人工神经网络的强非线性映射能力,从状态向量获得电力变压器的健康状态。论文完成的主要工作和取得的成果如下:针对电力变压器健康状态向量配置问题,探讨了复杂物理系统可观性,提出了复杂物理系统健康状态观测量配置方法,梳理了电力变压器在线监测和试验的技术数据,按照复杂物理系统状态观测量配置方法,构建了可评价电力变压器健康状态的观测量向量,把握了变压器关键的子系统性能,为后续变压器健康状态评价奠定基础。针对当前变压器健康状态评价对在线监测数据的时序性利用率低的问题,研究了电力变压器在线监测时序数据预测的方法。利用局部离群因子检测方法识别在线监测时序数据的离群点,对数据进行噪声识别,提高数据有效性。构建基于长短时间记忆网络的变压器在线监测时序数据预测模型,以数据驱动为基础,由网络自动提取各输入时序数据的趋势特征,实现对时序数据的准确预测。算例分析证明,构建的在线监测时序数据预测模型预测精度高于传统模型,具有较高的鲁棒性和准确性。针对电力变压器健康状态评价中权重设置主观性较强的问题,提出了一种基于广义回归神经网络的电力变压器的健康状态评价方法。通过构建子系统性能状态评价模型,评价每个子系统性能状态。最后基于广义回归神经网络构建变压器健康状态评价,综合各子系统性能状态评价结果,获得变压器整体的健康状态评价分数。算例分析表明,所提出的方法可以既可分别评价子系统性能状态,还可有效地评价变压器整体的健康状态,并对异常的子系统性能状态做出告警,具有较高的可行性和准确性。通过将变压器在线监测时序数据的预测结果输入本模型中,可以对变压器的未来健康状态做出预测。