随着我国电网智能化、信息化的建设与发展,电网中的电力设备通过长期的运维、检修和试验,积累了大量的各种形式的电力数据。其中,相比于主要以数值形式存储的结构化数据而言,非结构化数据主要以文本、图像、音频、视频等形式存在,具有更广泛的应用场景和更高的价值密度,但由于不能被计算机直接识别和处理,其挖掘过程也存在更多的难点。为此,本文以电力设备的两类典型的非结构化数据——文本数据和图像数据为例,针对这两类数据在电力设备的缺陷评估、缺陷处理、状态识别等方面的挖掘应用进行研究,并取得如下成果:1.针对目前大量电力设备缺陷需要人工进行缺陷等级分类的情况,提出了基于卷积神经网络的电力设备缺陷记录文本自动分类方法。采用基于词向量的文本表示技术和基于卷积神经网络的文本分类技术构建分类模型,并针对电力设备文本数据的特点对模型结构进行适应性改进,提高了模型的分类准确率和效率,保证缺陷能被及时处理和上报;2.由于电力设备缺陷的复杂性和多变性,很多缺陷处理决策往往缺乏参考依据,针对这一问题提出了基于知识图谱技术的电力设备缺陷记录文本检索方法。基于电力设备缺陷知识图谱的自动构建和图搜索技术,实现了通过当前缺陷记录文本对相似历史缺陷记录文本的准确检索,从而可将历史缺陷的处理方式作为当前缺陷处理的有效参考,为知识和经验相对不足的缺陷处理人员提供缺陷处理的有效指导;3.针对电力设备巡检图像中各种电力部件的类别和位置识别问题,提出了基于改进Faster R-CNN模型的电力设备图像目标检测方法。以主变压器的巡检图像为例,考虑了主变压器各个部件的尺寸差异较大以及部件位置之间存在关联性的特点,对Faster R-CNN模型的结构进行了改进,有效提高了主变压器多部件类别和位置识别的准确率,为识别不同部件的缺陷和故障现象奠定了基础;4.为解决电力设备状态的自动识别算法效果受到图像训练样本限制的问题,提出了结合三维空间信息的电力设备图像数据扩充方法。以隔离开关的巡检图像为例,结合隔离开关三维形状的先验知识,采用透视投影变换、三维旋转变换等方法,扩充了不同拍摄角度下的隔离开关图像训练样本,相比于传统的图像数据扩充方法,对隔离开关位置和分合状态的识别效果有更显著的提升。