海上平台电力系统作为海洋石油生产的重要动力系统，保持长期稳定运行至关重要。变压器作为连接不同电压等级的关键设备，对海上电力系统的稳定运行起着重要作用。海上电力系统相较陆地电网而言，各设备工作环境更为恶劣，绝缘材料承受应力也更为显著。这些应力会对变压器产生破坏，诱发各类故障，影响变压器可靠运行。另一方面，海上作业平台一般距离陆地较远，设备维护更换复杂，变压器故障会带来严重的生产隐患和巨大的经济损失。然而，传统定期检修并不能适应海上平台变压器高可靠性要求，可能导致变压器故障的误报或漏报。为此，需向状态检修过渡，加强变压器的在线监测与维护，而变压器故障诊断与预警方法作为实现在线监测与报警的关键手段，需重点关注。
　　因此，本文围绕提升海上电力系统运行可靠性，对油浸式和干式变压器的故障诊断与预警方法开展研究，深入分析变压器老化因素及故障机理，并对现有监测方法性能进行评估，进而利用各类传感监测数据和人工智能算法建立适用于海上电力系统变压器的故障诊断与预警方法，具体完成了以下工作:
　　(1)结合海上运行工况，详细分析了干式变压器和油浸式变压器的老化因素、故障机理及现有诊断方法。首先，对海上平台油浸式变压器与干式变压器的运行工况进行阐述;之后，结合海上环境分析了影响变压器绝缘的主要因素，包括热老化、电老化、机械老化和盐雾等，阐述了变压器主要故障(热性故障和电性故障)的发生机理及类型;最后，对比分析了变压器状态检修和定期检修的优劣，阐述了各类状态监测方法现状;在此基础上，结合实际数据对传统油中气体分析方法的性能进行了研究，并对海上平台干式变压器故障监测现状进行了分析。
　　(2)针对油浸式变压器，提出一种利用改进型DS证据理论融合多种概率输出算法实现故障诊断的方法，提高了油浸式变压器故障诊断准确度。首先，对软分类算法和硬分类算法的性能进行了对比分析;之后，建立了基于多分类相关向量机(Multiclass Relevance Vector Machine，MRVM)、多分类支持向量机(Multiclass Support Vector Machine，MSVM)和反向传播神经网络(Back Propagation Neural Network，BPNN)的油浸式变压器故障诊断模型，为提升模型精度，采用粒子群优化算法(Particle Swarm Optimization，PSO)对模型中的各参数进行优化;最后，提出利用改进型DS证据理论对MRVM、MSVM和BPNN三种概率输出模型进行融合，以获得更准确的故障诊断结果。研究表明，该方法实现了油浸式变压器故障诊断概率输出，克服了传统油中气体分析方法难以归纳总结故障发展规律的不足。
　　(3)针对干式变压器，提出了一种基于稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)及滑动窗口分析的温度异常预警方法，可有效识别干式变压器异常温升。首先，采用稀疏贝叶斯学习算法建立干式变压器温度预测模型，利用粒子群算法对SBL参数进行优化，有效提高了模型准确性;之后，根据SBL输出得到的温度期望值和方差，构建了温度预警范围，有效克服了人工主观确定温度报警阈值的缺点;最后，利用滑动窗口对温度残差进行统计分析，有效区分故障温升与传感器测量误差，避免了误诊断的发生。研究表明，所提方法实现了更为客观有效的干式变压器异常温度预警。
　　通过以上研究，明确了变压器老化因素、故障机理及现有诊断方法的缺陷，较好的解决了油浸式变压器故障诊断准确率低、干式变压器温度阈值通过人为主观设定等问题，实现了变压器在线诊断与预警，提升了海上变压器运行可靠性。