交联聚乙烯（Cross-linked Polyethylene,XLPE）电缆依靠其优越的绝缘性能,被广泛地应用于现代电力系统中。但其绝缘能力并非一成不变,除自身正常老化外,XLPE电缆也易因机械应力、化学腐蚀等影响而使绝缘受损,进而会随着时间推移加剧老化。一旦电缆老化严重,可能引发故障,导致断电甚至事故,造成不可挽回的损失。与其他高电压等级电缆相比,10 kV交联聚乙烯电缆使用量更大,但其管理工作较为无序,运行环境也更为恶劣。因而,有必要对10 kV电缆状态进行全面监测,为其精细化运维提供理论支撑,保证配电网的供电可靠性。本文以10 kV单芯XLPE电缆作为研究对象,从电缆故障态和正常态两个角度,结合传统电气分析与深度学习算法,开展基于数据驱动的10 kV电缆故障状态诊断与评估研究,论文的主要工作有:针对10 kV电缆早期故障状态诊断问题,本论文从多参量浅层特征的时间关联性角度,提出一种融合深度学习与时间关联特性的10 kV电缆早期故障状态诊断方法。通过分析多可观测电气量的耦合关系,将特征研究对象从单一电气量扩展为多电气量,丰富特征信息的来源,保证信息获取完整性。通过累积和算法实现突变信号检测与截取,将状态暂变过程拆解为多个瞬时态,考虑瞬时态之间的时间关联性,提取时序对作为浅层诊断特征,以此构造组合时序特征矩阵。在长短时记忆网络基础上进行拓展,提高模型的非线性映射能力,构建处理时间序列输入的双层长短时记忆诊断网络。最后通过仿真数据集进行训练测试,仿真结果表明,所提方法有较高的诊断精度和较强的鲁棒性。在10 kV电缆早期故障状态诊断中,护层电流包含的信息要比相电流更丰富,起到的作用更大。从单一参量与深层统计特征的角度,本论文提出一种基于护层电流与深度卷积网络的10 kV电缆早期故障状态诊断方法。利用小波变换对护层电流信号进行多尺度分解重构,定义频带能量特征比,从时域、能量域角度提取多频带信号的多维多尺度波形和能量特征,以此构造电缆状态诊断二维矩阵。考虑诊断矩阵的局部强关联性,构造相适应的7层深度卷积神经网络。最后引入自适应矩估计算法进行有监督学习下的模型训练,得到电缆早期故障状态诊断模型。仿真实验结果表明,相比于端到端学习范式的双层长短时记忆诊断网络,基于统计特征范式的深度卷积模型的诊断精度更高,但鲁棒性会有所降低。现有基于数据驱动的电缆状态诊断模型缺乏泛化能力,且电力系统中硬件的内存资源有限。本论文提出一种融合增量学习与深度卷积网络的10 kV电缆故障状态诊断方法,解决了有限内存条件下电缆状态诊断模型泛化能力提升问题。利用构建的深度卷积网络做表征学习,从输入的统计特征中提炼类特征计算类中心,以此建立固定容量的旧类状态总特征集。基于知识蒸馏思想,计算总特征集样本的蒸馏损失,而新类样本则求其分类损失,最后利用这两类损失和L2正则化损失更新卷积神经网络参数。模型参数更新后,根据内存限制,减少总特征集的旧类样本数量,增添新类样本,进行总特征集更新。循环往复上述过程,形成状态增量下模型学习机制,以此提升电缆状态诊断模型的泛化能力,保证所构建模型对旧类状态可靠诊断的同时,又能新增对新类状态的诊断能力。最后,利用构建的最近类中心分类器实现电缆状态的精确分类。相关实验结果表明,本方法能够较好的实现有限内存下电缆状态的增量学习。针对电缆正常态下的评估问题,本论文从信号传播与电缆绝缘关联角度,建立电缆绝缘介质损耗因数的求解模型,提出一种基于信号传播特性的10 kV电缆状态评估方法。首先量测电缆首末两端的电压信号,根据末端信号反射规律,通过信号传播时间与幅值差计算得到信号衰减系数与相角偏移,进而利用这两个参量推导得到电缆的复合介电常数,再计算复合介电常数的实虚部比值得到能够表征电缆绝缘水平的介质损耗因数,以此实现电缆状态的评估。为验证所提方法,论文采用矢量拟合法对电缆串联阻抗和并联导纳进行有理逼近,同时考虑分布参数效应,利用Γ型电路级联的方式实现10 kV单芯XLPE电缆的建模。考虑随机误差和同步误差的影响,开展相关仿真分析,仿真结果表明该方法具有一定的可行性和有效性。