随着社会发展,自动化程度的提高,用户对电网可靠性的要求也越来越高。电力变压器作为电力系统重要的电能枢纽设备,其可靠性直接影响电力系统的稳定运行。因此,能有效掌握电力变压器的状态,对电力变压器的潜在故障有一定预估,能为电力变压器的检修工作和运行维护提供理论指导与辅助决策,以此来降低变压器的故障事故数量,使电力系统的运行更为可靠稳定。本文采用多种大数据处理方法,以变压器运行数据与实验指标数据作为基础,根据不同的评估需求选择有效的评估指标,建立对应的电力变压器状态评估体系,通过大数据处理方法构建变压器状态评估模型。电力变压器发生故障时,本文以油中溶解气体为故障指标,结合智能算法建立变压器故障状态评估模型,本文的主要工作有:当电力变压器在状态相对良好时,旨在检修过程中具有相对简易,检修过程可实施性高,尽可能使用较少的电力变压器实验指标来评估变压器状态,提出了基于模糊C均值聚类算法(Fuzzy C-means clustering algorithm,FCM)的电力变压器状态评估方法。在变压器中选取可实施高且重要的实验指标作为评估数据并构建变压器状态评估体系,各个指标采用相对老化度进行量化,通过最优权重的方法对各个指标进行权重设置,搭建基于模糊C均值聚类算法的电力变压器状态评估模型。以变压器油作为实例验证,证明了基于模糊C均值聚类的变压器评估方法的有效性。当变压器有一定运行年限或发生过故障时,旨在检修变压器状态时,需要对变压器的状态有全面细致的评估,提出了基于集对分析方法(Set Pair Analysis Theory)与证据理论(Evidence Fusion)的变压器状态评估方法。以变压器各种测试实验,多方面选取反应变压器状态的指标,建立变压器状态评估体系。通过相对劣化度对变压器状态指标进行量化,采用集对分析方法将量化的指标进行融合,得到特征量与状态等级的对应关系,结合证据理论融合各个特征量得到整体变压器与状态等级的关系,以此对变压器状态进行评估,并用实例进行验证,结果显示该方法对变压器状态有较准确的评估,为实际变压器状态评估提供理论指导。当变压器已经发生故障时,能有效快速的识别变压器故障类型将变得尤其重要,变压器的运行环境与外部环境对变压器各个实验数据有一定影响。基于局部密度聚类算法提出了一种变压器故障状态评估方法,以油中溶解气体分析技术(Dissolved Gasses Analysis,DGA)数据为故障指标,对故障指标进行指标预处理和归一化处理,并搭建基于局部密度聚类的变压器故障状态评估模型,通过实际变压器故障数据进行实例验证,说明该方法具有较高的变压器的故障识别率并且能随输入故障数据对故障评估模型进行修正。该方法为变压器故障状态评估提供一个新思路。