随着社会经济的不断发展,电力的需求越来越高,对于电力系统的稳定性要求也随之升高,抽水蓄能电站因为具有启停迅速、运行灵活等优点,在电网安全、稳定运行中发挥着重要的作用。主变压器作为抽水蓄能电站的关键部件,其健康状态对电站的安全稳定运行起着至关重要的作用。本文针对抽水蓄能电站主变压器提出了基于故障预测与健康管理(Prediction and Health Management,PHM)的智能维护管理模式,并对其中的状态监测、故障诊断以及故障趋势预测等三项关键技术展开了深入的研究。主要内容包括:(1)针对抽水蓄能电站主变压器复杂的运行工况,建立自适应模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型消除运行工况对单特征参数状态监测的影响,然后建立基于自组织映射(Self-Organizing Mapping,SOM)的多状态特征融合健康状态监测模型,最小量化误差(Minimum Quantization Error,MQE)为状态监测变量,通过仿真分析得出该方法可提前监测到主变压器健康状态的衰退,从而实现故障的早期预警。(2)对主变压器常见的故障类型进行分类,针对故障类型搭建BP神经网络模型,运用故障训练数据对其参数进行训练,再通过测试数据进行故障分类实验,在此基础上应用粒子群(Particle Swarm Optimization,PSO)算法对网络参数进行优化,进而提高了故障诊断的正确率。(3)建立最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)回归预测模型,将油中溶解气体数据作为输入进行模型训练,然后运用测试数据进行预测仿真,在此基础上应用粒子群算法对模型参数进行优化,模型预测精度得到了有效的提升。