油浸式变压器是输变电系统当中的关键设备,其运行状态直接影响了电网系统的安全性与经济性。在我国电网中尚在运行的油浸式变压器中,有一大部分已有较长的运行年限,存在着一定的绝缘劣化风险。因此,对变压器进行准确的状态评价与故障诊断,对保障电网可靠运行具有重大意义。传统的变压器故障诊断与状态评价方法,依赖于运维人员经验与专家规则,未能有效利用多源异构电力设备数据,在客观性与准确性方面存在不足。本文旨在基于机器学习与自然语言处理相关方法,对变压器在线监测数据与变压器缺陷文本数据进行深入挖掘,实现数据处理、特征提取、模型构建等关键步骤的效果优化,从而提升变压器故障诊断与状态评价准确性。首先,针对统电力变压器故障诊断方法存在易受数据噪声影响、诊断精度较低和模型参数难以确定等问题,提出基于数据预处理和梯度提升树的变压器故障诊断方法。从油中溶解气体数据中提取能更好反映设备运行工况的组合特征,采用多种数据预处理方法识别并替换噪声数据,构建基于梯度提升树的故障诊断模型进行故障诊断训练,并通过贝叶斯优化方法实现模型参数寻优,提升了变压器故障诊断精度。其次,为提升变压器状态评价全面性,将变压器缺陷现象描述文本作为设备故障诊断与状态评价的重要补充,实现更广泛的数据挖掘与应用。基于注意力机制优化的卷积神经网络构建缺陷文本分类模型,实现对设备缺陷程度的精确分类,相较于传统模型提升了分类准确度;基于BM25短文本匹配算法,实现相似缺陷现象的准确查询匹配,并基于匹配结果丰富状态评价结论;基于实体抽取与属性值填充技术,抽取文本描述中的关键指标属性,实现非结构化数据的规范化抽取,为异构数据融合诊断奠定基础。最后,结合上述章节的研究成果,开发了基于机器学习与自然语言处理的变压器故障诊断与状态评价系统。针对浙江省某地区电网的实际运维需求,实现理论研究成果向工程实践的初步转化,本章对系统主要功能、开发工具、软硬件架构等进行了详细介绍。