变压器作为坚强智能电网的重要组成部分,对其预试定检、监控与诊断都显得尤为重要。在电力数据日益增长的背景下,针对变压器的预防性试验和在线监测数据,利用数据挖掘理论能够统计分析直流电阻变化量阈值,预测油中溶解气体发展趋势,诊断变压器故障,提早发现并排除安全隐患。本文以变压器直流电阻与油色谱数据作为研究对象,结合电力数据挖掘方法开展以下三方面研究:(1)针对目前试验规程规定的变压器绕组直流电阻变化量阈值过于笼统,且缺乏相关差异性分析的问题。本文统计了某地区变压器直流电阻试验数据并计算其相邻年份变化量,进一步结合图示法与假设检验探索直流电阻变化量的分布规律,最后利用置信区间分析不同维度直流电阻变化量的差异性。分析结果表明,按电压等级、容量大小、运行时间和运行环境湿度区分时,直流电阻变化量趋于正态分布且存在一定差异性,可为该地区的变压器试验检修规程做出补充。(2)针对变压器油中溶解气体浓度单一预测方法精度不够高的问题,本文提出基于经验模态分解(EMD)和随机森林(RF)的组合预测模型。利用EMD方法将油中溶解气体浓度序列分解为一系列相互影响较小的子序列,以子序列为输入分别建立随机森林预测模型,叠加各子序列的预测情况作为最终预测结果。结果表明,EMD方法能够有效将原始特征气体序列拆分为相互影响较弱的子序列,相较于单一的RF预测模型,EMD-RF模型能更准确地预测油中溶解气体浓度的发展趋势。(3)针对依据经验调整参数导致随机森林模型诊断变压器故障正确率不够高的问题,本文提出了基于粒子群算法(PSO)优化随机森林(RF)参数的故障诊断模型。以油中溶解气体的无编码比值构成特征参量作为模型输入,利用PSO算法搜索RF模型的最优参数(子树棵数和分裂特征数),建立PSO-RF模型诊断故障类别,通过具体实例的诊断结果来验证所提诊断模型和特征选取的有效性。分析结果表明,选取无编码比值作为特征参量能挖掘更多的变压器故障信息,并且PSO优化RF参数有助于提升模型诊断性能,随着样本空间的增大,故障诊断模型的效果越好。