电力变压器作为整个电网中的关键部件之一,其正常稳定的工作关系着整个供电系统的平稳运行。同时,由于电力系统的信息采集、通讯、存储设备的不断丰富,电力变压器的状态监测数据逐渐呈现出大体量、高维度、多噪声的数据特性,依托这一庞大的数据资源,当下研究者大多着眼于如何利用这些数据更好地评价电力变压器的各个指标,对状态监测数据的数据质量关注较少。本研究首先总结经典数据清洗理论模型;从理论层面上介绍并总结数据科学概念并论述电力变压器状态监测数据的数据特点;讨论当前大体量数据背景下电力变压器状态监测数据中数据清洗的新问题。然后,系统分析了降噪自编码器模型结构和特点,讨论降噪自编码器对数据降噪的可行性和有效性;针对电力变压器状态监测数据降噪处理这一问题,以电力变压器油中气体数据为依据,提出一种基于深度学习理论的堆栈降噪自编码器模型,并采用bootstrap方法确定重构数据的阈值范围,应用于电力变压器状态数据的数据清洗工作。最后,针对数据清洗后的噪声分类问题,建立以支持向量机为基础的分类模型,实现电力变压器异常数据分类功能,最终形成完整的电力变压器数据清洗与噪声分类模型。通过进行相应仿真实验,验证了该方法对电力变压器状态监测数据具有一定的数据清洗和噪声分类效果。