电力变压器作为电力系统中关键的设备之一,承担着重要的工作。目前随着智能电网的发展和建设,电力系统的状态数据、环境气象数据等正逐步的在统一的平台上集成共享。传统的基于理论分析等因果关系模型已经很难处理多维度、海量数据集信息。在这种背景下,从数据本身的内在规律出发,利用机器学习的数据分析方法,为电力变压器状态预测提供了全新的解决思路和技术手段。针对数据存在噪声和不一致等问题,在变压器状态预测前需要进行数据预处理。本文提出了基于序列相关性分析的变压器状态监测数据清洗方法。首先建立了衡量状态数据之间关联程度的模型,找出具有关联性的序列。然后利用基于密度的聚类方法找出序列中存在的缺失数据和异常数据。根据考虑关联性的数据清洗规则将异常数据分为可以清洗的传感器异常数据和不可以清洗的设备状态异常数据。对可以清洗的数据利用小波神经网络进行修正,对不可清洗的数据则需要标记时间点。本文所提方法可以辨识异常数据和缺失数据,为后续变压器运行状态预测等提供数据支撑。针对变压器特征参量趋势预测存在稳定性和准确性较差的问题,本文提出了一种组合模型的变压器状态参量短期预测方案。利用核主元分析方法从多维的输入向量中提取出主要的特征参量作为广义回归神经网络的输入向量,降低了无关特征对模型训练的影响。在对广义回归神经网络进行训练时,利用果蝇优化算法选取模型的核心参数。通过算例表明,所提方法结构较为简单,并且能较准确地预测短期状态参数的变化。针对变压器状态参量预测在中长期尺度预测准确度较低的问题,提出了一种深度长短期记忆网络模型。该模型由于门控单元的存在能够有效利用历史数据信息。通过算例分析表明,基于深度长短期记忆网络模型的气体浓度预测提高了预测的准确度,并且在长时间尺度的浓度预测问题上同样具有较高的准确性,能够有效的实现中长期参量变化趋势的预测。针对电力变压器的运行状态预测问题,提出了利用机器学习方法,基于深度学习网络的预测方案。由于油色谱数据易获取并且灵敏度高,选取油中溶解气体浓度作为网络的输入信息训练网络实现油色谱未来变化趋势的预测。然后计算无编码特征值,为模型提供了更加丰富的特征信息。利用计算结果训练深度信念网络实现运行状态的分类。实验结果表明,所提出的方法具有较高的准确度,能够准确地预测变压器运行状态的变化趋势。变压器运行状态的准确预测可以为合理安排变压器状态检修、保障变压器安全运行提供科学依据。