电力变压器作为电网中最核心的设备之一,在维护电网的安全稳定运行方面起着至关重要的作用。但由于目前电力变压器的结构越来越复杂,电压等级越来越高,就使得其故障也变得复杂多样,让人们对变压器的故障判定产生了一定的困难,这就大大增加了变压器故障诊断的难度。目前在变压器故障诊断方面最常用的方法就是比值法,该方法应用最为广泛,但同时也存在着一些缺点,比如编码不全面,无法处理故障信息缺失的情况。另外,现在的变压器由于受多种因素的影响,故障复杂多样不说,采集的故障样本也容易出现信息不完整或者缺失。针对电力变压器在发生故障时容易出现故障信息缺失或者不完整的情况,本文通过学习粗糙集理论和贝叶斯网络,将二者有机的结合并应用到故障诊断领域。粗糙集理论作为一种数学工具,非常适合处理不确定性和不完整性问题,并且可以从中发现潜在的规律,非常适合应用到变压器故障诊断领域中来。而贝叶斯网络可以通过构建网络模型图对变量的因果关系进行简洁明了的表达,并利用概率计算来量化因果关系。如果将其应用于变压器故障诊断领域,就可以通过概率计算将故障类型和故障原因的潜在关系进行量化,然后利用概率的大小来进行故障诊断。本文通过对粗糙集理论和贝叶斯网络的学习,将两者进行有机的结合,一方面利用贝叶斯网络处理因果关系的能力构建故障诊断网络模型,一方面通过粗糙集理论的属性约简功能对所构建的故障诊断模型进行简化处理,使得模型结构的复杂性大大降低,达到简单准确判断故障的目的。本文的工作主要通过对粗糙集理论以及贝叶斯网络理论知识的学习,提出一种新的诊断方法,然后从大量的文献中收集变压器的故障数据样本,并且尽量收集信息丢失或者不完整的数据以便测试该方法对于不完整信息的处理能力。最后利用Weka数据挖掘软件通过对所收集数据的样本训练和样本测试,对新方法和传统的几种智能方法进行仿真实验,仿真的结果验证了本文所提出的方法能够有效的克服信息缺失或者不完整对变压器故障诊断造成的困难,提升了故障诊断的准确性。