电力变压器作为电网中电压变换、电能分配的枢纽设备,其安全稳定运行对着整个电力系统的安全稳定至关重要。开展电力变压器的状态评估和故障诊断研究对指导电力变压器运维具有重要意义。目前的状态评估技术和故障诊断方法大多数都是基于变压器预防性试验的,与实际运行情况不符,缺乏时效性。虽然针对变压器的在线监测技术发展迅速,但大多数都仅针对变压器某一项状态展开,具有片面性,没有将各类在线监测技术综合利用起来,而且现有在线监测装置仅限于指标越限告警功能。围绕上述问题,本文主要做了以下工作:参考国内外变压器运行的相关规程,基于现有的变压器在线监测技术,综合经济性、有效性、实用性等多方面考虑,筛选出合适的、能够切实反应变压器实时状态的在线监测关键指标,构建了搭建基于多维信息融合的变压器在线监测系统,并以此在线监测系统为基础构建了变压器的评估与诊断系统。应用D-S证据理论对变压器的实时运行状态进行评估,根据变压器在线监测系统提供的监测数据,构建了基于证据理论的电力变压器在线状态评估模型。研究了变压器各监测指标之间的相关性,针对证据理论在证据冲突时容易产生的悖论问题,引入了支持概率距离函数,通过分析不同证据体之间的关系来弱化证据体之间的激烈冲突,以保证在某一项监测手段失效时仍能对变压器的运行状态得出符合实际的评估结果。将深度学习理论应用于电力变压器的故障诊断中,在由受限玻尔兹曼机(RBM)构成深度置信网络(DBN)模型中引入稀疏系数,提出了基于Logsum-DBN的变压器故障诊断方法,并给出了详细的故障诊断步骤。采用电力变压器的多维度在线监测数据集对其进行训练、测试,实例研究表明,相比与其他机器学习算法,该方法在训练样本较少的情况下仍有可观的正确率,可以充分利用变压器的大量无标签数据样本,能够有效克服变压器故障样本数据较少、不够完备等问题对故障诊断准确度的影响,从而准确的诊断出电力变压器的各种故障。通过各类工程实例验证表明,本文设计的基于多维度信息融合的变压器评估诊断系统能够实现准确的状态评估与故障诊断,解决了变压器运维过于依赖运行人员经验的问题,为变压器的状态检修提供了可靠的决策依据。