传统的输变电设备状态评估一般是基于理论分析、仿真和试验测试等手段建立的机理和因果关系模型,而智能电网的建设和发展推动状态评估向基于全景状态的信息集成和综合分析方向发展。论文拟利用日渐完善的电力信息化平台收集的大量设备状态信息、电网运行信息和环境气象信息,从数据本身内在规律分析的角度研究设备状态演变的关联关系和发展趋势,提出适用于设备状态评估的大数据分析方法,为设备状态评估和异常检测提供全新的解决思路和技术手段。本文首先利用多元统计分析、关联分析等大数据分析技术对设备全景状态信息(台账、运行记录、在线监测、检测试验、电网运行、环境气象等)进行融合处理和分析,以建立包含静态、准实时、实时参量的电力设备关键参数体系。针对实时参量,利用多元时间序列的关联模式挖掘方法,提取出序列本身具有强相关性、序列变化率存在关联的参量;针对静态和准实时参量,利用主成分分析法提取出与设备缺陷、故障相关性强的参量,实现了参量的精简和规约。最后通过实例验证了关键参数体系的有效性和评估准确性,能为后续的数据清洗、异常检测、状态评价等高级应用提供数据支撑。在数据清洗方面,本文以时间序列分析为基础,研究了状态监测数据的双迭代循环清洗方法其原理是利用时间序列模型识别各状态量的时间序列,结合关联规则进行异常值识别与分类,从而达到修正噪声点数据和填补缺失值的目的,完成对状态量的数据清洗。在异常检测方面,利用时间序列和SOM神经网络模型等无监督学习方法,将连续的监测数据离散化,通过反复的迭代学习分析出状态监测参量的历史数据间随时间的变化规律,以此为基础提出了状态监测数据的异常检测方法,使之适用于输变电设备状态监测数据流,实现数据流中异常的快速检出,解决了传统的阈值判定方法难以准确检测输变电设备状态的异常的问题。高维随机矩阵理论作为新兴的大数据分析方法,能将各类状态监测数据集成到高维矩阵中,从概率和统计的角度研究矩阵的特性和数据分布情况。利用关联分析提取出表征设备关键性能的状态量,根据高维随机矩阵理论的构造方法构造出各关键性能的高维矩阵,根据特征根的分布情况、矩阵元素的相关性以及最大特征值的极值,分析谱分布函数曲线及圆环的变化规律,利用圆环中特征值的统计量实现设备关键性能的状态评价;并利用特征向量元素分布来检测矩阵中出现异常的行与列,分析出异常状态量和异常时刻。最后,本文提出的大数据分析算法在“输变电设备大数据状态评估系统”中应用,利用现场采集到的数据对本文提出的数据清洗、异常检测与状态评价等大数据分析算法进行了测试和应用,结果表明本文方法提高了设备状态评估的准确性和实时性,能够准备识别出异常运行的设备,为状态检修提供有效的决策支持。