电力变压器是电力系统中最为核心的电气设备,掌握其运行状态对电力系统维持安全稳定的运作环境有着重要意义。目前,基于神经网络、决策树等机器学习算法构建的智能故障诊断模型已广泛应用于电力变压器运维领域。但实际收集的变压器样本集存在类别分布非均衡的问题,会大大限制上述智能算法的实际应用效果。为解决上述问题,本文从数据、算法层面入手,分别构建了两种智能故障诊断模型,有效解决了非均衡数据集下故障样本漏判率高、模型整体分类准确率低等问题,同时提出了一种智能故障诊断系统以实现上述模型在现场的应用。在数据层面,提出了一种基于SVM SMOTE的样本均衡化方法。首先选用油中溶解气体数据作为特征参量,分别建立了KNN和DNN诊断模型,并进一步提出了基于样本均衡化处理的变压器故障诊断技术框架。然后根据评价指标对样本均衡化前后的模型诊断效果进行对比分析,结果表明,相较于原始训练集,采用经过SVM SMOTE处理的数据集训练诊断模型,其综合分类性能有了大幅度的提升,其中DNN的λG-mean由0增加至0.8534,λF1、λB-score分别提升了27.6%、23.0%。最后改变不平衡率,进一步探讨分析了SVM SMOTE的特点和适用范围。在算法层面,提出了一种结合Ada Boost和代价敏感的Adacost算法。首先结合专家打分和误分类样本数量确定变压器误分类样本的代价矩阵。然后选取决策树和Ada Boost算法对比分析所提方法的有效性,结果表明,决策树、Ada Boost、Adacost的综合分类性能在逐步提升,其中相较于决策树和Ada Boost,Adacost的λG-mean分别提升了19.6%、16.9%。最后与样本均衡化方法的诊断效果进行对比,发现基于代价敏感学习构建的诊断模型的应用效果不受限于数据集的不平衡程度,相较于样本均衡化方法,该方法可应用于不平衡率较高的数据集。在现场应用层面,提出了一种基于云边协同机制的电力变压器智能故障诊断系统。首先将所构建的智能诊断模型嵌入边缘计算模块,然后结合无线传感器网络实现电力变压器的实时监测和故障诊断。在云端可以实时展示电力变压器的监测数据和运行状态,供调度人员使用;同时也可调用变压器的历史数据集,展示变压器的历史运行状态,有助于检修人员全面了解变压器的运行信息。