状态检修可以提高设备的利用率,还可以减少检修费用,提高了电网运行的经济性和安全性。采用数据分析方法可以充分合理地挖掘可能影响电力设备状态的多种有效信息进行设备状态精细化评价,有着广阔的应用前景。目前应用的设备状态预测模型应用单一或少量状态变量进行数据分析和状态判别,且大部分限制在于阈值诊断的类别内,未能够充分利用设备与电网运行大量状态信息之间蕴含的内在规律和关联关系进行综合分析。将设备的多个参数之间的关联规则引入可以显著提高状态预测和故障诊断的精确度。本文将概率图模型引入对设备状态进行关联规则挖掘提出一种新的关联规则挖掘算法,该算法首先利用Apriori算法找出所有的频繁二项集,然后利用概率图模型找出所有关联规则。该方法利用概率图分析关联规则,避免了搜索各阶频繁项集都需要循环扫描所有数据项。结果表明利用该关联规则可以使基于径向基神经网络的状态预测结果准确度更高。如何在设备状态预测信息基础上而做出检修决策,确保设备可靠性的同时提高经济性,其决策在很大程度上还是依赖决策者的经验积累,缺少定量的辅助决策方法。电力设备的老化属于随机过程的一种,因此在检修策略制定中,应用随机过程理论考虑设备状态量的统计特性,更加符合实际情况。本文综合了现有的基于马尔可夫决策过程的检修模型,考虑了不同维修方式对状态转移的影响,根据是否安装有在线监测装置建立了适用于两种电力设备的检修模型。将模型应用于断路器及变压器的状态检修策略制定,并应用策略迭代法对马尔可夫决策过程进行求解。结果显示应用马尔可夫决策过程可以折中维修成本和故障损失,得到经济最优的检修决策,为检修决策人员提供参考。同时比较了两个模型的不同仿真结果,验证了其对安装了和未配备在线监测装置两种电力设备的适用性。