变压器是电力系统中至关重要的设备之一,其安全性和可靠性是电网稳定运行的基础。对变压器施行在线监测手段,提取其运行的特征值并进行预测和智能诊断,可以提前为即将发生的故障或事故做出恰当的检修措施,能够大大减少电力系统维护成本和事故带来的经济损失,是电力系统中极具研究意义的课题。而随着大数据时代的来临,输变电设备能被监测的特征越来越多,电网中存储的数据规模也越来越大。面对较高的数据维度和当下普遍较低的数据质量,传统的机器学习方法逐渐开始不能满足人们对预测准确度的需求。本文提出了一套面向变压器故障诊断的数据预处理框架,主要分为两部分:一是基于优化支持向量机和精炼支持向量机的缺失数据预测模型,二是基于关联分析和主成分分析的故障诊断框架。经过实例验证,在预测缺失数据方面,我们的方法比传统的神经网络或支持向量机表现出更高的预测精度,能有效提升原始数据的数据质量;在故障诊断方面,我们的方法也展现出了更好的预测精度和更少的运行时间,还找出了油温这一隐藏的重要故障诊断指标,对原有的指标体系做了很好的补充。而且随着数据维度的提高,本文所提方法的优势表现得更加明显,这说明本文中的数据预处理框架更适应现在大数据时代的发展趋势和更严格的电力安全需求,值得进一步推广和持续研究。