本书系统介绍了变电站电力设备故障数字诊断与评估技术，全书共分为11章，设备对象包括变压器、GIS/GIL、干式空心电抗器等，状态参量包括局放信号、油中溶解气体、温度、红外/紫外/可见光图像等。本书各部分内容既自成体系又相互关联，有助于读者掌握变电站电力设备故障数字诊断与评估技术的本质。
本书可作为从事电力设备故障诊断与状态评估专业人员的参考书，也可作为高等院校电气、电子工程相关专业本科生和研究生的参考教材。

第1章 概述
1.1 变电设备故障诊断的重要意义
1.2 变电设备故障诊断的发展现状
1.2.1 基于阈值判定的故障诊断方法
1.2.2 基于专家系统的故障诊断方法
1.2.3 基于机器学习的故障诊断方法
1.2.4 基于多源数据融合的故障诊断
1.3 变电设备故障诊断方法的难点问题分析
1.3.1 变电设备故障机制复杂
1.3.2 变电设备故障诊断数据体量巨大
1.3.3 变电设备状态评估数据质量不佳
1.4 人工智能技术的发展现状及技术优势
1.4.1 人工智能关键技术概述
1.4.2 人工智能关键技术分析
1.5 人工智能技术在变电设备故障诊断中的优化需求
1.5.1 噪声抑制对变电设备故障诊断的影响
1.5.2 样本不均衡对变电设备故障诊断的影响
1.5.3 多元输入对诊断模型的影响
1.6 本书主要内容
1.7 参考文献
第2章 基于知识-数据融合驱动的油浸设备局放脉冲样本数据增强
2.1 绪论
2.1.1 局部放电样本数据增强的应用背景及其必要性
2.1.2 数据增强方法研究现状
2.2 基于知识-数据融合驱动的局放脉冲数据增强方法
2.2.1 知识-数据融合驱动的必要性及方法概述
2.2.2 局放脉冲筛选与特征知识补充
2.2.3 基于知识-数据融合驱动的局放脉冲数据增强
2.2.4 算例分析
2.3 基于DAE-GAN的局放信号数据增强技术
2.3.1 基于深度自编码器的局放信号降维
2.3.2 基于DAE-GAN的局放信号数据增强
2.3.3 算例分析
2.4 本章小结
2.5 参考文献
第3章 基于局部特征提取与Rep-VGG的油浸设备局部脉冲放电模式识别方法
3.1 引言
3.1.1 局部放电故障诊断应用背景及其必要性
3.1.2 国内外研究现状
3.2 基于改进LISTA的局部放电信号噪声抑制技术
3.2.1 融合深度学习的迭代阈值收缩算法（LISTA）原理
3.2.2 基于改进LISTA算法的局部放电信号噪声抑制
3.2.3 算例分析
3.3 基于ORB-Rep-VGG的高鲁棒性局放模式识别技术
3.3.1 局放脉冲时频联合分析
3.3.2 基于ORB算法局部特征提取方法
3.3.3 基于ORB-Rep-VGG的局部放电模式识别方法
3.3.4 算例分析
3.4 本章小结
3.5 参考文献
第4章 基于DGA和改进SSAE的变压器故障诊断方法
4.1 引言
4.1.1 研究背景和意义
4.1.2 国内外研究现状
4.1.3 本章主要内容
4.2 基于加权综合损失优化深度学习和DGA的变压器故障诊断方法
4.2.1 SSAE基本原理
4.2.2 基于加权综合损失改进深度学习方法
4.2.3 基于加权综合损失优化深度学习和DGA的变压器故障诊断方法
4.2.4 应用案例分析
4.3 基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法
4.3.1 基于变分自编码器的不平衡样本预处理
4.3.2 基于变分自编码器预处理深度学习和DGA的变压器故障诊断模型建立方法
4.3.3 案例分析
4.4 本章小结
4.5 参考文献
第5章 基于FC-SAE的全景数据融合及贝叶斯网络的变压器综合诊断方法
5.1 绪论
5.1.1 变电站全景数据接入与融合技术研究现状
5.1.2 变电站全景数据融合技术研究现状
5.1.3 电气设备诊断方法研究现状
5.1.4 人工智能技术在变电站设备检测及诊断中的应用现状
5.2 基于FC-SAE的变压器全景数据融合技术
5.2.1 基于EM-PCA-FCM的变压器全景数据预处理方法
5.2.2 基于FC-SAE的变压器全景数据融合模型建立
5.2.3 基于FC-SAE的变压器全景数据融合处理及其应用案例
5.3 基于贝叶斯网络的变压器综合诊断方法
5.3.1 电力变压器状态诊断规则集的构建方法
5.3.2 基于数据融合和优化贝叶斯网络的变压器综合诊断模型构建方法
5.3.3 基于FC-SAE的全景数据融合及贝叶斯网络的变压器综合诊断方法
5.4 本章小结
5.5 参考文献
第6章 GIS局部放电UHF谱图库与深度学习模式识别
6.1 引言
6.1.1 研究背景及意义
6.1.2 国内外研究现状
6.1.3 本章主要内容
6.2 GIS中局部放电UHF谱图与现场数据预处理方法
6.2.1 UHF局部放电谱图类型
6.2.2 实验室GIS局部放电UHF谱图
6.2.3 运行条件下GIS局部放电UHF谱图预处理
6.3 模式识别中各种UHF谱图的有效性与融合方法
6.3.1 LeNet5卷积神经网络模型的结构与识别方法
6.3.2 基于相位分布谱图的模式识别
6.3.3 基于脉冲序列谱图的模式识别
6.3.4 基于多种谱图识别结果加权融合的模式识别
6.4 现场UHF数据的深度学习方法
6.4.1 基于WGAN-ResNet网络的深度学习方法
6.4.2 小谱图集下的CNN迁移学习
6.5 本章小结
6.6 参考文献
第7章 基于多源信息融合的GIS运行状态智能评估
7.1 引言
7.1.1 研究背景与意义
7.1.2 国内外研究现状
7.1.3 本章主要工作
7.2