电力设备安全可靠是确保电力系统安全稳定运行的重要前提,加强对电力设备运行状态的监测,实现电力设备的早期故障预警和诊断具有重要意义。与传统电力设备故障诊断方法不同,基于数据挖掘的故障预警技术的实现原理是挖掘数据潜在规律,从样本中学习数据之间内在的函数关系并建立模型,然后基于此模型预测电力设备的运行状态,这样便能够及早发现电力设备故障的早期征兆,进而给出预警信号,阻止电力设备故障的发生。为了进一步提高电力设备故障预警方法的准确性,本文将相关向量机算法引入到电力设备故障预警中去。首先,介绍了相关向量机算法,并对其性能进行分析,说明了基于该算法构建的电力设备模型能够较好解决非线性问题,且具有良好的稀疏性。同时,分析了电力系统数据特点及数据处理方法,为电力设备模型的故障特征提取提供数据基础。然后,针对不同电力设备的数据特点建立了符合现场情况的两类预警模型,模型一对电力设备正常运行参数预测后,根据实际测量值与模型预测值的差值确定是否给出报警信号,模型二对电力设备故障趋势预测后判定是否进行预警;最后,基于风力发电机监控与数据采集(supervisory control and data acquisition,SCADA)系统所得的采样数据和变压器油色谱数据对所提出的预警模型的应用效果进行了验证。根据风力发电机SCADA数据特点,提出了基于相关向量机的风机主轴轴承过热故障预警模型。该模型利用相关向量机算法预测出风机主轴轴承正常温度,并结合实际运行温度计算马氏距离,若风机主轴轴承存在潜在故障,模型所得马氏距离将会连续超出报警值,从而实现对潜在故障进行预警。基于变压器油中溶解气体数据,研究了相关向量机在变压器故障预警中的应用,包括利用相关向量机回归算法对油中溶解气体含量进行预测和利用相关向量机多核多分类算法对变压器运行状态进行辨识两部分,并进行了算例分析,结果表明该模型可以有效地对变压器油中的气体含量进行预测并正确地判断出变压器运行状态。