电力变压器是电力系统中电能转化的枢纽设备,其安全稳定运行对维持工业制造、居民生活和社会秩序等方面的正常运转具有重要意义。因此,在实际工程应用中需要对变压器状态进行实时监测并及时检测出潜伏故障。目前,振动分析法凭借其可带电在线监测、直接反映变压器的机械状态、与设备无直接电气连接等优点受到广泛研究。本文主要基于深度学习方法对电力变压器振动信号的分析与识别进行研究。首先,描述了变压器振动机理及变压器表面振动来源,并介绍了本文所用的实测变压器振动数据。进而,分析变压器不同测点振动数据的频谱分布情况。最后通过模拟信号仿真实验,分析连续小波时频图的时域幅值和频域分布特征的表征能力;然后,针对深度神经网络对原始振动信号的特征提取能力不足的问题,提出一种基于时域数据切分的变压器振动信号识别方法,该方法通过设备本身的振动频率和振动信号采样频率两个指标计算样本滑动步长大小与最优样本长度;同时为充分保留时序振动信号时间相关性,建立改进的一维卷积神经网络模型,通过引入小卷积核、全局平均池化、批量归一化层和Dropout来提高模型的拟合能力与泛化能力。仿真实验表明,该方法能够优化变压器振动信号的时域切分,显著提升卷积神经网络的时域振动数据特征提取能力;最后,针对变压器振动信号受多种因素影响、复杂程度较高等导致的特征提取困难、难以直接用于故障诊断问题,提出一种基于连续小波时频图的双分支卷积神经网络振动信号分类模型。每路双分支独立提取不同属性特征。在标准轴承振动数据上完成故障诊断仿真,该模型故障识别平均准确率达99%以上,并具有良好的未知故障诊断能力。在多测点实测变压器振动数据上进行识别实验,平均识别准确率达98%以上,并以较高的概率识别出潜在测点,为先验知识不充分条件下的变压器振动故障检测提供参考。