变压器是电网的关键设备之一,其可靠性与电网高效稳定的运行密切相关。振动法分析变压器运行状态已经取得了一定的成果,但仍存在实际数据样本不完备,特别是故障样本稀缺、故障模式不完备的问题。新异类检测方法通过对已知状态样本的建模,实现对异常或未知状态的检测,为变压器振动故障诊断研究提供了一种思路和方法。针对变压器振动异常检测中缺少故障样本的问题,建立了高斯核函数支持向量数据描述检测模型(SVDD检测模型)。总结分析了新异类检测方法,重点研究了单类支持向量机的两种模型:支持向量数据描述模型和v-支持向量分类器,并分析了衡量模型性能的指标;对变压器表面振动信号进行了频谱分析和能量分析,并用小波包分析技术提取了变压器表面振动特征向量,构建了变压器表面振动数据集;分析讨论了高斯带宽参数和平衡参数对检测模型的影响,并完成了参数设置。在标准数据集上验证了SVDD检测模型的有效性,变压器表面振动数据集的实验表明SVDD检测模型适用于变压器异常检测,并且变压器长期运行过程中振动特性会发生变化,检测模型需要具备连续学习的能力。考虑到变压器振动监测数据逐渐趋于完备以及涉及到大样本的增量学习问题,本文设计了一种基于快速凸包算法的支持向量数据描述增量学习(Q-ISVDD)算法。在标准数据集和变压器表面振动数据集的实验分析,结果表明Q-ISVDD比SVDD、Online SVDD时间复杂度较低,性能更优异;基于变压器表面振动数据集,在训练过程中,Q-ISVDD充分利用了变压器历史和当前样本,使训练的模型具备连续学习能力,可应用变压器振动在线异常检测。