电力变压器作为组成电力系统的重要环节,其健康状况将直接影响到整个电力系统的稳定运行。在影响电力变压器健康状况的诸多因素中,绝缘老化是最普通、最多的原因。绝缘老化具有渐变、不易发现的特点,而且具有多种类型的老化形式,每种老化形式对电力变压器的危害程度也不尽相同。绝缘老化外在表现为局部放电,不同的老化形式产生不同的局部放电模式。因此,可以通过对局部放电正确信号检测与合理模式识别,实现变压器绝缘状况的诊断,及早排除危险因素从而保证电力变压器安全稳定运转。本文以电力变压器的放电机理为基础,研究了局部放电的噪声抑制、特征参数提取与放电模式分类,主要工作内容如下:(1)针对放电信号采集时受现场噪声干扰的问题,提出了总体平均经验模态分解与自相关函数相结合的干扰抑制算法。该算法,首先采取总体平均经验模态分解法将含噪局部放电信号分解成多个本征模态函数,以解决模式混叠问题;其次,基于自相关函数判断噪声干扰主导与局部放电信号主导的本征模态函数分界点;然后,利用类小波软阈值方法对噪声主导的本征模态函数进行局部放电信号的提取;最后,将本征模态函数进行重构。(2)针对变压器绝缘结构特点,设计了针板电极、柱电极和球电极结构模型以实现电晕放电、沿面放电、固体内部气隙放电三种典型的放电类型。在三种放电类型并存的情况下,提出了基于图谱的特征量构建方法。该方法,首先利用脉冲电流法来采集放电信号;然后,依据局部放电相位分布模式生成φ-q-n图;接着,将三维谱图映射为二维谱图;最后,在二维谱图上提取统计参数作为特征向量。(3)提出利用概率神经网络对局部放电进行分类的方法。所提方法是以二维谱图的统计特征参数作为输入特征量,将高斯函数作为神经元的基函数,利用Parzen窗法来估计局部放电类型的概率分布密度,再利用后验概率判别所属放电类型。实验结果表明,与反向传播神经网络、隐式马尔科夫模型识别器相比,该方法能够克服迭代时间长、编码敏感等问题,具有更好的分类精度和更少的分类时间开销。