电力变压器是电力系统中的重要设备,也是电能输送环节的重要一环,对电力变压器进行状态监测是十分有必要的。在各类状态监测方法中,振动法可在变压器带电运行情况下,对内部元件丰富的状态信息进行感知,且采集设备简单、安全性和经济性较好。本文主要对电力变压器振动信号的分析与识别方法进行研究。考虑振动信号和运行工况数据的相关性,基于Lempel-Ziv算法计算变压器振动信号的复杂度,量化分析不同工况、不同年份变压器振动实测信号,结合变压器振动机理,对变压器运行状态进行趋势化分析。针对变压器振动信号中存在大量冗余维度的问题,提出一种基于变分模态分解算法的振动信号处理方法,将变压器振动信号分解成中心频率由低到高分布的几个模态分量,结合皮尔逊相关系数法,分析变压器振动信号的频率分布情况,并使用阈值法完成振动数据的预处理,重构信号中去除了弱相关成份的同时保留了重要信息,数据的平稳性得到增强。在振动信号的分类识别方面,针对传统方法的不足,提出一种连续小波变换和卷积神经网络结合的方法,把振动信号经小波变换后得到的二维时频图输入到卷积神经网络中,利用深度学习在图像识别领域的优势,对不同类别的时频图进行识别,同时在轴承标准数据集上进行验证,证实此种方法在振动数据分类方面的良好效果。基于Py Charm集成开发环境,设计开发了变压器振动信号识别可视化软件,可用于变压器振动时频图的识别。