随着我国智能电网发展规划的逐步实施和大力推进,电力设备全寿命周期管理作为其中一项具体内容日益得到重视。而要实现全寿命周期管理,状态监测与故障诊断是重要的技术支撑,特别是绝缘老化状态评估与预测技术。本文以电力系统中应用最为广泛的油浸电力变压器为研究对象,基于7个老化阶段的绝缘纸样品实测局部放电信号,对油纸绝缘老化阶段评估方法进行了深入研究。首先,在高电压实验室开展变压器油纸绝缘热老化实验与局部放电实验,制作了典型气隙放电模型,取样不同老化程度绝缘纸样品,采集其局部放电原始信号。用自适应谱减法对采集到的含噪局部放电信号去噪。针对局部放电信号非平稳、非线性的特性,本文将局部放电信号进行分帧处理,在传统谱减法的基础上引入谱减阶数α,将其与每帧信号的am联系,调整定义式中各系数,使去噪效果达到最佳。仿真模拟含噪局放信号,分别采用自适应谱减法、db8小波法和EMD阈值法进行去噪并将结果进行对比。且与采用同种仿真信号的两种改进算法去噪效果进行对比,综合考虑各项评估指标,最终采用自适应谱减法对实测局部放电信号去噪。其次,根据PRPD模式构建不同老化程度的二维谱图、三维谱图及灰度图,提取统计特征参量,利用主成分因子法对统计特征参量进行降维处理,降维后得到8维特征量;基于灰度图提取盒维数及空隙度作为分形特征参量,通过三折线法确定无标度区后得到盒维数值,并研究不同老化程度样品盒维数值变化情况。研究过程中发现老化早期盒维数值可有效区分,至老化后期,样品盒维数值存在相同的情况,引入空隙度特征量以区分老化后期各阶段的分形特征参量,增加识别准确率。最后,将卷积神经网络与支持向量机结合,以支持向量机代替卷积神经网络全连接层,对影响模型识别结果的三个因素采用控制变量法分别进行模式识别,根据识别结果选择最优参数构成CNN-SVM模型。基于统计特征参量、统计特征参量与分形特征参量结合分别进行识别分类,将其结果与传统的BP神经网络算法、支持向量机算法及两种改进后的算法的识别结果进行对比,确定CNN-SVM算法的有效性并对余下的样本数据进行识别分类,其识别准确率为97.14%,达到预期效果。该论文有36幅,表16个,参考文献101篇。