电力变压器作为电力系统枢纽性设备,在电力系统中起能量传输和变换的作用,其运行状况关系着电力系统安全稳定。局部放电是反映变压器绝缘劣化的有效征兆,且不同类型的局部放电对变压器绝缘威胁程度不同,因此变压器放电类型识别对其检修和维护有重要意义。目前局部放电模式识别在实验室条件下识别效果较好,但在现场的识别效果并不理想,其主要原因为现场环境与实验室环境有较大差异,如变压器纸板老化程度、多源放电干扰以及噪声干扰等。为了提高现场局部放电模式识别的适用性,本文研究内容如下:获取不同加压电压等级以及不同纸板老化程度的匝间、油楔放电模型放电数据。改变训练数据所包含的试验条件类型,利用各分类器算法进行建模,对不同情况下分类器算法准确率做分析。结果表明,加压电压等级对模式识别的影响小,而纸板老化对模式识别的影响大。由于现场噪声干扰和多源放电干扰对局部放电模式识别的影响很大,本文首先在现场得到真实的噪声数据,对噪声数据进行统计分析,从而得到仿真现场噪声在统计意义上的方法。利用实验室条件下的放电数据与仿真噪声进行融合生成多源放电训练数据。利用随机森林等分类算法进行学习并对其进行泛化能力分析,得到了多源放电诊断模型的适用范围,证明了该方法在一定条件下的适用性。与目前的多源局部放电模式识别方法相比,此模型有着不需脉冲分离且对采样设备采样率要求低的优点。在上述分类器模型的训练过程中,本文通过对比各分类器的原理以及性能,得到各算法的适用范围。此外,本文通过对训练数据类别做特殊划分,从而避免了常规分类器只能得出已知学习类别的缺陷,提高了模型的合理性。通过建立分类算法的融合模型,扩展了识别类别。