换流变压器与非线性换流阀器件一起实现整流和逆变侧的交直流转换,是直流输电工程中的连接枢纽。在实际运行中,换流变压器的振动主要来自铁心的磁致伸缩效应和绕组的受迫振动,同时也受到电流电压等级、功率因数和三相不平衡度等因素的影响。由于非线性换流阀器件的存在,换流变压器箱体振动信号的时频特征不同于常规电力变压器,其振动信号经由变压器油及固定组件传递至机箱壁,包含了大量能够反映运行状态的有效信息。相较于电力变压器,换流变压器振动信号的时频特征存在显著差异,如何依据振动信号时频特征并提取能够反映换流变压器运行状态的重要信息是关键问题。为解决上述问题,本文研究了换流变压器箱体振动信号的多特征图谱构建方法,并依据换流站实测振动数据建立了特征图谱数据集;研究了基于卷积神经网络和注意力机制的换流变振动信号多特征状态识别模型,实现了换流变运行状态的准确识别;研究了换流变压器多特征半监督状态识别模型,实现了在数据集仅包含少量已标注数据条件下的运行状态识别。论文的主要研究工作如下:1.分析了不同工况下换流变压器的振动特性。理论推导了铁心和绕组振动的数学模型,分析了电力变压器与换流变压器之间振动存在差异的原因。结合换流站实测振动数据进行了振动特性研究,对负载运行下电力变压器和换流变压器的振动差异以及不同工况下的换流变振动差异进行了对比分析。2.研究并形成了换流变压器振动信号的时间、频率和能量特征图谱构建方法。依据现场实测数据构建了多特征图谱数据集,为换流变振动信号多特征状态识别模型和半监督学习模型提供了数据支撑。3.研究了换流变压器振动信号多特征状态识别模型。针对振动信号的多角度特征提取,改进了卷积神经网络结构,并利用通道注意力和空间注意力机制对融合特征向量进行信息融合,提高了信息的利用率和特征丰富度。4.研究了换流变压器振动信号多特征半监督学习模型。设计了集成有监督学习和无监督学习策略的半监督诊断模型,旨在训练集中仅包含少量已标记数据和大量无标记数据下实现基于振动信号的换流变压器状态识别。通过本文的研究,提出了换流变压器振动信号多特征图谱构建方法,并基于此开展了有监督和半监督学习模型的研究,实现了换流变压器运行工况的识别,可为基于振动信号的换流变压器故障检测识别方法研究提供方法基础。