变压器是电力系统的枢纽性设备,其可靠安全的运行决定了电力系统的可靠性。绝缘老化是变压器发生故障的主要原因,而局部放电是变压器绝缘劣化的先兆及表现形式。所以对变压器局部放电信号的研究有着重要意义。本文对变压器局部放电电磁信号的去噪、特征提取和识别方法进行了探索和研究。主要研究工作如下:本文分析了变压器常见的三种局部放信号:气隙放电、沿面放电和电晕放电。制备了这三种人工绝缘缺陷模型,通过试验采集了这三种局部放电类型的电磁信号。因为采集到的信号含有噪声干扰,所以首先要去除噪声。本文针对小波包阈值去噪算法中软、硬阈值函数中的不足,对阈值函数进行了改进。通过对局部放电仿真信号的去噪分析与仿真验证,改进后的小波包阈值函数算法的去噪效果较好。但小波包缺乏自适应性,并且变压器局部放电电磁信号与测量系统以及测量的环境有关,给小波包基函数的选取造成一些困难。因此,本文把自相关函数和间隔阈值相结合的经验模态分解(EMD)方法应用于变压器局部放电电磁信号的去噪。通过仿真放电信号和实际信号分析,该方法的去噪效果得到进一步提高。对去噪后的变压局部放电电磁信号进行EMD分解,得到若干个本征模态分量,通过相关系数法,选取含有主要信息的本征模态分量。提取了本征模态分量的两种特征参数:分形维数和奇异值。分形维数和奇异值作为分类特征量,采用BP神经网络对变压器局部放电类型进行识别。识别结果表明,两种特征量都可以识别放电信号,奇异值的识别率要高于分形维数。除此之外,本文还采用最小二乘支持向量机(LSSVM)对局部放电进行识别。利用网格搜索法先进行粗略搜索,再精细搜索参数,进行参数寻优,利用10-折交叉验证法确定最优模型。采用M-ary方法进行多分类。并采用标准支持向量机(SVM)和LSSVM两种分类器对局部放电电磁信号进行分类,识别结果表明,两种特征量的识别率都较高,而且它们的LSSVM识别率比SVM要高,并且训练速度更快。并对比了LSSVM和BP神经网络算法,两种识别方法中,奇异值作为特征量的识别率都比分形维数高,LSSVM更适合对变压器局部放电电磁信号的识别。