大型电力变压器作为电力系统中十分重要的一环,其安全运行对保证电网安全、可靠供电举足轻重。因此,若能对大型电力变压器进行带电监测,可及时发现变压器潜在的安全隐患,从而保障电网运行的可靠性。在目前已有的各类变压器监测方法中,振动分析法对变压器机械结构缺陷反应灵敏,且与电力系统无电气连接,是一种十分有效的电力变压器带电监测与预警方法。本文从变压器振动特征提取以及变压器振动模型辨识两个方面对前人基于振动分析法的变压器带电监测与故障诊断研究进行了总结,发现由于一般负载运行状态下变压器油箱壁表面振动的复杂性,不易于直接提取振动源特征及建立振动系统模型。而仅有单振动源激励的空载运行以及短路试验可为变压器振动研究提供相对“单纯”的环境条件,由于避开了混合过程,油箱表面振动信号中包含了丰富的振动源的状态特征信息且易于提取并对振动进行建模。然而,考虑到短路运行及空载运行均为特殊工况不具有普适性,本文提出了：基于盲源分离的变压器振动模型研究这一命题,即将信号分离技术引入一般负载运行条件下的油箱壁振动信号处理中,将振动激励源所独立贡献的振动信号分别进行分离提取,并基于该类信号建立振动模型。全文内容概括如下：第一章从变压器振动特征提取研究和变压器振动模型辨识研究两个方面介绍了变压器带电监测与故障诊断研究的发展现状和不足之处。并通过分析变压器振动特征提取和振动模型辨识所处的困难,提出了基于盲源分离的变压器单激励源振动系统模型辨识研究这一命题,并列举了本文的主要研究内容、及主要创新点。第二章重点研究了变压器绕组在单一铁心振动源激励下的径向振动特性以及变压器内部机械故障对其的影响。通过使用多普勒激光测振仪对一台处于仅铁心振动源激励下的单相变压器的绕组表面径向振动进行详细的测量,并且为了研究当变压器内部结构发生机械故障时绕组径向振动的变化特征,还引入了包括绕组压紧力减小、绕组垫块移位脱落和铁心压紧力减小三种机械故障状态下的绕组径向振动测量实验。实验结果可表明绕组径向振动分布特征与绕组机械结构状态、铁心机械结构状态均密切相关,当机械结构发生变化时,径向振动分布的特征也随之发生变化。第三章研究并分析了变压器振动系统中振动产生、传递和混合过程,明确了“源”信号的定义,即将由绕组振动和铁心振动单独激励时所贡献的油箱壁振动分量信号视为变压器振动混合模型中的目标源信号,并基于此提出了适用于线性混合的变压器振动系统的盲分离体系架构。第四章分析了传统盲源分离方法在变压器振源分离中存在的问题,针对变压器振动系统中源信号间的高度相关性,基于前述变压器振动系统的盲分离体系架构,提出了一种基于信号时频比分布且可适用于非独立源提取的盲分离算法。该算法在已有的TIFROM算法的基础之上,结合了二维子空间聚类算法以及一种时延检测算法,可对变压器油箱表面振动进行分离,获得目标振动源信号。对一台试验用变压器振动的人工混合验证实验和对一台在线运行的大型电力变压器振动的实际分离实验结果均验证了该算法的有效性及相比较于原TIFROM算法的优异优越性。第五章研究并分析了单振源激励下的油箱壁振动响应与其输入源(电流或电压)间的关系,分别对绕组振动源以及铁心振动源激励下的变压器振动子系统进行模型辨识。为了更好表征单振源激励条件下变压器的振动与电输入的关系,提出了一种适用于变压器振动子系统的基于神经网络结构的SISO Hammerstein模型辨识方法。首先,为更有效的表征变压器振动子系统中的非线性特性,使用Fourier基函数作为神经网络结构中的激活函数；其次,选择ARMA模型作为线性动态模块的基本结构模型,并基于Lipschitz条件对线性动态模块的最小阶数进行估计；再之,基于最速下降法(又名梯度法)设计模型参数训练策略对模型进行训练,确定模型参数；最后,使用新的输入-输出数据组对模型进行验证,通过比对模型输出结果与实际输出间的误差来评估模型的精确程度。该辨识方法在仿真实验、对单振动源激励下的变压器振动信号的建模研究以及对分离后振动信号建模研究的结果中均显示了在变压器振动系统辨识中具有较高的计算精度和效率。第六章总结了全文的主要研究内容,并展望了今后的研究工作。