随着电网容量的不断增大,对电力系统的安全运行和供电可靠性都提出了更高的要求。变压器由于其昂贵的价值和重要的社会意义,其安全运行对整个电网意义重大。绕组与铁心故障是变压器的重要故障之一,占总体故障比例很大。对它们进行状态监测与故障诊断,是实现变压器预知性维修的前提,是保证变压器安全运行的关键,也是对传统预防性试验的重大补充和拓展。本文以变压器绕组及铁心作为研究对象,在深入研究了Hilbert-Huang变换、BP神经网络和最小二乘支持向量机理论的基础上,将其引入到变压器绕组及铁心故障诊断系统中。同时,对绕组及铁心振动进行研究,分析了振动信号与其状况的关系。针对于上述研究内容,本文的研究工作和结论如下所述：分析了引起变压器振动的各个主要因素及其传递途径,并将绕组简化为一个力学模型,从理论上探讨其预紧力变化对绕组状态的影响。同时,从磁体物理学的概念出发,分析了引起铁心振动的磁致伸缩的原理以及影响因素。提出了压紧力的减小、局部过热、绝缘层的损伤等铁心故障可以通过铁心振动信号的变化反映出来。根据变压器机械振动信号的特征,本文设计了一套在线监测系统,同时,将Hilbert-Huang变换引入到振动信号的分析与处理中来,并给出了该算法的具体流程。针对振动信号受噪声干扰问题,提出了固有模态函数自适应阈值处理,相比于常规小波去噪算法,该方法具有自适应强,不受小波基函数和最佳小波分解层数选取限制的优点,实现了阈值和处理层数的自动选取。信号特征的提取是故障诊断的难点,本文提出了基于小波包变换和信息熵理论的信号特征提取方法。这种方法可以将信号的特征提取为数值特征,为变压器机械故障的智能诊断奠定了基础。本文最后将改进粒子群算法优化后的BP神经网络和最小二乘支持向量机诊断模型分别应用于变压器机械故障诊断中,得出了相应的结论,结果证明了这两种方法的有效性。同时证明了改进粒子群算法优化后的最小二乘支持向量机在变压器机械故障诊断中具有更强的优势。