变压器作为电力系统中最为基础的一次设备,承担着电能输送和电压变换的重要作用。在变压器的所有故障类型中,绕组故障所占比例一直居高不下。因此,绕组状态的实时评估和故障预警对于变压器乃至整个电力系统的稳定运行具有重大意义。振动分析法通过监测变压器振动信号来对其绕组状态进行分析,具有灵敏度高、容易实现在线监测的优势,日益引起了国内外研究人员的关注。为进一步提高振动分析法监测变压器绕组状态的准确性,及时发现变压器故障隐患,提高变压器的运行可靠性,本文从运行中的变压器振动特征出发,对变压器绕组的振动监测和预测方法展开了若干研究。准确掌握运行中的变压器振动特征是实现变压器绕组状态监测的重要前提。本文在归纳和总结现有典型变压器振动信号分析方法的基础上,以某500kV在运变压器的振动监测信号为对象,详细分析了振动信号的时域、频域和时频特性。结果表明,运行中的变压器振动信号在时域呈现非平稳性特征,其频谱分布主要为100Hz及其倍频分量,振动信号的时域、频域和能量特性均随负载电流的改变而变化,呈现出较为复杂的变化规律。因此,需要仔细研究运行中的变压器振动信号特性,提高变压器绕组状态监测和预测的准确性。为深入挖掘变压器振动监测信号与其运行状态之间的变化规律,本文提出了一种基于系统聚类和投票判别的变压器绕组状态监测方法。该方法通过对运行中的变压器电压、电流和振动信号进行系统聚类,得到了变压器电压、电流和振动信号的三维空间类簇分布,进而应用投票判别法根据待监测信号到拟合曲面的距离来判别其归属性及判断变压器绕组状态。对某500kV变压器振动监测信号的计算结果表明,经系统聚类后得到的变压器电压-电流-振动信号的三维空间类簇分布清晰地反映了运行中的变压器的振动特性,投票判别法能较为准确地判断待监测信号的类簇归属,从而为变压器绕组状态的准确监测提供了重要依据。为实现变压器绕组状态的故障预警,提高其运行可靠性,本文提出了一种基于广义回归神经网络和马尔科夫链的变压器绕组状态预测方法。该方法首先建立了以变压器运行电压和负载电流为输入、振动信号为输出的广义回归神经网络模型,计算了变压器的振动信号,然后引入了马尔科夫链对广义回归神经网络的预测结果与实测振动信号的相对误差进行了修正,得到了变压器振动信号的最终预测结果。对某500kV变压器振动监测信号的分析结果表明:经马尔科夫链修正后的基于广义回归神经网络的变压器振动信号预测方法具有较高的计算精度,可为变压器绕组状态的评估及预警提供重要参考。本文的研究结果具有工程实用价值,可以为在运变压器的绕组振动监测和预测提供依据。