随着电网的发展,对电力设备的稳定可靠工作有了更高要求,这也驱动了局部放电带电检测技术的逐渐成熟,诸如特高频(UHF)检测法、超声波检测法等都在变电站现场得到了广泛的应用,这也推动了变压器在运行条件下的状态监测的不断发展。目前国内外学者针对变压器局部放电的模式识别基于不同的检测方法提出了各种算法,然而对于获取的大量不同来源的数据综合分析甚少,对于数据的利用率不高。因此,本文提出了声电融合的变压器局部放电智能诊断方法,能够融合变压器局部放电UHF和超声波信号作出诊断,不仅能更有效地利用多源数据,而且提高了识别正确率。论文的实验数据是在实验室的真型变压器上采集得到,分别通过UHF传感器和超声波传感器检测得到。每种检测方法各在尖端电晕、悬浮放电、绝缘气隙和沿面放电4种缺陷模型上采集了共2600多条数据,然后通过深度学习等机器学习算法以及声电融合智能算法进行模式识别,实现了很高的识别正确率。针对检测得到的UHF局部放电信号,绘制出了三维相位分辨的脉冲序列(PRPS)图谱,以及其对应的二维图谱,包括放电次数-相位、最大放电量-相位和平均放电量-相位分布。分别求出二维分布的统计参数,包括偏斜度、峰度等得到21维特征向量。本文提出了在线序列极限学习机(OS-ELM),实现了传统极限学习机(ELM)的增量式学习改进算法,不仅提高了识别准确率,在训练时间和泛化性能上更是有显著的改进。识别正确率上相比传统的ELM、支持向量机(SVM)和BP神经网络分别提高了2.5、4.9和23.4个百分点;在训练时间上仅需要SVM的1/10000、BPNN的1/5000。针对局部放电超声波信号,由于其特征提取相比于UHF信号更加复杂,又因为深度学习网络在学习特征信息上的优势,本文提出采用深度学习网络,包括深度神经网络(DNN)、递归神经网络(RNN)和卷积神经网络(CNN)来学习超声波信号的特征信息,并实现模式识别。首先对超声波信号进行降采样处理,采用梅尔频率倒谱系数(MFCC)并结合色度图、光谱对比图等特征参量,分别训练深度学习网络DNN、RNN和CNN,比较识别结果和性能,证明了CNN在超声波识别上的优势,最终实现了92.9%的准确率和99.82%的AUC分数。考虑到分别处理UHF信号或者超声波信号对多源数据的利用效率太低,本文提出声电信号融合的智能诊断系统。基于多源信号的融合特征,分别训练机器学习和深度学习网络,得到识别结果。然后基于Choquet模糊积分,对各个输出的分类结果进行融合,以得到最终分类结果,大大提高了识别正确率,特别是在单个分类器识别效果较差的样本类型上,提升效果非常明显。对于SVM和CNN识别正确率只有75%和87%的绝缘气隙放电类型,声电融合智能诊断系统最终实现了90.89%的正确率。而对于悬浮和沿面放电的识别正确率分别高达95.27%和96.31%。