作为高压直流输电系统的关键设备之一,换流变压器绝缘状态的好坏与直流输电系统的安全稳定运行息息相关。局部放电既是换流变压器绝缘劣化的征兆,又是造成其绝缘劣化的关键性因素。对换流变压器局部放电类型和严重程度进行有效识别能够及时发现其内部的一些潜伏性故障,为诊断和状态检修策略提供依据,保障系统的安全稳定运行。因此,开展换流变压器局部放电模式识别方法的研究意义重大。指纹特征提取与分类器选择是实现换流变压器局部放电模式识别的关键环节。现有的指纹特征提取与分类器选择存在如下问题:1)在特征参数初步选择方面,由于缺乏先验知识,初步选择的局部放电特征参数敏感性差,不能全面描述局部放电特性;2)在指纹特征提取方面,常用的降维方法忽略了局部放电数据的非线性特性和不同原始特征空间的差异性,使降维后的特征空间信息丢失较多,影响分类器识别准确率;3)在分类器选择方面,常用的分类器主要是BP神经网络、支持向量机等浅层学习方法。这些浅层学习方法由于自身的局限性,识别能力有限,提升空间也不大。上述问题导致现有的换流变压器局部放电模式识别准确率较低。针对上述问题,本文提出了基于深度学习的换流变压器局部放电模式识别方法。首先基于实验室已有的换流变压器局部放电实验数据,从统计图谱库、波形图谱库、色谱库、整体图谱库中分别提取了 67、13、17、97个原始局部放电特征参数,并构建了用于识别研究的原始特征空间。然后,基于核主成分分析、相关系数矩阵、粗糙集理论三种方法对原始局部放电特征空间进行降维,提取局部放电指纹特征。最后,将深度学习中的主流模型深度置信网络引入换流变压器的局部放电模式识别领域。依据深度置信网络的基本原理构建深度置信网络分类器,建立了基于深度置信网络分类器的局部放电分层识别模型,提出了局部放电模式识别策略,实现了局部放电缺陷类型和严重程度的有效识别。与传统的人工神经网络对比,基于深度置信网络分类器的模式识别方法具有强大的特征学习能力,识别效果整体更优。这也为深度学习在局部放电模式识别领域的应用进一步提供了参考依据。