变压器在电力系统中具有电压等级变换、电能分配等重要作用。在变压器运输过程中受到撞击,或投入使用后出现过电流均可能导致绕组发生变形故障。变压器发生故障时,可能会降低电力系统的运行效率,甚至可能导致大面积的停电,造成严重人力物力损失。及时发现潜在的变压器绕组变形故障并进行检修有利于电力系统的稳定运行。对变压器绕组状态进行非侵入式检测目前有许多种方法。其中,频率响应分析法因其操作简单、对绕组轻微变形敏感、安全性能高和不易受环境干扰等优势而被广泛应用。对频响曲线进行分析的方法主要有数理统计方法、仿真建模方法、以及人工智能方法等。数理统计方法计算简便,但对频响曲线特征提取不够全面。本文为结合不同统计学指标在变压器频响曲线特征提取上的优势,提出了一种自适应多特征融合算法用于变压器绕组故障识别。由模型训练结果表明,数据集较均衡时,单一特征的SVM模型识别准确率在80%左右,自适应多特征融合算法的故障模式识别准确率达到89.4%,证明了该算法的有效性。使用单一特征量SVM模型进行故障识别时,SVM模型容易因容忍错误分类造成误判,使用自适应多特征融合算法可以使不同特征SVM模型优势互补,最终得到更高的变压器故障识别率。该算法计算简便、能够有效提高变压器故障诊断效率,但存在数据集不均衡时准确率下降的不足。为解决一些机器学习方法进行故障诊断时存在数据集不均衡时预测准确率低、运算时间长、所需样本量大等问题,本文提出了一种非均衡数据集下基于孪生卷积网络的变压器绕组变形故障识别方法,并提出了一种频响曲线等效二阶导数面积参数用于变压器频响曲线特征提取。通过对本文获取的故障样本数据进行分析,与现有频响曲线偏移情况判断方法相比,本文提出的等效二阶导数面积参数在频响曲线特征提取上具有较高的准确度和可行性。通过搭建经参数优化的CNN、SVM和相关系数法模型并计算常用统计量对数误差绝对值和、最小值-最大值指标作为输入特征进行故障识别效果比较,得到使用等效二阶导数面积参数进行模型训练效果更优的结论,并且以该特征作为输入特征的孪生网络模型在本文非均衡数据集下变压器绕组故障识别效果最好,故障识别准确率达到89.2%。本文提出的自适应多特征融合算法在数据集较均衡的情况下能有效提高使用单一特征提取方法进行故障诊断的准确率,等效二阶导数面积参数能更加有效地提取频响曲线的特征,基于孪生网络的变压器绕组故障模式识别方法在非均衡数据集下能够更加准确地进行故障识别。本文的研究对于提高变压器绕组变形故障诊断准确率有重要意义,有利于及早发现并检修变压器故障,保证电力系统的安全稳定运行。