电力变压器的安全可靠运行对于整个电网的稳定性至关重要，故需要对电力变压器进行状态监测及故障诊断，即实时的监测电力变压器的运行状态，并对其进行早期故障预测，防止小故障演变成大故障，造成重大损失。电力变压器的铁芯和绕组是其关键部件，占电力变压器故障的比例较大。本文采用“振动分析法”，以电力变压器的铁芯和绕组为研究对象，研究了基于经验模态分解(Empirical Mode Decomposition，即EMD)和支持向量机(Support Vector Machine，SVM)的变压器故障诊断方法。　　本文所采用的“振动分析法”，即是在电力变压器油箱上安装传感器，收集铁芯及绕组的振动波形，通过智能算法的分析和计算，判别其健康状况的一种方法。该方法可实现动态的、连续的观测，从而可以尽早发现变压器的故障隐患，并获得隐患发展的速度和变化趋势，为电力变压器按需检修提供定量的分析数据。　　针对变压器铁芯松动及绕组变形故障，本文首先对采集到的原始振动数据进行小波去噪;随后把一列时间序列数据通过经验模态分解为固有模态函数组(Intrinsic Mode Function，即IMF)，对得出的各阶固有模态函数求能量，计算得到信号的能量值，以提取变压器振动的特征信号;再引入基于粒子群优化(Particle Swarm Optimization，PSO)的支持向量机算法进行故障诊断;最后把实测的变压器故障振动信号进行上述诊断分析，以验证本文所提方法的可行性和有效性。通过与传统的反向传播(backpropagation，BP)神经网络和支持向量机进行对比，证明本文提出的方法能够对变压器故障进行较好地判断。