目前变压器多源局部放电诊断的方法主要是先对采集的放电脉冲进行分离,再对分离的脉冲群进行局部放电诊断。然而,应用于脉冲分离的聚类算法的聚类个数确定问题制约着该方法的实用性,且该方法对信号采集器的采样率有很高的要求。针对上述缺陷,在实验室条件下模拟匝间模型、油楔模型和针板模型3种放电模型,将多个单源放电数据与噪声融合,生成多源放电数据,用于研究多源放电诊断方法。局部放电模式识别领域中常用的分类器算法包括神经网络、支持向量机(support vector machine,SVM)和K邻近(K-nearest neighbor,KNN)等。随机森林(random forest,RF)算法具有无需特征选择、不易过度拟合的优点,但在局部放电模式识别领域中应用较少。利用神经网络、SVM、KNN以及RF算法对多源放电中有、无某种放电模式的数据进行学习,从而跳过脉冲分离环节。结果表明:在一定幅值范围的白噪声干扰下,RF算法在各模式的识别准确率均优于其它算法。利用实际噪声干扰下的多源局部放电数据对各算法进行验证,结果表明RF算法仍可对有、无匝间以及有、无油楔进行有效识别,但各分类器对有、无针板放电的识别效果均不理想。利用RF算法得到的3个识别模型可实现多源局部放电模式识别。