伴隨著(zhù)計算機技術(shù)的發(fā)展和人工智能的興起，模式識別技術(shù)廣泛地運用于局部放電的研究中，作為一種重要的故障診斷方法。

PD在線(xiàn)檢測中，模式識別是噪聲去除之后的另一大難點(diǎn)問(wèn)題。檢測到的放電脈沖可能來(lái)自電纜本體、電纜終端頭、也可能來(lái)自與其連接的其他設備(如開(kāi)關(guān)柜等)。由于不同來(lái)源的PD信號，對設備的危害不同，其判斷標準也有所不同，所以對PD信號的識別就顯得尤為重要。傳統的局部放電識別方法*取決于專(zhuān)家的知識和經(jīng)驗，具有很大的局限性，應用計算機輔助測量系統獲得的局部放電信息比目測的結果具有更豐富的細節，能夠反映出不同局部放電類(lèi)型更細微的差異?，F階段模式識別的主要步驟如下圖所示。

步是學(xué)習過(guò)程。在這一過(guò)程中首先是樣本庫的建立，即通過(guò)實(shí)驗室實(shí)驗與現場(chǎng)測試，用PD源已知的信號作為學(xué)習樣本。從這些樣本中提取特征，構成特征向量，利用某種分類(lèi)器將學(xué)習樣本劃分成不同的大類(lèi)，即電纜PD，終端頭PD，開(kāi)關(guān)柜表面放電等等。

第二步是識別過(guò)程。在這一過(guò)程中，對于PD源未知的PD信號，在用與步相同的規則提取特征后，利用分類(lèi)器與已存在的各類(lèi)數據特征對比，進(jìn)行匹配，從而判斷出放電的類(lèi)型。

由上述可知，模式識別的重點(diǎn)是特征提取和分類(lèi)器（識別算法）的選擇。特征提取是PD識別的步，特征選取的好壞直接影響到識別的效果。目前，PD特征提取的方法主要分為兩大類(lèi)：統計特征法和時(shí)域分析法?；诮y計特征法的模式識別目前實(shí)際應用較多，一般針對PD的各種統計分布譜圖進(jìn)行，常用的方法有n一q一ψ三維譜圖分析法、分形維數法、灰度圖像識別法，及各種方法的混合使用等。但統計特征法中的各種方法都涉及到了PD信號的相位，而配電電纜一般為三芯結構且共一根地線(xiàn)，當兩相或三相同時(shí)出現PD時(shí)，檢測PD的相位特征變得幾乎不可能。時(shí)域分析法是針對高速采集一次放電產(chǎn)生的時(shí)域脈沖所得到的波形特征或相應的變換結果進(jìn)行模式識別。目前主要有傅里葉分析法，小波分析法及波形參數直接提取法等。由于PD脈沖在傳輸過(guò)程的衰減和變形、以及現場(chǎng)嚴重的電磁干擾等，要準確提取其特征量非常困難，故時(shí)域分析法在實(shí)際檢測中的研究應用還相對較少。

模式識別中的分類(lèi)器主要有三種：神經(jīng)網(wǎng)絡(luò )分類(lèi)器、小距離分類(lèi)器以及模糊識別分類(lèi)器。神經(jīng)網(wǎng)絡(luò )分類(lèi)器是將樣本的特征值作為輸入向量，通過(guò)對已知樣本的訓練，調整神經(jīng)網(wǎng)絡(luò )中各個(gè)神經(jīng)元的權值和閩值，確定網(wǎng)絡(luò )輸入與輸出之間的映射關(guān)系，然后對未知的放電類(lèi)型進(jìn)行識別分類(lèi)。人工神經(jīng)網(wǎng)絡(luò )的優(yōu)良特性在PD的模式識別中得到了廣泛應用。常用的神經(jīng)網(wǎng)絡(luò )有BP神經(jīng)網(wǎng)絡(luò )、RBF神經(jīng)網(wǎng)絡(luò )等。小距離分類(lèi)器是通過(guò)對特征向量的計算，得到未知的放電類(lèi)型與已知的各類(lèi)樣本之間的距離，按小距離將其分類(lèi)。模糊識別分類(lèi)器的理論基礎是模糊數學(xué)，在識別中的過(guò)程中利用模糊數學(xué)方法對分類(lèi)對象進(jìn)行判定。