伴隨著計算機技術的發(fā)展和人工智能的興起，模式識別技術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在線檢測中，模式識別是噪聲去除之后的另一大難點問題。檢測到的放電脈沖可能來自電纜本體、電纜終端頭、也可能來自與其連接的其他設備(如開關柜等)。由于不同來源的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(tǒng)的局部放電識別方法*取決于專家的知識和經(jīng)驗，具有很大的局限性，應用計算機輔助測量系統(tǒng)獲得的局部放電信息比目測的結果具有更豐富的細節(jié)，能夠反映出不同局部放電類型更細微的差異。現(xiàn)階段模式識別的主要步驟如下圖所示。

步是學習過程。在這一過程中首先是樣本庫的建立，即通過實驗室實驗與現(xiàn)場測試，用PD源已知的信號作為學習樣本。從這些樣本中提取特征，構成特征向量，利用某種分類器將學習樣本劃分成不同的大類，即電纜PD，終端頭PD，開關柜表面放電等等。

第二步是識別過程。在這一過程中，對于PD源未知的PD信號，在用與步相同的規(guī)則提取特征后，利用分類器與已存在的各類數(shù)據(jù)特征對比，進行匹配，從而判斷出放電的類型。

由上述可知，模式識別的重點是特征提取和分類器（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：統(tǒng)計特征法和時域分析法。基于統(tǒng)計特征法的模式識別目前實際應用較多，一般針對PD的各種統(tǒng)計分布譜圖進行，常用的方法有n一q一ψ三維譜圖分析法、分形維數(shù)法、灰度圖像識別法，及各種方法的混合使用等。但統(tǒng)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，當兩相或三相同時出現(xiàn)PD時，檢測PD的相位特征變得幾乎不可能。時域分析法是針對高速采集一次放電產(chǎn)生的時域脈沖所得到的波形特征或相應的變換結果進行模式識別。目前主要有傅里葉分析法，小波分析法及波形參數(shù)直接提取法等。由于PD脈沖在傳輸過程的衰減和變形、以及現(xiàn)場嚴重的電磁干擾等，要準確提取其特征量非常困難，故時域分析法在實際檢測中的研究應用還相對較少。

模式識別中的分類器主要有三種：神經(jīng)網(wǎng)絡分類器、小距離分類器以及模糊識別分類器。神經(jīng)網(wǎng)絡分類器是將樣本的特征值作為輸入向量，通過對已知樣本的訓練，調(diào)整神經(jīng)網(wǎng)絡中各個神經(jīng)元的權值和閩值，確定網(wǎng)絡輸入與輸出之間的映射關系，然后對未知的放電類型進行識別分類。人工神經(jīng)網(wǎng)絡的優(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)絡有BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡等。小距離分類器是通過對特征向量的計算，得到未知的放電類型與已知的各類樣本之間的距離，按小距離將其分類。模糊識別分類器的理論基礎是模糊數(shù)學，在識別中的過程中利用模糊數(shù)學方法對分類對象進行判定。