90年代以來，模式識別方法才引進到（dào）局部放電缺陷類型識別領（lǐng）域，但研究多是對GIS和大型變（biàn）壓器的局部放電信號進（jìn）行，而且（qiě）研究水平尚處於初級（jí）階段。神經網絡（NN）識別法目前得到了較為廣泛（fàn）的應用，它是（shì）遵循經驗風險最小化原理的（de）一種機（jī）器學習方法。基於Vapnik&Chervonenkis的統計學習理論，說明數據若服從某個（固定但未知的）分布（bù），機器需要滿足結構風險最小化的原理，才能保證機器的理想輸出與實（shí）際輸出之間的偏差盡量小，就是使錯誤概率的上界最小化，這就使得神經網絡出現學習問題，訓練誤（wù）差很小並不意味著就會得到好的預測結果（guǒ），有時候，會出現推廣能力的（de）下降的情況，究其原因就是（shì）訓練誤差過小造成的，從而增加了真實風險。支持（chí）向量機（SVM）正（zhèng）是結構風險（xiǎn）最小化理論的（de）具體（tǐ）實現，與神經網絡相（xiàng）比，支持（chí）向量機的結構較為簡單，泛（fàn）化能力等性能得到了顯著的提高，這己被大量實驗證實。目前國內對（duì）支（zhī）持向量機的研究處（chù）於起步階段。支持向量機，是（shì）基於統計（jì）學習（xí）理論的（de）一種學習方法，支持向量機的優勢在於（yú）可（kě）以在有限樣本的情況下，尋找到最優解。支持向量（liàng）機（jī）在對小樣本數（shù）據的分析方麵具備（bèi）不可（kě）比擬（nǐ）的天然優勢，如較強（qiáng）的學習能力、泛（fàn）化能力，廣泛地應用在回歸（guī）估計、係統辨識以及模式識別等方（fāng）麵，成為繼神經網絡的後起之秀。
基於超聲波信（xìn）號檢測原理開發的局部放電檢測係統如澳大利亞基於超（chāo）聲波原理研（yán）製的局（jú）部放電（diàn）在線檢測係統，將（jiāng）單獨的在線（xiàn）檢測裝置安裝（zhuāng）在開關櫃上，采（cǎi）用傳感器測量各項功能參數；美國UE公（gōng）司生產（chǎn）的ULTRAPROBE係列局部放電檢測產品，是一種超聲波接收分（fèn）析處（chù）理（lǐ）儀器，通過壓電原理，將超聲波信號轉化（huà）為電流信號，內部處理器將其轉化為音頻（pín）信號，局（jú）部放（fàng）電（diàn）的有（yǒu）無可以通（tōng）過高保真耳機來監聽音頻信號的異常來判斷；英國EA Technology公司研製的Ultra TEV plus便攜式（shì）局部放電檢測儀，具備超聲波檢測和地電波（bō）（TEV）檢測兩種功能。通過人工設定閾值及紅色、黃（huáng）色報（bào）警功能來實（shí）現檢測，通過dB值顯示局部放電超聲（shēng）波信號的大小。也可通過耳機對局（jú）部放電活動的異常進行監聽和輔（fǔ）助定位。揚州國浩電氣有限公司也成功研製了GHPD1002開關櫃局部放電（diàn）測試儀，性能可媲美英國EA，HVPD同（tóng）類型產品，性價比超高。
這類檢測係統在現場實（shí）際檢測中都會遇（yù）到下麵的一些問題：
（1）由於每個人的聽（tīng）覺生理特（tè）性的不同，檢測人員對監聽到的耳機中的音頻信號（hào）會有不同的判斷，檢測結果與（yǔ）檢測人員的主觀能（néng）動性（xìng）息息相關，容易（yì）造（zào）成誤判。
（2）故障判斷（duàn）依（yī）靠經（jīng）驗居（jū）多，係（xì）統（tǒng）檢測可靠性不高。
國外這一係列產品的出現、發展，主要得益於相關理論和技術的成熟，例如超聲波檢測技術的發展，同時也得益於國（guó）外生活水平的提高，用戶對用電可靠性和穩定性有了更高的需求（qiú），需求（qiú）驅動相（xiàng）關技術的發展和相（xiàng）關產品的麵世。
關注微信（xìn）公眾號