伴隨著計算機（jī）技（jì）術的發展和人工（gōng）智能的興起，模式（shì）識別技術廣泛地運用於局部放電的研究中，作為一種重要的（de）故（gù）障診斷方法。
PD在（zài）線（xiàn）檢測（cè）中，模式識別是噪聲去除之後的另（lìng）一大難點問題。檢測到的放電脈衝可能來自電纜本體、電纜終端頭、也可能來自與其連接的其他設備(如開關櫃等)。由於不同來源的PD信號，對設備的危害不同，其判斷標準也有（yǒu）所不（bú）同，所以對PD信號的識別就顯得尤為重要。傳（chuán）統的局部放電識（shí）別方法（fǎ）完全取決（jué）於（yú）專（zhuān）家的知識和經驗，具有（yǒu）很大的局限性，應用計算機輔助測量係統獲得的局部放電信息比目（mù）測（cè）的結果具有（yǒu）更豐富的細節，能夠反映出不同局部放電類型更細微的差異。現階段模式識別的主要步驟如下圖所示。
局部放電模式識別過程
第（dì）二步是識別過程。在這（zhè）一過程中，對於PD源（yuán）未知的PD信號，在用與第一步相同的規則提取特征後，利用分類（lèi）器與已存在的（de）各類數據特征對比，進行匹配，從而判斷出放電的類型（xíng）。
由上述可知，模（mó）式識別的重點（diǎn）是特征提取和分類器(識別算法)的選擇（zé）。特征（zhēng）提取是PD識別的第一步，特征選取的好壞直接影響到識別的效果。目前（qián），PD特征提取的方法主要分為兩大類：統計特征法和時域分析（xī）法（fǎ）。基於統（tǒng）計特征法的模式識別（bié）目前實際應用較（jiào）多，一般針對PD的各種統計分布譜圖進行，常用的方法有n一q一φ三維譜圖分析法、分形（xíng）維數（shù）法、灰度圖像識別法，及各種方法的混合使用（yòng）等。但（dàn）統計特征法中的各種（zhǒng）方法都涉（shè）及到了PD信號的相位（wèi），而配電電纜一般為三芯（xīn）結（jié）構且共一（yī）根（gēn）地線，當兩相或三相同時出現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（shēng）的時域脈衝所得到的波形特征或相應的變換結果進（jìn）行模（mó）式識別。目（mù）前主要有傅裏葉分析法，小波分析法及波形參數直接提（tí）取法等。由於PD脈衝在傳輸過程（chéng）的衰（shuāi）減和變形、以及現（xiàn）場嚴重（chóng）的電磁幹擾等，要準確提取其特征量非常困難，故時域（yù）分（fèn）析法（fǎ）在實際檢測中的研究應用還相對較少。
模式識別（bié）中的分類器主要有三種：神經網絡分類器、最小距離分類器以及模糊識別分（fèn）類器。神經網絡分類器是將樣本的特征值作為輸（shū）入向量（liàng），通過對已知樣本的訓練，調整神經網（wǎng）絡中各個神經元的權值（zhí）和閾值，確（què）定網絡輸入與輸出之（zhī）間的映射關係，然後（hòu）對未（wèi）知的放電類型進行識別分類（lèi）。人（rén）工神經網絡的優良（liáng）特性在PD的模式識別中得到了廣泛應用（yòng）。常用的神經網絡有BP神經網絡、RBF神經網絡等。最小距離分類器是通過對特征向量的計算，得到（dào）未（wèi）知的放電類型與（yǔ）已知的各類樣本之間的距離，按最小距離將其分（fèn）類。模糊識別（bié）分類器的理論基（jī）礎是模（mó）糊數學（xué），在識別中（zhōng）的過程（chéng）中利用（yòng）模糊數學（xué）方（fāng）法對分類對（duì）象進（jìn）行判定。
關注微信公眾號