电力系统中电气设备绝缘性能的优劣是关系到电网安全运行的重要因素之一。局部放电是导致电气设备内部绝缘缺陷产生的重要原因,是电气设备绝缘完整性退化的标志。由于设备内部绝缘劣化的原因不同,其对外所表现出的局部放电类型也不相同。因此,通过将采集到的局部放电信号提取放电特征并对其放电类型进行准确识别,以便进一步研究其内部的绝缘情况,对于电气设备状态评估具有重要意义。另外,剔除检测信号中所包含的强烈的噪声干扰成分,对放电类型的准确识别也至关重要。本文基于实验室搭建的人工绝缘缺陷模型中采集获得的数据,研究了局部放电信号的去噪、特征提取以及模式识别方法。主要研究工作如下:提出了基于完全集合经验模态分解（CEEMD）和排列熵（PE）的局部放电信号小波包去噪方法。在对含噪局部放电信号进行完全集合经验模态分解的基础上,将分解后的各模态分量依据排列熵的大小排列,确定需要进一步降噪的分量。再利用小波包变换进行分解降噪,提取出高频系数中有用的局放成分。结果表明,通过对局部放电仿真和实测信号的去噪处理,本文所采用的方法能够更好地抑制周期窄带干扰和白噪声,取得了理想的去噪效果,有利于后续模式识别等工作的进行。提出了基于二维变分模态分解（VMD）和Hilbert变换的局放信号特征提取方法。首先,利用放电样本生成相应放电灰度图;然后,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的二维模态分量;最后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量。实验结果证明,本文方法所得特征量具有较高的正确识别率,该方法也为局放信号的频谱分析拓展了新的思路。提出了一种基于VMD-Hilbert边际谱和稀疏自编码-深度神经网络（SAE-DNN）的局部放电信号的模式识别方法。首先,以变分模态分解对局放信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱;其次,以局放信号的Hilbert边际谱为输入数据,利用自编码网络自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数;然后,利用训练结果初始化深度神经网络,再以大量训练样本进行分类器的训练。同时,为了加快收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数;最后,用训练好的深度神经网络完成局部放电类型的识别。实验结果证明,本文所采用的识别方法具有较高的正确识别率。为了解决现有局部放电模式识别中存在的无法对未知放电类型的放电样本正确分类的问题,本文提出了一种基于改进支持向量数据描述（SVDD）算法与马氏距离的未知放电类型的识别方法。首先,利用SVDD算法求解已知放电类型样本的超球体中心a和半径R;然后,根据Otsu准则设定双阈值R₁、R₂将划分特征空间为不同区域;最后,依据不同区域内的判定准则,以马氏距离为判定条件,确定样本的放电类型是否未知。实验结果表明,本文提出的方法对于局部放电样本的识别和分类具有较高的正确识别率,验证了该方法的可行性。此外,本文所采用的改进SVDD算法也为未知局部放电类型的识别提供了新的思路。