伴随着计算机技术的发展和人工智能的兴起，模式识别技术广泛地运用于局部放电的研究中，作为一种重要的故障诊断方法。

PD在线检测中，模式识别是噪声去除之后的另一大难点问题。检测到的放电脉冲可能来自电缆本体、电缆终端头、也可能来自与其连接的其他设备(如开关柜等)。由于不同来源的PD信号，对设备的危害不同，其判断标准也有所不同，所以对PD信号的识别就显得尤为重要。传统的局部放电识别方法*取决于专家的知识和经验，具有很大的局限性，应用计算机辅助测量系统获得的局部放电信息比目测的结果具有更丰富的细节，能够反映出不同局部放电类型更细微的差异。现阶段模式识别的主要步骤如下图所示。

步是学习过程。在这一过程中首先是样本库的建立，即通过实验室实验与现场测试，用PD源已知的信号作为学习样本。从这些样本中提取特征，构成特征向量，利用某种分类器将学习样本划分成不同的大类，即电缆PD，终端头PD，开关柜表面放电等等。

第二步是识别过程。在这一过程中，对于PD源未知的PD信号，在用与步相同的规则提取特征后，利用分类器与已存在的各类数据特征对比，进行匹配，从而判断出放电的类型。

由上述可知，模式识别的重点是特征提取和分类器（识别算法）的选择。特征提取是PD识别的步，特征选取的好坏直接影响到识别的效果。目前，PD特征提取的方法主要分为两大类：统计特征法和时域分析法。基于统计特征法的模式识别目前实际应用较多，一般针对PD的各种统计分布谱图进行，常用的方法有n一q一ψ三维谱图分析法、分形维数法、灰度图像识别法，及各种方法的混合使用等。但统计特征法中的各种方法都涉及到了PD信号的相位，而配电电缆一般为三芯结构且共一根地线，当两相或三相同时出现PD时，检测PD的相位特征变得几乎不可能。时域分析法是针对高速采集一次放电产生的时域脉冲所得到的波形特征或相应的变换结果进行模式识别。目前主要有傅里叶分析法，小波分析法及波形参数直接提取法等。由于PD脉冲在传输过程的衰减和变形、以及现场严重的电磁干扰等，要准确提取其特征量非常困难，故时域分析法在实际检测中的研究应用还相对较少。

模式识别中的分类器主要有三种：神经网络分类器、小距离分类器以及模糊识别分类器。神经网络分类器是将样本的特征值作为输入向量，通过对已知样本的训练，调整神经网络中各个神经元的权值和闽值，确定网络输入与输出之间的映射关系，然后对未知的放电类型进行识别分类。人工神经网络的优良特性在PD的模式识别中得到了广泛应用。常用的神经网络有BP神经网络、RBF神经网络等。小距离分类器是通过对特征向量的计算，得到未知的放电类型与已知的各类样本之间的距离，按小距离将其分类。模糊识别分类器的理论基础是模糊数学，在识别中的过程中利用模糊数学方法对分类对象进行判定。