伴隨著計算機技術的發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。傳統的局部放電識別方法*取決于專家的知識和經驗，具有很大的局限性，應用計算機輔助測量系統獲得的局部放電信息比目測的結果具有更豐富的細節，能夠反映出不同局部放電類型更細微的差異?，F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，在用與步相同的規則提取特征后，利用分類器與已存在的各類數據特征對比，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：統計特征法和時域分析法。基于統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、分形維數法、灰度圖像識別法，及各種方法的混合使用等。但統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：神經網絡分類器、小距離分類器以及模糊識別分類器。神經網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，調整神經網絡中各個神經元的權值和閩值，確定網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。人工神經網絡的優良特性在PD的模式識別中得到了廣泛應用。常用的神經網絡有BP神經網絡、RBF神經網絡等。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學，在識別中的過程中利用模糊數學方法對分類對象進行判定。