气体绝缘组合电器（gas insulated switchgear,GIS）由于结构紧凑、可靠性高以及维护方便等特点逐步成为现代电力系统中的重要设备之一。然而GIS装置在生产及长时间的运行中会产生绝缘性能劣化等缺陷,其中最典型的特征是局部放电（Partical discharge,简称PD）。在GIS装置的局部放电检测技术中基于超高频法（ultra-high frequency,UHF）的检测方式具有抗干扰性能好,灵敏度高等特点。论文主要进行了UHF法在PD缺陷模式识别方面的研究。具体工作如下:首先论文前期主要调研PD在GIS装置中的类别及产生的原理,设定要检测的4种GIS装置内部缺陷并介绍采用的局部放电实验平台分析4种绝缘缺陷对应的UHF PD信号特征,为后续的去噪与模式识别研究建立基础数据支撑。其次为了能够确保局部放电试验中UHF传感器的可靠性,论文对UHF传感器进行不确定度评定,通过IEEE推荐的电场强度校准方案为主要思路,采用了以电场强度为检测量的UHF传感器校准系统,并编写软件程序控制相关仪器。论文通过蒙特卡罗法实现UHF传感器不确定度评定,为后续相关工作提供一定的参考价值。然后论文介绍经验模态与经验小波算法,并设定了复杂频率成分的对比信号进行两者的信号分解实验,根据分解及重构信号结果表明,经验小波算法在复杂频率信号的分解中能够极大地避免模态混叠等现象,然后进行经验小波-小波变换算法的UHF PD信号去噪研究。最后针对UHF PD信号容易受到干扰并导致识别正确率下降的问题,论文提出了改进的经验小波-小波去噪算法,并建立缺陷识别模型。论文将改进算法应用于仿真UHF PD信号的去噪实验,实现了有效的噪声抑制。将改进去噪算法与小波去噪同时应用于实测信号,发现论文算法在噪声抑制比上更有优势。论文将上述去噪信号进行经验小波分解并提取信号高阶离散量的13维特征作为随机森林算法的输入层。通过随机森林算法中的袋外误差与训练时间作为调参参考量寻找合适的随机森林决策树数目与随机特征量,最后选择最佳的参数进行UHF PD信号的缺陷分类识别。实测数据表明本论文提出的分类识别算法能够达到97.5%的正确分类率,与其他算法进行对比提高了缺陷分类识别率。