局部放电在线监测与模式识别技术是及时发现变压器内部局部缺陷和故障隐患的重要手段。目前,局部放电模式识别的研究内容主要有放电特征量和模式分类器等。本文在国内外现有工作的基础上,通过实验室局部放电实验数据,系统地研究了局部放电图像的小波多尺度变换和基于遗传算法优化的小波神经网络,在提取小波多尺度变换后的各子图特征基础上,通过本文建立的模式识别分类器进行了识别。本文的主要内容有:①用五种变压器放电模型,实验获得了局部放电的样本数据,构造出局部放电三维谱图和灰度图像。在小波多尺度变换的基本理论和具体算法基础上,对Sinsin信号和局部放电谱图进行了小波多尺度分析,得到了各尺度子图像的能量分布特点。②对局部放电原始图像和三尺度变换后的各子图像提取了分形特征参数和矩特征参数构成的特征集,并选用BP神经网络作为模式识别分类器,对各图像特征集进行模式识别。识别结果表明,在这种特征集提取下,垂直方向高频子图像LH3的识别效果好于原始图像和其他子图像。③构造小波神经网络对原始图像和所有子图像进行识别,小波神经网络在收敛速度和识别结果上都好于BP神经网络。再结合遗传算法的思想,提出了先对小波神经网络的各项参数和网络隐含层节点数优化,再进入神经网络进行训练的方法。识别结果表明,优化后的神经网络收敛速度更快,且部分子图像的识别效果可达90%以上。