气体绝缘组合电器(gas insulated substation,GIS)因为占地面积小、维护工作量少、安全稳定高性等众多优势,在电力系统中得到了广泛的应用。然而,GIS内部不可避免的会出现一些绝缘缺陷,发生在绝缘缺陷处的局部放电(partial discharge,PD)会导致设备绝缘特性进一步劣化甚至引发绝缘事故。GIS内常见的绝缘缺陷通常分为金属突出物、自由金属微粒、绝缘子金属污染物、绝缘子气隙缺陷4类。因此,深入研究GIS内不同类型绝缘缺陷PD信号的特征,加强对GIS的在线监测,对保证GIS的安全稳定运行具有非常重要的指导意义。GIS内部绝缘缺陷产生的PD特征较复杂,易受运行中强电磁环境干扰,而基于PD统计特征模式识别的传统方法,特征量选取主观性较强,且容易丢失部分特征信息,尤其对自由金属微粒类型缺陷识别率较低。深度学习在图片、语音、文字等模式识别领域取得了良好效果,但还未有学者将其运用于局部放电的类型识别领域。模式识别算法的鲁棒性能体现了算法的容错能力和泛化能力,对识别准确率具有重要的影响。PD过程伴随着大量随机性,部分信息可能存在畸变或被噪声湮没。增强识别算法的鲁棒性,对于提高工程现场PD类型识别的准确率具有重要意义。本文在学习国内外GIS在线监测与诊断技术的研究基础上,分析了不同绝缘缺陷所引发信号的特征及其差异性,并将深度学习运用到绝缘缺陷的类型识别领域。其主要工作有:1)将4种典型绝缘缺陷物理模型置于GIS模拟装置内并进行大量的PD试验,获取了 4种典型绝缘缺陷分别在不同试验电压下的大量PD信号数据,建立了 GIS PD谱图数据库。2)采取4种GIS绝缘缺陷物理模型产生的的PD信号试验数据和波形特征,利用受限玻尔兹曼机构(restricted boltzmann machine,RBM)建深度置信网络(deep belief nets,DBN),通过该网络从放电数据中自主学习特征信息,识别放电类型并测试识别准确率。同时采用传统的识别方法,从放电谱图中提取8个统计特征量,输入SVM和BP神经网络分类器进行识别,对比DBN与传统识别方法的识别准确率和识别用时。3)利用模拟退火算法优化深度学习的训练过程,使得网络参数在训练过程中可以跳出局部最优解陷阱,解决了训练过程中人工神经网络算法(artificial neural network,ANN)不能得到全局最优解的问题,提出的自适应学习率算法,其学习率可根据误差大小情况进行调整,相比于传统学习率的选择方式,提高了网络收敛速度,同时将模拟退火算法与自适应学习率算法综合运用在深度学习的训练过程中,提高了深度学习算法的识别准确率与训练效率。4)以PRPD谱图为识别对象,测试了常见的深度学习算法栈式降噪自编码器(stacked denoising auto encoders,SDAE)的鲁棒性能。然后基于SDAE增强鲁棒性的训练原理,对深度学习的训练方法作了改进,构建了栈式含噪自编码器算法(stacked noising auto encoders,SNAE)和染噪深度置信网络(nosing deep belief nets,NDBN)两类新算法。识别结果表明:改进后的SNAE算法比SDAE拥有更强的鲁棒性。随着测试样本信息遗失率的上升,SNAE、NDBN与改进前算法识别准确率的差值逐渐提高,新算法的鲁棒性得到了明显的体现。