随着现代工业的发展和城市化水平的提高,电力系统规模在不断增大,运行安全越来越受到重视。高压电气设备作为电网系统中的重要设备,其平稳运行是电力系统正常运行的可靠保证。高压电气设备产生故障的主要原因为绝缘劣化与损坏,局部放电现象能够反映设备绝缘结构的劣化程度,是用于判断设备绝缘状态的重要依据。本文深入研究了局部放电在线检测技术,分析了局部放电现象产生机理及表征参数,设计了多种检测方式的便携式局部放电在线检测系统,并针对传统模式识别在效率与准确率上的不足提出了一种新的局部放电信号的模式识别算法。首先,根据局部放电产生原因与放电类型,分析了局部放电过程并提取了相应的表征参数表征局部放电严重程度。依据局部放电的产生原因与绝缘结构损坏类型分析了几种常见的局部放电放电类型,并利用局部放电类型中的气隙放电等效电路模型,分析了局部放电的形成过程。根据其形成过程,在Simulink中搭建了气隙局部放电模型进行仿真验证,并提取了局部放电量、放电能量、平均电流/功率、脉冲的相邻放电时间等参数,表征局部放电现象的严重程度以及剧烈程度。接着,针对检测现场多种高压电气设备,其产生的局部放电信号以及适用的在线检测方法均有所不同,因此结合多种在线检测方式设计了便携式局部放电在线检测系统。对硬件系统和PCB进行设计,并对存在的信号完整性问题进行分析;在Zynq处理器平台搭建了嵌入式系统,对嵌入式系统中的逻辑电路和系统软件进行设计;该仪器通过对局部放电信号的采集转换、数据处理、数据传输,最终在仪器的用户图形界面提供局部放电信号常规参数、局部放电相位分布(Phase Resolved Partial Discharge,PRPD)图谱、时域波形的显示。最后,针对传统的局部放电类型识别方法主要通过先验知识进行识别,并存在效率和准确率低的问题。因此采用了一种基于GA-BP神经网络的模式识别算法,主要步骤包括特征参数提取、神经网络训练以及模式识别。该算法首先利用统计特征参数法对局部放电信号进行特征参数提取作为神经网络输入向量,再利用BP神经网络进行训练,最终将训练完成的模型进行局部放电信号模式识别。由于BP神经网络存在易受网络初始连接权值和阈值的影响以及由于全局搜索能力差导致易陷入局部最优解的问题,提出利用遗传算法优化BP神经网络的初始权值和阈值。实验表明,经过遗传算法优化后,局部放电类型识别率有了较高的提升,验证了算法的有效性及合理性。