气体绝缘金属封闭开关设备（gas insulated switchgear, GIS）在制造、装配、运行等环节可能产生各类缺陷，进而引发局部放电。局部放电与绝缘劣化互为表征与诱因，若长期发展则有造成击穿与停电事故的风险。高质量的状态监测系统能够及时捕捉可疑信号并借助模式识别诊断算法做出准确预警，从而避免突发故障，保障GIS可靠运行。特高频（ultra high frequency, UHF）法凭借良好的灵敏度、实时性与抗扰性，被广泛应用于各电压等级变电站的局部放电监测系统。随着人工智能的普及，小波变换、方向梯度、经验模态分 解等信号处理方法得到了更充分的发掘与利用，诸如神经网络、支持向量机、聚类等算法已在识别分类环节展现出各自的优势。然而，当前局部放电模式识别技术仍存在以下短板：①现有分类理论依据源自长期人工识读的经验提炼，难以转化为明确的公式或推导逻辑；②技术应用滞后，仍停留在对偏斜度、陡峭度等相位特征的数理统计，且严重依赖相位同步，在大量无法提供PT信号接入的变电站，真实识别率显著衰减；③实验室缺陷模型的信号形态与现场GIS存在一定差异，作为训练样本的代表性存疑；④不同来源的图谱格式互不兼容、利用率低，限制了典型数据集的规模与多样性。受制于以上因素，搭载现有算法的系统软件在工程应用中时常出现误报、漏报等情况，变电站局部放电监测工作普遍限于人工诊断为主、机器识别为辅的半自动化模式。本文以图像形态学作为构建特征向量的切入点，通过视觉技术模拟人工目测完成缺陷分类，并实现系统集成应用。图像识别不依赖同步信号相位校准、不限于原始波形数据，克服了样本获取途径的局限性，可显著提升神经网络训练规模与应用场景覆盖范围，具备良好的准确性与可移植性。 |
