局部放电特高频监测技术是评估GIS设备绝缘劣化状态的重要技术手段。然而现场大量干扰的存在影响着检测的灵敏度与可靠性,如何较好的抑制干扰是在线监测的关键；在线监测的目的是实现设备的状态评估,而如何判断运行中设备状态,及时发现故障并做出诊断及预警则是又一关键问题,因此,本课题针对GIS局部放电特高频检测技术中的抗干扰与多源放电分离、故障诊断及故障预警等问题开展了研究,主要内容如下：为解决脉冲型干扰及多源放电叠加的难题,提出了一种基于幅比聚类的多源放电分离技术,该技术依据局部放电特高频信号传播路径与能量衰减特性的不同,采用双传感器同步检测提取同步脉冲的幅值之比进行聚类来分离多源放电信号,实验室试验和现场试验证明,此方法可以解决多放电源放电脉冲叠加问题。为弥补幅比聚类技术不能反映信号频域特征的不足,进一步提高多源放电与脉冲型干扰分离的准确性,综合动态选频及检波技术设计研制开发了一种高灵敏度、宽动态范围的新型局部放电特高频信号调理器,在此基础上提出了一种基于频率信息的多源放电智能分离技术,设计了一种交互式的动态聚类分离算法(IDC),对五种测试数据集进行测试表明,所提出的智能分离算法优于传统的模糊聚类方法(FCM),分离准确率保持90%以上。此方法采用单个传感器即可以实现多源放电信号与放电模式谱图的智能自动分离,最后通过试验验证了该方法的有效性与实用性。结合升压法与恒压法试验研究了GIS设备中常见的五种典型放电故障缺陷的局部放电发展过程,获得了不同放电发展阶段的PRPD(相位统计谱图)模式谱图和PRPS(脉冲序列分布谱图)模式谱图及局部放电特征指纹信息。针对不同的放电类型,提取了可以有效表征局部放电严重程度的放电特征指纹,形成了局部放电严重程度诊断指纹信息库。依据局部放电特征指纹单调突变性的变化趋势,采用K-means聚类及最小距离原则建立了局部放电发展阶段的划分规则及严重程度诊断方法,并根据试验现象探讨了不同局部放电缺陷放电发展过程的演化机制。研究结果表明,不同放电类型的击穿或闪络概率不同,表征其局部放电严重程度的特征指纹也不同。对于金属尖刺缺陷,表征其严重程度的指纹主要有放电相位宽度φw,正负半周放电次数之比N+/N-,放电幅值分布的信息熵En(V),△ui分布谱图的盒维数△ui(DB)等；对于悬浮放电缺陷,表征其严重程度的指纹有平均放电间歇△Tave,灰度图正负半周盒维数和信息维数等；对于自由金属颗粒缺陷,表征其严重程度的指纹有放电相位宽度φw,N-φ谱图相关系数N-φcc,Vmax-φ谱图修正的相关系数Vmax-φcc等；对于绝缘子表面金属异物缺陷,表征其严重程度的指纹有放电相位宽度φw,放电次数分布方差σ(N)及信息熵En(N),放电电压梯度序列均值μ△u等：对于绝缘子沿面放电缺陷,表征其严重程度的指纹有放电相位宽度φw,最大放电幅值分布信息熵En(Vmax),放电幅值分布的标准差σ(Nv)等。基于大量的实验室试验数据及现场数据建立了放电模式谱图库及特征指纹信息库,采用基于距离的六种判别准则函数优化提取特征参量,分别从与放电相位有关的特征参量和与相位无关的特征参量中优化提取了可以表征用于放电缺陷类型的特征指纹,提出了放电缺陷与干扰类型的分层式智能辨识方法。测试表明,利用本文优化提取的与相位无关的特征参量及分层式辨识方法优于单层式的辨识方法,放电缺陷及干扰类型进行识别的准确率由81.9%提升至98.3%,并且解决了现场无法获得相位信息时的放电故障类型辨识问题。针对局部放电故障前期的预测问题,提出了基于ARMA(自回归滑动平均)模型理论的局部放电发展趋势短期预测方法。依据局部放电发展过程试验数据,对局部放电线性变化、阶跃变化、非线性变化特征量的发展趋势进行了ARMA建模预测。预测结果表明：对于线性变化的局部放电特征参量,采用ARMA模型预测进行短期预测是可行的；对于阶跃变化的局部放电特征参量的发展趋势,预测时间在30分钟以内,预测误差可以保持在10%以内；对非线性变化的局部放电特征参量,ARMA模型基本可以预测其变化的大致趋势,但难以进行准确预测。最后综合局部放电放电类型辨识置信度、严重程度诊断置信度,故障风险程度评估结果、故障概率水平、以及故障后果维修停电成本等因素,提出了GIS局部放电故障诊断及预警规则,并建立了数学表达模型,研制出GIS局部放电故障智能诊断及预警系统,测试表明本系统运行稳定,诊断及预警结果准确。