局部放电现象广泛存在于各种电力设备中,该现象严重威胁着用电安全。而局部放电检测技术可有效对电力设备中的局部放电现象进行判别,从而及时作出响应,减少局部放电带来的危害,因此,对该项技术的研究显得尤为重要。但是,随着电力设备的复杂化,电路中信号的复杂程度明显上升,且局部放电信号的模式较多,各种模式下,局部放电信号的有效频带具有不确定性,加上电力设备运行过程中存在大量噪声信号,以上等问题,为信号的处理分析增加了很大难度,仅采用时频域等传统信号分析方法,难以在如此复杂的信号中有效提取出局部放电信号的特征,从而限制了局部放电检测的性能。深度学习的发展则为解决这些问题提供了新的思路。本文旨在研究高性能局部放电检测算法,结合数字信号处理与深度学习技术,解决局部放电检测中噪声抑制问题,并在复杂信号中实现对局部放电现象的有效判别。除此之外,本文借助物联网技术,构建信号数据仓库,助力打造局部放电检测大数据生态。本文研究重点为以下内容:提出了一种基于深度学习的高性能局部放电检测算法,算法流程主要包含降噪处理、数据压缩、局部放电识别三部分。为了解决噪声信号的干扰问题,本文基于小波理论对原始采样信号进行预处理,实现了降噪功能。在构建深度学习模型前,本文对高采样率的数据进行了人工特征提取,实现了数据的压缩处理。本文设计并实现了一种基于LSTM的局部放电检测模型,并引入注意力机制对其进行优化,除此之外,本文将局部放电检测问题与文本分类问题进行类比,将文本分类问题中的经典深度学习模型Text CNN迁移至局部放电检测问题中,在此基础上,又提出了一种新的融合模型。本文对以上几种模型进行了充分实验,对比分析了各种模型的性能。设计实现了基于物联网技术的云平台系统。由于深度学习算法对数据的依赖性,加上终端设备存储和计算能力有限的问题,本文借助物联网技术,在微服务架构下设计并实现了一套云平台系统。此系统能够与局部放电检测终端设备进行通信,接收终端设备上传的现场采样数据,并构建数据仓库,为深度学习模型的迭代升级、局部放电检测问题的大数据分析提供数据基础;云平台系统还可以将新版本模型下载至对应终端设备中,为终端设备中所部署的模型进行升级工作。