交联聚乙烯（Cross-linked polyethylene,XLPE）绝缘电力电缆在柔性直流输电领域有着广泛的应用。由于XLPE电缆的制造与安装工艺相对复杂,且运行环境也较为严苛,因此往往会在电缆不同位置处产生不同类型的绝缘缺陷。缺陷位置处产生的局部放电既是造成电缆设备绝缘失效的主要因素,也是故障处缺陷类型信息的主要来源,因此局部放电测量被认为是检测和识别XLPE电缆绝缘缺陷的有效手段。本文针对直流XLPE电缆常见的四种绝缘缺陷类型,即内半导电层破损缺陷、绝缘内部气隙缺陷、绝缘表面划伤缺陷和外半导电层爬电缺陷,建立了相应的物理模型展开试验,试验过程引入了电压幅值、电压极性以及绝缘老化时间三类影响因素,通过分析不同试验条件下各缺陷类型的局部放电特征研究了各个因素对直流局部放电特性的影响情况,并以此为基础探索了直流条件下电缆缺陷类型识别方法。在电压幅值和电压极性因素对局部放电影响的研究中,采用了内半导电层破损、绝缘内部气隙与缺陷绝缘表面划伤三种绝缘缺陷展开试验,分别测试了三种缺陷在不同电压幅值和极性下的直流局部放电特性,发现内半导电层破损缺陷在正极性下的放电重复率与平均放电量均高于负极性下的对应值,绝缘内部气隙缺陷在负极性下的放电重复率较高,平均放电量与正极性基本一致,绝缘表面划伤缺陷的放电重复率与平均放电量变化范围较大,且放电重复率明显高于另外两者。电压条件变化时,三种缺陷对应的局部放电指纹参数表现出明显的波动。在不考虑指纹参数波动性的条件下,采用后向传输神经网络进行电缆缺陷类型识别得到识别正确率为72.93%。为了提高电压影响下的缺陷识别效率,提出了基于遗传-神经网络算法的指纹参数优化提取方法,模型考虑电压幅值与电压极性对指纹参数造成的波动,通过对不同试验条件下各个特征参数的关联比重进行筛选,剔除不包含或包含缺陷类型信息较少的特征参数,实现干扰量的排除,达到优化指纹图谱性能的目的。分别用传统指纹图谱与优化指纹图谱进行故障类型识别,发现引入电压变化后,传统指纹图谱识别率将出现明显下降,而优化指纹图谱的识别率则较为稳定,始终保持在97.30%以上。在研究绝缘老化时间因素对局部放电的影响时,采用内半导电层破损、绝缘内部气隙、绝缘表面划伤和外半导电层爬电四种缺陷模型展开试验。结果表明,在长时间的绝缘老化试验下,不同XLPE电缆缺陷模型所表现出的局部放电特征存在差异;不同绝缘老化阶段下,单一类型缺陷的局部放电特性也出现了较为明显的波动,进而对指纹参数的提取产生影响。对于绝缘老化对指纹参数波动性的影响,本文提出了基于双向循环神经网络的直流XLPE电缆缺陷优化识别模型。该模型以局部放电过程阶段化处理为基础,将各个阶段的指纹参数与阶段信息共同作为模型输入,而每个阶段的输出不仅与当前阶段信息相关,还会受到前后阶段下输入信息的影响,因此该模型能够有效的反应出局部放电数据的时序特性,进而提高缺陷类型识别正确率。利用四类绝缘缺陷的局部放电数据集进行计算,发现双向循环神经网络模型的识别率达到了93.71%,而基于传统指纹参数得到的缺陷识别正确率仅为72.93%。表明基于双向循环神经网络算法的缺陷识别模型能够有效消除绝缘老化对利用局部放电指纹图谱进行缺陷识别的影响,从而提高识别效率。