变压器与中压开关设备是电网的主要设备,其绝缘性能将会影响电力系统的安全运行。对电力设备的局部放电检测是判断设备绝缘性能的重要方法。传统的局部放电检测方式大多存在需停机检测、易受电磁干扰影响、依赖人工检测等问题。本文通过模拟并采集电力设备内部放电故障声音,使用声谱图这一声音特征提取方法结合卷积神经网络对电力设备的放电故障进行快速检测识别,最终将算法模型经知识蒸馏压缩后初步部署在嵌入式系统—Jetson Nano中。论文开展的主要工作如下:（1）充分考虑电力设备的具体工作环境,以及内部和外界噪声,通过将电力设备正常工况声音、放电故障声音、设备运行环境噪声混叠制作样本库,模拟真实应用场景。同时,通过对可听声信号的时频域分析得出,电力设备正常工作声音频段分布在5k Hz以下的低频段,而放电故障声音能量分布主要集中在10k Hz附近的高频段。在此基础上,完成基于声谱图的电力设备可听声短时频谱特征提取算法;（2）基于声谱图图像特征与卷积层间输出的耦合机理,完成精简CNN网络模型搭建,并进行了网络参数优化,使网络在提升前向推理速度的同时,充分学习电力设备不同放电故障声音及正常工况声音声谱图图像的差异,达到准确识别电力设备放电故障的效果;并通过设置注意力机制、调节学习率、控制训练样本、降低采样频率来进一步提升、验证网络性能;（3）在保持网络模型高识别准确率的前提下,使用“多教师-学生”知识蒸馏方法压缩网络模型,并将模型初步移植到嵌入式系统中,制定了后续边缘计算方案,解决目前深度学习网络结构复杂、计算成本高,难以稳定应用在具体工程中的问题。研究结果表明:本文改进的Res Net18网络模型在声谱图数据集上取得了99.2%的平均识别准确率,可以准确识别出放电故障能级与故障类型;经知识蒸馏方法压缩、训练后的学生网络参数压缩率达到43.12%,平均前向推理时间缩短为Res Net18网络的11.69%,在预测实验中Top-1错误率仅为3.7%,达到预期的模型压缩效果。