海上平台电力系统是海上油气开采、处理及输运的唯一动力源。目前我国海上平台已形成复杂的电力组网,提高海上多平台互联电力系统的可靠性,在保障油气产量、缩小我国化石能源供需缺口、促进经济可持续发展等方面均具有重要意义。由于海上平台对各类电气设备的安全等级要求较高,故采用的变压器均为大容量的干式变压器,局部放电作为一种变压器绝缘缺陷的表现形式,会进一步导致绝缘材料的劣化损伤,从而影响变压器乃至整个电网的安全稳定运行,而海上平台由于远离海岸线,导致存在交通不便,空间资源短缺的限制,因此为进一步提高平台运行稳定性,确保正常的生产生活,对运行中的变压器进行局部放电在线监测及故障诊断越来越重要。由于变压器内部不同的绝缘缺陷会导致不同的局部放电类型,从而对应不同等级的危害程度,因此对放电类型进行识别,能够辅助了解变压器内部绝缘状况并加快故障处理速度,具有一定的实用价值。现有的局部放电模式识别分类器较多采用适用于小数据样本的传统机器学习算法,但此类算法由于训练机制的限制,识别效果有待提升。在此背景下,引入适用于海量数据处理的深度学习算法,充分挖掘检测数据的内在价值,并提升网络模型的识别率和计算速度,能够积极推动变压器状态检修的发展。本文基于分析局部放电的产生原因及发展过程,设计了四种变压器缺陷模型,用以模拟尖端放电、悬浮放电以及绝缘缺陷类放电。搭建符合IEC60270标准的实验平台,并使用脉冲电流法和特高频法进行数据采集。由于局部放电信号微弱且易受干扰,在本文中对传统小波阈值去噪方法进行改进,为提高监测效果以及识别准确度奠定基础,同时分析了不同类型局部放电数据之间的相关性与差异。深度学习算法相较于传统分类器具有更高的分类准确度,但往往存在网络结构复杂、参数量大,占用内存多且计算速度慢等缺点。为解决此类问题,使分类器能够更好地适用于向微型化、低功耗趋势发展的智能感知设备,本文中提出了一种新的MobileNet卷积神经网络(MCNN)模型来对不同放电模式进行识别。通过在构造的MCNN模型中加入轻量级注意力机制SE模块以及h-swish非线性函数来更有效的提高模型特征表达能力,降低模型参数量及计算复杂度,并消除了局部放电模式识别中存在的潜在精度损失,进一步提高识别率。采用局部放电谱图对MCNN模型进行训练和测试,并使用多种方法对模型进行可视化处理以验证模型的有效性。结果表明,相对于多种深度神经网络模型或卷积网络压缩模型的对局部放电的分类结果,本文所提出的MCNN能够在提高局部放电类型识别准确率的前提下减少网络模型占用内存,并提高计算速度,达到最佳性能。为保障我国油气产量,进一步提高海上多平台互联电力系统的可靠性,必须确保变压器的安全稳定运行,实现对变压器局部放电进行综合在线监测及类型诊断,能够帮助全面了解变压器的运行状态并及时发现其异常情况,进而对运检维修起到一定的指导作用。