由于开关设备在生产过程中可能会存在金属件打磨不够光滑或绝缘存在缺陷等隐患。并且由于开关设备现场运行环境复杂,在运行的过程中长期受到高温、凝露、盐雾得恶劣环境作用,将导致绝缘性能降低,发生局部放电现象,进而加速绝缘的劣化情况,给电力系统造成较大的经济损失。本文采用超高频法对开关柜局部放电现象进行检测,提高了检测灵敏度和系统可靠性,通过相对相位的处理方法解决了无法获取开关柜局部放电相位信息的问题。本文通过分析局部放电产生机理并结合开关柜常见绝缘故障类型共设计4种典型绝缘缺陷。在实验室环境下,将缺陷模型放置于开关柜电缆仓内部,模拟工况环境开关设备发生局部放电现象。通过局部放电超高频检测装置对局部放电信号进行采样并上传。本文基于大量实验数据通过对250个工频周期的局部放电信号进行叠加,构建局部放电PRPD（局部放电相位统计）和PRPS（局部放电脉冲序列分布）图谱,将PRPD图谱进行网格化处理,得到分辨率大小为36×30的灰度图,提取PRPS图谱中相邻放电脉冲间隔时间得到局部放电Δt图谱。通过分析不同放电类型下的图谱分布规律,从图像矩特征和统计特征两方面分别提取图谱特征值。由于开关柜内部相间距离较近,无法采集到准确的局部放电相位信息,本文构建的局部放电图谱均采用相对相位,即以采样起始点为相位0度,向后采集20ms数据作为一个工频周期,特征值选取过程中舍弃部分表征相位的特征值。最后分别采用BP神经网络及卷积神经网络两种方式对放电类型进行诊断分析,为验证网络的鲁棒性,在放电图谱中加入随机噪声干扰。在BP神经网络架构中,将图谱的矩特征和统计特征值作为输入。本文将PRPD图谱矩特征、PRPD图谱统计特征和Δt图谱统计特征,通过排列组合得到7组数据,分别作为BP神经网络输入,得到不同特征值的识别准确率,寻找最优组合。在卷积神经网络中,以PRPD图谱的灰度图片直接作为神经网络输入,通过卷积神经网络自动提取图片特征值,从而得出分类结果。实验结果表明,BP神经网络受到噪声信号影响后,识别准确率明显降低。卷积神经网络在局部放电缺陷识别中相比于BP神经网络取消了人为计算特征值步骤,具有更高的准确率并且对随机噪声信号干扰具有很好的适应性。