90年代以来，模式识别方法才引进到局部放电缺陷类型识别领域，但研究多是对GIS和大型变压器的局部放电信号进行，而且研究水平尚处于初级阶段。神经网络（NN）识别法目前得到了较为广泛的应用，它是遵循经验风险最小化原理的一种机器学习方法。基于Vapnik&Chervonenkis的统计学习理论，说明数据若服从某个（固定但未知的）分布，机器需要满足结构风险最小化的原理，才能保证机器的理想输出与实际输出之间的偏差尽量小，就是使错误概率的上界最小化，这就使得神经网络出现学习问题，训练误差很小并不意味着就会得到好的预测结果，有时候，会出现推广能力的下降的情况，究其原因就是训练误差过小造成的，从而增加了真实风险。支持向量机（SVM）正是结构风险最小化理论的具体实现，与神经网络相比，支持向量机的结构较为简单，泛化能力等性能得到了显著的提高，这己被大量实验证实。目前国内对支持向量机的研究处于起步阶段。支持向量机，是基于统计学习理论的一种学习方法，支持向量机的优势在于可以在有限样本的情况下，寻找到最优解。支持向量机在对小样本数据的分析方面具备不可比拟的天然优势，如较强的学习能力、泛化能力，广泛地应用在回归估计、系统辨识以及模式识别等方面，成为继神经网络的后起之秀。
基于超声波信号检测原理开发的局部放电检测系统如澳大利亚基于超声波原理研制的局部放电在线检测系统，将单独的在线检测装置安装在开关柜上，采用传感器测量各项功能参数；美国UE公司生产的ULTRAPROBE系列局部放电检测产品，是一种超声波接收分析处理仪器，通过压电原理，将超声波信号转化为电流信号，内部处理器将其转化为音频信号，局部放电的有无可以通过高保真耳机来监听音频信号的异常来判断；英国EA Technology公司研制的Ultra TEV plus便携式局部放电检测仪，具备超声波检测和地电波（TEV）检测两种功能。通过人工设定阈值及红色、黄色报警功能来实现检测，通过dB值显示局部放电超声波信号的大小。也可通过耳机对局部放电活动的异常进行监听和辅助定位。扬州国浩电气有限公司也成功研制了GHPD1002开关柜局部放电测试仪，性能可媲美英国EA，HVPD同类型产品，性价比超高。
这类检测系统在现场实际检测中都会遇到下面的一些问题：
（1）由于每个人的听觉生理特性的不同，检测人员对监听到的耳机中的音频信号会有不同的判断，检测结果与检测人员的主观能动性息息相关，容易造成误判。
（2）故障判断依靠经验居多，系统检测可靠性不高。
国外这一系列产品的出现、发展，主要得益于相关理论和技术的成熟，例如超声波检测技术的发展，同时也得益于国外生活水平的提高，用户对用电可靠性和稳定性有了更高的需求，需求驱动相关技术的发展和相关产品的面世。
关注微信公众号