21世纪以来，我国电网规模和自动化水平的发展都极为迅速，电力系统的安全与可靠一直是需要考虑的重要问题。高压电力设备作为电网的重要组成部分，它的运行安全会直接影响整个输配电网络。
对于高压电力设备来说，一旦发生绝缘故障会严重影响整个电力系统的安全，在高压电力设备的绝缘故障监测方面，目前工程应用大多还处于就地监测、本地处理，对设备的综合性能要求很高，提高了成本并且不利于与电力系统后台服务器的集成。因此，针对高压电力设备的绝缘故障实施在线监测是极为必要的。
文献[8]针对高压电力设备的局部放电现象，设计了一套基于嵌入式系统的紫外内窥在线监测系统。文献[9]提出使用超声波、超高频及高频电流等3种方法对局部放电现象进行监测，经试验运行，完成了对故障信号的提取及定位。
文献[10]根据GIS（gas insulated switchgear）设备局部放电现象，分析了超高频/超声波监测技术的适宜性和准确性。文献[11]结合一起GIS电缆终端典型局放异常事例，分析了查找GIS电缆终端气隙缺陷的方法。
传统的绝缘故障检测是通过阈值判别进行故障诊断，传感器测量精度越高、抗干扰能力越强则故障识别越准确，但这种方式难以客观高效地识别设备不同的状态。本文使用并行长短时记忆（long short-term memory, LSTM）神经网络算法进行故障特征提取和绝缘破坏故障识别，长短时神经网络结构解决了随着时间间隔的增加容易出现梯度爆炸或梯度弥散的问题，并行运算的方式对监测系统采集到的两类数据进行处理，节约了运算资源，提高了识别效率。
在系统通信方面，本文采用了IEC 61850标准GOOSE机制，对绝缘故障监测IED进行了建模分析，实现了系统的通信，使该系统能够符合国际化变电站的通信标准，利于监测系统与变电站服务器的集成管理。实验和仿真说明，本文提出的方案能够高效的判别高压电力设备不同的运行状态，具有识别精度高、实时性好等优点。
图5 系统通信流程图
