در این پژوهش، در جهت افزایش بهره‌وری سیستم کابل‌های فشارقوی، روشی جامع و کم‌هزینه برای طبقه‌بندی و تحلیل سناریوهای مختلف تخلیه جزئی (PD) در کابل‌های قدرت ارائه شده است که مبتنی بر ترکیب تکنیک‌های پردازش سیگنال، استخراج ویژگی‌های فیزیکی - آماری و یادگیری ماشین می‌باشد. به‌منظور تولید داده‌های آموزشی، از مدل‌سازی دقیق ساختار کابل با استفاده از نرم‌افزار COMSOL بهره گرفته شد و سناریوهای متنوعی شامل حالت کابل یکپارچه سالم، وجود  مفصل در طول کابل، وجود تخلیه‌های جزئی تک‌منبعی (۱ تا ۴ حفره) و ترکیبی (وجود مفصل همراه با  عیوب چند حفره مولد تخلیه جزئی) شبیه‌سازی شدند. سپس با تحلیل پاسخ گذرای کابل در حضور ناپیوستگی‌های مختلف، ویژگی‌های رفتاری سیگنال‌های بازتابی استخراج و به الگوریتم یادگیری ماشین معرفی شد تا الگوی اثرگذاری هر سناریو بر ساختار سیگنال شناسایی گردد. در ادامه، مدل پیشنهادی آموزش داده شده و عملکرد آن در شرایط مختلف از نظر دقت طبقه‌بندی، پایداری و توان تعمیم‌پذیری مورد ارزیابی قرار گرفت. در مجموع، نتایج نشان می‌دهند که ترکیب تحلیل سیگنال بازتابی با شاخص‌های زمانی-فرکانسی و الگوریتم یادگیری ماشین SVM می‌تواند چارچوبی دقیق، پایدار و تفسیرپذیر برای طبقه‌بندی سناریوهای PD ارائه دهد. این روش قابلیت به‌کارگیری در سامانه‌های پایش وضعیت کابل‌های قدرت، حتی در شرایط نویزی یا داده‌های محدود را داراست.