扫一扫
关注中图网
官方微博
¥70.6(7.2折)?
预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格（不含优惠券部分），仅供参考，未必等同于实际到手价。
促销活动:
本类五星书更多>
-
>
宇宙、量子和人类心灵
-
>
考研数学专题练1200题
-
>
希格斯:“上帝粒子”的发明与发现
-
>
神农架叠层石:10多亿年前远古海洋微生物建造的大堡礁
-
>
二十四史天文志校注(上中下)
-
>
声音简史
-
>
浪漫地理学:追寻崇高景观
PD模式识别方法 版权信息
- ISBN：9787030752017
- 条形码：9787030752017 ; 978-7-03-075201-7
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
PD模式识别方法 内容简介
本书阐述了局部放电(PD)产生的机理及其危害，并结合模拟PD模型的实验研究，展示了作者应用人工智能理论方法在PD信号模式识别研究所获得的成果。本书以小波原理、信号分析和数据挖掘技术为基础，以模式识别方法、神经网络理论和智能算法为核心，分别论述了PD信号消噪、特征量提取和特征空间压缩方法，并详细阐明了应用NN方法、模糊原理、混沌理论实现PD信号模式分类的全过程。
PD模式识别方法 目录
目录
第1章 绪论 1
1.1 PD特性与表征 1
1.1.1 PD源与信号特性 2
1.1.2 PD信号的模式特征 3
1.2 模式分类器及其优化 5
1.2.1 PD模式分类器 5
1.2.2 全局优化算法 6
1.3 发展趋势 7
1.3.1 深度学习与深度神经网络 7
1.3.2 群智能算法 7
参考文献 8
第2章 模式识别与优化算法10
2.1 识别方法 10
2.2 识别系统 10
2.3 特征量与特征空间 11
2.3.1 特征量 11
2.3.2 特征空间 12
2.4 特征的可分性 12
2.4.1 特征可分性测量 12
2.4.2 类可分性测度 14
2.4.3 特征子集的选择 16
2.4.4 *优特征生成 18
2.5 分类器优化算法 20
2.5.1 随机梯度法 21
2.5.2 模拟退火算法 21
2.5.3 遗传算法 22
参考文献 23
第3章 PD与指纹特征 24
3.1 诱发PD的理化过程 24
3.1.1 介质内部局部放电 25
3.1.2 介质沿面局部放电 27
3.1.3 电晕放电 28
3.2 局部放电的危害 28
3.3 交流电压下的PD表征方法 30
3.4 局部放电模拟 32
3.4.1 模型构建与PD信号采集 33
3.4.2 交流电压下PD统计量的表征 35
3.4.3 统计分布参数与指纹 37
参考文献 41
第4章 PD信号小波去噪 43
4.1 PD信号小波变换特征 43
4.1.1 PD信号表征 43
4.1.2 PD信号的小波变换特征 44
4.2 噪声信号及其小波变换特征 46
4.3 含噪PD信号模型 47
4.4 模极大值去噪方法 48
4.4.1 模极大值的确定和信号重构 48
4.4.2 去噪仿真算例 51
4.5 去噪快速算法 52
4.5.1 局部放电信号（函数）多尺度逼近 52
4.5.2 多次小波变换去噪算法 55
4.5.3 复合小波变换去噪 57
参考文献 59
第5章 基于BPNN的PD模式识别 60
5.1 人工神经网络 60
5.1.1 BPNN算法 61
5.1.2 改进BPNN算法收敛速度的一些措施 66
5.2 基于BPNN的PD模式识别算法 67
5.2.1 局部放电模式特征量 68
5.2.2 类可分准则 68
5.2.3 PD模式识别过程 69
5.3 隐层神经元的影响 74
参考文献 75
第6章 支持向量机的PD模式识别 77
6.1 支持向量机 77
6.1.1 线性可分类支持向量机 77
6.1.2 线性不可分类支持向量机 79
6.2 PD模拟与特征提取 81
6.2.1 PD信号采集 81
6.2.2 PD特征提取 84
6.3 基于SVM的PD模式识别 88
6.3.1 核函数选择 88
6.3.2 SVM参数寻优 89
6.3.3 权值和阈值 90
6.3.4 SVM网络结构 93
6.3.5 识别结果 93
6.4 相关讨论 95
6.4.1 特征量的相关系数和类间距离 96
6.4.2 特征选择 97
6.4.3 识别结果 98
6.4.4 SVM与BP识别效果的比较 99
参考文献 100
第7章 基于FCM的PD模式识别 102
7.1 模糊聚类方法 102
7.1.1 模糊c均值聚类算法 103
7.1.2 加权模糊c均值聚类算法 107
7.2 PD模拟及信号采集 109
7.2.1 PD模型 109
7.2.2 PD信号采集 110
7.2.3 PD信号去噪 112
7.3 PD信号特征与提取 114
7.3.1 分形维数特征 114
7.3.2 PD信号灰度矩特征 116
7.4 基于模糊聚类PD模式识别 118
7.4.1 基于FCM算法的PD模式识别 118
7.4.2 基于WFCM算法的PD模式识别 119
7.5 结果分析 121
参考文献 122
第8章 基于WNN的PD模式识别 124
8.1 小波神经网络 124
8.1.1 正交小波神经网络 124
8.1.2 正交小波神经网络学习算法 125
8.2 自适应特征提取小波神经网络 127
8.2.1 PD信号的小波可分性 127
8.2.2 自适应特征提取小波神经网络结构 130
8.2.3 自适应特征提取小波神经网络隐层单元数目的确定 131
8.2.4 自适应特征提取小波神经网络学习算法 133
8.3 PD模式识别实验 135
8.3.1 PD信号采集 135
8.3.2 统计特征量提取与识别 136
8.3.3 自适应特征提取与模式识别 139
参考文献 142
第9章 基于混沌理论的PD模式识别 143
9.1 局部放电信号中的混沌现象 143
9.1.1 混沌特征 143
9.1.2 混沌相空间重构 144
9.1.3 相空间重构参数 145
9.2 混沌系统表征 147
9.2.1 Lyapunov指数 147
9.2.2 分形维数 148
9.2.3 Kolmogorov熵 149
9.3 PD混沌特性及其特征量提取 150
9.3.1 实验模拟的PD信号 150
9.3.2 PD信号混沌特性 151
9.3.3 PD混沌特征量及其提取 153
9.4 基于混沌特征的PD模式识别 160
9.4.1 BP神经网络设计 161
9.4.2 识别结果 162
9.4.3 基于指纹图谱特征的PD模式识别 164
9.4.4 特征量综合识别结果 165
参考文献 166
第10章 基于PSO优化的PD模式识别 168
10.1 反向传播神经网络 168
10.1.1 BPNN学习与优化 168
10.1.2 神经网络泛化能力 169
10.2 PSO优化的神经网络 170
10.2.1 粒子群算法 171
10.2.2 PSO优化算法 172
10.3 PD特征空间降维 174
10.3.1 PCA降维算法 174
10.3.2 PCA降维计算步骤 176
10.4 基于PSOBP的PD模式识别 177
10.4.1 PD信号模式预处理 177
10.4.2 误差分析方法 177
10.4.3 PD识别结果 178
10.4.4 隐层元数量的影响 179
参考文献 184
附录 185
第1章 绪论 1
1.1 PD特性与表征 1
1.1.1 PD源与信号特性 2
1.1.2 PD信号的模式特征 3
1.2 模式分类器及其优化 5
1.2.1 PD模式分类器 5
1.2.2 全局优化算法 6
1.3 发展趋势 7
1.3.1 深度学习与深度神经网络 7
1.3.2 群智能算法 7
参考文献 8
第2章 模式识别与优化算法10
2.1 识别方法 10
2.2 识别系统 10
2.3 特征量与特征空间 11
2.3.1 特征量 11
2.3.2 特征空间 12
2.4 特征的可分性 12
2.4.1 特征可分性测量 12
2.4.2 类可分性测度 14
2.4.3 特征子集的选择 16
2.4.4 *优特征生成 18
2.5 分类器优化算法 20
2.5.1 随机梯度法 21
2.5.2 模拟退火算法 21
2.5.3 遗传算法 22
参考文献 23
第3章 PD与指纹特征 24
3.1 诱发PD的理化过程 24
3.1.1 介质内部局部放电 25
3.1.2 介质沿面局部放电 27
3.1.3 电晕放电 28
3.2 局部放电的危害 28
3.3 交流电压下的PD表征方法 30
3.4 局部放电模拟 32
3.4.1 模型构建与PD信号采集 33
3.4.2 交流电压下PD统计量的表征 35
3.4.3 统计分布参数与指纹 37
参考文献 41
第4章 PD信号小波去噪 43
4.1 PD信号小波变换特征 43
4.1.1 PD信号表征 43
4.1.2 PD信号的小波变换特征 44
4.2 噪声信号及其小波变换特征 46
4.3 含噪PD信号模型 47
4.4 模极大值去噪方法 48
4.4.1 模极大值的确定和信号重构 48
4.4.2 去噪仿真算例 51
4.5 去噪快速算法 52
4.5.1 局部放电信号（函数）多尺度逼近 52
4.5.2 多次小波变换去噪算法 55
4.5.3 复合小波变换去噪 57
参考文献 59
第5章 基于BPNN的PD模式识别 60
5.1 人工神经网络 60
5.1.1 BPNN算法 61
5.1.2 改进BPNN算法收敛速度的一些措施 66
5.2 基于BPNN的PD模式识别算法 67
5.2.1 局部放电模式特征量 68
5.2.2 类可分准则 68
5.2.3 PD模式识别过程 69
5.3 隐层神经元的影响 74
参考文献 75
第6章 支持向量机的PD模式识别 77
6.1 支持向量机 77
6.1.1 线性可分类支持向量机 77
6.1.2 线性不可分类支持向量机 79
6.2 PD模拟与特征提取 81
6.2.1 PD信号采集 81
6.2.2 PD特征提取 84
6.3 基于SVM的PD模式识别 88
6.3.1 核函数选择 88
6.3.2 SVM参数寻优 89
6.3.3 权值和阈值 90
6.3.4 SVM网络结构 93
6.3.5 识别结果 93
6.4 相关讨论 95
6.4.1 特征量的相关系数和类间距离 96
6.4.2 特征选择 97
6.4.3 识别结果 98
6.4.4 SVM与BP识别效果的比较 99
参考文献 100
第7章 基于FCM的PD模式识别 102
7.1 模糊聚类方法 102
7.1.1 模糊c均值聚类算法 103
7.1.2 加权模糊c均值聚类算法 107
7.2 PD模拟及信号采集 109
7.2.1 PD模型 109
7.2.2 PD信号采集 110
7.2.3 PD信号去噪 112
7.3 PD信号特征与提取 114
7.3.1 分形维数特征 114
7.3.2 PD信号灰度矩特征 116
7.4 基于模糊聚类PD模式识别 118
7.4.1 基于FCM算法的PD模式识别 118
7.4.2 基于WFCM算法的PD模式识别 119
7.5 结果分析 121
参考文献 122
第8章 基于WNN的PD模式识别 124
8.1 小波神经网络 124
8.1.1 正交小波神经网络 124
8.1.2 正交小波神经网络学习算法 125
8.2 自适应特征提取小波神经网络 127
8.2.1 PD信号的小波可分性 127
8.2.2 自适应特征提取小波神经网络结构 130
8.2.3 自适应特征提取小波神经网络隐层单元数目的确定 131
8.2.4 自适应特征提取小波神经网络学习算法 133
8.3 PD模式识别实验 135
8.3.1 PD信号采集 135
8.3.2 统计特征量提取与识别 136
8.3.3 自适应特征提取与模式识别 139
参考文献 142
第9章 基于混沌理论的PD模式识别 143
9.1 局部放电信号中的混沌现象 143
9.1.1 混沌特征 143
9.1.2 混沌相空间重构 144
9.1.3 相空间重构参数 145
9.2 混沌系统表征 147
9.2.1 Lyapunov指数 147
9.2.2 分形维数 148
9.2.3 Kolmogorov熵 149
9.3 PD混沌特性及其特征量提取 150
9.3.1 实验模拟的PD信号 150
9.3.2 PD信号混沌特性 151
9.3.3 PD混沌特征量及其提取 153
9.4 基于混沌特征的PD模式识别 160
9.4.1 BP神经网络设计 161
9.4.2 识别结果 162
9.4.3 基于指纹图谱特征的PD模式识别 164
9.4.4 特征量综合识别结果 165
参考文献 166
第10章 基于PSO优化的PD模式识别 168
10.1 反向传播神经网络 168
10.1.1 BPNN学习与优化 168
10.1.2 神经网络泛化能力 169
10.2 PSO优化的神经网络 170
10.2.1 粒子群算法 171
10.2.2 PSO优化算法 172
10.3 PD特征空间降维 174
10.3.1 PCA降维算法 174
10.3.2 PCA降维计算步骤 176
10.4 基于PSOBP的PD模式识别 177
10.4.1 PD信号模式预处理 177
10.4.2 误差分析方法 177
10.4.3 PD识别结果 178
10.4.4 隐层元数量的影响 179
参考文献 184
附录 185
展开全部
PD模式识别方法 节选
第1章绪论 国际大电网会议（CIGRE）23.10工作组的调查报告统计结果指出，1985年以前投入运行的高压电气设备故障中，绝缘故障占60%；1985年以后投入运行的高压电气设备故障中，绝缘故障占51%。随着系统电压等级的提高和设备容量的增大，高压电气设备发生绝缘故障的概率也在增加，这是电气设备绝缘介质承受的工作电场强度也相应增大所导致的必然结果[1]。 由电介质物理理论可知，电场作用下的绝缘老化失效是由局部放电触发并伴随着物理化学等现象联合老化循序渐进的过程，击穿是其*终的表现形式。产生局部放电的主要原因是绝缘结构配合不合理，使其电场分布不均匀，在某些局部区域电场分布发生畸变，电场强度达到或超过电介质的耐电电场强度而触发该区域击穿。高电压电气设备的绝缘结构比较复杂，使用的绝缘介质多种多样，容易导致整个绝缘系统的电场分布不均匀。又由于设计或制造工艺不完善使不同绝缘介质的分界面含有气隙，或是在长期运行过程中绝缘受潮，在电场作用下水发生分解产生气体，形成气隙或气泡放电条件。另外，固体绝缘介质内部存在缺陷或混有杂质，或者绝缘结构中存在某些不良的电气连接，均会导致局部电场集中，而在电场集中的区域易发生固体绝缘介质沿面放电和悬浮电位放电。 虽然高压电气设备的设计、制造、检验均依据IEC标准，但由于高压电气设备结构特点和制造工艺的复杂性，其结构缺陷和绝缘介质杂质存在具有不确定性，因此导致绝缘系统中产生电场畸变的不确定性，即发生局部放电现象的随机性。即使相同的电场畸变（绝缘缺陷）在高压电气设备中的不同位置引起的局部放电特性也不相同，给高压电气设备的绝缘故障的诊断、定位、识别和剩余期寿命预报造成很大的困难[2]。 高速检测仪器的发明和相关学科的理论进步，极大地促进了高压电气设备绝缘故障诊断、定位、模式分类和预报技术的快速发展，经过科研人员的努力已经取得了令人瞩目的学术成就。 1.1PD特性与表征 随着电力工业的迅猛发展，高压电气设备的绝缘水平检测技术受到学术界的广泛关注，尤其是局部放电在线监测技术和故障诊断及其预报方法取得了长足的进步。每年在国内外学术期刊上发表的数以千计的研究论文，主要聚焦在局部放电信号采集方法、特征量提取技术、模式分类器设计方法以及识别网络优化算法等方面。 1.1.1PD源与信号特性 局部放电（partial discharge，PD）发生过程总是伴随着物理化学现象，由此产生不同类别的PD原始信息。科研人员利用这些丰富的PD原始信息，探索和挖掘局部放电产生的物质运动本质和能量交换过程，并建立局部放电及其绝缘性能劣化过程的内在关联性，由此建立了高压电气设备绝缘故障诊断、属性分类以及预期寿命的预测预报理论和方法，并获得了工程应用和实践检验[3]。 T.Okamoto等研究发现，局部放电引起的电流脉冲相位分布形态与产生局部放电的绝缘缺陷之间有着密切的对应关系，真实地刻画了局部绝缘缺陷击穿的物理过程，可直接运用测得的局部放电脉冲信号的波形特征对放电源属性进行分类[4，5]。 文献[6]的试验结果表明，局部放电过程所辐射的电磁波频谱特性与局部放电源的几何形状以及放电间隙绝缘强度有关。当放电间隙比较小或放电间隙绝缘强度高时，放电时间短，电流脉冲的陡度大，辐射高频电磁波的能力也显著增强。 气体绝缘开关（gas insulationswitchgear，GIS）中存在支撑绝缘子，造成其特性阻抗及波阻抗不连续，当局部放电脉冲激发的电磁波在GIS中传播时会激发出谐振现象。这种高频波在GIS中多次折反射，不仅以横向电磁（TEM）波方式传播，还会建立高次模波即横向电波（TE）和横向磁（TM）波。A.G.Sellars和S.Okab研究发现在GIS中由自由导电微粒、悬浮导体、支撑绝缘子表面导电微粒所造成的电晕具有不同的电磁波谱，这些电磁波信号的频率与无线电视频信号频率区别明显，运用电磁波信号作为GIS局部放电故障的检测量，可以实现对高压电气绝缘状态监测和故障诊断[7]。 W.RRutgers等经过实验研究提出，当电力变压器内部发生局部放电时，也伴随着电磁波辐射[8]。这种放电激发的电磁波具有很宽的频谱，它以TEM波的形式向外传播。文献[9]给出了在实验室条件下，变压器油局部放电脉冲电流波形及其所辐射的高频电磁波的试验模型及其信号检测和分析方法。实验结果表明，变压器油中的局部放电电流脉冲具有极快的脉冲上升沿，可以激励出1.5GHz以上的高频电磁波。文献[10]用实验方法获得了变压器油局部放电所激励的超高频电磁波信号特性，不同的电极构型产生的局部放电信号对应着相应的超高频电磁波形态特征。 无论气体、液体还是固体绝缘介质，在外施电场激励触发局部放电过程中，能量交换致使介质分子间产生剧烈的碰撞，宏观上形成一种以声能形式表现出来的压力波。 有些研究人员利用声信号波形序列和声信号频谱序列进行局部放电的模式识别。GIS中的声源来自带电粒子的运动碰撞设备的壳体振动，虽然这种振动加速度是很微小的，但是可以用灵敏的检测仪器如加速度传感器、超声波探头等进行检测。传感器与设备电器回路无任何联系，因此环境电磁干扰不影响声测法的灵敏度。 B.S.Hansen等的研究指出，气体绝缘电气设备中的局部放电过程的电子碰撞、电离、附着、复合过程激发出不同的光子光谱信息，不同气体介质的放电光谱不相同[11]。另外，发射光子的数量与光波波长均依赖于气体介质种类、气体压力和电场强度。局部放电的光输出测量方法是所有检测技术中*敏感的，因为一个光电倍增管可以测到甚至一个光子的发射。但是由于射线会被气体、绝缘支撑件等强烈地吸收，而且会有“死角”出现，并且由于壳体内壁光滑而引起的反射所带来的影响，此检测方法的灵敏度还不高。 D.J.Hamilton等的研究指出，在GIS中发生的局部放电会引起SF6气体分子的分解，其分解物随着局部放电量的不同而不同，因此可以通过测量局部放电引起的气体介质分解物的含量对局部放电特性进行分析。但是气室中的吸附剂、干燥剂以及断路器动作时产生的电弧可能会影响测量精度[12]。 O.Vanegas的研究利用绝缘油中特征气体含量对油-纸绝缘电气设备的局部放电故障进行诊断[13]。油-纸绝缘结构发生故障时所产生的气体成分和含量与故障类型和严重程度密切相关，不同性质的故障，介质分解产生不同种类的气体；而同一类属性的故障，由于故障程度不同，产生的气体含量也不相同。所以，根据油中气体的组分和含量可以判断是否发生故障、故障属性及故障的危害程度。 局部放电过程发生的物理化学现象具有不同的时空表现形式，每一种形式都可以表征局部放电现象，以揭示局部放电现象与电场畸变之间的内在联系。对于不同类型的高压电气设备、不同种类的测试技术和不同的信号处理方法，应该选择不同的局部放电表现形式作为基本量，以便对局部放电发生、发展及其相关性进行分析研究。 1.1.2PD信号的模式特征 局部放电信号包含丰富的信息，但很多时候，这些信息是杂乱、冗余甚至是多维的，难以直接用于其模式识别和分类。特征提取是模式信息的进一步分析过程，其目标是寻找一组更加易于分析、计算的特征参数，包含尽量多的原模式有效信息，研究如何把高维特征空间压缩到低维特征空间以便有效地设计分类器。目前，多采用以下方法进行局部放电信号特征量的提取。 1）相位统计特征 在工频交流电压作用下，局部放电的发生具有明显的相位特征。每个局部放电脉冲具有特定的幅值以及相对于工频实验电压特有的相位角，因此可以把局部放电基本参数（放电量q和脉冲放电次数n）看作放电发生相位角.的函数，用于表示局部放电特征。若在整个相位轴上进行测量，则可以得到相位函数的分布：脉冲次数分布和平均脉冲高度分布；在交流电压的正半周和负半周，上述分布明显不同，于是就得到四种分布函数，对电压的正半周有，对电压的负半周有和。因此，这四种分布可以作为描述绝缘缺陷的局部放电特征[14]。 F.H.Kreuger等为了方便对这些特征分布进行定量分析，引入有关标准正态分布的统计算子：畸变度Sk、针峰度Ku、针峰数pc、正交相关系数Q、修正的相关系数mcc，将这些算子应用于上述的四种分布，可得到15个参数，这些算子化的参数不但将局部放电信号浓缩，而且表征不同的PD源[15]。 2）脉冲波形特征 在局部放电测量中应用高速采样和宽带检测技术，可以记录每个放电脉冲的时域波形。不同类型的放电与其电流脉冲信号的波形是相对应的，可直接用测得的局部放电脉冲信号的波形特征对放电源进行分类。提取局部放电信号波形的特征量包括时域、幅值域、频域等，作为分类器的学习训练输入样本。提取脉冲信号波形的联合时频特征用于表征局部放电模式也是一种有效的方法，这种特征的提取可以采用时-频联合函数分析信号的方法，主要包括短时Fourier变换（STFT）、Wigner-Ville分布（WVD）和Cohen时频分布等[16]。 文献[17]采用自回归（AR）模型参数作为波形特征量，AR模型是根据波形模拟均方误差为*小原则建立的。研究结果表明，由AR模型得到的一组描述局部放电波形的系数，在一定程度上能反映波形的特征，可以作为局部放电模式分类器的输入量。但是，由于局部放电的复杂性，以及某些类放电波形的相似性，只用AR模型系数作为特征量会导致对某些放电的识别率不高。 3）放电统计特征 由于局部放电具有明显的随机性，而且它可能随放电位置的不同以及局部电场强度和电压作用时间而发生变化，因此可以采用与随机特性有关的识别方法，即提取统计参数特征作为局部放电信号特征量。 高压电气中可能同时存在多种不同的缺陷，不同类型的局部放电会产生具有不同幅值分布的脉冲族。Weibull统计参数与每个局部放电之间都存在着对应关系，可以采用混合的Weibull函数法对局部放电信号进行特征提取和分类，并用Weibull参数值作为样本构成特征量的知识库。文献[18]对放电脉冲幅值分布进行Weibull分析，将得到的统计参数特征作为神经网络的输入特征量。研究结果证实，单一PD信号幅值分布符合两参数Weibull分布，混合PD信号幅值分布符合混合Weibull分布。 4）分形特征 分形学是以复杂事物（信息）为研究对象的新兴学科，其分形信息论是用信息度量理论原理和方法来研究信号的分形及其度量与属性。由于高压电气设备结构的复杂性和局部放电的随机性，局部放电信号呈现为一种无周期的有序态，总体表现为无序性与局部规律性，这使得局部放电信号具有分形特征。基于分形理论和方法的局部放电模式识别研究结果也证明了PD信号的多种模式集合具有分形特征，属于分形几何研究的对象范畴[19]。 5）矩特征 矩特征是一种广泛应用于图像识别分类的模式量形式，它在统计意义上描述了一幅灰度图像中所有像素点的整体分布，与*基本的图像形状特征密切相关。文献[20]从电力变压器局部放电在线检测应用的实际问题出发，提出并研究了采用由局部放电图像灰度重心、主轴方向矩特征以及相关统计特征构成的统计特征集进行变压器的内部PD与其外部PD分类的辨识方法。 6）小波变换系数及分形混合特征 文献[21]将小波理论应用于局部放电信号的特征分析，研究结果表明，随着PD放电量的增大，小波变换的图谱分布由高频区移向低频区，同时低频分量的时延也增大；不同的故障类型具有不同的放电量，即具有不同的小波变换的图谱分布。文献[22]将小波分析技术与分形理论结合对局部放电信号进行分析。首先将局部放电信号进行小波包分解，使信号变为不同尺度下的时频分量，然后计算每个尺度分量的分维数，通过分维数的量化分析，得到各尺度下的PD信号的分形特征。文献[23]研究了小波分析与分形理论的互补性，从局部放电信号小波分解后的能量谱
书友推荐
- >
我从未如此眷恋人间
我从未如此眷恋人间
¥18.5¥49.8 - >
伯纳黛特,你要去哪(2021新版)
伯纳黛特,你要去哪(2021新版)
¥17.9¥49.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.4¥14.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥12.6¥32.0 - >
中国历史的瞬间
中国历史的瞬间
¥16.3¥38.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥9.1¥19.0 - >
巴金－再思录
巴金－再思录
¥20.7¥46.0 - >
自卑与超越
自卑与超越
¥15.5¥39.8
本类畅销
-
物理学之美-插图珍藏版
¥27.6¥69 -
为了人人晓得相对论
¥6.9¥13.5 -
世纪幽灵-走近量子纠缠
¥12¥28 -
趣味物理学问答
¥19.5¥46 -
量子宇宙:一切可能发生的正在发生
¥16.1¥32.8 -
数学物理方程
¥12.9¥26
浏览历史
香辛料生产工艺与配方
¥29.4¥49.8德伯家的苔丝-世界文学名著名译典藏-全译插图本
¥21.1¥39.0
