：在对试验获得的4种放电信号波形进行去噪基础上,进行小波包分解并在各频带上计算小波包系数能量百分比,将其作为特征向量输入支持向量机进行放电识别。作为比较,同时将特征向量输入到BP神经网络进行识别。识别结果表明,小波包系数能量百分比构成的特征向量能够很好地反映原始信号的特征,且基于支持向量机较基于BP神经网络具有更好的识别效果?信号可能来自于电缆线路，也可能来自于与电缆线路连接的开关柜。本文使用的放电波形数据来源于英国HVPD公司，具体包括电缆本体局部放电、电缆终端头局部放电、开关柜电晕放电和开关柜表面放电。4种放电信号的原始波形图如图1所示。图1中每个波形的长度为1500个采样点，小波包系数能量-数控滚圆机滚弧机张家港钢管滚圆机滚弧机液压滚弧机采样频率为100MHz。1．2放电的去噪在局部放电在线检测中，各设备处于运行状态，现场存在的干扰会对局部放电信号造成重要影响 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name。因此，为使提取的特征能够更好地表征局部放电信号，需要在特征提取之前对局部放电信图14种放电信号原始波形图号波形进行预处理。由图1可见，局部放电信号波形的干扰主要是白噪声。本文采用小波阈值法去除白噪声。为减小去噪后波形的畸变，定义局部放电信号每层小波分解后尺度系数的能量百分比，以能量百分比最大为寻优依据，从一簇小波中自适应选取各层最优基小波对局部放电信号进行逐层分解和重构，具体步骤如文献［12］所述，不再赘述。通过该算法，可以在局部放电信号的先验知识不知的情况下，自适应确定各层最优基小波进行相应各层的信号分解和重构。本文选择db1～db40为小波库。4种局部放电信号在分解尺度为5时的最优基小波选择情况如表1所示。表14种放电信号的各层最优基小波分解层数放电信号类型电缆本体局放电缆终端头局放电晕放电表面放电用表1的各层最优基小波对相应的放电信号进行逐层分解，并采用软阈值函数对各分解尺度上小波系数进行阈值处理，逐层重构尺度系数和处理后小波系数，得到的去噪后波形如图2所示。—小波包系数能量-数控滚圆机滚弧机张家港钢管滚圆机滚弧机液压滚弧机小波包系数能量-数控滚圆机滚弧机张家港钢管滚圆机滚弧机液压滚弧机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name