1.基于动态模式分解分形特征的局部放电模式识别方法，其特征在于包括以下步骤：步骤1：对获得的变压器局部放电信号进行动态模式分解，得到分解出的模态函数矩阵；

步骤2：取模态函数矩阵的列向量，构建模态函数的二维图谱；

步骤3：对二维图谱进行图像预处理，得到信息完整的二维图像；

步骤4：提取二维图像的分形特征，构建模式识别的特征量；

步骤5：使用分类器，对构建的模式识别的特征量进行模式识别。

2.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：所述步骤1中，所述动态模式分解算法为降维算法，能够对混有大量信息的一维信号进行分解，包括以下步骤：步骤1.1：构造一维时域信号X＝(x1,x2,…,xi,…,xN)的Hankel矩阵：其中：Xs为时域变压器局部放电信号m×n的Hankel矩阵，该矩阵的特点是每一条副对角线上的元素都相等；矩阵中所有元素x1、xn、xi、xm、xN皆为时域信号X在相应采样点上的归一化电压幅值，下标表示相应采样点数；X1、X2、Xn为矩阵Xs的列向量，下标表示相应的列数；m、m×nn分别表示矩阵Xs的行数和列数；R 表示m行n列的实数矩阵；

将一维信号进行Hankel矩阵化是为了方便后续的计算；上式中m和n满足以下关系式：其中：z∈R是正整数序列；Hankel矩阵是反对角线对称的m×n矩阵,上式是信号序列分别为奇数和偶数时，行m和列n的约束；

步骤1.2：构造滑动矩阵：

上式将(1)矩阵Xs中n个列向量排成两个m×(n‑1)数据矩阵；这两个矩阵即为式(1)的滑动矩阵；

步骤1.3：最优算子：

Y＝AX                                (4)其中：动态模式分解算法通过假设一个最优局部线性近似算子，并从当前数据映射到后续数据，然后用这些信号矩阵表示最适合的线性算子A；

步骤1.4：奇异值分解：

T

X＝UΣV                               (5)T

其中：U和V分别表示左奇异矩阵和右奇异矩阵；V表示右奇异矩阵V的转置；Σ为对角矩阵，其包含大量对角线排列的非零奇异值{σ1,…,σp}；通过(4)、(5)可得最优算子矩阵A的表达式为：‑1 T

A＝YVΣ U                             (6)‑1 T

其中：Σ 为式(5)对角矩阵的逆矩阵，U 为式(5)中奇异值分解得到的右奇异向量U的转置；(6)式为最优算子的另一种表达，将最优算子和滑动矩阵联系在一起；

步骤1.5：相似矩阵：

其中：为式(6)最优线性算子A的相似矩阵； 为式(5)右奇异矩阵U的转置，下标r表示该矩阵的秩为r；Vr表示秩为r的右奇异矩阵； 为式(5)中对角矩阵的逆矩阵，下标r表示该矩阵的秩为r；Y为式(3)中的滑动矩阵；由上式可知矩阵A包含了大量的数据，在进行相关计算时会导致计算时间过长；因此选择一定大小的截断秩r，并将其投影到按特征向量顺序排列的本征正交分解模态上；

步骤1.6：特征值分解：

r×r

其中：W＝[ω1，ω2，…，ωr]∈R 是相似矩阵 的特征向量矩阵；ω1,ω2,…,ωr为相r×r似矩阵 的特征向量，r表示特征值的数目；Λ＝diag([λ1，λ2，…，λr])∈R 为包含对应复特征值λi的对角矩阵；λ1,λ2,…,λr为相似矩阵 的特征值，r代表特征值的数目；这样一来A与 拥有相同的动态特征，则A的特征值与特征向量可由 的特征值和特征向量表示；

步骤1.7：模态计算：

其中：φi即为构造的动态模式分解模态函数矩阵；该矩阵元素为复数，每列向量即代表一个模态函数；Vi为式(5)中奇异值分解产生的右奇异矩阵第i列列向量，下标表示右奇异矩阵V的某一列； 为步骤1.5所述逆矩阵的第i列列向量；Wi为步骤1.6所述特征向量矩阵的第i列列向量。

3.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：所述步骤2中，所述二维图谱即为步骤1中求得的动态模式分解模态函数矩阵的列向量，由于该矩阵元素为复数，故以元素的实部和虚部作为二维图像的两个维度，构造动态模式分解算法的二维谱图。

4.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：所述步骤3中，对二维图谱进行图像预处理包括以下步骤：步骤3.1：反锐化处理：通过低通滤波器使用线性反锐化掩模算法来提高图像的边缘细节质量；

步骤3.2：滤波灰度变换：使用中值滤波和迭代阈值的方法对完第一步的图像进行灰度处理；

步骤3.3：重叠：将原始的灰度图像与不清晰的反锐化图像进行重叠，通过重叠保留原有图像的几何形状，减少了背景噪声；

步骤3.4：灰度变换：对重叠之后的图像再次进行灰度处理，方便后文提取分形特征量。

5.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：所述步骤4中，构造的模式识别的特征量包括两种：(1)分形维数：通过计算分形维数的相关度量，即盒维数，来表示图像数据的分形维数：其中：p(m,L)表示在大小为L的盒子中有m个点的概率，Nb为盒子内可能的点数；当L大小的盒子覆盖图像时，则(s/m)p(m,L)个含有m点的盒子；其表达式为：s表示图像点的数量，即图像中的像素；p(m,L)表示在大小为L的盒子中有m个点的概率；然后对{log(L),‑log(N(L))}进行最小二乘拟合，拟合曲线的斜率即为图像的盒维数；

(2)间隙度：间隙度测量显著地增加了对已知分形维度对象的描述，量化图像表面密集度，补充一些模态图的附加特征，其表达式为：其中：λ(L)为间隙度；间隙度需要通过上文的分形维数来确定，能很好的补足分形维数2

遗漏的特征信息；p(m,L)表示在大小为L的盒子中有m个点的概率；M(L)和M(L)为两个不同间隙度因子。

6.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：所述步骤5中，进行模式识别的分类器为x均值聚类算法，包括以下步骤：

1)准备容量为n的p维数据；

2)将初始分类数设置为k0，默认值为2；

3)设置k＝k0，将K‑means应用于待处理数据，并将划分的类命名为：C1,C2,…,Ck0 .                   (15)其中：C表示初步分出的族群，下标表示族群数目；

4)设置i＝1,…,k0并重复步骤5)到步骤8)；

5)对每个类群Ci使用k＝2的k均值算法进行聚类，对聚类的族群命名为：其中：Ci表示式(15)分出的族群，上标表示在该族群上再进行分类的族群数目；

6)我们定义在聚类集群Ci内数据Xi的正态分布为：其中：参数θi＝[μi,Vi]，μi是p维均值向量，Vi是p×p维协方差矩阵，X是聚类族群Ci中p维向量，T为转置矩阵标识；p是步骤1)待分类数据维度；

7)计算贝叶斯信息准则：

其中：ηBIC为贝叶斯信息准则；参数 是p维均值向量μi的极大似然估计量，是p×p维协方差矩阵Vi的极大似然估计量，L是似然函数，X是聚类族群Ci中p维向量，ni是聚类族群Ci中的元素数目；p是步骤1)待分类数据维度；

8)假设有p维的分类族群 它们的参数分别为 故该二分模型的概率密度函数为：

其中：参数 是分类族群 的p维均值向量 的极大似然估计量，(1)

是分类族群 的p×p维协方差矩阵Vi 的极大似然估计量；同样，参数(2)

是p维均值向量 的极大似然估计量， 是p×p维协方差矩阵Vi 的极大似然估计量，X是聚类族群Ci中p维向量；p是步骤1)待分类数据维度；

其中，

Xi在族群 中或者在族群 中；αi为常数(1/2≤αi≤1)；则在该模型下的BIC模型如下式所示：(1)

其中：参数 是分类族群 的p维均值向量，Vi 是分类族群 的p×p维协方差矩阵；同样 是分类族群 的p维(2)

均值向量，Vi 是分类族群 的p×p维协方差矩阵；L′是g(·)的似然函数，ni是聚类族群Ci中的元素数目；p是步骤1)待分类数据维度；

9)如果ηBIC>η′BIC,则将 作为新的分类族群Ci：其中： 为5)中分出来的族群；Ci为新的族群，其值等于如果ηBIC≤η′BIC，则将 作为新的分类族群Ci：其中： 为5)中分出来的族群；Ci为新的族群，其值等于

7.根据权利要求1所述基于动态模式分解分形特征的局部放电模式识别方法，其特征在于：步骤1中，检测的局部放电缺陷类型为金属尖端放电，沿面放电、或者气泡放电。