它们各属于哪一种滤波器

无源滤波器:这种电路主要有无源元件R、L和C组成。

有源滤波器:集成运放和R、C组成,具有不用电感、体积小、重量轻等优点。集成运放的开环电压增益和输入阻抗均很高,输出电阻小,构成有源滤波电路后还具有一定的电压放大和缓冲作用。但集成运放带宽有限,所以目前的有源滤波电路的工作频率难以做得很高。

无源滤波装置

该装置由电容器、电抗器,有时还包括电阻器等无源元件组成,以对某次谐波或其以上次谐波形成低阻抗通路,以达到抑制高次谐波的作用由于SC的调节范围要由感性区扩大到容性区,所以滤波器与动态控制的电抗器一起并联,这样既满足无功补偿、改善功率因数,又能消除高次谐波的影响。

国际上广泛使用的滤波器种类有:各阶次单调谐滤波器、双调谐滤波器、二阶宽颇带与三阶宽频带高通滤波器等。

1单调谐滤波器:一阶单调谐滤波器的优点是滤波效果好,结构简单缺点是电能损耗比较大,但随着品质因数的提高而减少,同时又随谐波次数的减少而增加,而电炉正好是低次谐波,主要是2~7次,因此,基波损耗较大。二阶单调谐滤波器当品质因数在50以下时,基波损耗可减少20~50%,属节能型,滤波效果等效。三阶单调谐滤波器是损耗最小的滤波器,但组成复杂些,投资也高些,用于电弧炉系统中,2次滤波器选用三阶滤波器为好,其它次选用二阶单调谐滤波器。

2高通(宽频带滤波器,一般用于某次及以上次的谐波抑制。当在电弧炉等非线性负荷系统中采用时,对5次以上起滤波作用时,通过参数调整,可形成该滤波器回路对5次及以上次谐波的低阻抗通路。

有源滤波器

虽然无源滤波器具有投资少、效率高、结构简单及维护方便等优点,在现阶段广泛用于配电网中,但由于滤波器特性受系统参数影响大,只能消除特定的几次谐波,而对某些次谐波会产生放大作用,甚至谐振现象等因素,随着电力电子技术的发展,人们将滤波研究方向逐步转向有源滤波器(Active PowerFliter,缩写为APF。

APF即利用可控的功率半导体器件向电网注入与谐波源电流幅值相等、相位相反的电流,使电源的总谐波电流为零,达到实时补偿谐波电流的目的。它与无源滤波器相比,有以下特点:

a.不仅能补偿各次谐波,还可抑制闪变,补偿无功,有一机多能的特点,在性价比上较为合理

b.滤波特性不受系统阻抗等的影响,可消除与系统阻抗发生谐振的危险

c.具有自适应功能,可自动跟踪补偿变化着的谐波,即具有高度可控性和快速响应性等特点

一、无源滤波器的优点

无源滤波器具有结构简单、成本低廉、运行可靠性较高、运行费用较低等优点，至今仍是应用广泛的被动谐波治理方法。

二、无源滤波器的分类

无源滤波器主要可以分为两大类：调谐滤波器和高通滤波器。

2.1、调谐滤波器

调谐滤波器包括单调谐滤波器和双调谐滤波器，可以滤除某一次(单调谐)或两次(双调谐)谐波，该谐波的频率称为调谐滤波器的谐振频率；

2.2、高通滤波器

高通滤波器也称为减幅滤波器，主要包括一阶高通滤波器、二阶高通滤波器、三阶高通滤波器和c型滤波器，用来大幅衰减高于某一频率的谐波，该频率称为高通滤波器的截止频率。

三、无源滤波器和有源滤波器的区别

无源滤波器和有源滤波器，存在以下的区别：

3.1、工作原理

无源滤波器由LC等被动元件组成，将其设计为某频率下极低阻抗，对相应频率谐波电流进行分流，其行为模式为提供被动式谐波电流旁路通道；而有源滤波器由电力电子元件和DSP等构成的电能变换设备，检测负载谐波电流并主动提供对应的补偿电流，补偿后的源电流几乎为纯正弦波，其行为模式为主动式电流源输出。

3.2、谐波处理能力

无源滤波器只能滤除固定次数的谐波；但完全可以解决系统中的谐波问题，解决企业用电过程中的实际问题，且可以达到国家电力部门的标准；有源滤波器可动态滤除各次谐波。

3.3、系统阻抗变化的影响

无源滤波器受系统阻抗影响严重，存在谐波放大和共振的危险；而有源滤波不受影响。

3.4、频率变化的影响

无源滤波器谐振点偏移，效果降低；有源滤波器不受影响。

3.3、负载增加的影响

无源滤波器可能因为超载而损坏；有源滤波器无损坏之危险，谐波量大于补偿能力时，仅发生补偿效果不足而已。

3.6、负载变化对谐波补偿效果的影响

无源滤波器随着负载的变化而变化；有源滤波器不受负载变化影响。

3.7、设备造价

无源滤波器较低；有源滤波器太高。

3.8、应用场合对比

1.有源滤波容量单套不超过KA，无源滤波则无此限制；

2.有源滤波在提供滤波时，不能或很少提供无功功率补偿，因为要占容量；而无源滤波则同时提供无功功率补偿。

3.有源滤波目前最高适用电网电压不超过，而低压无源滤波最高适用电网电压可达。

4.无源滤波由于其价格优势、且不受硬件限制，广泛用于电力、油田、钢铁、冶金、煤矿、石化、造船、汽车、电铁、新能源等行业；有源滤波器因无法解决的硬件问题，在大容量场合无法使用，适用于、等用电功率较小且谐波频率较高的单位，优于无源滤波。

无源滤波器又称LC滤波器，是利用电感、电容和电阻的组合设计构成的滤波电路，可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路；单调谐滤波器、双调谐滤波器、高通滤波器都属于无源滤波器。

无源滤波器的优点

无源滤波器具有结构简单、成本低廉、运行可靠性较高、运行费用较低等优点，至今仍是应用广泛的被动谐波治理方法。

无源滤波器的分类

无源滤波器主要可以分为两大类：调谐滤波器和高通滤波器。

调谐滤波器

调谐滤波器包括单调谐滤波器和双调谐滤波器，可以滤除某一次(单调谐)或两次(双调谐)谐波，该谐波的频率称为调谐滤波器的谐振频率；

高通滤波器

高通滤波器也称为减幅滤波器，主要包括一阶高通滤波器、二阶高通滤波器、三阶高通滤波器和c型滤波器，用来大幅衰减高于某一频率的谐波，该频率称为高通滤波器的截止频率。

无源滤波器的发展历程

3.1、年美国和德国科学家分别发明了LC滤波器，次年导致了美国第一个多路复用系统的出现。

3.2、20世纪50年代无源滤波器日趋成熟。

3.3、自60年代起由于计算机技术、集成工艺和材料工业的发展，滤波器发展上了一个新台阶，并且朝着低功耗、高精度、小体积、多功能、稳定可靠和价廉方向努力，其中小体积、多功能、高精度、稳定可靠成为70年代以后的主攻方向。导致RC有源滤波器、数字滤波器、开关电容滤波器和电荷转移器等各种滤波器的飞速发展；

3.4、到70年代后期，上述几种滤波器的单片集成已被研制出来并得到应用。

3.5、80年代，致力于各类新型滤波器的研究，努力提高性能并逐渐扩大应用范围。

3.6、90年代至现在主要致力于把各类滤波器应用于各类产品的和研制。

当然，对滤波器本身的研究仍在不断进行。

我国滤波器行业现状

我国广泛使用滤波器是50年代后期的事，当时主要用于话路滤波和报路滤波。 经过半个世纪的发展，我国滤波器在研制、生产和应用等方面已纳入国际发展步伐，但由于缺少专门研制机构，集成工艺和材料工业跟不上来，使得我国许多新型滤波器的研制应用与国际发展有一段距离。

无源滤波器和有源滤波器的区别

无源滤波器和有源滤波器，存在以下的区别：

工作原理

无源滤波器由LC等被动元件组成，将其设计为某频率下极低阻抗，对相应频率谐波电流进行分流，其行为模式为提供被动式谐波电流旁路通道；而有源滤波器由电力电子元件和DSP等构成的电能变换设备，检测负载谐波电流并主动提供对应的补偿电流，补偿后的源电流几乎为纯正弦波，其行为模式为主动式电流源输出。

谐波处理能力

无源滤波器只能滤除固定次数的谐波；但完全可以解决系统中的谐波问题，解决企业用电过程中的实际问题，且可以达到国家电力部门的标准；有源滤波器可动态滤除各次谐波。

系统阻抗变化的影响

无源滤波器受系统阻抗影响严重，存在谐波放大和共振的危险；而有源滤波不受影响。

频率变化的影响

无源滤波器谐振点偏移，效果降低；有源滤波器不受影响。

负载增加的影响

无源滤波器可能因为超载而损坏；有源滤波器无损坏之危险，谐波量大于补偿能力时，仅发生补偿效果不足而已。

负载变化对谐波补偿效果的影响

无源滤波器随着负载的变化而变化；有源滤波器不受负载变化影响。

设备造价

无源滤波器较低；有源滤波器太高。

应用场合对比

1.有源滤波容量单套不超过KA，无源滤波则无此限制；

2.有源滤波在提供滤波时，不能或很少提供无功功率补偿，因为要占容量；而无源滤波则同时提供无功功率补偿。

3.有源滤波目前最高适用电网电压不超过，而低压无源滤波最高适用电网电压可达。

4.无源滤波由于其价格优势、且不受硬件限制，广泛用于电力、油田、钢铁、冶金、煤矿、石化、造船、汽车、电铁、新能源等行业；有源滤波器因无法解决的硬件问题，在大容量场合无法使用，适用于、等用电功率较小且谐波频率较高的单位，优于无源滤波。

主要发展情况

由于无源滤波的具有大容量低价位的优点，钢铁行业的滤波都采用无源滤波，目前国内滤波场（电力谐波治理场）上主要以无源滤波为主。

实在不行换一个 或者在硬之城上面找找这个型号的资料

https://www.oschina.net/code/snippet_1170370_32834

opencv 理想滤波、巴特沃兹滤波和高斯滤波的高通、低通滤波演示

    Filter Parameters 窗口： 滤波器参数窗口

        - d0: 滤波器大小 D0

        - flag: 滤波器类型

             0 - 理想滤波

             1 - 巴特沃兹滤波

             2 - 高斯滤波

        - n: 巴特沃兹滤波的阶数

        - lh: 低通滤波 or 高通滤波

    Filtered Image 窗口: 过滤后的图像和过滤器图像

#! /usr/bin/env python

#coding=utf-8

importcv2

importnumpy as np

'''

opencv 理想滤波、巴特沃兹滤波和高斯滤波的高通、低通滤波演示

    Filter Parameters 窗口： 滤波器参数窗口

        - d0: 滤波器大小 D0

        - flag: 滤波器类型

             0 - 理想滤波

             1 - 巴特沃兹滤波

             2 - 高斯滤波

        - n: 巴特沃兹滤波的阶数

        - lh: 低通滤波 or 高通滤波

    Filtered Image 窗口: 过滤后的图像和过滤器图像

'''

defcombine_images(images, axis=1):

    '''

    合并图像。

    @param images: 图像列表(图像成员的维数必须相同)

    @param axis: 合并方向。

        axis=0时，图像垂直合并

        axis = 1 时， 图像水平合并。

    @return 合并后的图像

    '''

    ndim =images[0].ndim

    shapes =np.array([mat.shape format inimages])

    assertnp.all(map(lambdae: len(e)==ndim, shapes)), 'all images should be same ndim.'

    ifaxis ==0:# 垂直方向合并图像

        # 合并图像的 cols

        cols =np.max(shapes[:, 1])

        # 扩展各图像 cols大小，使得 cols一致

        copy_imgs =[cv2.copyMakeBorder(img, 0, 0, 0, cols-img.shape[1],

            cv2.BORDER_CONSTANT, (0,0,0))  forimg inimages]

        # 垂直方向合并

        returnnp.vstack(copy_imgs)

    else:# 水平方向合并图像

        # 合并图像的 rows

        rows =np.max(shapes[:, 0])

        # 扩展各图像rows大小，使得 rows一致

        copy_imgs =[cv2.copyMakeBorder(img, 0, rows-img.shape[0], 0, 0,

            cv2.BORDER_CONSTANT, (0,0,0))  forimg inimages]

        # 水平方向合并

        returnnp.hstack(copy_imgs)

deffft(img):

    '''对图像进行傅立叶变换，并返回换位后的频率矩阵'''

    assertimg.ndim==2, 'img should be gray.'

    rows, cols =img.shape[:2]

    # 计算最优尺寸

    nrows =cv2.getOptimalDFTSize(rows)

    ncols =cv2.getOptimalDFTSize(cols)

    # 根据新尺寸，建立新变换图像

    nimg =np.zeros((nrows, ncols))

    nimg[:rows,:cols] =img

    # 傅立叶变换

    fft_mat =cv2.dft(np.float32(nimg), flags=cv2.DFT_COMPLEX_OUTPUT)

    # 换位，低频部分移到中间，高频部分移到四周

    returnnp.fft.fftshift(fft_mat)

deffft_image(fft_mat):

    '''将频率矩阵转换为可视图像'''

    # log函数中加1，避免log(0)出现.

    log_mat=cv2.log(1+cv2.magnitude(fft_mat[:,:,0], fft_mat[:,:,1]))

    # 标准化到0~255之间

    cv2.normalize(log_mat, log_mat, 0, 255, cv2.NORM_MINMAX)

    returnnp.uint8(np.around(log_mat))

defifft(fft_mat):

    '''傅立叶反变换，返回反变换图像'''

    # 反换位，低频部分移到四周，高频部分移到中间

    f_ishift_mat =np.fft.ifftshift(fft_mat)

    # 傅立叶反变换

    img_back =cv2.idft(f_ishift_mat)

    # 将复数转换为幅度, sqrt(re^2 + im^2)

    img_back =cv2.magnitude(*cv2.split(img_back))

    # 标准化到0~255之间

    cv2.normalize(img_back, img_back, 0, 255, cv2.NORM_MINMAX)

    returnnp.uint8(np.around(img_back))

deffft_distances(m, n):

    '''

    计算m,n矩阵每一点距离中心的距离

    见《数字图像处理MATLAB版.冈萨雷斯》93页

    '''

    u =np.array([i ifi<=m/2elsem-i fori inrange(m)], dtype=np.float32)

    v =np.array([i ifi<=m/2elsem-i fori inrange(m)], dtype=np.float32)

    v.shape =n, 1

    # 每点距离矩阵左上角的距离

    ret =np.sqrt(u*u +v*v)

    # 每点距离矩阵中心的距离

    returnnp.fft.fftshift(ret)

deflpfilter(flag, rows, cols, d0, n):

    '''低通滤波器

    @param flag: 滤波器类型

        0 - 理想低通滤波

        1 - 巴特沃兹低通滤波

        2 - 高斯低通滤波

    @param rows: 被滤波的矩阵高度

    @param cols: 被滤波的矩阵宽度

    @param d0: 滤波器大小 D0

    @param n: 巴特沃兹低通滤波的阶数 

    @return 滤波器矩阵

    '''

    assertd0 >0, 'd0 should be more than 0.'

    filter_mat =None

    #理想低通滤波

    ifflag ==0:

        filter_mat =np.zeros((rows, cols ,2), np.float32)

        cv2.circle(filter_mat, (rows/2, cols/2) , d0, (1,1,1), thickness=-1) 

    # 巴特沃兹低通滤波

    elifflag ==1:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =1/(1+np.power(duv/d0, 2*n))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))

    #高斯低通滤波

    else:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =np.exp(-(duv*duv) /(2*d0*d0))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))                 

    returnfilter_mat

defhpfilter(flag, rows, cols, d0, n):

    '''高通滤波器

    @param flag: 滤波器类型

        0 - 理想高通滤波

        1 - 巴特沃兹高通滤波

        2 - 高斯高通滤波

    @param rows: 被滤波的矩阵高度

    @param cols: 被滤波的矩阵宽度

    @param d0: 滤波器大小 D0

    @param n: 巴特沃兹高通滤波的阶数 

    @return 滤波器矩阵

    '''

    assertd0 >0, 'd0 should be more than 0.'

    filter_mat =None

    #理想高通滤波

    ifflag ==0:

        filter_mat =np.ones((rows, cols ,2), np.float32)

        cv2.circle(filter_mat, (rows/2, cols/2) , d0, (0,0,0), thickness=-1) 

    # 巴特沃兹高通滤波

    elifflag ==1:

        duv =fft_distances(rows, cols)

        # duv有 0 值(中心距离中心为0)， 为避免除以0，设中心为 0.000001

        duv[rows/2, cols/2] =0.000001

        filter_mat =1/(1+np.power(d0/duv, 2*n))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))

    #高斯高通滤波

    else:

        duv =fft_distances(*fft_mat.shape[:2])

        filter_mat =1-np.exp(-(duv*duv) /(2*d0*d0))

        # fft_mat有2个通道，实部和虚部

        # fliter_mat 也需要2个通道

        filter_mat =cv2.merge((filter_mat, filter_mat))                 

    returnfilter_mat

defdo_filter(_=None):

    '''滤波，并显示'''

    d0 =cv2.getTrackbarPos('d0', filter_win)

    flag =cv2.getTrackbarPos('flag', filter_win)

    n =cv2.getTrackbarPos('n', filter_win)

    lh =cv2.getTrackbarPos('lh', filter_win)

    # 滤波器

    filter_mat =None

    iflh ==0:

        filter_mat =lpfilter(flag, fft_mat.shape[0], fft_mat.shape[1], d0, n)

    else:

        filter_mat =hpfilter(flag, fft_mat.shape[0], fft_mat.shape[1], d0, n)

    # 进行滤波

    filtered_mat =filter_mat *fft_mat

    # 反变换

    img_back =ifft(filtered_mat)

    # 显示滤波后的图像和滤波器图像

    cv2.imshow(image_win, combine_images([img_back, fft_image(filter_mat)]))

if__name__ =='__main__':

    img =cv2.imread('images/Fig0515.jpg',0)

    rows, cols =img.shape[:2]

    # 滤波器窗口名称

    filter_win ='Filter Parameters'

    # 图像窗口名称

    image_win ='Filtered Image'

    cv2.namedWindow(filter_win)

    cv2.namedWindow(image_win)

    # 创建d0 tracker, d0为过滤器大小

    cv2.createTrackbar('d0', filter_win, 20, min(rows, cols)/4, do_filter)

    # 创建flag tracker,

    # flag=0时，为理想滤波

    # flag=1时，为巴特沃兹滤波

    # flag=2时，为高斯滤波

    cv2.createTrackbar('flag', filter_win, 0, 2, do_filter)

    # 创建n tracker

    # n 为巴特沃兹滤波的阶数

    cv2.createTrackbar('n', filter_win, 1, 5, do_filter)

    # 创建lh tracker

    # lh: 滤波器是低通还是高通， 0 为低通， 1为高通

    cv2.createTrackbar('lh', filter_win, 0, 1, do_filter)

    fft_mat =fft(img)

    do_filter()

    cv2.resizeWindow(filter_win, 512, 20)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

2.  [图片]  低通图像和滤波器.jpg

3.  [图片]  滤波器参数.jpg

---