CN107192898B - 一种直流输电线路可听噪声概率预测方法及系统 - Google Patents

Abstract

本发明提供了一种直流输电线路可听噪声概率预测方法及系统，方法包括：S1，利用多组训练数据对人工神经网络模型进行训练，在训练过程中，将线路参数作为输入数据，将可听噪声测量值作为输出数据；S2，将多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；S3，根据多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；S4，将多组可听噪声预测值划分为多个区间，并确定多组误差值在多个区间的概率分布；S5，利用人工神经网络模型对待测数据进行预测，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。

Description

一种直流输电线路可听噪声概率预测方法及系统

技术领域

本发明属于电气工程领域，具体设计一种直流输电线路可听噪声概率预测方法及系统。

背景技术

近年来高压输电线路的电磁环境问题越来越受到公众的关注。输电线路的电磁环境问题主要由高压输电线路的电晕放电引起，电晕放电是发生在极不均匀场中的一种放电形式，输电线路的曲率半径较小，此外导线表面又往往存在一定的毛刺和缺陷，导致高压输电线路导线表面附近的电场不均匀度很高，在导线电压达到一定程度即会发生电晕放电。电晕放电的过程中会产生无线电干扰、可听噪声等电磁环境问题，这些问题目前已成为高压输电关键技术难题。

针对输电线路电晕产生的可听噪声而言，其具有很宽的频带，并外在表现为杂乱的没有规律的噪音，相比一般噪声电晕产生的噪音对人体影响更大，严重地影响到了高压线路附近人群的正常工作和生活。为此，针对输电线路的可听噪声问题，我国已制定了相关标准。如，对于±800kV直流输电线路标准DL/T1088规定正极性导线对地投影20m处晴天时由电晕产生的可听噪声50％值不得超过45dB(A)，另外，输电线路的设计、导线的选型都需要满足相关标准。为了使新建线路周围的可听噪声等级能够满足相关标准的要求，在设计线路的过程中需要对线路产生的可听噪声进行预测，准确的可听噪声预测公式在输电线路的设计中至关重要。国内外多个研究机构根据输电线路可听噪声测量结果拟合了各自的经验公式，但这些拟合公式都是在各自的特定情况下得出的，其适用范围十分有限。因此针对直流输电线路可听噪声更加准确的预测方法将对直流线路工程有更重要的意义。

发明内容

鉴于上述问题，本发明提供一种直流输电线路可听噪声概率预测方法，方法包括如下步骤：S1，利用多组训练数据对人工神经网络模型进行训练，其中，所述每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为所述人工神经网络模型的输入数据，将所述可听噪声测量值作为所述人工神经网络模型的输出数据；S2，将所述多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；S3，根据所述多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；S4，将所述多组可听噪声预测值划分为多个区间，并确定所述多组误差值在所述多个区间的概率分布；S5，利用所述人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。

可选地，所述步骤S3中，所述误差值的表达式为：

e_i＝Y_i-y_i

其中，i＝1…n，n为训练数据的组数，Y_i表示第i组训练数据所对应的可听噪声预测值，y_i表示第i组训练数据中的可听噪声测量值。

可选地，所述步骤S4中，将所述多组可听噪声预测值划分为k个区间，若任意一个区间所对应的误差值从小到大排列为{e₁，e₂...e_x}，则所述多组误差值在所述k个区间的概率分布为：

其中，

为位于区间

内的误差值个数，x为总的误差值个数，e表示预测误差变量。

可选地，所述步骤S5中，所述可听噪声概率预测结果的表达式为：

t+P_t，

其中t为所述人工神经网络模型输出的预测结果，P_t为该预测结果t所在区间的误差值的概率分布。

可选地，所述线路参数至少包括线路结构数据、运行工况数据、气象数据中的一种或多种。

本发明另一方面提供一种直流输电线路可听噪声概率预测系统，包括如下步骤：

训练模块，用于利用多组训练数据对人工神经网络模型进行训练，其中，所述每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为所述人工神经网络模型的输入数据，将所述可听噪声测量值作为所述人工神经网络模型的输出数据；

噪声预测模块，用于将所述多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；

误差计算模块，用于根据所述多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；

概率分布计算模块，用于将所述多组可听噪声预测值划分为多个区间，并确定所述多组误差值在所述多个区间的概率分布；

噪声概率预测模块，用于利用所述人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。

可选地，所述误差计算模块中，所述误差值的表达式为：

e_i＝Y_i-y_i

其中，i＝1…n，n为训练数据的组数，Y_i表示第i组训练数据所对应的可听噪声预测值，y_i表示第i组训练数据中的可听噪声测量值。

可选地，所概率分布计算模块中，将所述多组可听噪声预测值划分为k个区间，若任意一个区间所对应的误差值从小到大排列为{e₁，e₂...e_x}，则所述多组误差值在所述k个区间的概率分布为：

其中，

为位于区间

内的误差值个数，x为总的误差值个数，e表示预测误差变量。

可选地，所述噪声概率预测模块中，所述可听噪声概率预测结果的表达式为：

t+P_t，

其中t为所述人工神经网络模型输出的预测结果，P_t为该预测结果t所在区间的误差值的概率分布。

可选地，所述线路参数至少包括线路结构数据、运行工况数据、气象数据中的一种或多种。

本发明具有以下有益效果：

(1)综合考虑了可听噪声与线路结构参数、运行工况、气象参数，对因变量的考虑更加全面；

(2)利用神经网络模型拟合了可听噪声与其他参数之间的非线性关系，使预测结果更加准确；

(3)概率分布的预测结果包含更丰富的预测信息，可以对预测值所在区间有较好评估，使预测结果更加可靠。

附图说明

图1为本发明实施例提供的直流输电线路可听噪声概率预测方法的流程图。

图2为本发明实施例中的BP神经网络的结构示意图。

图3为本发明实施例中计算误差值的示意图。

图4为本发明实施例中计算可听噪声概率预测结果的示意图。

图5为本发明实施例提供的直流输电线路可听噪声概率预测系统的功能模块图。

具体实施方式

本发明提供一种直流输电线路可听噪声概率预测方法及系统，方法包括：S1，利用多组训练数据对人工神经网络模型进行训练，在训练过程中，将线路参数作为输入数据，将可听噪声测量值作为输出数据；S2，将多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；S3，根据多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；S4，将多组可听噪声预测值划分为多个区间，并确定多组误差值在多个区间的概率分布；S5，利用人工神经网络模型对待测数据进行预测，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。

根据结合附图对本发明示例性实施例的以下详细描述，本发明的其它方面、优势和突出特征对于本领域技术人员将变得显而易见。

在本发明中，术语“包括”和“含有”及其派生词意为包括而非限制；术语“或”是包含性的，意为和/或。

在本说明书中，下述用于描述本发明原理的各种实施例只是说明，不应该以任何方式解释为限制发明的范围。参照附图的下述描述用于帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。下述描述包括多种具体细节来帮助理解，但这些细节应认为仅仅是示例性的。因此，本领域普通技术人员应认识到，在不背离本发明的范围和精神的情况下，可以对本文中描述的实施例进行多种改变和修改。此外，为了清楚和简洁起见，省略了公知功能和结构的描述。此外，贯穿附图，相同参考数字用于相似功能和操作。

图1为本发明实施例提供的直流输电线路可听噪声概率预测方法的流程图，如图1所示，方法包括：

S1，利用多组训练数据对人工神经网络模型进行训练，其中，每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为人工神经网络模型的输入数据，将可听噪声测量值作为人工神经网络模型的输出数据。

在步骤S1中，本实施例的线路参数可以至少包括线路结构数据、运行工况数据、气象数据中的一种或多种；其中，线路结构数据可以是输电线的极间距、输电线的对地高度、输电线的半径等，运行工况数据可以是输电线的运行电压、电流等，气象数据可以是输电线的周围的温度、湿度等。可听噪声测量值是指输电线在上述线路参数时，实际测量的噪声值，故在一组训练数据中，线路参数与可听噪声测量值是一一对应的，可作为训练人工神经网络模型的输入数据和输出数据。另外，本实施例在对人工神经网络模型进行训练时，采用了海量(组数可达几十万或者更多)的训练数据。

图2为本发明实施例中的BP神经网络的结构示意图，如图2所示，神经网络包括输入层、隐含层、及输出层。图2中x₁，x₂，…，x_n是BP神经网络的输入值，y₁，y₂，…，y_m是BP神经网络的预测值，ω_ij和ω_jk为BP神经网络的权值。人工神经网络是一种多层前馈神经网络，通过神经元节点的运算从输入建立与输出之间的关系，通过输出与实际值之间的误差调节神经元节点的参数最后建立误差最小化的网络结构，该网络可以很好的拟合输入与输出间的非线性关系。

S2，将多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值。

图3为本发明实施例中计算误差值的示意图，如图3所示，采用线路数据和可听噪声测量值对神经网络模型进行训练后，再次将线路参数输入至训练好的人工神经网络模型。在步骤S2中，由于神经网络模型是由多组训练数据进行训练而得到的综合结果，对于每一组线路数据再次输入至该模型中时，该模型并不能一定输出与可听噪声测量值相同的数据，而是与可听噪声测量值有一定偏差的数据，故在此称之为可听噪声预测值。

S3，根据多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值。

对于同一组线路数据，其对应有训练数据中的可听噪声测量值，还对应有输入至神经网络模型所输出的可听噪声预测值，具体地，在步骤S3中，将可听噪声测量值与可听噪声预测值做减法运算，即可得到对应的误差值，也就是说，所述误差值的表达式为：

e_i＝Y_i-y_i

其中，i＝1…n，n为训练数据的组数，Y_i表示第i组训练数据所对应的可听噪声预测值，y_i表示第i组训练数据中的可听噪声测量值。

S4，将多组可听噪声预测值划分为多个区间，并确定多组误差值在多个区间的概率分布。

在步骤S4中，将多组可听噪声预测值划分为k个区间，若任意一个区间所对应的误差值从小到大排列为{e₁，e₂...e_x}，则多组误差值在所述k个区间的概率分布为：

其中，

为位于区间

内的误差值个数，x为总的误差值个数，e表示预测误差变量。

例如，有10组可听噪声预测值，分别为10、12、15、21、29、35、56、58、78、80(单位为dB)，将上述10组数据划分为a、b、c、d共4个区间，分别为a：0～25、b:26～50、c：51～75、d：76～100，其中，则通过上述公式计算得到，上述10组误差值在4个区间的如下表所示：

区间	可听噪声预测值	对应的误差值
			a：0～25	10、12、15	1、2、1
b:26～50	21、29、35	2、2、-1
			c：51～75	56、58	-1、4
d：76～100	78、80	-2、4

表1

由上表可以看出，在区间a中，误差值为1的概率分布为66.6％，误差值为2的概率分布为33.3％，在区间b中，误差值为2的概率分布为66.6％，误差值为-1的概率分布为33.3％，在区间c中，误差值为-1的概率分布为50％，误差值为4的概率分布为50％，在区间d中，误差值为-2的概率分布为50％，误差值为4的概率分布为50％。

S5，利用人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。

图4为本发明实施例中计算可听噪声概率预测结果的示意图，如图4所示，对于一组待测数据，该待测数据类型与线路数据的数据类型一致，需要将其输入至人工神经网络中，输出该待测数据所对应的预测结果，该预测结果是一个具体可听噪声值。在步骤S5中，获取该预测结果所在的区间的差值概率分布，再将其与预测结果相加，得到可听噪声概率预测结果，其表达式为：

t+P_t，

其中t为所述人工神经网络模型输出的预测结果，P_t为该预测结果t所在区间的误差值的概率分布。

依照上表举例来说，若输出的预测结果为49dB，其落入了区间b中，其与预测结果49dB的相加结果表示，可听噪声概率预测结果有66.6％的概率为50dB(49加1)，有33.3％的概率为51dB(49加2)。

图5为本发明实施例提供的直流输电线路可听噪声概率预测系统的功能模块图，如图5所示，系统500包括训练模块510、噪声预测模块520、误差计算模块530、概率分布计算模块540及噪声概率预测模块550。该系统400可以执行上面参考图1～图4描述的方法，以实现直流输电线路可听噪声概率预测。

具体地，训练模块510用于利用多组训练数据对人工神经网络模型进行训练，其中，每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为所述人工神经网络模型的输入数据，将可听噪声测量值作为所述人工神经网络模型的输出数据；噪声预测模块520用于将多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；误差计算模块530用于根据多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；概率分布计算模块540用于将多组可听噪声预测值划分为多个区间，并确定多组误差值在所述多个区间的概率分布；噪声概率预测模块550用于利用所述人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果。根据本发明的实施例，各个模块的功能实现可以参见上面参考图1～图4的描述，这里不再重复。

根据本发明各实施例的上述方法、装置、单元和/或模块可以通过有计算能力的电子设备执行包含计算机指令的软件来实现。该系统可以包括存储设备，以实现上文所描述的各种存储。所述有计算能力的电子设备可以包含通用处理器、数字信号处理器、专用处理器、可重新配置处理器等能够执行计算机指令的装置，但不限于此。执行这样的指令使得电子设备被配置为执行根据本发明的上述各项操作。上述各设备和/或模块可以在一个电子设备中实现，也可以在不同电子设备中实现。这些软件可以存储在计算机可读存储介质中。计算机可读存储介质存储一个或多个程序(软件模块)，所述一个或多个程序包括指令，当电子设备中的一个或多个处理器执行所述指令时，所述指令使得电子设备执行本发明的方法。

这些软件可以存储为易失性存储器或非易失性存储装置的形式(比如类似ROM等存储设备)，不论是可擦除的还是可重写的，或者存储为存储器的形式(例如RAM、存储器芯片、设备或集成电路)，或者被存储在光可读介质或磁可读介质上(比如，CD、DVD、磁盘或磁带等等)。应该意识到，存储设备和存储介质是适于存储一个或多个程序的机器可读存储装置的实施例，所述一个程序或多个程序包括指令，当所述指令被执行时，实现本发明的实施例。实施例提供程序和存储这种程序的机器可读存储装置，所述程序包括用于实现本发明的任何一项权利要求所述的装置或方法的代码。此外，可以经由任何介质(比如，经由有线连接或无线连接携带的通信信号)来电传递这些程序，多个实施例适当地包括这些程序。

根据本发明各实施例的方法、装置、单元和/或模块还可以使用例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)或可以以用于对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。该系统可以包括存储设备，以实现上文所描述的存储。在以这些方式实现时，所使用的软件、硬件和/或固件被编程或设计为执行根据本发明的相应上述方法、步骤和/或功能。本领域技术人员可以根据实际需要来适当地将这些系统和模块中的一个或多个，或其中的一部分或多个部分使用不同的上述实现方式来实现。这些实现方式均落入本发明的保护范围。

如本领域技术人员将会理解的，为了任何的以及所有的目的，例如在提供书面说明书的方面，本申请中所公开的所有范围也涵盖任何的以及所有的可能的子范围以及其子范围的组合。任何所列出的范围均能够被容易地识别成充分的描述以及使同样的范围能够至少被分解成同等的两部分、三部分、四部分、五部分、十部分，等等。作为非限制性的例子，本申请中所讨论的每个范围均能够被容易地分解成下三分之一、中三分之一以及上三分之一等等。如本领域技术人员还将会理解的，诸如“直到”、“至少”、“大于”、“小于”等的所有语言均包括所表述的数量并且是指能够随之被分解成如以上所讨论的子范围的范围。最后，如本领域技术人员将会理解的，范围包括各个单独的成分。所以，例如，具有1-3个单元的组是指具有1、2或者3个单元的组。类似地，具有1-5个单元的组是指具有1、2、3、4或者5个单元的组，等等。

尽管已经参照本发明的特定示例性实施例示出并描述了本发明，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本发明的精神和范围的情况下，可以对本发明进行形式和细节上的多种改变。因此，本发明的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (6)

1.一种直流输电线路可听噪声概率预测方法，其特征在于，方法包括如下步骤：

S1，利用多组训练数据对人工神经网络模型进行训练，其中，所述每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为所述人工神经网络模型的输入数据，将所述可听噪声测量值作为所述人工神经网络模型的输入数据；

S2，将所述多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；

S3，根据所述多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；

S4，将所述多组可听噪声预测值划分为多个区间，并确定所述多组误差值在所述多个区间的概率分布，其中，所述步骤S4中，将所述多组可听噪声预测值划分为k个区间，若任意一个区间所对应的误差值从小到大排列为{e₁，e₂...e_x}，则所述多组误差值在所述k个区间的概率分布为：

其中，

为位于区间

内的误差值个数，x为总的误差值个数，e表示预测误差变量；

S5，利用所述人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果，其中，所述步骤S5中，所述可听噪声概率预测结果的表达式为：

t+P_t，

其中t为所述人工神经网络模型输出的预测结果，P_t为该预测结果t所在区间的误差值的概率分布。

2.根据权利要求1所述的直流输电线路可听噪声概率预测方法，其特征在于，所述步骤S3中，所述误差值的表达式为：

e_i＝Y_i-y_i

其中，i＝1…n，n为训练数据的组数，Y_i表示第i组训练数据所对应的可听噪声预测值，y_i表示第i组训练数据中的可听噪声测量值。

3.根据权利要求1-2任意一项所述的直流输电线路可听噪声概率预测方法，其特征在于，所述线路参数至少包括线路结构数据、运行工况数据、气象数据中的一种或多种。

4.一种直流输电线路可听噪声概率预测系统，其特征在于，系统包括：

训练模块，用于利用多组训练数据对人工神经网络模型进行训练，其中，所述每组训练数据至少包括线路参数及可听噪声测量值，在训练过程中，将线路参数作为所述人工神经网络模型的输入数据，将所述可听噪声测量值作为所述人工神经网络模型的输出数据；

噪声预测模块，用于将所述多组训练数据中的线路参数再次输入至训练好的人工神经网络模型，对应得到多组可听噪声预测值；

误差计算模块，用于根据所述多组可听噪声测量值及多组可听噪声预测值，计算出多组对应的人工神经网络模型的误差值；

概率分布计算模块，用于将所述多组可听噪声预测值划分为多个区间，并确定所述多组误差值在所述多个区间的概率分布，其中所述概率分布计算模块将所述多组可听噪声预测值划分为k个区间，若任意一个区间所对应的误差值从小到大排列为{e₁，e₂...e_x}，则所述多组误差值在所述k个区间的概率分布为：

其中，

为位于区间

内的误差值个数，x为总的误差值个数，e表示预测误差变量；

噪声概率预测模块，用于利用所述人工神经网络模型对待测数据进行预测，得到预测结果，并确定所述预测结果所在的区间，根据所述预测结果及所述预测结果所在的区间的差值概率分布，得到可听噪声概率预测结果，其中，所述噪声概率预测模块中，所述可听噪声概率预测结果的表达式为：

t+P_t，

其中t为所述人工神经网络模型输出的预测结果，P_t为该预测结果t所在区间的误差值的概率分布。

5.根据权利要求4所述的直流输电线路可听噪声概率预测系统，其特征在于，所述误差计算模块中，所述误差值的表达式为：

e_i＝Y_i-y_i

其中，i＝1…n，n为训练数据的组数，Y_i表示第i组训练数据所对应的可听噪声预测值，y_i表示第i组训练数据中的可听噪声测量值。

6.根据权利要求4-5任意一项所述的直流输电线路可听噪声概率预测系统，其特征在于，所述线路参数至少包括线路结构数据、运行工况数据、气象数据中的一种或多种。

Images