CN110502846A - 一种基于多元线性拟合的多源噪声快速分离方法 - Google Patents

一种基于多元线性拟合的多源噪声快速分离方法 Download PDF

Info

Publication number
CN110502846A
CN110502846A CN201910795032.8A CN201910795032A CN110502846A CN 110502846 A CN110502846 A CN 110502846A CN 201910795032 A CN201910795032 A CN 201910795032A CN 110502846 A CN110502846 A CN 110502846A
Authority
CN
China
Prior art keywords
source
noise
matrix
initial
sound level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910795032.8A
Other languages
English (en)
Other versions
CN110502846B (zh
Inventor
严青
何清怀
张体强
曾媛
陈笠
张一�
陈迪
陈晓琳
文兴
丁少华
王琳杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Electric Power Design and Consulting Co Ltd
Original Assignee
Sichuan Electric Power Design and Consulting Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Electric Power Design and Consulting Co Ltd filed Critical Sichuan Electric Power Design and Consulting Co Ltd
Priority to CN201910795032.8A priority Critical patent/CN110502846B/zh
Publication of CN110502846A publication Critical patent/CN110502846A/zh
Application granted granted Critical
Publication of CN110502846B publication Critical patent/CN110502846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及噪声监测技术，其公开了一种基于多元线性拟合的多源噪声快速分离方法，解决传统技术中无法对多源噪声进行有效分离和单独评价带来的问题。该方法包括：1.建立噪声预测模型；2.设置各声源的初始源强以及初始背景值；3.建立噪声预测点群；4.预测点群内各点位的初始声级值；5.提取各噪声源的初始声级贡献值，建立X矩阵；6.对噪声预测点群进行声级值实测，获得各点位实测值，建立Y矩阵；7.利用噪声源对各点位的实际声级贡献值与初始声级贡献值之间的差值、实测背景值与初始背景值之间的差值建立Δ矩阵；8.利用Y＝X·Δ进行多元线性拟合，计算Δ矩阵；9.计算各点位在实测条件下各个噪声源的实际声级贡献值和实测背景值，建立X1矩阵，也可反推各声源的实测源强。

Description

一种基于多元线性拟合的多源噪声快速分离方法
技术领域
本发明涉及噪声监测技术，具体涉及一种基于多元线性拟合的多源噪声快速分离方法。
背景技术
近年来，城市社区受到变电站噪声和交通噪声共同影响的情况比比皆是，虽然在变电站或道路建设前期均会进行环境影响评价，在相应的环评报告中也会对社区各敏感目标所受到的噪声影响进行预测。但是随着变压器的运行负荷增加、设备老化等因素，变压器噪声源强较运行初期可能会有变化；同时随着城市经济飞速发展，居民汽车拥有量日趋增多，交通道路上的车流量逐渐变大，直接导致交通噪声较运行初期可能会发生变化。为了满足国家环境保护相关法规的要求，建设单位往往会通过验收监测和例行监测对项目区域的噪声情况进行管理。
但是噪声监测结果仅能反映监测点位受到的多种噪声源的综合影响，无法对变电站噪声、交通噪声及背景噪声进行有效的分离和单独评价，不利于分析多种源强的变化趋势，若监测结果出现超标，则无法针对不同的声源采取有针对性的降噪措施。
发明内容
本发明所要解决的技术问题是：提出一种基于多元线性拟合的多源噪声快速分离方法，解决传统技术中无法对多源噪声进行有效分离和单独评价带来的问题。
本发明解决上述技术问题采用的技术方案是：
一种基于多元线性拟合的多源噪声快速分离方法，包括以下步骤：
步骤一、建立目标区域的噪声预测模型；
步骤二、设置对目标区域造成噪声影响的M个声源的初始源强L0,i以及初始背景值B0；
步骤三、建立目标区域中包含N个预测点位的噪声预测点群；
步骤四、通过噪声预测模型预测各个预测点位的初始声级值P0j，并提取各噪声源的初始声级贡献值P0j,i；然后利用和建立X矩阵，1≤i≤M，1≤j≤N；
步骤五、对噪声预测点群中的各个预测点位进行声级值实测，获得各点位实测值P1j，然后利用建立Y矩阵；
步骤六、设M个噪声源在实测条件下对各点位的实际声级贡献值P1j,i与预测条件下的初始声级贡献值P0j,i之间的差值为Δi，实测背景值B1与初始背景值B0之间的差值为ΔB，通过建立Δ矩阵；
步骤七、利用Y＝X·Δ进行多元线性拟合，计算Δ矩阵；
步骤八、基于Δ矩阵计算各点位实测条件下M个噪声源的实际声级贡献值P1j,i和实测背景值B1，并建立X1矩阵；基于Δ矩阵反推各声源的实测源强L1,i。
作为进一步优化，步骤一中，通过Cadna A噪声预测软件建立目标区域的噪声预测模型。
作为进一步优化，步骤二中，在设置噪声源的初始源强时，对于变电站声源的初始源强可根据现场测量国家电网通用设备的噪声源强或设备厂家提供的资料确定；
对于交通道路声源的初始源强可根据现场测量或同类道路噪声源强资料确定；
所述初始背景值B0可参照无噪声源区域的背景噪声取值。
作为进一步优化，步骤三中，所述N个噪声预测点位为目标区域内噪声预测关心点位或者预测断面。
作为进一步优化，步骤四中，所述X矩阵的第j行为
作为进一步优化，步骤五中，所述Y矩阵为
作为进一步优化，步骤六中，所述Δ矩阵为
作为进一步优化，步骤七中，采用Matlab拟合工具进行多元线性拟合，在拟合过程中进行残差分析。
作为进一步优化，步骤八中，所述各点位实测条件下M个噪声源的声级贡献值P1j,i＝P0j,i+Δi，实测背景值B1＝B0+ΔB；所述X1矩阵的第j行X1j＝[P1j,1,P1j,2,...,B1]；所述实测源强L1,i＝L0,i+Δi。
作为进一步优化，所述声源的初始源强L0,i和实测源强L1,i为声功率级，初始背景值B0和实测背景值B1为声级值；所述声级值为声压级或A计权声级。
本发明的有益效果是：
通过对预测点群内不同点位的噪声进行实测，利用各点位受到多个声源的初始噪声贡献值和实测噪声值拟合各声源的噪声贡献值变化量，从而实现对各噪声源强的快速有效分离。避免了测量单独噪声源强需要关停其它声源设备，通过对各噪声源强的有效分离，可准确获知各噪声源的源强特性，也可反映不同噪声源对目标区域内各点位的贡献情况及变化趋势，同时有利于针对不同的噪声源采取有针对性的降噪措施。
附图说明
图1为本发明实施例中的多源噪声快速分离方法流程图；
图2为本发明实施例中的社区平面示意图；
图2中的标记说明：1为110kV变电站，1-1为1#主变压器，1-2为2#主变压器,2为西侧公路，3为北侧公路，4为南侧公路，5为变电站东南侧站界预测点位，6为变电站西南侧站界预测点位，7为变电站西北侧站界预测点位，81为变电站西北侧民房1层预测点位，82为变电站西北侧民房2层预测点位，9为变电站东北侧民房1层预测点位，10为变电站南侧民房1层预测点位。
具体实施方式
本发明旨在提出一种基于多元线性拟合的多源噪声快速分离方法，解决传统技术中无法对多源噪声进行有效分离和单独评价带来的不利于分析多种源强的变化趋势，在监测结果出现超标时无法针对不同的声源采取有针对性的降噪措施的问题。
实施例：
如图1所示，本实施例中的基于多元线性拟合的多源噪声快速分离方法包括以下步骤：
步骤1：在Cadna A软件中建立社区的噪声预测模型，如图2所示，其中声源数量M为5，分别为1#主变压器1-1、2#主变压器1-2、西侧公路2、北侧公路3、南侧公路4，背景噪声为B。
步骤2：设置5个声源的初始源强，即：1#主变L0,1＝88.7dB(A)，2#主变L0,2＝88.7dB(A)，西侧公路L0,3＝101.4dB(A)，北侧公路L0,4＝101dB(A)，南侧公路L0,5＝103.7dB(A)，背景噪声B0＝40dB(A)。
步骤3：建立噪声预测点群，如图2中的5～10，预测点位数量N为7，其中预测点位8包含2个，即81,82，分别为1层、2层。
步骤4：预测点群内各点位的初始声级值P0j，通过Cadna A软件进行预测。
步骤5：提取预测点位受到各噪声源的初始声级贡献值P0j,i(1≤j≤7，1≤i≤5)，利用和建立X矩阵。
步骤6：对噪声预测点群进行声级值实测，获得各点位实测值P1j(1≤j≤7)，利用建立Y矩阵。
Y＝1.0e+04[3.8905 4.1687 4.8978 3.3884 4.5709 3.1623 2.9512]T
步骤7：5个声源对点位j的实际声级贡献值与初始声级贡献值之差为Δi，实测背景值与初始背景值之差为ΔB，则有：
利用建立Δ矩阵。
步骤8：利用Matlab中的regress函数对Y＝X·Δ进行多元线性拟合，拟合出Δ矩阵。
Δ＝[0.1474 0.3555 0.1326 0.7695 0.1187 0.9097]T
使用的拟合函数如下：
[b,bint,r,rint,stats]＝regress(Y,X)
rcoplot(r,rint)
步骤9：根据拟合出来的Δ矩阵计算5个声源的实际声级贡献值P1j,i和实测背景值B1，建立X1矩阵。
实测源强条件下与初始源强条件下相比较，i(1≤i≤5)声源对某一点位的贡献值增量与i声源的源强增量一致，故可以反推各声源的实测源强，如下：
[L1,1,L1,2,L1,3,L1,4,L1,5,B1]T＝[L0,1,L0,2,L0,3,L0,4,L0,5,B0]T+[Δ1,Δ2,Δ3,Δ4,Δ5,ΔB]T
可以求得：1#主变L1,1＝80.4dB(A)，2#主变L1,2＝84.2dB(A)，西侧公路L1,3＝92.6dB(A)，北侧公路L1,4＝99.9dB(A)，南侧公路L1,5＝94.4dB(A)，实测背景噪声B1＝39.6dB(A)。
需要说明的是，上述实施例仅是以一个具体的实例来阐述本申请的多源噪声快速分离方法，该多源噪声快速分离方法同样适用于其他类型的多源噪声。

Claims (10)

1.一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，包括以下步骤：
步骤一、建立目标区域的噪声预测模型；
步骤二、设置对目标区域造成噪声影响的M个声源的初始源强L0,i以及初始背景值B0；
步骤三、建立目标区域中包含N个预测点位的噪声预测点群；
步骤四、通过噪声预测模型预测各个预测点位的初始声级值P0j，并提取各噪声源的初始声级贡献值P0j,i；然后利用和建立X矩阵，1≤i≤M，1≤j≤N；
步骤五、对噪声预测点群中的各个预测点位进行声级值实测，获得各点位实测值P1j，然后利用建立Y矩阵；
步骤六、设M个噪声源在实测条件下对各点位的实际声级贡献值P1j,i与预测条件下的初始声级贡献值P0j,i之间的差值为Δi，实测背景值B1与初始背景值B0之间的差值为ΔB，通过建立Δ矩阵；
步骤七、利用Y＝X·Δ进行多元线性拟合，计算Δ矩阵；
步骤八、基于Δ矩阵计算各点位实测条件下M个噪声源的实际声级贡献值P1j,i和实测背景值B1，并建立X1矩阵；基于Δ矩阵反推各声源的实测源强L1,i。
2.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，步骤一中，通过Cadna A噪声预测软件建立目标区域的噪声预测模型。
3.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤二中，在设置噪声源的初始源强时，对于变电站声源的初始源强可根据现场测量国家电网通用设备的噪声源强或设备厂家提供的资料确定；
对于交通道路声源的初始源强可根据现场测量或同类道路噪声源强资料确定；
所述初始背景值B0可参照无噪声源区域的背景噪声取值。
4.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤三中，所述N个噪声预测点位为目标区域内噪声预测关心点位或者预测断面。
5.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤四中，所述X矩阵的第j行为
6.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，步骤五中，所述Y矩阵为
7.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤六中，所述Δ矩阵为
8.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤七中，采用Matlab拟合工具进行多元线性拟合，在拟合过程中进行残差分析。
9.如权利要求1所述的一种基于多元线性拟合的多源噪声快速分离方法，其特征在于，
步骤八中，所述各点位实测条件下M个噪声源的声级贡献值P1j,i＝P0j,i+Δi，实测背景值B1＝B0+ΔB；所述X1矩阵的第j行X1j＝[P1j,1,P1j,2,...,B1]；所述实测源强L1,i＝L0,i+Δi。
10.如权利要求1-9任意一项所述的一种基于多元线性拟合的多源噪声快速分离方法，
其特征在于，所述声源的初始源强L0,i和实测源强L1,i为声功率级，初始背景值B0和实测背景值B1为声级值；所述声级值为声压级或A计权声级。
CN201910795032.8A 2019-08-27 2019-08-27 一种基于多元线性拟合的多源噪声快速分离方法 Active CN110502846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910795032.8A CN110502846B (zh) 2019-08-27 2019-08-27 一种基于多元线性拟合的多源噪声快速分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910795032.8A CN110502846B (zh) 2019-08-27 2019-08-27 一种基于多元线性拟合的多源噪声快速分离方法

Publications (2)

Publication Number Publication Date
CN110502846A true CN110502846A (zh) 2019-11-26
CN110502846B CN110502846B (zh) 2022-11-22

Family

ID=68589695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910795032.8A Active CN110502846B (zh) 2019-08-27 2019-08-27 一种基于多元线性拟合的多源噪声快速分离方法

Country Status (1)

Country Link
CN (1) CN110502846B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753405A (zh) * 2020-06-05 2020-10-09 国网湖北省电力有限公司电力科学研究院 一种变电站声源设备源强求解方法及系统
CN111814392A (zh) * 2020-06-19 2020-10-23 中冶南方城市建设工程技术有限公司 基于深度学习的工地敏感测点噪声预测方法
CN111881583A (zh) * 2020-07-29 2020-11-03 国网陕西省电力公司电力科学研究院 一种基于声源贡献分析的变电站降噪方案设计方法
CN112071073A (zh) * 2020-09-18 2020-12-11 上海市环境科学研究院 一种噪声地图系统的道路噪声自动修正方法
CN113916356A (zh) * 2021-09-03 2022-01-11 中国电力科学研究院有限公司 一种换流站站界噪声测量布点的方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672690A (zh) * 2009-09-27 2010-03-17 吉林大学 基于听觉模型的车内噪声烦躁度客观量化评价方法
CN107609332A (zh) * 2017-09-18 2018-01-19 安徽理工大学 一种换流变压器远场噪声预测的方法
CN110096733A (zh) * 2019-03-18 2019-08-06 广东电网有限责任公司 一种输变电噪声评价模型建立方法及输变电噪声评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101672690A (zh) * 2009-09-27 2010-03-17 吉林大学 基于听觉模型的车内噪声烦躁度客观量化评价方法
CN107609332A (zh) * 2017-09-18 2018-01-19 安徽理工大学 一种换流变压器远场噪声预测的方法
CN110096733A (zh) * 2019-03-18 2019-08-06 广东电网有限责任公司 一种输变电噪声评价模型建立方法及输变电噪声评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宫元彬 等: "利用偏最小二乘回归的噪声源分离量化", 《声学技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753405A (zh) * 2020-06-05 2020-10-09 国网湖北省电力有限公司电力科学研究院 一种变电站声源设备源强求解方法及系统
CN111814392A (zh) * 2020-06-19 2020-10-23 中冶南方城市建设工程技术有限公司 基于深度学习的工地敏感测点噪声预测方法
CN111814392B (zh) * 2020-06-19 2024-02-13 中冶南方城市建设工程技术有限公司 基于深度学习的工地敏感测点噪声预测方法
CN111881583A (zh) * 2020-07-29 2020-11-03 国网陕西省电力公司电力科学研究院 一种基于声源贡献分析的变电站降噪方案设计方法
CN112071073A (zh) * 2020-09-18 2020-12-11 上海市环境科学研究院 一种噪声地图系统的道路噪声自动修正方法
CN112071073B (zh) * 2020-09-18 2021-08-17 上海市环境科学研究院 一种噪声地图系统的道路噪声自动修正方法
CN113916356A (zh) * 2021-09-03 2022-01-11 中国电力科学研究院有限公司 一种换流站站界噪声测量布点的方法及系统

Also Published As

Publication number Publication date
CN110502846B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110502846A (zh) 一种基于多元线性拟合的多源噪声快速分离方法
CN106021970B (zh) 通过降雨预报预测城市积水的方法及系统
Irwin et al. Wind tunnel testing of high-rise buildings
CN108984873B (zh) 供水管网实时漏损检测方法、设备、系统及存储介质
US6704664B2 (en) Fatigue sensitivity determination procedure
EP3392636A1 (en) Sound propagation comparison with automated frequency selection for pipe condition assessment
WO2021102718A1 (zh) 一种基于SCANeR的人机混驾自动驾驶虚拟测试平台
CN108090614B (zh) 一种基于相关系数的空间风场预测模型建立方法
CN105956216A (zh) 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法
CN104236889A (zh) 橡胶密封圈的贮存寿命优化设计方法
CN103063738A (zh) 一种埋地燃气钢质管道外防腐层检测方法
CN104812063A (zh) 室内环境下基于虚拟传感器的波达时间toa定位方法
Brownjohn Lateral loading and response for a tall building in the non-seismic doldrums
Wang et al. Research on non-stationary wind-induced effects and the working mechanism of full scale super-large cooling tower based on field measurement
Brownjohn et al. Experimental modal analysis of civil structures: state of the art
CN107587493A (zh) 一种基于神经网络的基坑开挖监测预警方法
CN111291439A (zh) 一种基于有限元分析的建筑减震加固设计方法
Barbato et al. A preliminary proposal for a probabilistic performance-based hurricane engineering framework
CN112697386B (zh) 一种风载荷作用下山区输电塔稳定性监控方法与系统
CN108896397B (zh) 基于微震监测技术的屋顶绿化安全荷载评价方法
Baskaran Wind engineering studies on tall buildings—transitions in research
KR20030067305A (ko) 매설배관 위험진단 평가방법
CN113435538B (zh) 一种无线通信设备部署方法及装置
CN110375206B (zh) 基于glt及opt方法的供热管网运行状态监测方法
KR20050081630A (ko) 인공신경망을 사용한 동적신호의 스펙트럼 패턴 비교를통한 구조물의 상태평가기법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant