CN112347705B - 一种建立变电站厂界噪声模型的方法和系统 - Google Patents
一种建立变电站厂界噪声模型的方法和系统 Download PDFInfo
- Publication number
- CN112347705B CN112347705B CN202110015781.1A CN202110015781A CN112347705B CN 112347705 B CN112347705 B CN 112347705B CN 202110015781 A CN202110015781 A CN 202110015781A CN 112347705 B CN112347705 B CN 112347705B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- boundary noise
- transformer substation
- substation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种建立变电站厂界噪声模型的方法和系统,其结合现有声学软件预测变电站厂界噪声的结果、变电站的实测厂界噪声,以及与变电站厂界噪声相关的数据,通过对所述数据建立特征矩阵空间,并将所述特征矩阵空间作为学习样本,采用回归方法对样本进行训练和验证,建立变电站厂界噪声模型。所述方法和系统回避了现有声学预测方法在算法原理上的不足,又最大程度利用了目前最可靠的声学理论方法,而将实测厂界噪声数据作为已知条件,从大量的厂界噪声的真实结果来归纳、挖掘相关规律,更有利于获得准确的共性规律,是对现有技术的重要改进。
Description
技术领域
本发明涉及变电站厂界噪声分析方法,并且更具体地,涉及一种建立变电站厂界噪声模型的方法和系统。
背景技术
当前,电网在工程设计及环境影响评价过程中,需要对变电站厂界噪声排放水平进行预测,并评估对噪声敏感点声环境影响,在工程竣工环保验收阶段,厂界噪声达标成为强制约束。但是,即使经过设计阶段的预测,超、特高压变电站噪声对周围噪声敏感点声环境影响仍较突出,厂界环境噪声排放超标情况依旧是电网环保的关注的焦点。
目前在变电站噪声预测方面,所有的工作基本上都是基于声学软件(如知名的SoundPLAN、Cadna/A噪声预测软件),建立二维或者三维模型,对厂界噪声进行预测。经过针对具体的变电站设备声源情况、尺寸大小、布置方式、屏蔽措施等等进行建模,仿真研究厂界噪声的大小。但现有声学软件在预测方面的算法原理不完善,存在较多的假设。如目前的软件尚无法解决声波干涉场、多次折、反射的复杂场景问题。大量实测表明,运行期测量结果与预测结果有较大。1000kV石家庄变电站厂界噪声除了南偏东侧测点为45dB外,其余各侧噪声在35~40dB之间,而1000kV浙北站(安吉站)厂界各侧噪声则达40~52dB,部分时段超过了排放标准,此外,尚有大量无法解析表达的影响因素制约了预测结果的准确性。如厂界背景噪声的影响无法在预测阶段加以考虑;另外,运行工况、厂界周围的复杂地形地势等等对于厂界及敏感点的声场分布影响较大,而目前预测方法难以准确加以描述,而这些因素又与当地的居民密度、工农业活动、交通状况等等显性或隐性的因素相关。因此目前的预测技术存在改进的空间。
发明内容
为了解决现有技术中单纯利用声学软件建立厂界噪声预测模型造成厂界噪声预测结果与实际运行时的数据存在部分数据相关较大的技术问题,本发明提供一种建立变电站厂界噪声模型的方法,所述方法包括:
步骤1、采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集,其中,所述若干个变电站是若干个已建成的、位于不同地区的、具备不同站内主设备布置方式和不同站界地形条件的同一电压等级的变电站,每个变电站具有若干个测点,每个变电站具有若干个测点;
步骤2、对所述学习样本集中的样本数据进行清洗,生成第一样本数据;
步骤3、采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据;
步骤4、根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征;
步骤5、按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i ;
步骤6、采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,1≤i≤n,n为自然数,i的初始值为1;
步骤7、采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i ;
步骤8、当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当HS i - HS i-1 >k,i<n时,令i=i+1,返回步骤5,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0;
步骤9、对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
进一步地,采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集包括:
利用声学软件对所述若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据;
将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;
将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集。
进一步地,对所述学习样本集中的样本数据进行清洗,生成第一样本数据包括:
确定学习样本集中的样本数据数量;
当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
将清洗后的学习样本集作为第一样本数据。
进一步地,所述采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据包括:
根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
进一步地,当采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型与第二厂界噪声预测模型求和。
根据本发明的另一方面,本发明提供一种建立变电站厂界噪声模型的系统,所述系统包括:
学习样本单元,其用于采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集,其中,所述若干个变电站是若干个已建成的,位于不同地区的,具备不同站内主设备布置方式和不同站界地形地貌条件的同一电压等级的变电站,每个变电站具有若干个测点;
第一数据单元,其用于对所述学习样本集中的样本数据进行清洗,生成第一样本数据;
第二数据单元,其用于采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据;
特征矩阵空间单元,其用于根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征;
样本划分单元,其用于按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i ;
样本训练单元,其用于采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,1≤i≤n,n为自然数,i的初始值为1;
模型验证单元,其用于采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i ;
第一模型单元,其用于确定变电站厂界噪声差值模型,其中,当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当HS i -HS i-1 >k,i<n时,令i=i+1,返回样本划分单元,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0;
模型确定单元,其用于对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
进一步地,所述学习样本单元包括:
数据预测单元,其用于利用声学软件对所述若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据;
数据作差单元,其用于将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;
样本生成单元,其用于将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集。
进一步地,所述第一数据单元包括:
样本数量单元,其用于确定学习样本集中的样本数据数量;
第一清洗单元,其用于当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
第二清洗单元,其用于当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
第一数据生成单元,其用于将清洗后的学习样本集作为第一样本数据。
进一步地,所述第二数据单元包括:
第一采集单元,其用于根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
第二采集单元,其用于采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
第三采集单元,其用于根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
第四采集单元,其用于采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
第二数据生成单元,其用于将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
进一步地,第一模型单元还用于采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型发送至模型确定单元。
本发明技术方案提供的建立变电站厂界噪声模型的方法和系统结合现有声学软件预测变电站厂界噪声的结果、变电站的实测厂界噪声,以及与变电站厂界噪声相关的数据,通过对所述数据建立特征矩阵空间,并将所述特征矩阵空间作为学习样本,采用回归方法进行训练和验证,建立变电站厂界噪声模型。所述建立变电站厂界噪声模型的方法和系统的有益效果表现为:
1、本发明基于现有技术中的厂界噪声声学预测结果,将变电站厂界噪声实测值减去预测值,对得到的差值进行分析,即回避了现有声学预测方法在算法原理上的不足,又最大程度利用了目前最可靠的声学理论方法,而将实测厂界噪声数据作为已知条件,从大量的厂界噪声的真实结果来归纳、挖掘相关规律,更有利于获得准确的共性规律,是对现有技术的重要改进。
2、本发明采用了非参数统计方法,对实测结果的离群值进行了检验和剔除,得到具有统计意义的变电站厂界噪声数据,提高了实测数据的质量,为获得厂界噪声的影响规律提供了更为可靠的数据。
3、采用泛化能力较强的回归规则的数据挖掘方法,考虑了现有技术方案尚未能考虑的大量显性或隐性影响因素,采用数据挖掘中的回归方法,提取对厂界噪声具有强关联关系的关键信息,基于海量数据,建立了各类型影响因素与厂界噪声的关联关系与预测规则,结果更为全面可靠。
4、提出了以AUC面积变化的大小作为选取变电站厂界噪声差值模型的方法,充分保证了本发明的可行性和可靠性。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的建立变电站厂界噪声模型的方法的流程图;
图2为根据本发明优选实施方式的建立变电站厂界噪声模型的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的建立变电站厂界噪声模型的方法的流程图。如图1所示,本优选实施方法所述的建立变电站厂界噪声模型的方法100从步骤101开始。
在步骤101,采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集,其中,所述若干个变电站是若干个已建成的、位于不同地区的、具备不同站内主设备布置方式和不同站界地形条件的同一电压等级的变电站,每个变电站具有若干个测点。采集同一电压等级的变电站竣工验收时测量的实际厂界噪声数据,能使分析列为准确,比如,电压等级为220kV。
优选地,采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集包括:
利用声学软件对所述若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据。
现有技术中,广泛使用的声学软件包括SoundPLAN、Cadna/A噪声预测软件。以德国SoundPLAN软件为例,采用的是几何声学模拟分析法中的声线追踪法和扇面法。SoundPLAN软件中室外声场的模拟基于国际标准ISO9613-1:《声学 户外声传播衰减 第1部分:大气声吸收的计算方法》和ISO9613-2:《声学 户外声传播衰减 第2部分:一般计算方法》,我国已将此标准等效为国家标准。
该技术方案技术步骤基本为:
1)主声源类型和声源声功率级特性已知;
2)建立三维物理模型,包括建筑物的尺寸、空间相对位置关系等等;
3)利用声线追踪法和扇面法计算声场模拟计算;
4)进行厂界声敏感点目标的噪声值计算;
5)分析每一声源在声敏感目标点的噪声贡献两;
6)通过调整各类物理指标参数提出较优的声敏感目标的噪声控制方案。
以变电站厂界噪声预测和治理为例,通过利用SoundPLAN软件,建立主变压、高压电抗器、变电站围墙、声屏障等设备的物理结构,对既定建设方案的厂界噪声进行预测与分析,并通过调整总平面布置、设备选型、隔声屏障设置等方面,对变电站噪声控制提出措施和建议。
将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;
将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集。
在步骤102,对所述学习样本集中的样本数据进行清洗,生成第一样本数据。
优选地,对所述学习样本集中的样本数据进行清洗,生成第一样本数据包括:
确定学习样本集中的样本数据数量;
当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
将清洗后的学习样本集作为第一样本数据。
本优选实施方式中,当样本大于220时,采用基于Walsh检验的离群值剔除方法,当样本小于220时,采用五数概括法。具体原理如下:
1)当样本数小于220时,采用五数概括法进行离群值检验:将样本从小到大依次排列,求得样本的四分位数,包含第一四分位数Q1、第二四分位数Q2、第三四分位数Q3。第二四分位数也叫做中位数,是指数值在排序后的集合中最中间的数;求得IQR= Q3-Q1;确定下限min=Q1-1.5×IQR,确定上限max=Q3+1.5×IQR;超出min和max的数据均判断为离群值,予以舍弃;
2)当样本数大于220时,采用基于Walsh检验的离群值剔除方法,它可用于任意分布对象。由于在显著水平为0.05时,对于样本的最小要求为220,所以必须在样本数大于220时才能采用Walsh方法。当样本数为n时,如果假设怀疑数据中最大的r个为离群值的话,设定显著性水平为α,首先计算:
k=r+c (3)
Trunc ( )表示取整运算,{x}为从小到大排列的样本序列,如果可疑值为数据中的r个最大值时,求:
ω=-x n+1-r +(1+a)x n-r -ax n+1-k (4)
如果可疑值为数据中的r个最小值时,求:
ω=x r -(1+a)x r+1+ax k (5)
判断离群值的条件为:
ω<0 (6)
在步骤103,采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据。
优选地,所述采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据包括:
根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
在步骤104,根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征。具体示例如表1所示。
表1 变电站厂界噪声特征矩阵空间
变电站序号 | 厂界噪声差值 | 运行功率MW | 气温℃ | 主变距离围墙(m) | 高抗距离围墙(m) | 人口密度(万人/平方公里) | 隔声屏障高度(m) | … |
1 | 0.1 | 200 | 18 | 31 | 28 | 0.5 | 5 | … |
2 | 0.3 | 198 | 25 | 25 | 27 | 1 | 3 | … |
3 | 0.5 | 350 | 32 | 40 | 51 | 0.02 | 6 | … |
4 | 0.4 | 230 | 23 | 19 | 23 | 0.2 | 4 | … |
… | … | … | … | … | … | … | … | … |
在步骤105,按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i 。本优选实施方式中,所述设定的比例为9:1。
在步骤106,采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,1≤i ≤n,n为自然数,i的初始值为1。采用基于泛化能力强、求解速度快的回归方法根据训练集进行训练。具体而言,在这种涉及多元数据分析领域,常用的回归方法有可以提供显式树型回归规则的树模型方法、无法提供显式回归参数的黑箱式方法、以及可以明确写出自变量回归系数的传统回归方法。树模型方法以分类回归树(CART) 、梯度提升树(GBDT)等为代表;黑箱式方法以人工神经网络、核函数为代表;传统多元回归以多元线性回归为代表等。
在步骤107,采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i 。
在步骤108、当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当HS i -HS i-1 >k,i<n时,令i=i+1,返回步骤105,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0。
在步骤109,对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
优选地,当采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型与第二厂界噪声预测模型求和。如上所述,回归方法多种多样,采用多种回归方法分别求取所述方法下的回归模型,并通过AUC面积选择其中回归效果最优的回归模型作为变电站厂界噪声差值模型,进一步提高了变电站厂界噪声模型预测的准确性。
图2为根据本发明优选实施方式的建立变电站厂界噪声模型的系统的结构示意图。如图2所示,本优选实施方式所述的建立变电站厂界噪声回归预测模型的系统200包括:
学习样本单元201,其用于采集若干个变电站的实际厂界噪声数据和第一预测厂界噪声数据,建立厂界噪声数据的差值的学习样本集,其中,所述若干个变电站是若干个已建成的,位于不同地区的,具备不同站内主设备布置方式和不同站界地形地貌条件的同一电压等级的变电站,每个变电站具有若干个测点。
第一数据单元202,其用于对所述学习样本集中的样本数据进行清洗,生成第一样本数据。
第二数据单元203,其用于采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据。
特征矩阵空间单元204,其用于根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征。
样本划分单元205,其用于按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i 。
样本训练单元206,其用于采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,1≤i≤n,n为自然数,i的初始值为1。
模型验证单元207,其用于采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i 。
第一模型单元208,其用于确定变电站厂界噪声差值模型,其中,当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当HS i -HS i-1 >k,i<n时,令i=i+1,返回样本划分单元205,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0。
模型确定单元209,其用于对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
优选地,所述所述学习样本单元201包括:
数据预测单元211,其用于利用声学软件对所述若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据;
数据作差单元212,其用于将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;
样本生成单元213,其用于将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集。
优选地,所述第一数据单元202包括:
样本数量单元221,其用于确定学习样本集中的样本数据数量;
第一清洗单元,其用于当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
第二清洗单元222,其用于当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
第一数据生成单元223,其用于将清洗后的学习样本集作为第一样本数据。
优选地,所述第二数据单元203包括:
第一采集单元231,其用于根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
第二采集单元232,其用于采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
第三采集单元233,其用于根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
第四采集单元234,其用于采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
第二数据生成单元235,其用于将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
优选地,所述第一模型单元208还用于采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型发送至模型确定单元。
本发明所述建立变电站厂界噪声模型的系统对厂界噪声预测数据和实测数据,以及影响厂界噪声的因素进行数据挖掘,生成变电站厂界噪声模型的步骤与本发明所述的建立变电站厂界噪声模型的方法采取的步骤相同,并且达到的技术效果也相同,此处不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种建立变电站厂界噪声模型的方法,其特征在于,所述方法包括:
步骤1、利用声学软件对若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据;采集所述若干个变电站的实际厂界噪声数据;将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集,其中,所述若干个变电站是若干个已建成的、位于不同地区的、具备不同站内主设备布置方式和不同站界地形条件的同一电压等级的变电站,每个变电站具有若干个测点;
步骤2、对所述学习样本集中的样本数据进行清洗,生成第一样本数据;
步骤3、采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据;
步骤4、根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征;
步骤5、按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i ;
步骤6、采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,1≤i≤n,n为自然数,i的初始值为1;
步骤7、采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i ;
步骤8、当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当
HS i -HS i-1 >k,i<n时,令i=i+1,返回步骤5,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0;
步骤9、对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
2.根据权利要求1所述的方法,其特征在于,对所述学习样本集中的样本数据进行清洗,生成第一样本数据包括:
确定学习样本集中的样本数据数量;
当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
将清洗后的学习样本集作为第一样本数据。
3.根据权利要求1所述的方法,其特征在于,所述采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据包括:
根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
4.根据权利要求1所述的方法,其特征在于,当采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型与第二厂界噪声预测模型求和,得到拟建变电站厂界噪声模型。
5.一种建立变电站厂界噪声模型的系统,其特征在于,所述系统包括:
学习样本单元,其用于利用声学软件对若干个变电站分别建立第一厂界噪声预测模型,并根据所述第一厂界噪声预测模型确定所述若干个变电站的第一预测厂界噪声数据;采集所述若干个变电站的实际厂界噪声数据;将每个变电站的实际厂界噪声数据与第一预测厂界噪声数据作差,确定所述每个变电站的厂界噪声数据的差值;将所述每个变电站的厂界噪声数据的差值的集合作为学习样本集,其中,所述若干个变电站是若干个已建成的,位于不同地区的,具备不同站内主设备布置方式和不同站界地形地貌条件的同一电压等级的变电站,每个变电站具有若干个测点;
第一数据单元,其用于对所述学习样本集中的样本数据进行清洗,生成第一样本数据;
第二数据单元,其用于采集所述若干个变电站的基础信息,所述若干个变电站周边的地理信息数据,以及所述若干个变电站的厂界周边的社会经济信息作为第二样本数据;
特征矩阵空间单元,其用于根据所述第一样本数据和第二样本数据,针对所述每个变电站的厂界噪声数据的差值建立特征矩阵空间A n×m ,其中,n为采集实际厂界噪声数据的变电站的测点数量的总和,m为每个变电站采集的与厂界噪声数据有关的特征属性的数量,所述特征属性包括厂界噪声数据的差值和第二样本数据中的特征;
样本划分单元,其用于按照设定的比例对所述特征矩阵空间A n×m 进行划分,生成训练集A i 和验证集B i ;
样本训练单元,其用于采用回归方法对所述训练集A i 进行训练,生成回归规则H i ,其中,
1≤i≤n,n为自然数,i的初始值为1;
模型验证单元,其用于采用所述验证集B i 对所述回归规则H i 进行验证以生成ROC曲线HR i ,并计算所述ROC曲线HR i 下的AUC面积HS i ;
第一模型单元,其用于确定变电站厂界噪声差值模型,其中,当HS i -HS i-1 ≤k时,所述回归规则H i 为变电站厂界噪声差值模型;当HS i -HS i-1 >k,i<n时,令i=i+1,返回样本训练单元,其中,k为预先设置的AUC面积差值的阈值,HS 0 等于0;
模型确定单元,其用于对拟建变电站利用声学软件建立第二厂界噪声预测模型,并对所述第二厂界噪声预测模型和变电站厂界噪声差值模型求和,得到拟建变电站厂界噪声模型。
6.根据权利要求5所述的系统,其特征在于,第一数据单元包括:
样本数量单元,其用于确定学习样本集中的样本数据数量;
第一清洗单元,其用于当样本数据数量大于预设样本阈值时,采用基于Walsh检验的离群值剔除方法清洗掉离群样本数据;或者
第二清洗单元,其用于当样本数据数量不大于预设样本阈值时,采用五数概括法清洗掉离群样本数据;
第一数据生成单元,其用于将清洗后的学习样本集作为第一样本数据。
7.根据权利要求5所述的系统,其特征在于,所述第二数据单元包括:
第一采集单元,其用于根据电网提供的变电站布局图、主设备尺寸图和隔声屏障图纸获取与所述若干个变电站的与变电站厂界噪声相关的基础数据,作为第一原始数据;
第二采集单元,其用于采集所述若干个变电站竣工验收时变电站设备的运行工况和变电站环境参数,作为第二原始数据,其中,所述环境参数包括温度、湿度和风速;
第三采集单元,其用于根据所述变电站周边的卫星影像和遥感信息确定变电站周边的地理信息数据,作为第三原始数据,其中,所述地理信息数据包括三维数学高程数据和地物类型数据;
第四采集单元,其用于采集所述变电站的厂界周边路网密度、人口密度,厂界周边区域经济指标和工农业生产活动数据作为厂界周边社会经济信息,作为第四原始数据;
第二数据生成单元,其用于将所述第一原始数据、第二原始数据、第三原始数据和第四原始数据的集合作为第二样本数据。
8.根据权利要求5所述的系统,其特征在于,所述第一模型单元还用于采用多种回归方法确定每种回归方法对应的变电站厂界噪声差值模型后,选择AUC面积最大的变电站厂界噪声差值模型发送至模型确定单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015781.1A CN112347705B (zh) | 2021-01-07 | 2021-01-07 | 一种建立变电站厂界噪声模型的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015781.1A CN112347705B (zh) | 2021-01-07 | 2021-01-07 | 一种建立变电站厂界噪声模型的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347705A CN112347705A (zh) | 2021-02-09 |
CN112347705B true CN112347705B (zh) | 2021-04-02 |
Family
ID=74427710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015781.1A Active CN112347705B (zh) | 2021-01-07 | 2021-01-07 | 一种建立变电站厂界噪声模型的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347705B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221413B (zh) * | 2021-05-10 | 2023-02-17 | 国网湖北省电力有限公司电力科学研究院 | 一种变电站可听噪声预测的声波干涉修正方法及系统 |
CN115099115B (zh) * | 2022-08-24 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 一种户内变电站通风降噪深度强化学习设计方法 |
CN116754654B (zh) * | 2023-08-21 | 2023-12-01 | 成都中弘轨道交通环保产业股份有限公司 | 一种基于图像分析模型的声音屏障检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4138947A (en) * | 1977-04-07 | 1979-02-13 | Pickett William H | Noise barrier |
CN103604494A (zh) * | 2013-11-27 | 2014-02-26 | 国家电网公司 | 一种提高变电站厂界噪声测量准确性的方法 |
CN110260970A (zh) * | 2019-06-28 | 2019-09-20 | 清华四川能源互联网研究院 | 一种变电站厂界噪声广域同步测量方法及噪声监测设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020733B (zh) * | 2012-11-27 | 2017-04-12 | 南京航空航天大学 | 一种基于权重的机场单航班噪声预测方法及其系统 |
CN103218516A (zh) * | 2013-03-22 | 2013-07-24 | 南京航空航天大学 | 一种聚类再回归的机场噪声单步预测方法 |
CN103512652B (zh) * | 2013-09-12 | 2015-05-20 | 国家电网公司 | 一种适用于变电站运行时的厂界背景噪声测试方法 |
CN104573047A (zh) * | 2015-01-20 | 2015-04-29 | 国家电网公司 | 变电站厂界噪声统计分析方法 |
CN107180273B (zh) * | 2017-05-09 | 2020-05-22 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于大数据统计分析的变电站厂界噪声预测评估方法 |
CN107860469B (zh) * | 2017-11-22 | 2019-09-10 | 重庆大学 | 一种基于正交多项式拟合的变电站噪声预测方法 |
CN110567576B (zh) * | 2019-09-11 | 2022-10-28 | 中国电力科学研究院有限公司 | 一种变电站厂界噪声超标原因的确定方法及装置 |
-
2021
- 2021-01-07 CN CN202110015781.1A patent/CN112347705B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4138947A (en) * | 1977-04-07 | 1979-02-13 | Pickett William H | Noise barrier |
CN103604494A (zh) * | 2013-11-27 | 2014-02-26 | 国家电网公司 | 一种提高变电站厂界噪声测量准确性的方法 |
CN110260970A (zh) * | 2019-06-28 | 2019-09-20 | 清华四川能源互联网研究院 | 一种变电站厂界噪声广域同步测量方法及噪声监测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112347705A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347705B (zh) | 一种建立变电站厂界噪声模型的方法和系统 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
Eslamirad et al. | Thermal comfort prediction by applying supervised machine learning in green sidewalks of Tehran | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
Soares dos Santos et al. | Artificial neural networks and multiple linear regression model using principal components to estimate rainfall over South America | |
Murillo-Gómez et al. | Assessment of the RLS 90 calculation method for predicting road traffic noise in Colombian conditions | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN110991874A (zh) | 一种建筑群微环境测评方法、平台和系统 | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN107169289A (zh) | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 | |
CN116728783B (zh) | 一种基于3d打印机的仿真方法及系统 | |
Manganelli et al. | Using genetic algorithms in the housing market analysis | |
Romanowicz et al. | On the choice of calibration periods and objective functions: a practical guide to model parameter identification | |
CN109494716A (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
CN104951798A (zh) | 基于emd的lssvm非平稳脉动风速预测方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
Zhou et al. | Real-time prediction of indoor humidity with limited sensors using cross-sample learning | |
Lim et al. | Estimating unknown parameters of a building stock using a stochastic-deterministic-coupled approach | |
KR101463493B1 (ko) | 추계학적 태풍모의를 적용한 전지구 기후모델의 보완방법 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
Zhang et al. | Estimating the outdoor environment of workers’ villages in East China using machine learning | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN115374709A (zh) | 一种基于深度森林模型和flus模型的土地分析方法及系统 | |
De Ona et al. | Bilevel fuzzy optimization to pre-process traffic data to satisfy the law of flow conservation |
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 |