CN114034375B - 一种特高压输电线路噪声测量系统及方法 - Google Patents
一种特高压输电线路噪声测量系统及方法 Download PDFInfo
- Publication number
- CN114034375B CN114034375B CN202111250555.8A CN202111250555A CN114034375B CN 114034375 B CN114034375 B CN 114034375B CN 202111250555 A CN202111250555 A CN 202111250555A CN 114034375 B CN114034375 B CN 114034375B
- Authority
- CN
- China
- Prior art keywords
- noise
- audible noise
- data
- lof
- emd
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 27
- 238000012806 monitoring device Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 5
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Abstract
一种特高压输电线路噪声测量系统及方法，该系统包括：声压传声单元，用于将收集到的可听噪声信号转换为电信号，传输给噪声频程计算单元；噪声频程计算单元，对声压传声单元传输而来的可听噪声原始电信号进行倍频程计算，得到可听噪声8 kHz分量；运算平台，运行有LOF‑EMD‑XGBoost模型，用于计算出可听噪声的A声级有效数据。本发明该方法提出使用LOF‑EMD‑XGBoost机器学习模型替代传统的经验公式，不会因为气象因素的增多而造成修正难度增大；使用LOF算法针对噪声频程计算单元中出现的无效数据进行剔除，从而保证模型的可靠性。
Description
技术领域
本发明涉及电力系统测量技术领域，具体涉及一种特高压输电线路噪声测量系统及方法。
背景技术
我国特高压输电线路大量建设和投入运行，特高压输电线路产生的电磁环境干扰包括：可听噪声、无线电干扰、电晕损失、地面电场等。其中，输电线路电晕现象产生的可听噪声作为输电线路的设计标准之一，在收集的过程中极易受到背景噪声干扰，如果不对收集到的输电线路可听噪声数据进行处理，那么输电线路的准确评估将受到巨大影响。
目前许多学者开展了关于输电线路可听噪声有效数据的研究：通过快速傅里叶变化与小波变换对可听噪声的原始信号进行降噪减少背景噪声的干扰；研究可听噪声A声级与电晕电流之间的经验公式，从而间接获得可听噪声从而回避背景噪声干扰；研究可听噪声8kHz分量与A声级之间的经验公式，间接获取可听噪声回避背景噪声干扰(可听噪声8kHz分量受到背景噪声影响较小)；研究小波分解、有限长单位冲击响应滤波器对收集到的声音信号中的背景噪声进行剔除，直接得到输电线路可听噪声有效数据。
然而上述方法在实际收集输电线路可听噪声有效数据过程中难以获得线路上电晕电流大小；输电线路可听噪声受环境因素影响较大，上述方法难以获得考虑众多环境因素的修正经验公式。上述剔除背景噪声的方法无论是直接剔除背景噪声，还是通过间接的方式获得某些变量与A声级之间的转换关系回避背景噪声，都没有考虑气象因素对输电线路可听噪声的影响，或是难以考虑气象因素对可听噪声的影响。因此亟需可以利用多种气象因素获得可听噪声A声级有效数据的方法。
发明内容
针对目前特高压交流输电线路可听噪声数据采集中存在的背景噪声问题，本发明提供一种特高压输电线路噪声测量系统及方法，该方法提出使用LOF-EMD-XGBoost机器学习模型替代传统的经验公式，不会因为气象因素的增多而造成修正难度增大；使用LOF算法针对噪声频程计算单元中出现的无效数据进行剔除，从而保证模型的可靠性。
本发明采取的技术方案为：
一种特高压输电线路噪声测量系统，该系统包括：
声压传声单元，用于将收集到的可听噪声信号转换为电信号，传输给噪声频程计算单元；
噪声频程计算单元，对声压传声单元传输而来的可听噪声原始电信号进行倍频程计算，得到可听噪声8kHz分量；
运算平台，运行有LOF-EMD-XGBoost模型，用于计算出可听噪声的A声级有效数据。
所述噪声频程计算单元，将收集到的声音信号以倍频程的形式分解到16Hz，31.5Hz，63Hz，125Hz，250Hz，500Hz，1000Hz，2000Hz，4000Hz，8000Hz这10个频段。
所述运算平台为笔记本电脑，用于接收噪声频程计算单元计算出的输电线路可听噪声8kHz分量，并运行LOF-EMD-XGBoost可听噪声A声级有效数据计算模型。
所述LOF-EMD-XGBoost模型分为LOF算法、EMD算法和XGBoost算法三部分：
LOF算法，通过计算输电线路可听噪声倍频程多维数据集中各点的距离与密度从而剔除异常值；
EMD算法，将收集到的可听噪声信号按照频率从高到低分解成n个数据本征模态函数，以此达到数据增维的目的，满足XGBoost算法对于数据维度的要求；
XGBoost算法，在基于残差的训练框架下，通过之前收集到的气象数据、可听噪声8kHz分量与A声级有效数据，在k次迭代训练的过程中，每次都使用不同的二叉树CART训练数据集得到8kHz分量与A声级之间的转换关系，从而弥补前一次训练后模型存在的不足，能够提升8kHz分量与A声级之间的转换精度，最终的转换结果为k次训练产生的k个预测值之和。
所述LOF-EMD-XGBoost模型在进行机器学习模型训练时，
LOF异常值检测使用16Hz、31.5Hz、63Hz、125Hz、250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz这10个频段的可听噪声与可听噪声A声级；
当进行A声级有效数据预测时，LOF异常值检测仅使用16Hz、31.5Hz、63Hz、125Hz、250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz这10个频段的可听噪声。
在对声音信号的频率特性进行研究时，无法精细到每一个频点，因此通常的做法是对所有的频点进行分段，在保留每一个频点特征的情况下尽量提升频率特性分析的效率。本文采取倍频程是一种常用的分段方式，每一频段的上限频率是下限频率的两倍，本文中16Hz、31.5Hz、63Hz、125Hz、250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz是这10个频段中心频率，通常也以中心频率对每一频段进行命名。
一种特高压输电线路噪声测量方法，包括以下步骤：
步骤1：声压传声单元将收集到的可听噪声信号转换为电信号，然后传递给噪声频程计算单元，噪声频程计算单元对声压传声单元传输而来的可听噪声原始信号进行倍频程计算得到可听噪声8kHz分量，通过USB连接线将可听噪声的倍频程数据传输给运算平台。
步骤2：使用局部异常因子LOF算法对噪声频程计算单元计算得到的可听噪声倍频程数据进行无效数据处理；
步骤3：将步骤2中完成可听噪声无效数据处理的8kHz分量输入至EMD算法；
单独使用本发明测量系统时，利用EMD算法对LOF处理过后的可听噪声8kHz分量进行数据增维；
本发明测量系统配合气象监测装置使用时，利用EMD算法同时对LOF处理过后的可听噪声8kHz分量与气象监测仪收集到的气象因素数据进行数据增维；
步骤4：将步骤3中已经完成数据增维的数据，提供给之前已经训练并封装好的XGBoost算法模型，完成可听噪声A声级有效数据的预测。
步骤3中，当本发明测量系统配合气象监测装置使用时，能以LOF-EMD-XGBoost算法模型的形式，获得气象因素及可听噪声8kHz分量与可听噪声A声级之间的转换关系。
步骤4中，气象监测装置与本发明测量系统使用时，能够根据气象监测装置采集到气象因素数据的种类，选取相应的可听噪声A声级预测模型。进行预测之前，使用EMD算法对各种气象因素数据以及可听噪声8kHz分量进行分解，有效的提高算法的预测精度。
本发明一种特高压输电线路噪声测量系统及方法，技术效果如下：
1)、针对目前输电线路可听噪声A声级测量过程中背景噪声干扰过多，影响输电线路评估问题。本发明提出一种获取不受背景噪声干扰的A声级的测量方法，利用声压传声单元、噪声频程计算单元，获取受背景噪声干扰较少的输电线路可听噪声8kHz分量，利用可听噪声8kHz分量与可听噪声A声级之间的转换关系间接获取可听噪声A声级，回避了背景噪声干扰。
2)、针对可听噪声易受气象因素影响，而常规可听噪声8kHz分量与可听噪声A声级之间的经验公式使用多种气象因素进行修正难度较大的问题。
本发明提出使用LOF-EMD-XGBoost机器学习模型替代传统的经验公式，本发明不会因为气象因素的增多而造成修正难度增大。
3)、在可听噪声A声级预测方面，本发明使用的LOF-EMD-XGBoost机器学习模型对训练数据进行训练，相比于传统的机器学习算法XGBoost模型能更好的处理非线性问题且预测精度更高；EMD算法相结合之后侧面解决了面向大数据的XGBoost算法对高数据维度的需求，充分发挥XGBoost算法的潜力。
4)针对目前输电线路可听噪声A声级测量过程中背景噪声干扰过多，在训练机器学习算法模型时出现大量的输电线路可听噪声无效数据，从而影响机器学习模型训练与预测的问题。本发明使用LOF算法针对噪声频程计算单元中出现的无效数据进行剔除，从而保证模型的可靠性。
附图说明
下面结合附图和实施对本发明作进一步说明：
图1为本发明的测量系统原理框图。
具体实施方式
如图1所示，一种特高压输电线路噪声测量系统，该系统包括硬件和软件2个部分。硬件部分包含声压传声单元1、噪声频程计算单元2、运算平台3；软件部分为封装好的LOF-EMD-XGBoost算法模型。声压传声单元1用于将收集到的可听噪声信号转换为电信号。噪声频程计算单元2对声压传声单元1传输而来的可听噪声原始信号进行倍频程计算得到可听噪声8kHz分量。通过USB连接线将可听噪声8kHz分量传输给运算平台3中封装好的LOF-EMD-XGBoost算法模型。
本发明的测量系统，在可听噪声A声级获取方面，放弃直接使用噪声原始数据计算可听噪声A声级；以机器学习算法模型的形式间接获取8kHz分量与可听噪声A声级有效数据之间的转换关系，总而回避背景噪声对可听噪声A声级的干扰，使之能够容易实现多种气象数据对8kHz分量与可听噪声A声级有效数据之间的转换关系的修正。通过在模型中加入LOF异常值检测部分保证训练出的机器学习算法模型的可靠性。
声压传声单元1包括AWA14423型传声器与AWA14604型前置放大器组成传声单元；
噪声频程计算单元2采用AWA6290M型噪声分析仪。
一种特高压输电线路噪声测量方法，包括以下步骤：
步骤一：根据是否与气象监测装置配合使用，以及监测的气象因素数据种类选择相应的算法模型。
气象监测装置包括：能见度检测装置TS AVS01、温度检测装置、风途WQX5。
监测的气象因素数据包括包括可见范围和温度。
不与气象监测装置配合使用的情况下，使用可听噪声8kHz分量进行训练，得到能对可听噪声8kHz分量与可听噪声A声级进行转换的EMD-XGBoost模型。
与气象监测装置配合使用的情况下，使用可听噪声8kHz分量、可见范围、温度，可听噪声8kHz分量、可见范围，可听噪声8kHz分量、温度，三种特征组合进行训练，得到三种可听噪声8kHz分量与可听噪声A声级进行转换的EMD-XGBoost模型，根据采集到的数据气象数据选择算法模型。
步骤二：使用LOF算法剔除噪声频程计算单元2计算得到的可听噪声倍频程数据中的无效数据。
步骤三：在不与气象监测装置配合时使用时，使用EMD算法对经过LOF算法处理的可听噪声8kHz分量有效数据进行数据增维。在与气象监测装置配合使用时，使用EMD算法对经过LOF算法处理的可听噪声8kHz分量有效数据、以及气象监测装置提供的气象数据进行数据增维。
本发明中使用经验模态分解EMD算法依次对可见范围、温度、可听噪声8kHz分量的原始数据进行分解，首先计算出每一列数据x(t)中全部的极值点，之后拟合出上极值点的包络线emax(t)和下极值点的包络线emin(t)，接着计算均值包络线m(t)，并得到h(t)＝x(t)-m(t)，当h(t)满足条件时应在在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个，且在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零时，得到的h(t)为一个本征模态函数(IMF)。h(t)不满足条件时，使用h(t)替代x(t)重复上述操作。当使用上述方法得到第一个本征模态函数(IMF1)后，用原始的x(t)减IMF1得到新的x(t)重复上述过程得到IMF2，以此类推得到如式(4)所示将数据按照从高到低分解成n个IMF和一个残余项。
最终，完成所有气象数据与可听噪声8kHz分量的原始数据的增维过程。
步骤四：将步骤三中已经完成数据增维的数据提供给已经封装好的XGBoost算法模型，根据不同种类的气象因素数据选择相应的XGBoost算法模型，完成可听噪声A声级有效数据的预测。
根据配合使用的气象监测装置不同，可采集的气象数据种类会有变化，本发明中采集数据可分为四种情况：可听噪声8kHz分量、可见范围、温度，可听噪声8kHz分量、可见范围，可听噪声8kHz分量、温度，可听噪声8kHz分量。根据所采集数据的相应情况选择相应的模型进行可听噪声A声级的预测。
通过上述步骤一～步骤四的逐一实现，完成输电线路可听噪声A声级有效数据的采集工作。
所述的LOF-EMD-XGBoost模型中LOF为异常值检测部分，通过式(1)计算可听噪声倍频程数据中各点的局部异常因子。
其中，lrdk(o)为某点o的局部可达密度，lrdk(p)为某点p的局部可达密度，Nk(p)为数据集中某点P的第k距离邻域，其中o点属于p点的第k距离邻域。
所述的LOF-EMD-XGBoost模型中EMD为数据增维部分，可听噪声倍频程数据中各个频程的原始数据x(t)被分解为如(2)式所示。
其中，IMF(i)分量为分解所得到的增维数据，rn为残余项当残余项单调是停止分解。
所述的LOF-EMD-XGBoost模型中XGBoost为算法预测部分，在基于残差的训练框架下，在k次迭代训练的过程中，每次都使用不同的二叉树(CART)训练，最小化如式3所示的目标函数，提升模型的预测精度。
其中，表示总共n个样本的损失函数所产生loss的，/>为第i个可听噪声A声级训练样本k次迭代后的预测值，yi为第i个可听噪声A声级训练样本的真实值。为二叉树(CART)的复杂度。
所述的LOF-EMD-XGBoost模型为一种融合了异常值检测、机器学习与信号分解方法的算法模型，算法的参数设置会在一定程度上影响预测结果的精度，因此对于使用不同气象因素进行可听噪声A声级有效数据预测的算法模型。
本发明对模型中的max_depth、n_estimators、objective、booster、subsample、gamma等重要参数进行5折交叉验证下的调参，调试出对应不同气象参数的最佳模型。
为进一步对基于LOF-EMD-XGBoost模型的输电线路可听噪声A声级有效数据预测模型进行分析，对2015年9月25日～2016年2月16日夜间(0点～6点)收集到的1000kV交流输电线路噪声数据进行训练与预测。为防止在划分训练集与测试集时因数据随机排列组合而产生的偶然性对预测结果产生影响，本发明通过5折交叉验证的方式将数据集划分为4个训练集和1个测试集，通过均方根误差RMSE(Root Mean Square Error)，平均绝对误差MAE(Mean Absolute Error),来量化模型预测结果的误差。
表1为各算法模型预测结果对比
如表1所示，在未使用LOF与EMD对数据进行异常值处理与数据分解时算法模型的RMSE与MAE分别为5.804456和4.280635，使用LOF与EMD对数据进行异常值处理与数据分解时RMSE与MAE分别为5.306829和3.831062；LOF-EMD-XGBoost模型相较传统机器学习模型预测精度有明显提高。
Claims (9)
1.一种特高压输电线路噪声测量系统，其特征在于该系统包括：
声压传声单元（1），用于将收集到的可听噪声信号转换为电信号，传输给噪声频程计算单元（2）；
噪声频程计算单元（2），对声压传声单元（1）传输而来的可听噪声原始电信号进行倍频程计算，得到可听噪声8 kHz分量；
运算平台（3），运行有LOF-EMD-XGBoost模型，用于计算出可听噪声的A声级有效数据；
所述LOF-EMD-XGBoost模型包括LOF算法、EMD算法和XGBoost算法三部分：
LOF算法，通过计算输电线路可听噪声倍频程多维数据集中各点的距离与密度从而剔除异常值；
EMD算法，将收集到的可听噪声信号按照频率从高到低分解成n个数据本征模态函数，以此达到数据增维的目的，满足XGBoost算法对于数据维度的要求；
XGBoost算法，在基于残差的训练框架下，通过之前收集到的气象数据、可听噪声8 kHz分量与A声级有效数据，在k次迭代训练的过程中，每次都使用不同的二叉树训练数据集得到8 kHz分量与A声级之间的转换关系，从而弥补前一次训练后模型存在的不足，能够提升8kHz分量与A声级之间的转换精度，最终的转换结果为k次训练产生的k个预测值之和。
2.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：所述噪声频程计算单元（2），将收集到的声音信号以倍频程的形式分解到16Hz，31.5Hz，63Hz，125Hz，250Hz，500Hz，1000Hz，2000Hz，4000Hz，8000Hz这10个频段。
3.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：所述运算平台（3）为笔记本电脑，用于接收噪声频程计算单元（2）计算出的输电线路可听噪声8 kHz分量，并运行LOF-EMD-XGBoost可听噪声A声级有效数据计算模型。
4.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：所述LOF-EMD-XGBoost模型中LOF为异常值检测部分，通过式（1）计算可听噪声倍频程数据中各点的局部异常因子；
（1）；
其中，为某点o的局部可达密度，/>为某点p的局部可达密度，/>为数据集中某点P的第k距离邻域，其中o点属于p点的第k距离邻域。
5.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：
所述LOF-EMD-XGBoost模型中EMD为数据增维部分，可听噪声倍频程数据中各个频程的原始数据被分解为如（2）式所示：
（2）；
其中，分量为分解所得到的增维数据，/>为残余项当残余项单调是停止分解。
6.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：
所述LOF-EMD-XGBoost模型中XGBoost为算法预测部分，在基于残差的训练框架下，在k次迭代训练的过程中，每次都使用不同的二叉树训练，最小化如式（3）所示的目标函数，提升模型的预测精度；
(3)；
其中，表示总共n个样本的损失函数所产生loss的，/>为第i个可听噪声A声级训练样本k次迭代后的预测值，/>为第i个可听噪声A声级训练样本的真实值；为二叉树的复杂度。
7.根据权利要求1所述一种特高压输电线路噪声测量系统，其特征在于：
所述LOF-EMD-XGBoost模型在进行机器学习模型训练时，
LOF异常值检测使用16Hz、31.5Hz、63Hz、125Hz、250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz这10个频段的可听噪声与可听噪声A声级；
当进行A声级有效数据预测时，LOF异常值检测仅使用16Hz、31.5Hz、63Hz、125Hz、250Hz、500Hz、1000Hz、2000Hz、4000Hz、8000Hz这10个频段的可听噪声。
8.一种特高压输电线路噪声测量方法，其特征在于包括以下步骤：
步骤1：声压传声单元（1）将收集到的可听噪声信号转换为电信号，然后传递给噪声频程计算单元（2），噪声频程计算单元（2）对声压传声单元（1）传输而来的可听噪声原始信号进行倍频程计算得到可听噪声8 kHz分量，并将可听噪声的倍频程数据传输给运算平台（3）；
步骤2：使用局部异常因子LOF算法对噪声频程计算单元（2）计算得到的可听噪声倍频程数据进行无效数据处理；
步骤3：将步骤2中完成可听噪声无效数据处理的8 kHz分量输入至EMD算法；
单独使用权利要求1~7任意一项所述的测量系统时，利用EMD算法对LOF处理过后的可听噪声8 kHz分量进行数据增维；
当权利要求1~7任意一项所述的测量系统配合气象监测装置使用时，利用EMD算法同时对LOF处理过后的可听噪声8 kHz分量与气象监测仪收集到的气象因素数据进行数据增维；
步骤4：将步骤3中已经完成数据增维的数据，提供给之前已经训练并封装好的XGBoost算法模型，完成可听噪声A声级有效数据的预测。
9.根据权利要求8所述一种特高压输电线路噪声测量方法，其特征在于：步骤3中，气象监测装置与权利要求1~7任意一项所述的测量系统使用时，能够根据气象监测装置采集到气象因素数据的种类，选取相应的可听噪声A声级预测模型；进行预测之前，使用EMD算法对各种气象因素数据以及可听噪声8 kHz分量进行分解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111250555.8A CN114034375B (zh) | 2021-10-26 | 一种特高压输电线路噪声测量系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111250555.8A CN114034375B (zh) | 2021-10-26 | 一种特高压输电线路噪声测量系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114034375A CN114034375A (zh) | 2022-02-11 |
| CN114034375B true CN114034375B (zh) | 2024-06-11 |
Family
ID=
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590647A (zh) * | 2012-02-22 | 2012-07-18 | 中国电力科学研究院 | 一种电晕笼内的高压直流输电线路可听噪声测量方法 |
| CN107192898A (zh) * | 2017-05-25 | 2017-09-22 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN107423671A (zh) * | 2017-05-05 | 2017-12-01 | 山西财经大学 | 一种基于成分向量的经验模态分解高频数据的降噪方法 |
| CN107607835A (zh) * | 2017-09-12 | 2018-01-19 | 国家电网公司 | 一种基于改进eemd的输电线路激光测距信号去噪算法 |
| CN108228978A (zh) * | 2017-12-15 | 2018-06-29 | 四川金网通电子科技有限公司 | 结合互补集合经验模态分解的Xgboost时间序列预测方法 |
| CN109190598A (zh) * | 2018-09-29 | 2019-01-11 | 西安交通大学 | 一种基于ses-lof的旋转机械监测数据噪点检测方法 |
| CN109242139A (zh) * | 2018-07-23 | 2019-01-18 | 华北电力大学 | 一种电力日峰值负荷预测方法 |
| CN109655150A (zh) * | 2018-11-26 | 2019-04-19 | 北京航空航天大学 | 一种可听噪声的间接检测方法 |
| CN109785850A (zh) * | 2019-01-18 | 2019-05-21 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种噪声检测方法、装置和存储介质 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN110795780A (zh) * | 2019-09-09 | 2020-02-14 | 杭州鲁尔物联科技有限公司 | 一种基于XGBoost算法的斜拉桥有限元修正方法 |
| CN110956010A (zh) * | 2019-11-01 | 2020-04-03 | 国网辽宁省电力有限公司阜新供电公司 | 基于梯度提升树的大规模新能源接入电网稳定性辨识方法 |
| CN111401565A (zh) * | 2020-02-11 | 2020-07-10 | 西安电子科技大学 | 一种基于机器学习算法XGBoost的DOA估计方法 |
| CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
| CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服系统故障诊断方法 |
| CN111612036A (zh) * | 2020-04-20 | 2020-09-01 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法 |
| CN111667108A (zh) * | 2020-05-29 | 2020-09-15 | 国网河北省电力有限公司电力科学研究院 | 一种配网抢修时长预测方法 |
| CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
| CN112422443A (zh) * | 2020-10-27 | 2021-02-26 | 鹏城实验室 | 一种拥塞算法的自适应控制方法、存储介质、设备及系统 |
| CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
| CN112989906A (zh) * | 2020-12-04 | 2021-06-18 | 中国船舶重工集团公司第七一五研究所 | 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法 |
| CN112990284A (zh) * | 2021-03-04 | 2021-06-18 | 安徽大学 | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
| CN113205125A (zh) * | 2021-04-27 | 2021-08-03 | 河海大学 | 一种基于XGBoost的特高压换流阀运行状态评估方法 |
| CN113313330A (zh) * | 2021-07-28 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 电磁环境参数区间预测方法、装置和计算机设备 |
| CN113408383A (zh) * | 2021-06-08 | 2021-09-17 | 三峡大学 | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 |
| CN113520409A (zh) * | 2021-05-31 | 2021-10-22 | 杭州回车电子科技有限公司 | Ssvep信号识别方法、装置、电子装置和存储介质 |
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590647A (zh) * | 2012-02-22 | 2012-07-18 | 中国电力科学研究院 | 一种电晕笼内的高压直流输电线路可听噪声测量方法 |
| CN107423671A (zh) * | 2017-05-05 | 2017-12-01 | 山西财经大学 | 一种基于成分向量的经验模态分解高频数据的降噪方法 |
| CN107192898A (zh) * | 2017-05-25 | 2017-09-22 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN107607835A (zh) * | 2017-09-12 | 2018-01-19 | 国家电网公司 | 一种基于改进eemd的输电线路激光测距信号去噪算法 |
| CN108228978A (zh) * | 2017-12-15 | 2018-06-29 | 四川金网通电子科技有限公司 | 结合互补集合经验模态分解的Xgboost时间序列预测方法 |
| CN109242139A (zh) * | 2018-07-23 | 2019-01-18 | 华北电力大学 | 一种电力日峰值负荷预测方法 |
| CN109190598A (zh) * | 2018-09-29 | 2019-01-11 | 西安交通大学 | 一种基于ses-lof的旋转机械监测数据噪点检测方法 |
| CN109655150A (zh) * | 2018-11-26 | 2019-04-19 | 北京航空航天大学 | 一种可听噪声的间接检测方法 |
| CN109785850A (zh) * | 2019-01-18 | 2019-05-21 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种噪声检测方法、装置和存储介质 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN110795780A (zh) * | 2019-09-09 | 2020-02-14 | 杭州鲁尔物联科技有限公司 | 一种基于XGBoost算法的斜拉桥有限元修正方法 |
| CN110956010A (zh) * | 2019-11-01 | 2020-04-03 | 国网辽宁省电力有限公司阜新供电公司 | 基于梯度提升树的大规模新能源接入电网稳定性辨识方法 |
| CN111401565A (zh) * | 2020-02-11 | 2020-07-10 | 西安电子科技大学 | 一种基于机器学习算法XGBoost的DOA估计方法 |
| CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
| CN111612036A (zh) * | 2020-04-20 | 2020-09-01 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法 |
| CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服系统故障诊断方法 |
| CN111667108A (zh) * | 2020-05-29 | 2020-09-15 | 国网河北省电力有限公司电力科学研究院 | 一种配网抢修时长预测方法 |
| CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
| CN112422443A (zh) * | 2020-10-27 | 2021-02-26 | 鹏城实验室 | 一种拥塞算法的自适应控制方法、存储介质、设备及系统 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
| CN112989906A (zh) * | 2020-12-04 | 2021-06-18 | 中国船舶重工集团公司第七一五研究所 | 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法 |
| CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
| CN112990284A (zh) * | 2021-03-04 | 2021-06-18 | 安徽大学 | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 |
| CN113205125A (zh) * | 2021-04-27 | 2021-08-03 | 河海大学 | 一种基于XGBoost的特高压换流阀运行状态评估方法 |
| CN113520409A (zh) * | 2021-05-31 | 2021-10-22 | 杭州回车电子科技有限公司 | Ssvep信号识别方法、装置、电子装置和存储介质 |
| CN113408383A (zh) * | 2021-06-08 | 2021-09-17 | 三峡大学 | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 |
| CN113313330A (zh) * | 2021-07-28 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 电磁环境参数区间预测方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于空间拟合和神经网络的机场噪声预测集成模型;徐涛;苏瀚;杨国庆;;中国环境科学;20160420(第04期);1250-1257 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004263B (zh) | 一种特征融合转换的大型设备工况诊断预测方法 | |
| CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
| CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| CN110032752B (zh) | 一种电力电子器件及模块状态检测监测系统及方法 | |
| CN117150216B (zh) | 一种电力数据回归分析方法及系统 | |
| CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN114034375B (zh) | 一种特高压输电线路噪声测量系统及方法 | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
| CN114034375A (zh) | 一种特高压输电线路噪声测量系统及方法 | |
| CN109357751B (zh) | 一种电力变压器绕组松动缺陷检测系统 | |
| CN112329825A (zh) | 基于信息分维及提升决策树的变压器机械故障诊断方法 | |
| CN112287835A (zh) | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 | |
| CN115169500A (zh) | 一种基于Inception与GMM的压缩机设备异常状态检测方法 | |
| CN114113951B (zh) | 一种高压开关柜绝缘缺陷超声应力检测系统与方法 | |
| Cao | Acoustical measurement and fan fault diagnosis system based on LabVIEW | |
| CN117872039B (zh) | 一种基于改进rbf网络的线路故障测距方法及系统 | |
| CN117093854B (zh) | 变压器机械故障诊断方法、设备及存储介质 | |
| CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
| CN113343560B (zh) | 一种直流支撑电容的电容值预测方法及装置 | |
| CN115979989A (zh) | 一种太赫兹检测方法、装置以及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |