CN114882860B - 一种基于聚类分析的充电桩降噪控制方法、装置和系统 - Google Patents

一种基于聚类分析的充电桩降噪控制方法、装置和系统 Download PDF

Info

Publication number
CN114882860B
CN114882860B CN202210664375.2A CN202210664375A CN114882860B CN 114882860 B CN114882860 B CN 114882860B CN 202210664375 A CN202210664375 A CN 202210664375A CN 114882860 B CN114882860 B CN 114882860B
Authority
CN
China
Prior art keywords
data
noise
signal
unit
noise signal
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
Application number
CN202210664375.2A
Other languages
English (en)
Other versions
CN114882860A (zh
Inventor
陈光宇
黎楚越
张玉卓
张子祥
杨锡勇
王睿祺
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202210664375.2A priority Critical patent/CN114882860B/zh
Publication of CN114882860A publication Critical patent/CN114882860A/zh
Application granted granted Critical
Publication of CN114882860B publication Critical patent/CN114882860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/31—Charging columns specially adapted for electric vehicles
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1785—Methods, e.g. algorithms; Devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于聚类分析的充电桩降噪控制方法、装置和系统，其中方法包括采集噪音信号，作为前馈信号；对前馈信号进行信号融合，得到初级信号；利用FxLMS算法处理初级信号，输出次级声场信号；将噪音信号与次级声场信号进行抵消，得到残余噪音信号；采集残余噪音信号，并计算分贝均值；获取当前时段对应的噪音阈值区间；判断分贝均值是否收敛至噪音阈值区间下限；再判断分贝均值是否超过噪音阈值区间上限。本发明采用两种传感器对噪音信号进行采集，并利用信号融合技术，获取精确的初级信号。同时考虑了充电桩所处的不同环境和时段对噪音的要求不同，设置了动态阈值区间，提高降噪效率。

Description

一种基于聚类分析的充电桩降噪控制方法、装置和系统
技术领域
本发明属于主动噪声控制技术领域，尤其涉及一种基于聚类分析的充电桩降噪控制方法、装置和系统。
背景技术
随着新能源汽车的普及，充电桩的数量也随之增加。充电桩属于大功率电气设备，往往需要通过强制风冷进行散热，这就对周围环境造成了巨大的噪音污染。针对充电桩的噪音问题，用隔音材料进行降噪等传统方法已经无法满足降噪的需求，因此主动降噪的研究就显得极为重要。
现有的主动降噪技术中，基本采用单一的传感器采集噪音信号，无法获得精确的前馈信号。同时，噪音阈值大多是人为设定的，无法根据周围环境和时段进行自动更新，不能很好得实现有效降噪。
发明内容
本发明针对现有技术中的不足，提供一种基于聚类分析的充电桩降噪控制方法、装置和系统。
本发明的第一方面，提供一种基于聚类分析的充电桩降噪控制方法，所述控制方法应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制方法包括：
S1，利用风扇转速传感器和多个单指向性前馈麦克风采集噪音信号，作为前馈信号；
S2，对所述前馈信号进行信号融合，得到初级信号；
S3，利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号；
S4，将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号；
S5，利用所述误差麦克风采集所述残余噪音信号，并计算分贝均值；
S6，获取当前时段对应的噪音阈值区间；
S7，判断所述分贝均值是否收敛至所述噪音阈值区间下限；
S8，如果是，则完成一次主动降噪过程；
S9，如果否，则执行步骤S10；
S10，判断所述分贝均值是否超过所述的噪音阈值区间上限；
S11，如果否，则保持FxLMS算法；
S12，如果是，则执行步骤S13；
S13，利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回执行步骤S4的操作。
进一步地，所述对所述前馈信号进行信号融合，得到初级信号，包括：
S21，建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
S22，将数据进行空间和时间上的对齐；
S23，判断数据之间的关系；
S24，如果为互补型，则执行步骤S26；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
S25，如果为冗余型，则执行步骤S27；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
S26，利用线性组合法处理数据；
S27，利用扩展平均加权法处理数据；
S28，根据步骤S26和步骤S27所得数据进行数据融合；
S29，将步骤S28所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000021
S210，判断KL散度差值是否小于设定的阈值；
S211，如果是，则输出融合后数据；
S212，如果否，则删除融合后的数据，返回执行步骤S22的操作。
进一步地，所述利用所述误差麦克风采集所述残余噪音信号，并计算分贝均值，包括：
S51，建立正常音频标准库；
S52，利用误差麦克风采集以500ms为一个周期的残余噪音信号；
S53，判断残余噪音信号是否连续且完整；
S54，如果是，则执行步骤S56；
S55，如果否，则返回执行步骤S52的操作；
S56，对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
S57，将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000031
S58，判断KL散度差值是否小于设定的阈值；
S59，如果是，则残余噪音信号为正常音频信号，执行步骤S511；
S510，如果否，则残余噪音信号为异常音频信号，删除残余噪音信号，返回执行步骤S52的操作；
S511，按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值。
进一步地，所述获取当前时段对应的噪音阈值区间，包括：
S61，获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
S62，对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
S63，如果否，则预处理完成，执行步骤S68；
S64，如果是，则执行步骤S65；
S65，判断噪音历史数据类型；
S66，如果为缺失数据，则利用关联填充法补齐噪音历史数据；
S67，如果为异常数据，则利用定性推理法修改或剔除噪音历史数据；
S68，将预处理完成的噪音历史数据以小时为单位进行分割；
S69，利用滑动平均算法，得到n个第一数据趋势；
S610，将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
S611，将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
S612，将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
S613，分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
S614，取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
S615，获取当前的日期和时段；
S616，根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
本发明的第二方面，提供一种基于聚类分析的充电桩降噪控制装置，其特征在于，所述控制装置应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制装置包括：
第一采集模块，用于采集噪音信号，作为前馈信号；
信号融合模块，用于对所述前馈信号进行信号融合，得到初级信号；
初级信号处理模块，用于利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号；
信号抵消模块，用于将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号；
第二采集模块，用于采集所述残余噪音信号，并计算分贝均值；
获取模块，用于获取当前时段对应的噪音阈值区间；
第一判断模块，用于判断所述分贝均值是否收敛至所述噪音阈值区间下限；
第一确定模块，用于在所述第一判断模块确定所述分贝均值收敛至所述噪音阈值区间下限的情况下，确定完成一次主动降噪过程；
第二确定模块，用于在所述第一判断模块确定所述分贝均值不收敛至所述噪音阈值区间下限的情况下，确定执行第二判断模块的操作；
第二判断模块，用于判断所述分贝均值是否超过所述的噪音阈值区间上限；
第三确定模块，用于在所述第二判断模块确定所述分贝均值不超过所述的噪音阈值区间上限的情况下，确定保持FxLMS算法；
第四确定模块，用于在所述第二判断模块确定所述分贝均值超过所述的噪音阈值区间上限的情况下，确定执行残余噪音信号处理模块的操作；
残余噪音信号处理模块，用于利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回执行信号抵消模块的操作。
进一步地，所述信号融合模块，包括：
数据标准库建立单元，用于建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
数据对齐单元，用于将数据进行空间和时间上的对齐；
第一判断单元，用于判断数据之间的关系；
第一确定单元，用于在所述第一判断单元确定数据之间的关系为互补型的情况下，确定执行第一数据处理单元的操作；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
第二确定单元，用于在所述第一判断单元确定数据之间的关系为冗余型的情况下，确定执行第二数据处理单元的操作；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
第一数据处理单元，用于利用线性组合法处理数据；
第二数据处理单元，用于利用扩展平均加权法处理数据；
数据融合单元，用于根据所述第一数据处理单元和第二数据处理单元所得数据进行数据融合；
第一计算单元，用于将所述数据融合单元所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000051
第二判断单元，用于判断KL散度差值是否小于设定的阈值；
数据输出单元，用于在所述第二判断单元确定KL散度差值小于设定的阈值的情况下，输出融合后数据；
数据删除单元，用于在所述第二判断单元确定KL散度差值不小于设定的阈值的情况下，删除融合后的数据，返回执行所述数据对齐单元的操作。
进一步地，所述第二采集模块包括：
音频标准库建立单元，用于建立正常音频标准库；
采集单元，用于利用误差麦克风采集以500ms为一个周期的残余噪音信号；
第三判断单元，用于判断残余噪音信号是否连续且完整；
第三确定单元，用于在所述第三判断单元判断残余噪音信号连续且完整的情况下，确定执行分帧加窗单元的操作；
第四确定单元，用于在所述第三判断单元判断残余噪音信号不连续且完整的情况下，确定返回执行所述采集单元的操作；
分帧加窗单元，用于对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
第二计算单元，用于将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000061
第四判断单元，用于判断KL散度差值是否小于设定的阈值；
第五确定单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为正常音频信号，执行第三计算单元的操作；
噪音信号删除单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为异常音频信号，删除残余噪音信号，返回执行采集单元的操作；
第三计算单元，用于按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值。
进一步地，所述获取模块包括：
第一获取单元，用于获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
第五判断单元，用于对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
第六确定单元，用于在所述第五判断单元确定没有缺失或异常数据，确定预处理完成，确定执行数据分割单元的操作；
第七确定单元，用于在所述第五判断单元确定有缺失或异常数据，确定执行第六判断单元的操作；
第六判断单元，用于判断噪音历史数据类型；
数据补齐单元，用于在所述第六判断单元确定噪音历史数据为缺失数据的情况下，利用关联填充法补齐噪音历史数据；
数据修改单元，用于在所述第六判断单元确定噪音历史数据为异常数据的情况下，利用定性推理法修改或剔除噪音历史数据；
数据分割单元，用于将预处理完成的噪音历史数据以小时为单位进行分割；
第四计算单元，用于利用滑动平均算法，得到n个第一数据趋势；
第五计算单元，用于将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
第六计算单元，用于将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
第七计算单元，用于将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
聚类单元，用于分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
选取单元，用于取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
第二获取单元，用于获取当前的日期和时段；
查找单元，用于根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
本发明的第三方面，提供一种基于聚类分析的充电桩降噪控制系统，包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制系统还包括第二方面或者第二方面的任一项所述的控制装置。
本发明提供一种基于聚类分析的充电桩降噪控制方法、装置和系统，其中，所述控制方法应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；所述风扇转速传感器用于采集充电桩散热风扇的转速；所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；所述误差麦克风用于采集残余噪音信号；所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场。
本发明通过利用风扇转速传感器和多个单指向性前馈麦克风采集噪音信号，作为前馈信号；对所述前馈信号进行信号融合，得到初级信号；利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号；将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号；利用所述误差麦克风采集所述残余噪音信号，并计算分贝均值；获取当前时段对应的噪音阈值区间；判断所述分贝均值是否收敛至所述噪音阈值区间下限；如果是，则完成一次主动降噪过程；如果否，则判断所述分贝均值是否超过所述的噪音阈值区间上限；如果否，则保持FxLMS算法；如果是，则利用FxLMS算法处理所述残余噪音信号，输出与所述残余噪音信号相位相差180度的次级声场信号。本发明采用两种传感器对噪音信号进行采集，并利用信号融合技术，获取精确的初级信号。同时，充分考虑了充电桩所处的不同环境和时段对噪音的要求不同，设置了动态阈值区间，提高了降噪的效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于聚类分析的充电桩降噪控制方法的流程图；
图2为本发明实施例提供的信号融合的流程图；
图3为本发明实施例提供的计算分贝均值的流程图；
图4为本发明实施例提供的获取动态阈值的流程图；
图5为本发明实施例提供的一种基于聚类分析的充电桩降噪控制装置的结构示意图；
图6为本发明实施例提供的一种基于聚类分析的充电桩降噪控制系统的结构示意图；
图7为本发明实施例提供的充电桩的侧面框架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有技术中，基本采用单一的传感器采集噪音信号，无法获得精确的前馈信号。同时，噪音阈值大多是人为设定的，无法根据周围环境和时段进行自动更新，不能很好得实现有效降噪的问题，本发明通过以下各个实施例提供一种基于聚类分析的充电桩降噪控制方法、装置和系统。
本发明提供一种基于聚类分析的充电桩降噪控制方法，所述控制方法应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；所述风扇转速传感器用于采集充电桩散热风扇的转速；所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；所述误差麦克风用于采集残余噪音信号；所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场。
参见图1所示的工作流程示意图，本发明提供一种基于聚类分析的充电桩降噪控制方法，所述控制方法包括：
S1，利用风扇转速传感器和多个单指向性前馈麦克风采集噪音信号，作为前馈信号。
S2，对所述前馈信号进行信号融合，得到初级信号。
如图2所示，本步骤包括：S21，建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
S22，将数据进行空间和时间上的对齐；
S23，判断数据之间的关系；
S24，如果为互补型，则执行步骤S26；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
S25，如果为冗余型，则执行步骤S27；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
S26，利用线性组合法处理数据；
S27，利用扩展平均加权法处理数据；
扩展平均加权法的计算公式为：
Figure GDA0004087228200000091
S28，根据步骤S26和步骤S27所得数据进行数据融合；
S29，将步骤S28所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000101
KL散度的计算公式为：
Figure GDA0004087228200000102
S210，判断KL散度差值是否小于设定的阈值；
S211，如果是，则输出融合后数据；
S212，如果否，则删除融合后的数据，返回执行步骤S22的操作。
S3，利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号。
S4，将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号。
S5，利用所述误差麦克风采集所述残余噪音信号，并计算分贝均值。
如图3所示，本步骤包括S51，建立正常音频标准库；
S52，利用误差麦克风采集以500ms为一个周期的残余噪音信号；
S53，判断残余噪音信号是否连续且完整；
S54，如果是，则执行步骤S56；
S55，如果否，则返回执行步骤S52的操作；
S56，对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
S57，将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000103
KL散度的计算公式为：
Figure GDA0004087228200000104
S58，判断KL散度差值是否小于设定的阈值；
S59，如果是，则残余噪音信号为正常音频信号，执行步骤S511；
S510，如果否，则残余噪音信号为异常音频信号，删除残余噪音信号，返回执行步骤S52的操作；
S511，按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值。
S6，获取当前时段对应的噪音阈值区间。
如图4所示，本步骤包括S61，获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
S62，对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
S63，如果否，则预处理完成，执行步骤S68；
S64，如果是，则执行步骤S65；
S65，判断噪音历史数据类型；
S66，如果为缺失数据，则利用关联填充法补齐噪音历史数据；
S67，如果为异常数据，则利用定性推理法修改或剔除噪音历史数据；
S68，将预处理完成的噪音历史数据以小时为单位进行分割；
S69，利用滑动平均算法，得到n个第一数据趋势；
S610，将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
S611，将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
S612，将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
S613，分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
S614，取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
S615，获取当前的日期和时段；
S616，根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
S7，判断所述分贝均值是否收敛至所述噪音阈值区间下限。
S8，如果是，则完成一次主动降噪过程。
S9，如果否，则执行步骤S10。
S10，判断所述分贝均值是否超过所述的噪音阈值区间上限。
S11，如果否，则保持FxLMS算法。
S12，如果是，则执行步骤S13。
S13，利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回执行步骤S4的操作。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
参见图5所示的结构示意图，本发明实施例提供一种基于聚类分析的充电桩降噪控制装置，所述控制装置应用于基于聚类分析的充电桩降噪控制系，所述控制装置包括：
第一采集模块10，用于采集噪音信号，作为前馈信号。
信号融合模块20，用于对所述前馈信号进行信号融合，得到初级信号。
初级信号处理模块30，用于利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号。
信号抵消模块40，用于将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号。
第二采集模块50，用于采集所述残余噪音信号，并计算分贝均值。
获取模块60，用于获取当前时段对应的噪音阈值区间。
第一判断模块70，用于判断所述分贝均值是否收敛至所述噪音阈值区间下限。
第一确定模块80，用于在所述第一判断模块70确定所述分贝均值收敛至所述噪音阈值区间下限的情况下，确定完成一次主动降噪过程。
第二确定模块90，用于在所述第一判断模块70确定所述分贝均值不收敛至所述噪音阈值区间下限的情况下，确定执行第二判断模块100的操作。
第二判断模块100，用于判断所述分贝均值是否超过所述的噪音阈值区间上限。
第三确定模块110，用于在所述第二判断模块100确定所述分贝均值不超过所述的噪音阈值区间上限的情况下，确定保持FxLMS算法。
第四确定模块120，用于在所述第二判断模块100确定所述分贝均值超过所述的噪音阈值区间上限的情况下，确定执行残余噪音信号处理模块130的操作。
残余噪音信号处理模块130，用于利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回信号抵消模块40的操作。
可选地，所述信号融合模块，包括：
数据标准库建立单元，用于建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
数据对齐单元，用于将数据进行空间和时间上的对齐；
第一判断单元，用于判断数据之间的关系；
第一确定单元，用于在所述第一判断单元确定数据之间的关系为互补型的情况下，确定执行第一数据处理单元的操作；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
第二确定单元，用于在所述第一判断单元确定数据之间的关系为冗余型的情况下，确定执行第二数据处理单元的操作；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
第一数据处理单元，用于利用线性组合法处理数据；
第二数据处理单元，用于利用扩展平均加权法处理数据；
数据融合单元，用于根据所述第一数据处理单元和第二数据处理单元所得数据进行数据融合；
第一计算单元，用于将所述数据融合单元所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000131
第二判断单元，用于判断KL散度差值是否小于设定的阈值；
数据输出单元，用于在所述第二判断单元确定KL散度差值小于设定的阈值的情况下，输出融合后数据；
数据删除单元，用于在所述第二判断单元确定KL散度差值不小于设定的阈值的情况下，删除融合后的数据，返回执行所述数据对齐单元的操作。
可选地，所述第二采集模块包括：
音频标准库建立单元，用于建立正常音频标准库；
采集单元，用于利用误差麦克风采集以500ms为一个周期的残余噪音信号；
第三判断单元，用于判断残余噪音信号是否连续且完整；
第三确定单元，用于在所述第三判断单元判断残余噪音信号连续且完整的情况下，确定执行分帧加窗单元的操作；
第四确定单元，用于在所述第三判断单元判断残余噪音信号不连续且完整的情况下，确定返回执行所述采集单元的操作；
分帧加窗单元，用于对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
第二计算单元，用于将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure GDA0004087228200000132
第四判断单元，用于判断KL散度差值是否小于设定的阈值；
第五确定单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为正常音频信号，执行第三计算单元的操作；
噪音信号删除单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为异常音频信号，删除残余噪音信号，返回执行采集单元的操作；
第三计算单元，用于按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值。
可选地，所述获取模块包括：
第一获取单元，用于获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
第五判断单元，用于对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
第六确定单元，用于在所述第五判断单元确定没有缺失或异常数据，确定预处理完成，确定执行数据分割单元的操作；
第七确定单元，用于在所述第五判断单元确定有缺失或异常数据，确定执行第六判断单元的操作；
第六判断单元，用于判断噪音历史数据类型；
数据补齐单元，用于在所述第六判断单元确定噪音历史数据为缺失数据的情况下，利用关联填充法补齐噪音历史数据；
数据修改单元，用于在所述第六判断单元确定噪音历史数据为异常数据的情况下，利用定性推理法修改或剔除噪音历史数据；
数据分割单元，用于将预处理完成的噪音历史数据以小时为单位进行分割；
第四计算单元，用于利用滑动平均算法，得到n个第一数据趋势；
第五计算单元，用于将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
第六计算单元，用于将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
第七计算单元，用于将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
聚类单元，用于分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
选取单元，用于取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
第二获取单元，用于获取当前的日期和时段；
查找单元，用于根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
如图6和图7所示，本发明实施例提供一种基于聚类分析的充电桩降噪控制系统，包括风扇转速传感器1、多个单指向性前馈麦克风2、误差麦克风3、扬声器4和主动降噪控制器5；
风扇转速传感器1设置于风扇转轴位置用于采集充电桩散热风扇的转速。
单指向性前馈麦克风2至少两个，设置于风扇附近，靠近出风口的一侧，用于采集充电桩散热风扇的噪音信号。
误差麦克风3设置于出风口附近，用于采集残余噪音信号。
扬声器4设置于单指向性前馈麦克风2和误差麦克风3之间，用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音。
主动降噪控制器5设置于扬声器4附近，用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场。
所述控制系统还包括基于聚类分析的充电桩降噪控制装置。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的一种基于聚类分析的充电桩降噪控制方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。

Claims (5)

1.一种基于聚类分析的充电桩降噪控制方法，其特征在于，所述控制方法应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制方法包括：
S1，利用风扇转速传感器和多个单指向性前馈麦克风采集噪音信号，作为前馈信号；
S2，对所述前馈信号进行信号融合，得到初级信号；
S3，利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号；
S4，将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号；
S5，利用所述误差麦克风采集所述残余噪音信号，并计算分贝均值；
S6，获取当前时段对应的噪音阈值区间；
S7，判断所述分贝均值是否收敛至所述噪音阈值区间下限；
S8，如果是，则完成一次主动降噪过程；
S9，如果否，则执行步骤S10；
S10，判断所述分贝均值是否超过所述的噪音阈值区间上限；
S11，如果否，则保持FxLMS算法；
S12，如果是，则执行步骤S13；
S13，利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回执行步骤S4的操作；
所述S5包括：
S51，建立正常音频标准库；
S52，利用误差麦克风采集以500ms为一个周期的残余噪音信号；
S53，判断残余噪音信号是否连续且完整；
S54，如果是，则执行步骤S56；
S55，如果否，则返回执行步骤S52的操作；
S56，对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
S57，将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure FDA0004087228190000021
S58，判断KL散度差值是否小于设定的阈值；
S59，如果是，则残余噪音信号为正常音频信号，执行步骤S511；
S510，如果否，则残余噪音信号为异常音频信号，删除残余噪音信号，返回执行步骤S52的操作；
S511，按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值；
所述S6包括：
S61，获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
S62，对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
S63，如果否，则预处理完成，执行步骤S68；
S64，如果是，则执行步骤S65；
S65，判断噪音历史数据类型；
S66，如果为缺失数据，则利用关联填充法补齐噪音历史数据；
S67，如果为异常数据，则利用定性推理法修改或剔除噪音历史数据；
S68，将预处理完成的噪音历史数据以小时为单位进行分割；
S69，利用滑动平均算法，得到n个第一数据趋势；
S610，将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
S611，将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
S612，将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
S613，分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
S614，取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
S615，获取当前的日期和时段；
S616，根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
2.根据权利要求1所述的充电桩降噪控制方法，其特征在于，所述对所述前馈信号进行信号融合，得到初级信号，包括：
S21，建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
S22，将数据进行空间和时间上的对齐；
S23，判断数据之间的关系；
S24，如果为互补型，则执行步骤S26；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
S25，如果为冗余型，则执行步骤S27；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
S26，利用线性组合法处理数据；
S27，利用扩展平均加权法处理数据；
S28，根据步骤S26和步骤S27所得数据进行数据融合；
S29，将步骤S28所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure FDA0004087228190000031
S210，判断KL散度差值是否小于设定的阈值；
S211，如果是，则输出融合后数据；
S212，如果否，则删除融合后的数据，返回执行步骤S22的操作。
3.一种基于聚类分析的充电桩降噪控制装置，其特征在于，所述控制装置应用于基于聚类分析的充电桩降噪控制系统；所述控制系统包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制装置包括：
第一采集模块，用于采集噪音信号，作为前馈信号；
信号融合模块，用于对所述前馈信号进行信号融合，得到初级信号；
初级信号处理模块，用于利用FxLMS算法处理所述初级信号，输出与所述初级信号相位相差180度的次级声场信号；
信号抵消模块，用于将所述噪音信号与所述次级声场信号进行抵消，得到残余噪音信号；
第二采集模块，用于采集所述残余噪音信号，并计算分贝均值；
获取模块，用于获取当前时段对应的噪音阈值区间；
第一判断模块，用于判断所述分贝均值是否收敛至所述噪音阈值区间下限；
第一确定模块，用于在所述第一判断模块确定所述分贝均值收敛至所述噪音阈值区间下限的情况下，确定完成一次主动降噪过程；
第二确定模块，用于在所述第一判断模块确定所述分贝均值不收敛至所述噪音阈值区间下限的情况下，确定执行第二判断模块的操作；
第二判断模块，用于判断所述分贝均值是否超过所述的噪音阈值区间上限；
第三确定模块，用于在所述第二判断模块确定所述分贝均值不超过所述的噪音阈值区间上限的情况下，确定保持FxLMS算法；
第四确定模块，用于在所述第二判断模块确定所述分贝均值超过所述的噪音阈值区间上限的情况下，确定执行残余噪音信号处理模块的操作；
残余噪音信号处理模块，用于利用FxLMS算法处理所述残余噪音信号，更新次级声场信号，并返回执行信号抵消模块的操作；
所述第二采集模块包括：
音频标准库建立单元，用于建立正常音频标准库；
采集单元，用于利用误差麦克风采集以500ms为一个周期的残余噪音信号；
第三判断单元，用于判断残余噪音信号是否连续且完整；
第三确定单元，用于在所述第三判断单元判断残余噪音信号连续且完整的情况下，确定执行分帧加窗单元的操作；
第四确定单元，用于在所述第三判断单元判断残余噪音信号不连续且完整的情况下，确定返回执行所述采集单元的操作；
分帧加窗单元，用于对所述残余噪音信号进行分帧和加窗，并进行傅里叶变换，得到残余噪音信号的频谱；
第二计算单元，用于将残余噪音信号的频谱参数与正常音频标准库中的标准音频的频谱参数进行KL散度差值计算；所述KL散度差值计算公式为：
Figure FDA0004087228190000051
第四判断单元，用于判断KL散度差值是否小于设定的阈值；
第五确定单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为正常音频信号，执行第三计算单元的操作；
噪音信号删除单元，用于在所述第四判断单元判断KL散度差值小于设定的阈值的情况下，确定残余噪音信号为异常音频信号，删除残余噪音信号，返回执行采集单元的操作；
第三计算单元，用于按时间进行加权，对残余噪音信号进行加权平均计算，得到分贝均值；
所述获取模块包括：
第一获取单元，用于获取充电桩所在位置的噪音历史数据；所述噪音历史数据为从投入使用开始，充电桩采集的多年的噪音数据；
第五判断单元，用于对所述噪音历史数据进行预处理，判断是否有缺失或异常数据；
第六确定单元，用于在所述第五判断单元确定没有缺失或异常数据，确定预处理完成，确定执行数据分割单元的操作；
第七确定单元，用于在所述第五判断单元确定有缺失或异常数据，确定执行第六判断单元的操作；
第六判断单元，用于判断噪音历史数据类型；
数据补齐单元，用于在所述第六判断单元确定噪音历史数据为缺失数据的情况下，利用关联填充法补齐噪音历史数据；
数据修改单元，用于在所述第六判断单元确定噪音历史数据为异常数据的情况下，利用定性推理法修改或剔除噪音历史数据；
数据分割单元，用于将预处理完成的噪音历史数据以小时为单位进行分割；
第四计算单元，用于利用滑动平均算法，得到n个第一数据趋势；
第五计算单元，用于将所述n个第一数据趋势以日为单位进行合并，利用滑动平均算法，得到m个第二数据趋势；
第六计算单元，用于将所述m个第二数据趋势以周为单位进行合并，利用滑动平均算法，得到x个第三数据趋势；
第七计算单元，用于将所述x个第三数据趋势以月为单位进行合并，利用滑动平均算法，得到y个第四数据趋势；其中，n＞m＞x＞y；
聚类单元，用于分别对四类数据趋势进行层次聚类，得到四种特征集合，即特征时段集合、特征日集合、特征周集合和特征月集合；
选取单元，用于取特征时段集合中各类时段的分贝最大值为该时段区间上限，分贝最小值为该时段区间下限，得到时段阈值区间；
第二获取单元，用于获取当前的日期和时段；
查找单元，用于根据时段属性在特征集合中按照从特征月集合到特征时段集合的顺序，查找当前时段对应的阈值区间。
4.根据权利要求3所述的充电桩降噪控制装置，其特征在于，所述信号融合模块，包括：
数据标准库建立单元，用于建立正常融合数据标准库；所述正常融合数据标准库为依据历史实验数据所获取的正常融合数据；
数据对齐单元，用于将数据进行空间和时间上的对齐；
第一判断单元，用于判断数据之间的关系；
第一确定单元，用于在所述第一判断单元确定数据之间的关系为互补型的情况下，确定执行第一数据处理单元的操作；所述互补型为输入数据的信息代表同一场景的不同部分，即转速信号和噪音信号；
第二确定单元，用于在所述第一判断单元确定数据之间的关系为冗余型的情况下，确定执行第二数据处理单元的操作；所述冗余型为多个输入数据的来源提供对同一目标的信息，即多个噪音信号；
第一数据处理单元，用于利用线性组合法处理数据；
第二数据处理单元，用于利用扩展平均加权法处理数据；
数据融合单元，用于根据所述第一数据处理单元和第二数据处理单元所得数据进行数据融合；
第一计算单元，用于将所述数据融合单元所得数据与正常融合数据标准库中的标准数据进行KL散度差值计算；所述KL散度差值计算公式为：
Figure FDA0004087228190000061
第二判断单元，用于判断KL散度差值是否小于设定的阈值；
数据输出单元，用于在所述第二判断单元确定KL散度差值小于设定的阈值的情况下，输出融合后数据；
数据删除单元，用于在所述第二判断单元确定KL散度差值不小于设定的阈值的情况下，删除融合后的数据，返回执行所述数据对齐单元的操作。
5.一种基于聚类分析的充电桩降噪控制系统，其特征在于，包括风扇转速传感器、多个单指向性前馈麦克风、误差麦克风、扬声器和主动降噪控制器；
所述风扇转速传感器用于采集充电桩散热风扇的转速；
所述单指向性前馈麦克风用于采集充电桩散热风扇的噪音信号；
所述误差麦克风用于采集残余噪音信号；
所述扬声器用于实时输出与噪音频率和幅值相同、相位相差180度的次级声场，以抵消噪音；
所述主动降噪控制器用于实时处理噪音信号以及残余噪音信号，产生使得残余噪音信号收敛于指定噪音阈值区间的次级声场；
所述控制系统还包括权利要求3-4中任一项所述的控制装置。
CN202210664375.2A 2022-06-14 2022-06-14 一种基于聚类分析的充电桩降噪控制方法、装置和系统 Active CN114882860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210664375.2A CN114882860B (zh) 2022-06-14 2022-06-14 一种基于聚类分析的充电桩降噪控制方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210664375.2A CN114882860B (zh) 2022-06-14 2022-06-14 一种基于聚类分析的充电桩降噪控制方法、装置和系统

Publications (2)

Publication Number Publication Date
CN114882860A CN114882860A (zh) 2022-08-09
CN114882860B true CN114882860B (zh) 2023-04-07

Family

ID=82681624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210664375.2A Active CN114882860B (zh) 2022-06-14 2022-06-14 一种基于聚类分析的充电桩降噪控制方法、装置和系统

Country Status (1)

Country Link
CN (1) CN114882860B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620738B (zh) * 2022-12-14 2023-08-29 小米汽车科技有限公司 降噪方法、装置、电子设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563426B (zh) * 2017-08-25 2020-05-22 清华大学 一种机车运行时序特征的学习方法
CN111354366B (zh) * 2018-12-20 2023-06-16 沈阳新松机器人自动化股份有限公司 一种异常声音检测方法及异常声音检测装置
CN109886758A (zh) * 2019-03-13 2019-06-14 中南大学 一种基于组合分类器的客户流失预测模型
DE102020200972A1 (de) * 2020-01-28 2021-07-29 Volkswagen Aktiengesellschaft Verfahren zum Betreiben einer Kühlvorrichtung
CN111583897B (zh) * 2020-05-21 2023-07-07 清华大学苏州汽车研究院（相城） 一种用于厨房家电的主动降噪系统及其控制方法
CN114120952A (zh) * 2021-11-02 2022-03-01 创维集团智能科技有限公司 音频降噪处理方法、装置、智能终端及存储介质

Also Published As

Publication number Publication date
CN114882860A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
US11268495B2 (en) Wind farm noise prediction method, apparatus and system
CN114882860B (zh) 一种基于聚类分析的充电桩降噪控制方法、装置和系统
WO2019184161A1 (zh) 基于中尺度数据的风机自动排布的方法和设备
CN112884222B (zh) 一种面向时间段的lstm交通流密度预测方法
CN115544815A (zh) 一种风扇模型的生成方法和装置
CN117591863A (zh) 储能充电设备远程故障检测方法及检测装置
CN117374920A (zh) 考虑环境因素的超短期预测方法、装置及介质
CN116422452A (zh) 一种自动控制参数优化磨矿溢流粒度区间的方法
CN112821450B (zh) 并网逆变器的控制方法、装置、计算机设备和介质
CN116129935A (zh) 一种针对矿用变压器的声纹数据采集系统
CN115834424A (zh) 配电网线损异常数据的辨识与修正方法
CN113673166A (zh) 面向加工质量预测的数字孪生模型工况自适应方法及系统
CN117764409B (zh) 一种基于气象预报的新能源站点功率预测方法及系统
Nayak et al. Capacity value of wind power using kd tree and nearest neighbor search algorithm
CN112711878B (zh) 一种近岸精细化浪高数值预报方法、装置、设备和介质
CN115470866A (zh) 一种基于静态电压稳定裕度的新能源涉网影响定量计算方法、系统、电子设备及存储介质
CN117412223B (zh) 远场拾音的方法、装置与设备
CN117828457A (zh) 基于cnn-svm混合模型的围岩亚分级方法及装置
CN117277207A (zh) 一种面向主动配电网的过电流保护自适应整定方法
CN115718881A (zh) 一种光伏电站等值建模方法及系统
Cheng et al. Research on Vehicle Horn Localization Method Based on Deep Learning
CN114462666A (zh) 基于预报风速修正和多模型融合的风电功率预测方法
Liu et al. Optimization of Mobile Communication Network Site Selection Based on Immune Genetic Algorithm
CN118587471A (zh) 基于光伏电站的目标组件识别模型的识别方法以及系统
CN115146532A (zh) 一种光模块性能的预测方法、装置、电子设备和存储介质

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