【技术实现步骤摘要】
本专利技术属于变电站噪声监测领域，具体涉及一种变电站厂界噪声的状态评估方法。
技术介绍
1、电力变电站是电力系统的重要组成部分，但其在运行和建设过程中可能会引起噪声污染，这主要源于变压器等电力设备的震动和运行过程中产生的噪音。这些噪声不仅会对设备的运行产生一定的影响，也会给生活在变电站周围的人民带来影响，严重情况下甚至危害周围居民的身心健康。因此，变电站噪声的控制和管理至关重要。对变电站厂界噪声进行状态评估，能够及时了解当前变电站噪声是否超标，是否对周围环境和人员产生不良影响。评价结果可以帮助决策者判断变电站的噪声治理情况，进一步制定相应的噪声治理措施。通过分析评估结果，能够为变电站整体运行状况的评估提供重要参考，通过监测噪声状态的变化，可以及时发现设备故障、运行异常等问题，提前采取修复措施，确保变电站的正常运行和安全性。
2、倪园,王延召,周兵等和车凯,陈秋,韩忠阁等对变电站厂界噪声的变化规律和传播衰减特性进行分析，研究了变电站厂界噪声的分布特性。杜杰伟,于慧彬,倪园等研究了变电站厂界环境对噪声传播带来的影响。但他们都只分析了变电站噪声在不同位置可能产生的噪声大小，没有对变电站的整体厂界噪声进行评价。
技术实现思路
1、本专利技术的目的是为了提供一种变电站厂界噪声的状态评估方法，用于变电站厂界噪声的整体状态进行评估。
2、为了解决上述技术问题，本专利技术提出如下技术方案：
3、一种变电站厂界噪声的状态评估方法，包括以下步骤：
4、步
5、步骤2：将厂界噪声进行模态分解，分解为高频分量、低频分量以及趋势项；
6、步骤3：分析各噪声影响因素对厂界噪声及其分解分量的影响程度，构建影响因素与噪声及其分解分量关联关系；
7、步骤4：制定噪声状态等级，建立状态评估模型；
8、步骤5：进行变电站厂界噪声状态评估。
9、在步骤1中，需要收集变电站厂界噪声数据和相关的噪声影响因素数据。获得噪声数据和影响因素数据之后，我们需要对其进行清洗和归一化，以确保数据的准确性和可比性。数据清洗包括质量校验和纠正，主要是对数据进行检查，排除可能存在的错误和偏差，以消除传感器等因素带来的误差。同时，还需要检查数据中是否存在缺失值和异常值，根据实际情况进行修补或删除。数据归一化是为了将不同量纲和范围的数据转换为统一的尺度，以便进行比较和分析。
10、在步骤2中，对经过预处理后的厂界噪声数据使用iceemdan方法进行模态分解。ceemdan方法在电气工程领域有着广泛应用，其核心思想是通过噪声调节的集成经验模态分解来处理原始dga序列，以获得更具代表性和可分解性的模态分量。
11、首先，利用emd算子对原始dga序列进行分解，引入高斯白噪声和白噪声能量参数，以提高分解效果。在处理过程中，添加组白噪声有助于减少信号的不确定性，并更好地适应噪声特征，为后续步骤打下基础。通过经过组白噪声处理的dga序列，经过多次迭代分解得到不同阶的模态分量，其中包括一阶和二阶模态分量，依次通过计算残差和模态分量的方式实现。
12、这一过程是为了逐步获得更加精确和代表性的噪声分量，并最终达到残差不可再分或者迭代次数达到最大值的状态。这种方法通过连续迭代的分解方式，有效提取了厂界噪声数据的各个模态分量，使得后续的分析更具可靠性和准确性。
13、iceemdan方法的应用具有显著优势，旨在减少噪声对数据处理过程的影响，提高分解的精度和稳定性，为接下来的数据分析和处理提供了可靠的基础。
14、引入emd算子ek(.)表示emd分解产生的k阶模态分量；n(.)表示信号的局部均值；w(i)表示负责分解的高斯白噪声；x表示原始dga序列；β表示白噪声能量参数；k＝1，2...k，其中k为最大迭代次数。具体步骤如下：
15、1)对原始dga序列添加i组白噪声w(i)，经emd分解后构造序列x(i)＝x+β0e(w(i))，计算一阶残差r1＝(n(x(i)))。
16、2)用原始序列减去残差得到一阶模态分量d1＝x-r1。
17、3)对一阶残差继续添加白噪声，与步骤1)同理得到二阶模态分量：
18、d2＝r1-(n(r1+β1e(w(i))))。
19、4)依次计算k阶残差和k阶模态分量：
20、dk＝r(k-1)-n(r(k-1)+β(k-1)e(w(i)))。
21、5)重复步骤4)直到残差不可再分或迭代次数k到达最大。
22、在步骤3中，使用灰色关联方法分析各种噪声影响因素对厂界噪声及其分解分量的影响程度，建立其间的关联关系。该方法针对噪声数据的多样性和复杂性，提供了一种有效的分析手段，使得对厂界噪声的影响因素进行量化评估成为可能。
23、灰色关联分析是一种系统性的分析方法，能够在样本数据不充分或不完全明确的情况下，揭示各因素之间的内在联系和影响程度。对于电气工程中的噪声分析，这一方法尤为适用，因为厂界噪声和其分解分量可能受多种因素影响，包括变电站运行状态、环境气象条件、设备运行情况等。
24、灰色关联分析以数学统计的方式将不同影响因素与厂界噪声数据及其分解分量进行关联，通过建立相关性指标，量化各因素对噪声的影响程度。这样的分析能够揭示出在实际情况中，哪些因素对于厂界噪声和其分解分量的影响更为显著，有助于确定影响噪声的主要因素。
25、灰色关联分析方法还能够帮助识别和排除数据中的噪声或误差因素，增强了对噪声数据的准确性和可信度。通过与其他传统分析方法相比，这种方法更具针对性和有效性，能够提供更全面和准确的影响因素评估。
26、计算厂界噪声及其分解分量与影响因素之间的灰色关联系数，代表其间的关联程度。设灰色关联系数为φj，其计算公式为：
27、
28、式中，ρ为分辨系数，本方法取ρ＝0.5.
29、在步骤4中根据声环境质量标准gb3096—2008，将变电站厂界噪声划分为四个状态——重度污染、中度污染、轻度污染和较好，这种状态分类基于标准对不同污染级别的定义，能够对噪声污染程度进行直观而客观的描述。这一划分为变电站运营管理者提供了清晰的噪声污染情况概览，有利于及时采取针对性的控制措施，维护周围环境和人员的健康。
30、与此同时，结合噪声影响因素的关联分析结果，引入隐马尔科夫状态评估模型，是为了更精准地对厂界噪声的状态进行评估和预测。隐马尔科夫模型以概率统计为基础，能够有效地捕捉和描述噪声状态之间的转移规律，根据不同噪声影响因素的变化，预测噪声状态的演变趋势。这一模型的应用使得变电站管理者能够更准确地把握噪声状况，预测可能的噪声变化趋势，有利于及时制定相应的管控和治理策略，保障噪声污染的控制和管理。
31、变电站厂界噪声的状态变化，可以通过隐马尔科夫模型来体现，隐马尔科夫模型需要以本文档来自技高网...
【技术保护点】
1.一种变电站厂界噪声的状态评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，在步骤1中，所述噪声影响因素数据包括变电站运行状态、环境气象条件、设备运行情况，且对获得的数据进行筛选和数据清洗。同时，检查数据中是否存在缺失值和异常值，根据实际情况进行修补或删除。
3.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，在步骤2中，使用改进的基于自适应白噪声的集成经验模态分解方法ICEEMDAN；
4.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，在步骤3中，计算厂界噪声及其分解分量与影响因素之间的灰色关联系数，代表其间的关联程度。设灰色关联系数为φj，其计算公式为：
5.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，在步骤4中，隐马尔科夫模型用以下参数来定义：
【技术特征摘要】
1.一种变电站厂界噪声的状态评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，在步骤1中，所述噪声影响因素数据包括变电站运行状态、环境气象条件、设备运行情况，且对获得的数据进行筛选和数据清洗。同时，检查数据中是否存在缺失值和异常值，根据实际情况进行修补或删除。
3.根据权利要求1所述的一种变电站厂界噪声的状态评估方法，其特征在于，...
【专利技术属性】
技术研发人员：刘平，王晟，张莹，石剑波，王红岩，
申请(专利权)人：国网湖北省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。