[发明专利]一种基于小波神经网络和小波技术的变压器噪声预测方法

说明书

技术领域

本发明涉及一种变压器噪声预测方法，尤其是一种基于小波神经网络和小波技术的变压器噪声预测方法，属于电力环境保护技术领域。

背景技术

随着大型变压器走进居民生活区，其产生的低频噪声污染已严重影响了居民的身心健康。传统的变压器被动噪声技术只对中、高频噪声有效，对低频噪声的控制效果并不理想。为了有效地控制变压器低频噪声，国内外许多学者将有源噪声控制技术应用于变压器噪声抑制问题。尽管这些研究能够取得一定的降噪效果，但是效果并不理想，其中一个主要原因在于：利用有源噪声控制技术时，次级声源的反馈和变压器周边环境变化引起的噪声会严重干扰初级噪声信号，使得整个系统的稳定性和有效性受到很大影响。

然而变压器噪声预测技术恰好可以弥补这一不足。预测得到的变压器噪声可作为初始噪声数字信号直接输入有源消噪系统中，不再需要利用初始声传感器来获取初始噪声数字信号，这样能有效避免次级声源和变压器周围环境噪声在声传感器采集初始噪声信号时造成的干扰。

目前，用于噪声预测的软件较少，在国外使用的主要有德国的CadnaA、SoundPLAN和丹麦的Lima，在国内尚未有相关软件面世。针对变电站噪声预测的技术方案主要依靠经验和理论计算，还没有形成一种通用的方法。一种变电站噪声预测软件被建立，该软件首先利用噪声源声压级减去噪声传播途径中各种因素引起的衰减值，得到某一接收点的声压级；然后用一个接收点的声压级表示一个小区域内的声压级；最后再由若干个小区域组成一个大区域，各小区域声压级则代表了这个大区域的噪声分布情况。李永明等提出了变电站噪声预测和仿真分析方法，该方法分别利用灰色GM(1，1)和径向基函数神经网络这两种方法对变电站噪声经行了预测。以上预测方法虽然能较准确地预测出变电站某区域内的噪声声压级，但是这些方法并不适合于变压器噪声预测，而且预测得到的噪声声压级并不是有源消噪系统所需的初始噪声数字信号。

发明内容

本发明所要解决的技术问题是提供一种基于小波神经网络和小波技术的变压器噪声预测方法，利用小波基函数取代传统BP神经网络隐含层神经元双曲正切S型激励函数,并在调整神经网络参数时引入动量因子，使得预测模型具有更快的收敛速度和更高的误差精度。利用小波分解技术对振动和噪声数字信号经行分解，将得到的小波低频系数作为预测模型的输入-输出对，当建模完成后，利用小波重构技术对预测得到的小波低频系数经行重构，得到预测的噪声数字信号。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于小波神经网络和小波技术的变压器噪声预测方法，通过变压器表面不同位置处的振动数字信号直接预测变压器某一面某点处的噪声数字信号，具体实施步骤如下：

步骤1，分别采集变压器表面I个不同位置处的振动数字信号、变压器外某点处的噪声数字信号，其中，I≥2；

步骤2，利用小波函数对采集到的I路振动数字信号进行小波分解，将分解得到的小波低频系数进行归一化后作为小波神经网络输入量；利用小波函数对采集到的噪声数字信号进行小波分解，将分解得到的小波低频系数进行归一化后作为小波神经网络输出量；

步骤3，通过对小波神经网络中神经元进行训练学习，在输入量和输出量之间建立相应的映射关系，最终建立基于三层拓扑结构的小波神经网络的预测模型；

步骤4，利用步骤3中建立的预测模型，实现变压器的噪声预测，具体为：

A.首先对采集到的变压器表面I个不同位置处的振动数字信号进行小波分解，然后将分解得到的小波低频系数进行归一化处理，最后将归一化后的数据输入预测模型中；

B.预测模型对接收到的数据进行计算后输出计算结果；

C.首先对预测模型的输出结果进行反归一化处理，然后将得到的对应噪声的小波低频系数进行小波重构，从而得到预测出的噪声数字信号。

作为本发明的进一步优化方案，步骤3中对小波神经网络中神经元进行的训练学习，其过程如下：

(1)设定步骤2中所述训练数据样本总数为M个，那么输入第n个训练数据样本时小波神经网络的各层输出如下：

输入层第i个神经元的输出：

x_in＝X_i(n)

式中，n为正数且n∈[1,M]；i为输入层神经元的编号，即振动信号采集位置的编号，i＝1,2,…,I；I为输入层神经元的总个数，即振动信号采集位置的总个数；X_i(n)为第n个样本数据中第i个采集位置处的数据；

隐含层第h个神经元的输出：