一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法，利用小波基函數(shù)取代傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元雙曲正切S型激勵函數(shù)，并在調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)時引入動量因子，使得預(yù)測模型具有更快的收斂速度和更高的誤差精度。利用小波分解技術(shù)對振動和噪聲數(shù)字信號經(jīng)行分解，將得到的小波低頻系數(shù)作為預(yù)測模型的輸入-輸出對，當(dāng)建模完成后，利用小波重構(gòu)技術(shù)對預(yù)測得到的小波低頻系數(shù)經(jīng)行重構(gòu)，得到預(yù)測的噪聲數(shù)字信號。本發(fā)明不僅減少了訓(xùn)練樣本的數(shù)量，縮短了神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的訓(xùn)練時間，而且還避免因變壓器實測噪聲數(shù)據(jù)中含有環(huán)境高頻干擾噪聲而導(dǎo)致預(yù)測效果差的問題。
【專利說明】一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種變壓器噪聲預(yù)測方法，尤其是一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù) 的變壓器噪聲預(yù)測方法，屬于電力環(huán)境保護【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 隨著大型變壓器走進居民生活區(qū)，其產(chǎn)生的低頻噪聲污染已嚴(yán)重影響了居民的身 心健康。傳統(tǒng)的變壓器被動噪聲技術(shù)只對中、高頻噪聲有效，對低頻噪聲的控制效果并不理 想。為了有效地控制變壓器低頻噪聲，國內(nèi)外許多學(xué)者將有源噪聲控制技術(shù)應(yīng)用于變壓器 噪聲抑制問題。盡管這些研究能夠取得一定的降噪效果，但是效果并不理想，其中一個主要 原因在于：利用有源噪聲控制技術(shù)時，次級聲源的反饋和變壓器周邊環(huán)境變化引起的噪聲 會嚴(yán)重干擾初級噪聲信號，使得整個系統(tǒng)的穩(wěn)定性和有效性受到很大影響。
[0003] 然而變壓器噪聲預(yù)測技術(shù)恰好可以彌補這一不足。預(yù)測得到的變壓器噪聲可作為 初始噪聲數(shù)字信號直接輸入有源消噪系統(tǒng)中，不再需要利用初始聲傳感器來獲取初始噪聲 數(shù)字信號，這樣能有效避免次級聲源和變壓器周圍環(huán)境噪聲在聲傳感器采集初始噪聲信號 時造成的干擾。
[0004] 目前，用于噪聲預(yù)測的軟件較少，在國外使用的主要有德國的CadnaA、SoundPLAN 和丹麥的Lima，在國內(nèi)尚未有相關(guān)軟件面世。針對變電站噪聲預(yù)測的技術(shù)方案主要依靠經(jīng) 驗和理論計算，還沒有形成一種通用的方法。一種變電站噪聲預(yù)測軟件被建立，該軟件首 先利用噪聲源聲壓級減去噪聲傳播途徑中各種因素引起的衰減值，得到某一接收點的聲壓 級；然后用一個接收點的聲壓級表示一個小區(qū)域內(nèi)的聲壓級；最后再由若干個小區(qū)域組成 一個大區(qū)域，各小區(qū)域聲壓級則代表了這個大區(qū)域的噪聲分布情況。李永明等提出了變電 站噪聲預(yù)測和仿真分析方法，該方法分別利用灰色GM(1，1)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)這兩種 方法對變電站噪聲經(jīng)行了預(yù)測。以上預(yù)測方法雖然能較準(zhǔn)確地預(yù)測出變電站某區(qū)域內(nèi)的噪 聲聲壓級，但是這些方法并不適合于變壓器噪聲預(yù)測，而且預(yù)測得到的噪聲聲壓級并不是 有源消噪系統(tǒng)所需的初始噪聲數(shù)字信號。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器 噪聲預(yù)測方法，利用小波基函數(shù)取代傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元雙曲正切S型激勵函 數(shù)，并在調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)時引入動量因子，使得預(yù)測模型具有更快的收斂速度和更高的 誤差精度。利用小波分解技術(shù)對振動和噪聲數(shù)字信號經(jīng)行分解，將得到的小波低頻系數(shù)作 為預(yù)測模型的輸入-輸出對，當(dāng)建模完成后，利用小波重構(gòu)技術(shù)對預(yù)測得到的小波低頻系 數(shù)經(jīng)行重構(gòu)，得到預(yù)測的噪聲數(shù)字信號。
[0006] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0007] 本發(fā)明提供一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法，通過變壓 器表面不同位置處的振動數(shù)字信號直接預(yù)測變壓器某一面某點處的噪聲數(shù)字信號，具體實 施步驟如下：
[0008] 步驟1，分別采集變壓器表面I個不同位置處的振動數(shù)字信號、變壓器外某點處的 噪聲數(shù)字信號，其中，I > 2 ;
[0009] 步驟2,利用小波函數(shù)對采集到的I路振動數(shù)字信號進行小波分解，將分解得到的 小波低頻系數(shù)進行歸一化后作為小波神經(jīng)網(wǎng)絡(luò)輸入量；利用小波函數(shù)對采集到的噪聲數(shù)字 信號進行小波分解，將分解得到的小波低頻系數(shù)進行歸一化后作為小波神經(jīng)網(wǎng)絡(luò)輸出量；
[0010] 步驟3,通過對小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元進行訓(xùn)練學(xué)習(xí)，在輸入量和輸出量之間建立 相應(yīng)的映射關(guān)系，最終建立基于三層拓撲結(jié)構(gòu)的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測模型；
[0011] 步驟4,利用步驟3中建立的預(yù)測模型，實現(xiàn)變壓器的噪聲預(yù)測，具體為：
[0012] A.首先對采集到的變壓器表面I個不同位置處的振動數(shù)字信號進行小波分解，然 后將分解得到的小波低頻系數(shù)進行歸一化處理，最后將歸一化后的數(shù)據(jù)輸入預(yù)測模型中；
[0013] B.預(yù)測模型對接收到的數(shù)據(jù)進行計算后輸出計算結(jié)果；
[0014] C.首先對預(yù)測模型的輸出結(jié)果進行反歸一化處理，然后將得到的對應(yīng)噪聲的小波 低頻系數(shù)進行小波重構(gòu)，從而得到預(yù)測出的噪聲數(shù)字信號。
[0015] 作為本發(fā)明的進一步優(yōu)化方案，步驟3中對小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元進行的訓(xùn)練學(xué) 習(xí)，其過程如下：
[0016] (1)設(shè)定步驟2中所述訓(xùn)練數(shù)據(jù)樣本總數(shù)為Μ個，那么輸入第η個訓(xùn)練數(shù)據(jù)樣本時 小波神經(jīng)網(wǎng)絡(luò)的各層輸出如下：
[0017] 輸入層第i個神經(jīng)元的輸出：
[0018] xin = Xi (η)
[0019] 式中，η為正數(shù)且n e [1，M] ;i為輸入層神經(jīng)元的編號，即振動信號采集位置的編 號，i = 1，2,…，I ;1為輸入層神經(jīng)元的總個數(shù)，即振動信號采集位置的總個數(shù)；\ (η)為第 η個樣本數(shù)據(jù)中第i個采集位置處的數(shù)據(jù)；
[0020] 隱含層第h個神經(jīng)元的輸出：
[0021]

【權(quán)利要求】
1. 一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法，其特征在于，具體實施 步驟如下： 步驟1，分別采集變壓器表面的I個不同位置處的振動數(shù)字信號、變壓器外某點處的噪 聲數(shù)字信號，其中，I > 2 ; 步驟2,利用小波函數(shù)對采集到的I路振動數(shù)字信號進行小波分解，將分解得到的小波 低頻系數(shù)進行歸一化后作為小波神經(jīng)網(wǎng)絡(luò)輸入量；利用小波函數(shù)對采集到的噪聲數(shù)字信號 進行小波分解，將分解得到的小波低頻系數(shù)進行歸一化后作為小波神經(jīng)網(wǎng)絡(luò)輸出量； 步驟3,通過對小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元進行訓(xùn)練學(xué)習(xí)，在輸入量和輸出量之間建立相應(yīng) 的映射關(guān)系，最終建立基于三層拓撲結(jié)構(gòu)的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測模型； 步驟4,利用步驟3中建立的預(yù)測模型，實現(xiàn)變壓器的噪聲預(yù)測，具體為： A. 首先對采集到的變壓器表面I個不同位置處的振動數(shù)字信號進行小波分解，然后將 分解得到的小波低頻系數(shù)進行歸一化處理，最后將歸一化后的數(shù)據(jù)輸入預(yù)測模型中； B. 利用預(yù)測模型對接收到的數(shù)據(jù)進行計算后輸出計算結(jié)果； C. 首先對預(yù)測模型的輸出結(jié)果進行反歸一化處理，然后將得到的對應(yīng)噪聲的小波低頻 系數(shù)進行小波重構(gòu)，從而得到預(yù)測出的噪聲數(shù)字信號。
2. 根據(jù)權(quán)利要求1所述的一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法， 其特征在于，步驟3中對小波神經(jīng)網(wǎng)絡(luò)中神經(jīng)元進行的訓(xùn)練學(xué)習(xí)，其過程如下： (1)設(shè)定步驟2中所述訓(xùn)練數(shù)據(jù)樣本總數(shù)為Μ個，那么輸入第η個訓(xùn)練數(shù)據(jù)樣本時小波 神經(jīng)網(wǎng)絡(luò)的各層輸出如下： 輸入層第i個神經(jīng)元的輸出： xin = Xj (η) 式中，η為正整數(shù)且n e [1，M] ;i為輸入層神經(jīng)元的編號，即振動信號采集位置的編 號，i = 1，2,…，I ;1為輸入層神經(jīng)元的總個數(shù)，即振動信號采集位置的總個數(shù)；\ (η)為第 η個樣本數(shù)據(jù)中第i個采集位置處的數(shù)據(jù)；
式中，h為隱含層神經(jīng)元的編號，h = 1，2,…，Η ;H為隱含層神經(jīng)元的總個數(shù)；
為Morlet小波函數(shù)；whi為神經(jīng)網(wǎng)絡(luò)隱含層第h個神經(jīng)元與輸入層第 i個神經(jīng)元之間的鏈接權(quán)；ah為隱含層各神經(jīng)元小波函數(shù)的伸縮因子；bh為隱含層各神經(jīng)元 小波函數(shù)的平移因子；ch為隱含層各神經(jīng)元的閥值； 輸出層第j個神經(jīng)元的輸出：
式中，j為輸出層神經(jīng)元的編號，即噪聲信號采集位置的編號，j = 1，2,…，J ;J表示輸 出層神經(jīng)元總個數(shù)，也是噪聲信號測量點總個f
,)為S型對數(shù)函數(shù)表 示神經(jīng)網(wǎng)絡(luò)輸出層第j個神經(jīng)元與隱含層第h個神經(jīng)元之間的鏈接權(quán)；dj表示輸出層各神 經(jīng)元的閥值； (2) 設(shè)輸入第η個訓(xùn)練數(shù)據(jù)樣本時的誤差函數(shù)如下 Εη =τΧ〇?/? 1 /=1 式中，〇jn為輸出層第j個神經(jīng)元的實際樣本輸出值； 依據(jù)梯度下降原則，調(diào)整網(wǎng)絡(luò)參數(shù)，參數(shù)調(diào)整幅度分別為：
Δ dj = - n (yJn-〇Jn) y' Jn ； 式中，n表示學(xué)習(xí)速率；Λ whi表示神經(jīng)網(wǎng)絡(luò)隱含層第h個神經(jīng)元與輸入層第i個神經(jīng) 元之間權(quán)值的修正量；Λ Wjh表示神經(jīng)網(wǎng)絡(luò)輸出層第j個神經(jīng)元與隱含層第h個神經(jīng)元之間 權(quán)值的修正量；Aah表不隱含層各神經(jīng)兀小波函數(shù)伸縮因子的修正量；Ab h表不隱含層各 神經(jīng)元小波函數(shù)平移因子的修正量；Λ ch表示隱含層各神經(jīng)元閥值的修正量；Λ +表示輸 出層各神經(jīng)元閥值的修正量；y' jn表示第η個訓(xùn)練數(shù)據(jù)樣本輸入神經(jīng)網(wǎng)絡(luò)時，輸出層第j個 神經(jīng)元輸出函數(shù)對應(yīng)的導(dǎo)數(shù)；Y' hn表示第η個訓(xùn)練數(shù)據(jù)樣本輸入神經(jīng)網(wǎng)絡(luò)時，隱含層第h個 神經(jīng)元輸出函數(shù)對應(yīng)的導(dǎo)數(shù)； 利用動量因子α修正網(wǎng)絡(luò)參數(shù)，迭代公式如下： whi = whi+(l+a )*Affhi ffJh = ffJh+(l+a)*AffJh ah = ah+(l+a )*Aah bh = bh+(l+a )*Abh ch = ch+(l+a )*Ach dj = dj+(l+a )*Adj (3) 重復(fù)a)和（2)，直至計算完所有樣本的誤差函數(shù)后，將每個樣本的誤差值疊加后 取平均：
式中，E表示訓(xùn)練數(shù)據(jù)樣本的平均誤差； (4)判斷所有訓(xùn)練數(shù)據(jù)樣本的平均誤差E是否大于設(shè)定的誤差精度，若不大于則完成 訓(xùn)練學(xué)習(xí)，否則返回（1)。
3. 根據(jù)權(quán)利要求1所述的一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法， 其特征在于，通過振動傳感器采集步驟1中所述振動數(shù)字信號，通過聲傳感器采集所述噪 聲數(shù)字信號。
4. 根據(jù)權(quán)利要求1所述的一種基于小波神經(jīng)網(wǎng)絡(luò)和小波技術(shù)的變壓器噪聲預(yù)測方法， 其特征在于，利用MATLAB軟件實現(xiàn)小波分解和小波重構(gòu)。
【文檔編號】G06N3/02GK104102838SQ201410334009
【公開日】2014年10月15日 申請日期:2014年7月14日 優(yōu)先權(quán)日:2014年7月14日
【發(fā)明者】姜鴻羽, 李凱, 許洪華, 馬宏忠 申請人:河海大學(xué), 江蘇省電力公司南京供電公司