申请/专利权人：国网内蒙古东部电力有限公司电力科学研究院;重庆大学

申请日：2017-05-09

公开（公告）日：2020-05-22

公开（公告）号：CN107180273B

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q50/06(20120101)

优先权：

专利状态码：有效-授权

法律状态：2020.05.22#授权;2017.10.20#实质审查的生效;2017.09.19#公开

摘要：本发明公开了一种基于大数据统计分析的变电站厂界噪声预测评估方法，通过对变电站主要设备进行信息采集，利用大数据统计分析得出影响变电站厂界噪声的核心影响要素；通过在评估系统中搭建噪声评估模型，将新建待测变电站数据送入评估系统中，进行分析，采用模糊评判法实现对变电站厂界噪声的预测评估，对变电站建设或改建提供参考建议。

主权项：1.一种基于大数据统计分析的变电站厂界噪声预测评估方法，其特征在于，包括以下步骤：S1：采集现有变电站的基本信息和设备信息；S2：对S1中采集来的变电站的基本信息和设备信息采用相关性建模分析法，分析得出变电站噪声的核心影响因素，具体步骤如下：S21：分析单一特征因素对变电站厂界噪声影响的大小，对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度，两组数据的相关系数计算公式为： Covi,j＝E[i-Eij-Ej]2式1中，Covi,j是变量i、j的协方差；Ei、Ej分别表示变量i、j的均值；Ri,j为相关系数，Ri,j越接近1，则表明相应i、j变量间正相关度越大，相反，若Ri,j越接近-1，则表明相应i、j变量间负相关度越大；S22：选取影响变电站厂界噪音的主要因数量，与噪声值作为列向量得到参数矩阵如下： 一行对应一个已有噪声值数据，一行对应一个变量；其中，N1、N2、……、Nn是各变电站测量噪声平均值；TN1、TN2、……、TNn是各变电站中的主变台数；C1、C2、……、Cn是各变电站中的主变冷却方式，油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3；HR1、HR2、……、HRn是各变电站中的高压电抗器个数；DE1、DE2、……、DEn是各变电站配电装置类型，GISHGIS、AIS分别对应值1、2；IN1、IN2、……、INn是各变电站户内户外类型，户内、户外分别对应值0、1；TC1、TC2、……、TCn是各变电站中的主变容量；A1、A2、……、An是各变电站面积；X是变电站厂界噪声的参数矩阵；S23：通过S22的选取影响变电站厂界噪音的主要因数量分析得出变电站厂界噪声的核心影响因素；S3：对S2中分析得出的变电站噪声的核心影响因素，采用指标体系搭建与噪声评估模型搭建相结合的方式，使用权重分析方法得出变电站噪声的核心影响因素的权重参数；S4：采集待测变电站噪声的核心影响因素，将S3中得出的变电站噪声的核心影响因素的权重参数带入到模糊评判法模型中，进行待测变电站的厂界噪声预测评估；S5：评测待测变电站噪声是否达标。

全文数据：一种基于大数据统计分析的变电站厂界噪声预测评估方法技术领域[0001]本发明属于变电站噪声评估领域，具体涉及一种对变电站厂界噪声评估与预测的方法，主要是针对现在变电站越来越接近居民区，且变电站噪声超标多，严重影响到周边居民的日常生活。通过对变电站设备信息统计及建模评估，实现了对变电站噪声的评估与预测。背景技术[0002]噪声污染与水、空气、固体废物污染一起被称为“四大污染”，噪声污染不仅影响着人们的生活与工作，而且还会威胁人类的身心健康，我国对噪声污染制定了相应的标准规范，目的便是严格控制噪声污染对人们生活的影响。[0003]变电站作为电力的中转站，是电力系统中非常重要的场所。随着我国城市化建设的加快，人们生活水平的提高，对工业农业电力的需求与日倶增，使得越来越多的变电站出现在居民生活区域中。变电站内各种电气设备运行时产生的噪声常常严重影响到周边居民的日常生活，带来人们的不满与投诉。[0004]随着我国特高压工程的加快建设，在750kV直至更高电压等级的输变电工程建设中，由于国土资源日益紧张，工程选址变得愈加困难，很多投运的变电站不得不选在离居民地较近的地方，并且目前许多变电站工程并未评估工程投运后变电站对周边敏感点村庄、居民区的噪声污染大小，导致日后的拆迀及赔偿纠纷，对电网系统与人们均带来极大不便与经济损失。[0005]考虑到如上问题，为更好的建设资源友好型社会，在最大程度上避免因变电站噪声问题对周边居民产生影响与纠纷，对现有变电站和新建变电站进行噪声评语预测具有极大的工程价值。发明内容[0006]本发明针对变电站噪声问题，提出了一种基于大数据统计分析的方法对变电站厂界噪声进行预测评估的方法，实现对新建变电站的厂界噪声的预测评估。[0007]为了实现上述目的本发明采用如下技术方案:一种基于大数据统计分析的变电站厂界噪声预测评估方法，包括以下步骤：[0008]SI:采集现有变电站的基本信息和设备信息；[0009]S2:对Sl中采集来的变电站的基本信息和设备信息采用相关性建模分析法，分析得出变电站噪声的核心影响因素；[0010]S3:对S2中分析得出的变电站噪声的核心影响因素，采用指标体系搭建与噪声评估模型搭建相结合的方式，使用权重分析方法得出变电站噪声的核心影响因素的权重参数；[0011]S4:采集待测变电站噪声的核心影响因素，将S3中得出的变电站噪声的核心影响因素的权重参数带入到模糊评判法模型中，进行待测变电站的厂界噪声预测评估；[0012]S5:评测待测变电站噪声是否达标。[0013]在上述方案中，所述S2中采用相关性建模分析法对变电站噪声的核心影响因素进行有效筛选的步骤如下：[0014]S21:分析单一特征因素对变电站厂界噪声影响的大小，对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度，两组数据的相关系数计算公式为：[0015]1[0016]Covi，j=E[i-E⑴）（j-Ej]2[0017]式⑴中，Covi，j是变量i、j的协方差;E⑴、Ej分别为变量i、j的均值;Ri，j为相关系数，Ri，j越接近1，则表明相应i、j变量间正相关度越大，相反，若Ri，j越接近-1，则表明相应i、j变量间负相关度越大；[0018]S22:选取影响变电站厂界噪音的主要因数量，与噪声值作为列向量得到参数矩阵如下：[0019][0020]—行对应一个已有噪声值数据，一行对应一个变量;其中，Ni、N2、......、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式，油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DE1、DE2、……、DEn是各变电站配电装置类型，GISHGIS、AIS分别对应值……、11是各变电站户内户外类型，户内、户外分别对应值0、I;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵。[0021]S23:通过S22的相关性计算分析得出变电站噪声的核心影响因素。核心影响因素为主变因素、冷却方式、电抗器因素、电容器因素4个因素。[0022]本发明的主要优点：1.对于已建设变电站，能够在根据已有的变电站相关设备参数实现对变电站整体厂界噪声的预测评估（区间值）；2.对于未建设变电站，本发明能够结合已有变电站的噪声统计情况对新建变电站建设评估提供参考与指导使得变电站建设布局更加合理;3.本发明提供了一种低成本，高效率的变电站厂界噪声评估方式。附图说明[0023]图1为本发明的系统框图；[0024]图2为本发明中变电站监测点布点分布图；[0025]图3为本发明中变电站模糊评判法原理图。具体实施方式[0026]参见图1，本发明的系统包括数据统计系统和评估系统两大部分。[0027]数据统计系统通过对大量变电站实测数据的分析，对数据采用相关性建模分析法，准确分析得出变电站噪声的主要因素源，包括了变电站中主变因素，电抗器因素和电容器因素。[0028]评估系统作为变电站设备数据处理系统，采用指标体系搭建与噪声评估模型搭建相结合的方式，使用权重分析方法对变电站厂界噪声的核心影响因素进行了权重分配。[0029]本发明提供的基于大数据统计分析的变电站厂界噪声预测评估方法，包括以下步骤：[0030]SI:采集现有变电站的基本信息和设备信息;基本信息包括变电站面积、变电站海拔、投运年限和电压等级等，设备信息包括主变信息、电抗器信息、电容器信息和线路信息等，（其中主变信息里面包括了冷却方式，主变台数）。[0031]S2:对Sl中采集来的变电站的基本信息和设备信息采用相关性建模分析法，分析得出变电站噪声的核心影响因素。[0032]S3:对S2中分析得出的变电站噪声的核心影响因素，采用指标体系搭建与噪声评估模型搭建相结合的方式，使用权重分析方法得出变电站噪声的核心影响因素的权重参数；[0033]权重分析方法步骤如下：[0034]1.首先，将通过相关性分析后得出影响变电站厂界噪声的四大核心因素进行比较，包括:主变台数、冷却方式、电抗器因素、电容器。得出四大因素对影响变电站厂界噪声的重要程度。[0035]2.选取具有代表性，权威性和认真负责态度的专家对4个参数进行仔细衡量，独立选择评选。[0036]3.对所有专家的选取结果采用加权平均的方法进行处理，可得出各个参数的权重参数。[0037]S4:采集待测变电站噪声的核心影响因素，将S3中得出的变电站噪声的核心影响因素的权重参数带入到图3中所阐述的模糊评判法模型中，进行待测变电站的厂界噪声预测评估；[0038]S5:评测待测变电站噪声是否达标。[0039]以上相关性原理分析对变电站所有噪声进行的有效筛选，其中核心影响因素的筛选步骤如下：[0040]步骤S21:首先分析单一特征因素变电站主变台数，主变冷却方式，电抗器个数等能影响变电站噪声每一项因素对变电站厂界噪声影响的大小，对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度。[0041]两组数据的相关系数计算公式为：[0042]Cl[0043]Covi,j=E[i-Eij-Ej]2[0044]式⑴中，Covi，j是变量i、j的协方差;Ei、Ej分别变量i、j的均值;Ri，j为相关系数，Ri，j越接近1，则表明相应i、j变量间正相关度越大，相反，若Ri，j越接近-1，则表明相应i、j变量间负相关度越大；[0045]步骤S22:选取影响变电站厂界噪声的主要因数量，有主变台数、主变冷却方式、高抗个数、高压配电装置类型、户内户外、主变容量和变电站面积与噪声值作为列向量可得到参数矩阵如下，一行对应一个已有噪声值数据，一行对应一个变量。[0046]3[0047]—行对应一个已有噪声值数据，一行对应一个变量;其中，Ni、N2、......、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式，油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DE1、DE2、……、DEn是各变电站配电装置类型，GISHGIS、AIS分别对应值……、11是各变电站户内户外类型，户内、户外分别对应值0、I;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵。[0048]步骤S23:最终，通过上述步骤S21相关性计算分析得到影响变电站的核心影响因素为，主变因素、冷却方式、高抗器因素、电容器因素4个因素。[0049]利用上述得出的核心影响因素，对待测变电站进行评估的主要步骤如下：[0050]步骤BI:统计待测变电站的核心影响因素，包括了主变信息，冷却方式，电抗器信息，电容器信息。[0051]步骤B2:根据对大量变电站厂界噪声数据的统计分析，根据对变电站噪声的影响程度大小，得出主变台数、冷却方式、电抗器因素、电容器因素4个核心因素对变电站厂界噪声的影响权重参数分别是3、3、2、2。[0052]步骤B3:将各个影响因素的权重参数带入到模糊评判法模型中，进行计算可得出待测变电站的厂界噪声预测评估。[0053]图2展示了对变电站进行噪声的测量，五角星是噪声测量取点位置。此图展示的是应用于本发明中大量的变电站数据的测量方式。[0054]图3展示了模糊评判法的模型，表明在通过上述的相关性分析得出变电站核心影响因素:主变台数，电抗器，电容器，冷却方式。通过带入模糊评判法模型来得出变电站的评估结果:包括了优秀，良好，合格，不合格。实现对变电站的评估。

权利要求：1.一种基于大数据统计分析的变电站厂界噪声预测评估方法，其特征在于，包括以下步骤：Sl:采集现有变电站的基本信息和设备信息；S2:对SI中采集来的变电站的基本信息和设备信息采用相关性建模分析法，分析得出变电站噪声的核心影响因素；S3:对S2中分析得出的变电站噪声的核心影响因素，采用指标体系搭建与噪声评估模型搭建相结合的方式，使用权重分析方法得出变电站噪声的核心影响因素的权重参数；S4:采集待测变电站噪声的核心影响因素，将S3中得出的变电站噪声的核心影响因素的权重参数带入到模糊评判法模型中，进行待测变电站的厂界噪声预测评估；S5:评测待测变电站噪声是否达标。2.根据权利要求1所述的一种基于大数据统计分析的变电站厂界噪声预测评估方法，其特征在于:所述S2中采用相关性建模分析法对变电站噪声的核心影响因素进行有效筛选的步骤如下：S21:分析单一特征因素对变电站厂界噪声影响的大小，对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度，两组数据的相关系数计算公式为：C〇vi,Jj---—4〇yij'Cnij,j⑴Covi，j=E[i-Eij-Ej]2式⑴中，Covi，j是变量i、j的协方差;Ei、Ej分别表示变量i、j的均值;Ri，j为相关系数，Ri，j越接近I，则表明相应i、j变量间正相关度越大，相反，若Ri，j越接近-I，则表明相应i、j变量间负相关度越大；S22:选取影响变电站厂界噪音的主要因数量，与噪声值作为列向量得到参数矩阵如下：~A[TN1QW1DE1INiAi"N2JN2C2HR,DKIN2TCA~~·»e-»»»»·Nnm„qhrmnmna_一行对应一个已有噪声值数据，一行对应一个变量;其中，Ni、N2、......、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式，油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DEi、DE2、……、DEn是各变电站配电装置类型，GISHGIS、△13分别对应值1、2;1见、1犯、……、1化是各变电站户内户外类型，户内、户外分别对应值0、1;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵；S23:通过S22的相关性计算分析得出变电站厂界噪声的核心影响因素。3.根据权利要求2所述的一种基于大数据统计分析的变电站厂界噪声预测评估方法，其特征在于:所述S23中计算分析得出的变电站噪声的核心影响因素为主变因素、冷却方式、电抗器因素、电容器因素4个因素。

百度查询： 国网内蒙古东部电力有限公司电力科学研究院;重庆大学 一种基于大数据统计分析的变电站厂界噪声预测评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD