變電站噪聲預測和仿真分析

李永明 ，王玉強 ，徐祿文，沈婕

（1.輸配電裝備及系統安全與新技術國家重點實驗室（重慶大學），重慶市 400044；2.重慶市電力科學試驗研究院，重慶市 401123；3.重慶市電力公司市區供電局，重慶市 400014）

0 引言

隨著我國電網建設的快速發展及人民生活水平的提高，城區用電負荷激增，越來越多的變電裝置不可避免地進入城市。與此同時，一些偏遠地區的變電站也開始被新城區所包圍［1］，變電站在運行過程中會產生不同程度的噪聲，當噪聲超過一定限制標準就會影響到人們正常的生活和工作，因此，變電站的噪聲成為了人們日益關注的焦點。變電站內的噪聲包含變壓器本體的電磁噪聲、冷卻風機的機械噪聲、變壓器油冷卻系統的液體流動動力噪聲、設備運行中由電磁變化和機械運動產生的振動噪聲等［2－4］。故變電站內的主要噪聲是中低頻噪聲，人耳對其較為敏感，因此受到了越來越多居民的投訴。為了研究變電站的環境噪聲影響問題，本文首先利用聲級計對變電站站界及變壓器周圍進行了噪聲測量，然后利用灰色理論的GM（1，1）模型對1個月內的噪聲進行了預測；并利用徑向基函數（radical basis function，RBF）神經網絡預測了隨溫度、距離變化的噪聲值，然后對不同溫度和變壓器負荷時的噪聲進行了預測。

1 變電站的噪聲源及其特點

變電站噪聲源主要包括變壓器、電抗器、電容器和配電裝置的電磁噪聲、進出線的電磁噪聲和放電噪聲［5］。影響變電站站內環境和站界噪聲的主要噪聲源是變壓器［6］。當聲源本身的長度遠小于聲源到受聲點（敏感點）的距離，即聲源至受聲點的距離大于聲源長度的3倍時，可以將聲源看作一個點聲源［7］。變電站的噪聲以變電器鐵心噪聲為主，鐵心噪聲的頻譜通常為100～500Hz。對于不同容量的電力變壓器，鐵心噪聲頻譜有所不同，額定功率越大，基頻所占比例越大，諧頻分量越小。

變壓器噪聲屬于低頻噪聲，而且頻率單一，易引起人的反感，從噪聲控制的技術角度看，噪聲頻率越低，距離衰減率越低，吸收率越低，其治理難度越大［8］。

2 灰色預測模型

2.1 基本GM（1，1）模型

基本GM（1，1）模型［9］的建模步驟如下。

（1）設原始數據數列為

（2）對原始的數據作一次累加生成，生成新的數據列x（1）：

（3）GM（1，1）模型相應的微分方程為

式中：a為發展灰數；u為內生控制系數。

（5）利用最小二乘法求解系數：

（6）求解GM（1，1）方程，得到其對應的時間響應函數，即為GM（1，1）白化預測模型解：

（7）對一次累加生成數列的預測值進行一次累減生成，得到原始數據的還原預測值，即

2.2 無偏的GM（1，1）模型

（1）設原始序列為

（2）累加生成：對X（0）作一次累加生成序列

（3）求背景值：

（4）確定數據矩陣B、Y：對a＊＝［a，b］T進行最小二乘估計a＊＝［a，b］T＝（BTB）－1BTY，其中：

（5）求無偏GM（1，1）模型參數：

（6）建立原始數據序列模型：

3 RBF神經網絡預測模型

RBF神經網絡是一種3層前向網絡［10－11］：首先利用徑向基函數作為隱含層節點的“基”構成隱含層空間，對輸入矢量進行一次變換，將低維模式的輸入數據映射到高維空間內，然后通過對隱含層結點輸出的線性加權求和得到輸出，即通過線性函數將隱含層節點的輸出映射到輸出層節點空間，這就是RBF網絡的基本思想。

4 變電站可聽噪聲預測分析

4.1 可聽噪聲數據樣本

圖1 RBF神經網絡結構模型Fig.1 RBF neural network model

本文對重慶和尚山110kV 變電站進行了全時段、寬頻帶噪聲監測，表1為11月份晚上12點的噪聲數據，選定該月份的噪聲數據主要是因為11月份環境條件比較穩定，溫度大約都是15℃左右，變壓器的運行負荷相差不大。表2為測量的距變壓器不同距離時的噪聲值，不同溫度下的噪聲如表3所示，不同溫度和負荷時的噪聲如表4所示。

表1 變電站可聽噪聲數據樣本Tab.1 Data samples of substation's audible noise dB

4.2 變電站可聽噪聲的預測分析

4.2.1 噪聲預測分析

本文利用表1中數據樣本的前17組數據進行訓練，后13組數據進行檢驗。其預測結果如表5所示。

圖2所示為預測值的相對誤差，從圖2 可以看出，預測模型的誤差都很小，基本GM（1，1）模型預測的最大相對誤差為3.894%，其平均相對誤差為2.426%；無偏GM（1，1）模型預測的最大相對誤差為3.654%，平均相對誤差為2.221%。故GM（1，1）模型可以用來對變電站的噪聲進行預測。因為噪聲的大小和負荷、溫度有關系，預測時應根據實際情況進行分類，最好對每個月的噪聲情況分別進行預測，之后建立典型的噪聲數據庫，為以后建立變電站提供參考。

4.2.2 噪聲隨影響因素變化的計算分析

利用RBF神經網絡中的工具箱函數newrbe（P，T，spread）方法對表2中的前15組數據進行訓練，后9組數據進行驗證分析，其預測結果如圖3 所示，預測誤差見表6。同樣的方法對表3中的前11組數據進行訓練，其預測結果如表7。同樣對表4中的前11組數據進行訓練，后6組數據進行檢驗，其預測結果如圖4所示。

圖3 距變壓器不同位置處的噪聲預測值Fig.3 Prediction results of audible noise at different positions away from transformer

圖3為距變壓器不同位置處的噪聲預測值，從圖3可以看出其預測效果很好，從表6可以看出，其最大平均誤差為5.368%，可以用來進行預測分析，并且通過計算可以得到變電站內的噪聲分布。圖4為變壓器不同運行負荷條件下的噪聲分布情況，其預測結果很好，其中，newrbe（）方法的噪聲預測結果更好，其最大相對誤差為0.398 7%。從表7也可以看出，對不同溫度的噪聲預測比較準確，最大相對誤差是2.52%。因此，通過預測分析可以得知噪聲隨季節溫度的變化情況，為相應時期的噪聲控制提供參考。

5 結論

（1）通過無偏的GM（1，1）模型可以優化預測結果，利用該模型對實例的噪聲進行了預測，其最大相對誤差為3.654%，平均相對誤差為2.221%。可以用來對變電站的噪聲進行預測，針對不同月份的噪聲分別進行預測分析，然后建立典型的噪聲數據庫，為以后建立變電站提供借鑒。

（2）利用RBF神經網絡對不同溫度、負荷和距離時的噪聲進行了預測，預測結果很好，可以用來進行預測分析，進而得到噪聲的分布情況。

［1］葉建斌，陳雁.變電站環境噪聲現場測試與討論［J］.廣東電力，2005（10）：53－56.

［2］李冰，胡國清.降低變壓器噪聲的措施初探［J］.變壓器，2004（8）：40－42.

［3］周賢士.中小型變壓器噪聲（上）［J］.變壓器，2006（11）：1－9.

［4］肖冰，徐迪.750kV 變電站噪聲預測及防治［J］.電力建設，2012，33（6）：30－33.

［5］侯婷.綠色變電站的電氣設計［J］.電力建設，2012，33（5）：45－48.

［6］郭天蘭.220kV 變電站噪聲水平分析及控制措施［J］.山西電力，2011，4（2）：7－10.

［7］國家環境保護總局.HJ／T 90—2004聲屏障聲學設計和測量規范［S］.北京：中國環境科學出版社，2004.

［8］劉嘉林，王毅.城區箱式變壓器環保監測分析與安裝建議［J］.城市管理與科技，2005，7（5）：198－199.

［9］羅曉玲，周建新，王玉蘭.基于GM（1，1）模型在高等學校招生人數預測中的應用研究：以四川省普通高校為例［J］.貴州大學學報：自然科學版，2008，25（4）：342－345.

［10］陳以，萬梅芳.RBF神經網絡在物流系統中的應用［J］.計算機仿真，2010，27（4）：159－162.

［11］魏海坤.神經網絡結構設計的理論與方法［M］.北京：國防工業出版社，2005：40－41.