变电站噪声预测和仿真分析

2013-08-08李永明王玉强徐禄文沈婕

电力建设 2013年7期

李永明，王玉强，徐禄文，沈婕

（1.输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆市 400044；2.重庆市电力科学试验研究院，重庆市 401123；3.重庆市电力公司市区供电局，重庆市 400014）

0 引言

随着我国电网建设的快速发展及人民生活水平的提高，城区用电负荷激增，越来越多的变电装置不可避免地进入城市。与此同时，一些偏远地区的变电站也开始被新城区所包围［1］，变电站在运行过程中会产生不同程度的噪声，当噪声超过一定限制标准就会影响到人们正常的生活和工作，因此，变电站的噪声成为了人们日益关注的焦点。变电站内的噪声包含变压器本体的电磁噪声、冷却风机的机械噪声、变压器油冷却系统的液体流动动力噪声、设备运行中由电磁变化和机械运动产生的振动噪声等［2－4］。故变电站内的主要噪声是中低频噪声，人耳对其较为敏感，因此受到了越来越多居民的投诉。为了研究变电站的环境噪声影响问题，本文首先利用声级计对变电站站界及变压器周围进行了噪声测量，然后利用灰色理论的GM（1，1）模型对1个月内的噪声进行了预测；并利用径向基函数（radical basis function，RBF）神经网络预测了随温度、距离变化的噪声值，然后对不同温度和变压器负荷时的噪声进行了预测。

1 变电站的噪声源及其特点

变电站噪声源主要包括变压器、电抗器、电容器和配电装置的电磁噪声、进出线的电磁噪声和放电噪声［5］。影响变电站站内环境和站界噪声的主要噪声源是变压器［6］。当声源本身的长度远小于声源到受声点（敏感点）的距离，即声源至受声点的距离大于声源长度的3倍时，可以将声源看作一个点声源［7］。变电站的噪声以变电器铁心噪声为主，铁心噪声的频谱通常为100～500Hz。对于不同容量的电力变压器，铁心噪声频谱有所不同，额定功率越大，基频所占比例越大，谐频分量越小。

变压器噪声属于低频噪声，而且频率单一，易引起人的反感，从噪声控制的技术角度看，噪声频率越低，距离衰减率越低，吸收率越低，其治理难度越大［8］。

2 灰色预测模型

2.1 基本GM（1，1）模型

基本GM（1，1）模型［9］的建模步骤如下。

（1）设原始数据数列为

（2）对原始的数据作一次累加生成，生成新的数据列x（1）：

（3）GM（1，1）模型相应的微分方程为

式中：a为发展灰数；u为内生控制系数。

（5）利用最小二乘法求解系数：

（6）求解GM（1，1）方程，得到其对应的时间响应函数，即为GM（1，1）白化预测模型解：

（7）对一次累加生成数列的预测值进行一次累减生成，得到原始数据的还原预测值，即

2.2 无偏的GM（1，1）模型

（1）设原始序列为

（2）累加生成：对X（0）作一次累加生成序列

（3）求背景值：

（4）确定数据矩阵B、Y：对a＊＝［a，b］T进行最小二乘估计a＊＝［a，b］T＝（BTB）－1BTY，其中：

（5）求无偏GM（1，1）模型参数：

（6）建立原始数据序列模型：

3 RBF神经网络预测模型

RBF神经网络是一种3层前向网络［10－11］：首先利用径向基函数作为隐含层节点的“基”构成隐含层空间，对输入矢量进行一次变换，将低维模式的输入数据映射到高维空间内，然后通过对隐含层结点输出的线性加权求和得到输出，即通过线性函数将隐含层节点的输出映射到输出层节点空间，这就是RBF网络的基本思想。

4 变电站可听噪声预测分析

4.1 可听噪声数据样本

图1 RBF神经网络结构模型Fig.1 RBF neural network model

本文对重庆和尚山110kV 变电站进行了全时段、宽频带噪声监测，表1为11月份晚上12点的噪声数据，选定该月份的噪声数据主要是因为11月份环境条件比较稳定，温度大约都是15℃左右，变压器的运行负荷相差不大。表2为测量的距变压器不同距离时的噪声值，不同温度下的噪声如表3所示，不同温度和负荷时的噪声如表4所示。

表1 变电站可听噪声数据样本Tab.1 Data samples of substation's audible noise dB

4.2 变电站可听噪声的预测分析

4.2.1 噪声预测分析

本文利用表1中数据样本的前17组数据进行训练，后13组数据进行检验。其预测结果如表5所示。

图2所示为预测值的相对误差，从图2 可以看出，预测模型的误差都很小，基本GM（1，1）模型预测的最大相对误差为3.894%，其平均相对误差为2.426%；无偏GM（1，1）模型预测的最大相对误差为3.654%，平均相对误差为2.221%。故GM（1，1）模型可以用来对变电站的噪声进行预测。因为噪声的大小和负荷、温度有关系，预测时应根据实际情况进行分类，最好对每个月的噪声情况分别进行预测，之后建立典型的噪声数据库，为以后建立变电站提供参考。

4.2.2 噪声随影响因素变化的计算分析

利用RBF神经网络中的工具箱函数newrbe（P，T，spread）方法对表2中的前15组数据进行训练，后9组数据进行验证分析，其预测结果如图3 所示，预测误差见表6。同样的方法对表3中的前11组数据进行训练，其预测结果如表7。同样对表4中的前11组数据进行训练，后6组数据进行检验，其预测结果如图4所示。

图3 距变压器不同位置处的噪声预测值Fig.3 Prediction results of audible noise at different positions away from transformer

图3为距变压器不同位置处的噪声预测值，从图3可以看出其预测效果很好，从表6可以看出，其最大平均误差为5.368%，可以用来进行预测分析，并且通过计算可以得到变电站内的噪声分布。图4为变压器不同运行负荷条件下的噪声分布情况，其预测结果很好，其中，newrbe（）方法的噪声预测结果更好，其最大相对误差为0.398 7%。从表7也可以看出，对不同温度的噪声预测比较准确，最大相对误差是2.52%。因此，通过预测分析可以得知噪声随季节温度的变化情况，为相应时期的噪声控制提供参考。