李永明，王玉強(qiáng)，徐祿文，沈 婕

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

超高壓輸電線可聽噪聲預(yù)測方法研究

李永明1，王玉強(qiáng)1，徐祿文2，沈 婕3

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

為了研究輸電線的可聽噪聲，本文建立了灰色理論、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)、灰色RBF神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)四種預(yù)測模型，并分析了每種方法的特點。每種預(yù)測模型都考慮了影響輸電線路可聽噪聲的環(huán)境、地理位置、導(dǎo)線、線路結(jié)構(gòu)參數(shù)等14個因素。結(jié)合實例，利用各種方法對輸電線可聽噪聲進(jìn)行了預(yù)測。利用灰色理論進(jìn)行預(yù)測時，首先通過灰色關(guān)聯(lián)分析計算了每個因素的關(guān)聯(lián)度，然后選擇灰關(guān)聯(lián)度大于0.8404的6個因素建立了GM(1，7)預(yù)測模型。通過計算分析，灰色預(yù)測的結(jié)果最差，嵌入型灰色RBF神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的預(yù)測精度較高，其平均相對誤差分別為2.222%和2.853%，因此它們可以用來預(yù)測輸電線的可聽噪聲。組合預(yù)測方法的預(yù)測精度比單一預(yù)測方法的精度好，并且組合的方法可以提高預(yù)測的穩(wěn)定性。

可聽噪聲;輸電線路;灰色模型;RBF神經(jīng)網(wǎng)絡(luò)模型;灰色神經(jīng)網(wǎng)絡(luò)模型;小波神經(jīng)網(wǎng)絡(luò)模型

1 引言

隨著人們生活品質(zhì)的提高，超特高壓輸電線路的可聽噪聲越來越受到人們的關(guān)注。在設(shè)計超特高壓輸電線路時，可聽噪聲的大小是選擇導(dǎo)線結(jié)構(gòu)、影響造價的主要因素［1，2］。若在項目的設(shè)計初期就能夠知道所要建設(shè)的輸電線可能產(chǎn)生噪聲的大小，將有利于控制輸電工程的建設(shè)成本，并可降低后期的環(huán)保投資。輸電系統(tǒng)產(chǎn)生的可聽噪聲，與同一聲壓級的一般環(huán)境噪聲相比，輸電線產(chǎn)生的噪聲通常更令人不適［3］，因此有必要對輸電線的可聽噪聲進(jìn)行研究及預(yù)測。

目前，預(yù)測可聽噪聲主要有三種方法，一是利用模擬計算軟件［4-6］，如SoundPLAN、CDEGS等軟件進(jìn)行輸電線路噪聲場的分析計算，但是軟件的計算缺少典型噪聲源的頻譜數(shù)據(jù)庫，預(yù)測結(jié)果的變異性比較大;二是利用經(jīng)驗公式［7-9］，預(yù)測精度較差，并且適用性不高;三是利用數(shù)學(xué)統(tǒng)計分析方法［10-12］。

灰色模型適用于少樣本數(shù)據(jù)的預(yù)測，RBF神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性、全局逼近性、容錯性和極強(qiáng)的泛化能力，建立預(yù)測模型時不需要很多先驗知識，而是根據(jù)輸入輸出數(shù)據(jù)直接建模，比較靈活、方便。根據(jù)組合預(yù)測的理論，灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)預(yù)測組合可提高預(yù)測結(jié)果的可靠性和穩(wěn)定性。而小波神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、收斂速度快的特點，并且能夠避免局部最優(yōu)等非線性優(yōu)化問題。

2 輸電線可聽噪聲的影響因素

輸電線路可聽噪聲由表面電暈放電引起，其主要影響因素［13-15］有:①導(dǎo)線參數(shù);②線路結(jié)構(gòu)參數(shù);③環(huán)境因素。

導(dǎo)線的主要參數(shù)有:輸電線路的運行電壓，導(dǎo)線分裂數(shù)、導(dǎo)線直徑、導(dǎo)線分裂間距、導(dǎo)線截面以及導(dǎo)線的老化程度。線路結(jié)構(gòu)參數(shù)包括不同的導(dǎo)線架線形式，相導(dǎo)線對地高度及相導(dǎo)線之間的距離。環(huán)境因素包括溫度、濕度、風(fēng)、導(dǎo)線表面狀況、導(dǎo)線附近的質(zhì)點以及導(dǎo)線上的水滴，以及由于不同的地理位置，導(dǎo)致氣壓、海拔和空氣密度的不同。因此，在選擇線路的參數(shù)時，一定要各方面因素綜合考慮，開展具有通用性強(qiáng)、預(yù)測準(zhǔn)確度高的輸電線路可聽噪聲預(yù)測模型系統(tǒng)的研究將具有實際的應(yīng)用價值。

3 輸電線可聽噪聲的預(yù)測模型

3.1 灰色理論模型

灰色關(guān)聯(lián)分析方法是一種系統(tǒng)分析方法，可彌補回歸分析、方差分析、主成分分析等數(shù)理統(tǒng)計方法的不足?；陉P(guān)聯(lián)分析的多因素灰色模型預(yù)測方法考慮了多因素變化對可聽噪聲的影響，不需要過多的樣本數(shù)據(jù)，適用于少數(shù)據(jù)的預(yù)測問題且具有較好的精度。

灰色GM(0，N)模型是一個零階N個變量不含導(dǎo)數(shù)的靜態(tài)模型;GM(1，N)是一個一階N個變量的動態(tài)模型，它們的建模并不直接運用原始數(shù)據(jù)，而是利用原始數(shù)據(jù)累加生成所得的灰色數(shù)據(jù)進(jìn)行建模，在一定程度上弱化了原始數(shù)據(jù)之間的隨機(jī)性，提高了序列間的規(guī)律性。

3.2 RBF神經(jīng)網(wǎng)絡(luò)模型

如圖1為一個n－h(huán)－m三層結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型，該模型具有n個輸入，h個隱節(jié)點，m個輸出。其中x=［x1，x2，…，xn］T∈Rn為網(wǎng)絡(luò)輸入量，W∈Rh×m為輸出權(quán)矩陣，b0，…，bm為輸出單元偏移，y=［y1，…，ym］T為網(wǎng)絡(luò)輸出，輸出層節(jié)點中的Σ表示輸出層神經(jīng)元采用線性激活函數(shù)。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig．1 Model of RBF neural network

3.3 灰色神經(jīng)網(wǎng)絡(luò)模型

(1)并聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)

在這種模型中，首先采用灰色模型和神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)測，然后對預(yù)測結(jié)果加以適當(dāng)?shù)赜行ЫM合作為實際預(yù)測值。其原理如圖2所示。

(2)串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)

圖2 并聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)Fig．2 Parallel gray neural network

對同一已知數(shù)列，取用不同的數(shù)據(jù)建立GM模型，得到的預(yù)測結(jié)果是不同的。為了得到與真實值最接近的預(yù)測結(jié)果，可對多個灰色預(yù)測的結(jié)果使用神經(jīng)網(wǎng)絡(luò)進(jìn)行組合，此即為串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)，如圖3所示。

圖3 串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)Fig．3 Series gray neural network

(3)嵌入型灰色神經(jīng)網(wǎng)絡(luò)

嵌入型灰色神經(jīng)網(wǎng)絡(luò)是在一般神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，在其前加上一個灰化層對輸入數(shù)據(jù)做灰化處理，在其后加上一個白化層對網(wǎng)絡(luò)的灰色輸出信息進(jìn)行還原，以得到確定的輸出結(jié)果，其模型如圖4所示。

圖4 嵌入型灰色神經(jīng)網(wǎng)絡(luò)Fig．4 Inlaid grey neural network

3.4 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)成的具有神經(jīng)網(wǎng)絡(luò)思想的模型，其與普通BP神經(jīng)網(wǎng)絡(luò)的根本區(qū)別是用非線性小波基取代了通常的非線性Sigmoid函數(shù)。目前常用的母小波有Harr小波、Shannon小波、墨西哥帽小波、樣條小波和Morlet小波。由于Morlet小波基有計算穩(wěn)定、誤差小和對干擾的魯棒性好等特點［17］，所以本文采用Morlet母小波，即

現(xiàn)假定訓(xùn)練樣本總數(shù)為N，輸入層單元數(shù)為L，則第n個樣本的輸入為，輸入層激勵函數(shù)為線性變換(輸出=輸入);輸出層單元數(shù)為S，第n個樣本的網(wǎng)絡(luò)輸出為對應(yīng)目標(biāo)輸出(實際輸出)為n=1，2，…，N，中間層為小波變換層，小波基數(shù)目為M，其第j個小波單元的輸出為為第j個小波的輸入，其中i=1，2，…，S; j=1，2，…，M;aj為小波的伸縮因子，bj為小波的平移因子，Vji表示中間層第j個單元與輸入層第i個單元之間的連接權(quán)，Ukj表示輸出層第k個單元與中間層第j單元之間的連接權(quán)，網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

圖5 小波神經(jīng)網(wǎng)絡(luò)模型Fig．5 Model of wavelet neural network

上述網(wǎng)絡(luò)結(jié)構(gòu)中，任務(wù)是優(yōu)化網(wǎng)絡(luò)參數(shù)Vji、Ukj、bj、aj，并確定小波基單元數(shù)M，使得網(wǎng)絡(luò)輸出TPn和目標(biāo)輸出Tn達(dá)到最優(yōu)擬合。目前，確定小波基單元數(shù)M的常見方法有:逐步檢驗法、F-檢驗法和遺傳算法［16，17］，本文選擇逐步檢驗法。

3.5 各種預(yù)測模型的應(yīng)用方法及優(yōu)勢分析

由于超高壓輸電線可聽噪聲的影響因素有很多，上述的四種預(yù)測模型都是首先通過對數(shù)據(jù)樣本進(jìn)行訓(xùn)練，總結(jié)其規(guī)律性，得到各種影響因素和噪聲之間的關(guān)系;然后通過輸入影響輸電線各種因素的參數(shù)大小，即可得到輸電線可聽噪聲的預(yù)測值。方法簡單，通用性強(qiáng)，預(yù)測精度高。

灰色理論主要是研究“小樣本”、“貧信息”的不確定性系統(tǒng)，其建模所需的樣本數(shù)據(jù)少，無須知道其分布規(guī)律及變化的趨勢，建模簡單，運算方便。對于輸入變量很多時，即影響輸電線可聽噪聲的因素很多時可以采用灰色關(guān)聯(lián)分析來降低預(yù)測的復(fù)雜度，簡化運算。RBF神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力強(qiáng)，全局逼近能力好，收斂速度快，非常適合于模型中各參數(shù)變化復(fù)雜的場合?；疑玆BF神經(jīng)網(wǎng)絡(luò)組合了灰色理論和RBF神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢，預(yù)測穩(wěn)定性好，可靠性高。小波神經(jīng)網(wǎng)絡(luò)可以避免網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的盲目性，收斂速度更快，存在全局最優(yōu)解，逼近能力好?；疑玆BF神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)通過不斷的訓(xùn)練，選擇合適的參數(shù)，可以用于各種模型的輸電線可聽噪聲預(yù)測。

4 實例預(yù)測分析

4.1 可聽噪聲數(shù)據(jù)樣本

本文利用文獻(xiàn)［14］中的超高壓輸電線可聽噪聲數(shù)據(jù)為樣本，進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測;通過建立可聽噪聲值X1與影響可聽噪聲的因素Xi之間的關(guān)系來預(yù)測可聽噪聲。通過分析得知影響可聽噪聲大小的因素有:運行電壓(X2，kV)，電流(X3，A)，溫度(X4，℃)，濕度(X5，%)，風(fēng)速(X6，m/s)，氣壓(X7，kPa)，海拔(X8，m)，導(dǎo)線直徑(X9，m)，導(dǎo)線截面(X10，mm2)，背景噪聲(X11，dB)，邊相與邊相間距(X12，m)，邊相與中相間距(X13，m)，邊相線高(X14，m)，中相線高(X15，m)。本文利用前12組數(shù)據(jù)進(jìn)行訓(xùn)練，后3組數(shù)據(jù)進(jìn)行預(yù)測驗證。表1為超高壓輸電線可聽噪聲的數(shù)據(jù)樣本。

4.2 實例預(yù)測結(jié)果分析

(1)灰色理論和RBF神經(jīng)網(wǎng)絡(luò)單一預(yù)測分析

在本實例中首先根據(jù)灰色關(guān)聯(lián)分析，計算出本系統(tǒng)中各因素的關(guān)聯(lián)度，其關(guān)聯(lián)度值見表2，灰關(guān)聯(lián)度的大小反應(yīng)了各種影響因素和可聽噪聲的相關(guān)聯(lián)程度的大小，即通過對比可以得知哪些因素是可聽噪聲的主要影響因素。選取關(guān)聯(lián)度大于0.8404的6個主要影響因素(氣壓，海拔，導(dǎo)線直徑，導(dǎo)線截面，背景噪聲，中相線高)來對可聽噪聲進(jìn)行預(yù)測，構(gòu)成GM(1，7)模型，選擇前12組數(shù)據(jù)進(jìn)行訓(xùn)練，后3組數(shù)據(jù)進(jìn)行檢驗;然后利用RBF神經(jīng)網(wǎng)絡(luò)對表1中的前12組數(shù)據(jù)進(jìn)行訓(xùn)練，后3組數(shù)據(jù)進(jìn)行檢驗。利用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測時，使用的是工具箱函數(shù)newrbe，其對實例中線路編號為13-15的輸電線可聽噪聲的預(yù)測結(jié)果見表3。

(2)灰色RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測分析

1)串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)計算

首先根據(jù)灰色理論中的關(guān)聯(lián)分析，計算出本系統(tǒng)中各因素的關(guān)聯(lián)度，通過計算選取關(guān)聯(lián)度大于0.8404的6個主要影響因素(氣壓，海拔，導(dǎo)線直徑，導(dǎo)線截面，背景噪聲，中相線高)的數(shù)據(jù)序列，利用GM(1，7)模型分別對1-10、2-11、3-12組的數(shù)據(jù)進(jìn)行訓(xùn)練并預(yù)測，然后利用RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，RBF采用的是newrbe方法，可聽噪聲的預(yù)測結(jié)果見表4。

表1 超高壓輸電線路可聽噪聲數(shù)據(jù)樣本Tab．1 Data samples of audible noise for EHV transmission

表2 可聽噪聲各影響因素的灰關(guān)聯(lián)度Tab．2 Grey correlation degree of various factors

表3 灰色理論和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值(dB)Tab．3 Audible noise prediction values for gray theory and RBF neural network(dB)

表4 串聯(lián)型灰色RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值(dB)Tab．4 Prediction value of series GRBF neural network(dB)

2)并聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)計算

首先利用灰色GM(1，7)模型和RBF神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行預(yù)測，然后對其預(yù)測結(jié)果進(jìn)行組合，組合的方式有線性組合和非線性組合。本文中利用了灰色理論模型和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了非線性組合，然后利用最優(yōu)權(quán)方式進(jìn)行了線性組合，它們對輸電線可聽噪聲的預(yù)測結(jié)果見表5。其中RBF神經(jīng)網(wǎng)絡(luò)組合方式是利用了工具箱函數(shù)newrbe和newrb。

表5 并聯(lián)型灰色RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值(dB)Tab．5 Prediction value of parallel GRBF neural network(dB)

從表5可以看出線性組合方式的預(yù)測結(jié)果最差，其預(yù)測的平均相對誤差為8.89%，主要是因為線性組合的預(yù)測值僅介于兩種方法的預(yù)測結(jié)果之間，故其組合的靈活性較差，適應(yīng)力不強(qiáng)，但是線性組合的計算簡單。利用RBF神經(jīng)網(wǎng)絡(luò)的newrb組合的預(yù)測精度最高，其平均相對誤差為4.49%。newrbe組合方法的預(yù)測結(jié)果也很好，其平均相對誤差為4.732%。

3)嵌入型灰色神經(jīng)網(wǎng)絡(luò)計算

利用灰色理論對原始數(shù)據(jù)進(jìn)行累加，然后利用RBF神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)newrbe方法對累加后的數(shù)據(jù)進(jìn)行訓(xùn)練及預(yù)測，然后對預(yù)測的結(jié)果進(jìn)行累減還原，最終對實例中線路編號13-15的可聽噪聲預(yù)測結(jié)果，見表6。

表6 嵌入型灰色RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果(dB)Tab．6 Prediction result of inlaid GRBF neural network(dB)

(3)預(yù)測結(jié)果比較

整理各種預(yù)測方法的結(jié)果，計算并聯(lián)型RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的相對誤差時利用newrb方法的預(yù)測結(jié)果，得到各種方法對輸電線可聽噪聲的預(yù)測誤差結(jié)果見圖6。

圖6 各種方法可聽噪聲預(yù)測值的相對誤差Fig．6 Relative error for various methods

由圖6可以看出，在本實例模型中，嵌入型灰色RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度非常高，其預(yù)測結(jié)果的平均相對誤差為2.222%。通過計算，基于GM(0，3)和newrb方法組合的并聯(lián)型灰色RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差分別為4.346%和4.135%，預(yù)測結(jié)果也很好。它們的預(yù)測結(jié)果都優(yōu)于單一的預(yù)測方法，并且預(yù)測穩(wěn)定性好，故可以用來進(jìn)行可聽噪聲預(yù)測。而串聯(lián)型RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相對較差，主要可能是利用灰色模型進(jìn)行預(yù)測時，數(shù)據(jù)樣本的選擇不合適，導(dǎo)致預(yù)測結(jié)果比較差。

4.3 小波神經(jīng)網(wǎng)絡(luò)的可聽噪聲預(yù)測分析

同樣，利用表1中的前13組數(shù)據(jù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練，誤差ε設(shè)定為0.001。在進(jìn)行預(yù)測時，通過對樣本的不斷訓(xùn)練，選擇合適的學(xué)習(xí)率和動量系數(shù)，直至滿足誤差條件，其預(yù)測結(jié)果如圖7所示。

通過圖7可知，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測精度也比較高，其平均誤差為2.853%，可以用來對輸電線的可聽噪聲進(jìn)行預(yù)測分析。通過與圖6相比較可得知，在本實例模型中，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測效果優(yōu)于單一的RBF神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測，但是其預(yù)測結(jié)果不如串聯(lián)型和嵌入型的灰色RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果。不過小波神經(jīng)網(wǎng)絡(luò)能夠避免神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上設(shè)計的盲目性，具有更靈活更有效的函數(shù)逼近能力和更加快速的收斂速度。

圖7 小波神經(jīng)網(wǎng)絡(luò)對輸電線可聽噪聲的預(yù)測結(jié)果Fig．7 Prediction results of audible noise for wavelet neural network

5 結(jié)論

(1)灰色理論、RBF神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)方法都可用于超高壓輸電線可聽噪聲的預(yù)測，在實際應(yīng)用中應(yīng)根據(jù)需要選擇合適的方法進(jìn)行預(yù)測。

(2)通過計算分析，嵌入型灰色RBF神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)方法較單一的方法預(yù)測精度高，穩(wěn)定性好，它們的平均相對誤差分別為2.222%和2.853%;串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測精度較差。

(3)利用并聯(lián)型的灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時，分別利用了灰色理論和RBF神經(jīng)網(wǎng)絡(luò)的非線性組合方式，還有線性的組合方式。其中，線性組合方式的預(yù)測結(jié)果最差，其預(yù)測的平均相對誤差為8.89%，其組合的靈活性較差，適應(yīng)力不強(qiáng)，但是線性組合的計算簡單?；贕M(0，3)和newrb方法組合的并聯(lián)型灰色RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差分別為4.346%和4.135%，預(yù)測結(jié)果也較好。

(4)小波神經(jīng)網(wǎng)絡(luò)在進(jìn)行預(yù)測時要選擇合適的初值、學(xué)習(xí)率和動量系數(shù)，并通過不斷的訓(xùn)練比較，選取合適的隱層節(jié)點數(shù)。

［1］譚聞，張小武 (Tan Wen，Zhang Xiaowu)．輸電線路可聽噪聲研究綜述 (Research review on audible noise control of transmission line) ［J］．高壓電器 (High Voltage Apparatus)，2009，45(3):109-112．

［2］Comber M G，Nigbor R J．Audible noise performance of regular and asymmetric bundles and effect of conductor aging on project UHV’s three-phase test line［J］．IEEE Transactions on Power Apparatus and Systems，1979，98 (2):561-572．

［3］IEEE Radio Noise and Corona Subcommittee of the Transmission and Distribution Committee．Audible noise from power lines measurement，legislative，control and human response［J］．IEEE Transactions on Power Apparatus and Systems，1975，94(6):2042-2048．

［4］Trinh N G，Maruvada P S．A method of predicting the coroan performance of conductor bundles based on cage test results［J］．IEEE Transactions on Power Apparatus and Systems，1977，96(1):312-325．

［5］Kirlcham H，Cajda W J．A mathematical model of transmission line audible noise［J］．IEEE Transactions on Power Apparatus and Systems，1983，102(3):718-728．

［6］Liu Yilu，Zaffanella L E．Calculation of electric field and audible noise from transmission lines with non-parallel conductors［J］．IEEE Transactions on Power Delivery，1996，11(3):1492-1497．

［7］俞集輝，楊越，何健，等 (Yu Jihui，Yang Yue，He Jian，et al．)．對AC UHV輸電線路附近可聽噪聲預(yù)測公式的評估 (Evaluation of audible noise predicting formulas for ACUHV transmission lines)［J］．高電壓技術(shù) (High Voltage Engineering)，2009，35(3):451-456．

［8］IEEE Committee．A comparison of methods for calculating audible noise of high voltage transmission lines［J］．IEEE Transactions on Power Apparatus and Systems，1982，101(10):4090-4099．

［9］Vernon L Chartier，David E Blair．Effect of bundle orientation on transmission line audible and radio noise［J］．IEEE Transactions on Power Delivery，1994，9(3): 1538-1544．

［10］李靜雅，曹潔，姜梅 (Li Jingya，Cao Jie，Jiang Mei)．應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的超高壓輸電線路可聽噪聲預(yù)測(Prediction of audible noise for EHV transmission line based on BP neural network) ［J］．電網(wǎng)技術(shù) (Power System Technology)，2011，35(2):173-177．

［11］李靜雅，曹潔，姜梅 (Li Jingya，Cao Jie，Jiang Mei)．主成分在輸電線路可聽噪聲預(yù)測中的應(yīng)用研究 (Applied research of PCA method to transmission line audible noise prediction) ［J］．計算機(jī)工程與應(yīng)用 (Computer Engineering and Applications)，2011，47(14):233-236．

［12］牛林，杜至剛，趙建國 (Niu Lin，Du Zhigang，Zhao Jianguo)．基于相關(guān)向量機(jī)的交流特高壓輸電線路可聽噪聲的預(yù)測研究 (Prediction of audible noise of AC UHV transmission lines based on relevance vector machine) ［J］．電力自動化設(shè)備 (Electric Power Automation Equipment)，2009，29(6):71-76．

［13］張曉，陳稼苗，周浩，等 (Zhang Xiao，Chen Jiamiao，Zhou Hao，et al．)．750kV超高壓交流輸電線路電磁環(huán)境研究 (Electromagnetic environment study for 750kV extra high voltage AC transmission lines) ［J］．華東電力 (East China Electric Power)，2008，36(3):306-310．

［14］邵方殷 (Shao Fangyin)．1000kV特高壓輸電線路的電磁環(huán)境 (Electromagnetic environment of 1000kV UHV transmission line) ［J］．電網(wǎng)技術(shù) (Power System Technology)，2007，31(22):1-6．

［15］唐劍，何金良，劉云鵬，等 (Tang Jian，He Jinliang，Liu Yunpeng，et al．)．海拔對導(dǎo)線交流電暈可聽噪聲影響的電暈籠試驗結(jié)果與分析 (Test results and analysis of altitude-change effect on audible noise of AC corona occurring on conductors with corona-test cage) ［J］．中國電機(jī)工程學(xué)報 (Proceedings of the CSEE)，2010，30(4):105-111．

［16］萬建，徐德民 (Wan Jian，Xu Demin)．一種小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法研究 (A novel structure of wavelet neural network and its learning algorithm) ［J］．系統(tǒng)工程與電子技術(shù) (Systems Engineering and Electronics)，2002，24(3):108-111．

［17］孫小點，任雪梅 (Sun Xiaodian，Ren Xuemei)．連續(xù)小波神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)構(gòu)研究 (The optimization to the structure of a continuous wavelet neural network) ［J］．系統(tǒng)仿真學(xué)報 (Journal of System Simulation)，2001，13(Suppl．):156-159．

(，cont．on p.76)(，cont．from p.72)

Study of prediction method for audible noise of EHV transmission line

LI Yong-ming1，WANG Yu-qiang1，XU Lu-wen2，SHEN Jie3

(1．State Key Laboratory of Power Transmission Equipment＆System Security and New Technology，Chongqing University，Chongqing 400044，China;2．Chongqing Electric Power Test and Research Institute，Chongqing 401123，China;3．Urban Power Supply Bureau of Chongqing Electric Power Company，Chongqing 400014，China)

In order to study the audible noise of transmission line，4 prediction models which include gray theory，radius basis function neural network，grey-RBF neural network and wave neural network are established，and the characteristics of each method are analyzed．Moreover，14 factors which affect the audible noise of transmission line，such as environment，location，conductor and circuit structure parameter，are considered for each prediction model．When using grey theory to predict the noise，the gray correlation degree of each influence factor is firstly calculated by Gray correlation analysis，then 6 factors whose correlation degree is more than 0.8404 are selected to establish the GM(1，7)model．With examples，the prediction accuracy for Inlaid Grey RBF neural network and wave neural network is much higher，and the relatively error is respectively 2.222%and 2.853%，therefore，they can be used to predict the audible noise of transmission line．The combination prediction method has a higher accuracy than the single method，and it can improve the stability of prediction．

audible noise;transmission lines;grey model;RBF neural network model;grey-neural network model;wavelet neural network

TM723

A

1003-3076(2014)07-0067-06

2013-04-17

李永明(1964-)，男，江西籍，副教授，博士，研究方向為工程電磁場數(shù)值分析與電力系統(tǒng)電磁兼容和電磁環(huán)境保護(hù);

王玉強(qiáng)(1986-)，男，山西籍，碩士研究生，研究方向為電力系統(tǒng)電磁兼容和電磁環(huán)境保護(hù)。