Page 131 - 201806

第 37 卷 第 6 期 张智勇等： 基于数据融合的风电机组噪声预测 961

7 7
6 6

5 5
ᄈѬඋ/% 4 3 ᄈѬඋ/% 4 3

2 2

1 1

0 0
54 56 58 60 62 54 56 58 60 62
ܦԍ/dB ܦԍ/dB
(a) ஈᤉGA-SVRᮕ฾ᄊᄱࠫឨࣀ (b) ஈᤉGA-SVRྲढ़ጟᚸՌᮕ฾ᄊᄱࠫឨࣀ

图 6 相对误差百分比
Fig. 6 Relative error percentage

结果表明，仅用改进的GA-SVR 进行噪声预测 示，并以此作为输入样本进行模型的建立和训练。
可以得到较好的预测结果。 然后，用建立的模型对噪声声压进行仿真预测。最
3.4 多源数据特征级融合与改进的 GA-SVR 后，比较最终预测值和预留的测试样本值，如图5(b)
相结合 所示，粉色曲线表示预测结果。其相对应的相对误
基于改进的 GA-SVR 结合多源数据特征级融 差百分比及其平均值为0.7757%，如图6(b)所示。

合理论建立预测模型，用式(2)、式(3)、式(7)、式(8) 结果表明，基于改进 GA-SVR的多源数据特征
分别计算出样本数据点的奇异谱熵值、功率谱熵值、 级融合预测比单一应用改进 GA-SVR 的预测结果
小波能谱熵和小波空间谱熵值，计算结果如表 4 所 更精确，其误差满足预测要求，具有参考研究价值。

表 4 特征量熵值的部分计算结果
Table 4 Partial results of entropy value of characteristic quantity

样本点 奇异谱熵 (HHT) 奇异谱熵表 (小波) 功率谱熵 (HHT) 功率谱熵 (小波) 小波能谱熵 小波空间谱熵
1 56.044352 89.66496 5.637492 7.324273 0.979079 99.71229
2 30.355616 89.50509 4.389894 7.383375 0.903201 99.84185
3 25.824474 88.73986 3.915231 7.322817 3.494736 99.55263
4 45.052191 89.77979 5.018310 7.388075 0.849476 99.72423
5 29.373089 89.73350 4.381837 7.354744 10.74266 99.53277
6 29.431296 89.72160 4.0892545 7.351689 0.912249 99.67992
7 45.210494 89.43568 5.096884 7.368043 0.777791 99.79305
8 23.342649 89.34303 3.861155 7.336220 1.850124 99.74064
9 15.473443 89.26888 3.615082 7.344845 2.689231 99.39189
10 27.035722 87.27765 3.961777 7.441320 1.059100 99.94540

组噪声特性的研究，对 GA-SVR 提出了改进，使其
4 结论
能更好地适用于风电机组噪声预测模型，并提高模
本文针对多输入变量的情况进行了非声学参 型的预测精度和速率。通过对基于信息熵的研究，
数间共线性的诊断和处理，并对输入变量进行了有 应用信息熵理论对风电机组噪声信号进行特征提
效地降维和数据异常点的甄别处理。通过对风电机 取，并将其与多源数据特征级融合理论相结合，应用