本发明涉及噪声评估领域，尤其涉及一种电力设备的振动噪声评估方法、装置、介质及设备。
背景技术：
1、随着电力系统和城市建设的快速发展，社会上的用电负荷需求不断增长，变电站建设与生产生活共生已经成为了一种新型的变电站建设模式。虽然这种模式能够改善供电质量，满足日益增长的用电负荷需求，但是这种模式也带来了噪声问题。
2、由于变电站中变压器会在运行中产生振动，从而诱发严重的结构振动及二次噪声问题，而其中的低频噪声会对居民的正常生活和健康产生较大的负面影响。在现有的对于变电站的噪声管理方法中，通常仅仅是测量整个变电站的声音以及对其进行评级，从而作出相应的降噪措施。但是这种方法忽略了变电站声音来源的多样性，从而无法得到准确的低频噪声信息。除此之外，由于不同的负荷特性代表着变电站的工作效能和噪声的强度，现有的对于声音的测量过程中，通常仅关注如何进行测量，而忽略了变电站的负荷特性，这在一定程度上降低了声音测量的准确度。因此，目前亟需一种新的方法来解决现有技术中的缺陷。
技术实现思路
1、本发明提供了一种电力设备的振动噪声评估方法、装置、介质及设备，以解决现有技术中无法对变电站的低频噪声进行准确评估的技术问题。
2、为了解决上述技术问题，本发明实施例提供了一种电力设备的振动噪声评估方法，包括：
3、获取电力设备的历史负荷数据并进行分解，得到历史日负荷数据；
4、根据预设的聚类算法，结合所述历史日负荷数据构建历史负荷时间序列数据；
5、根据预设的采集方法，对电力设备的声压信息进行采集，得到标准声压信号；
6、对标准声压信号进行特征提取，得到第一噪声数据；
7、将历史负荷时间序列数据和第一噪声数据输入预设的初始评估模型，并根据预设的评估训练方法，得到最优评估模型；
8、获取待评估电力设备的日负荷数据，并输入到所述最优评估模型中，得到电力设备的振动噪声评估结果。
9、可以理解的是，相对于现有技术，本发明通过将电力设备的历史负荷数据分解为与电力设备日常工作更为密切相关的历史日负荷数据，并以此构建相应的时间序列数据；通过采集电力设备的声压信息并进行特征提取，得到了准确的低频噪声数据。通过评估模型，从负荷、噪声和时间三个维度对负荷与噪声之间的关系进行挖掘，从而能够基于与电力设备最为密切相关的日负荷数据得到对于低频噪声数据的评估，使得评估结果符合电力设备的实际运行情况，提高了对于噪声的评估准确度，为电力设备的降噪提供了基础，从而优化了电力设备的建设。
10、作为优选方案，所述对电力设备的历史负荷数据进行分解，得到历史日负荷数据,具体包括：
11、获取电力设备的历史负荷数据，对所述历史负荷数据进行数据清洗，得到第一历史负荷数据；
12、根据预设的日期特征类型，结合傅里叶分解方法，对第一历史负荷数据进行分解，得到初始历史负荷日周期分量、初始历史负荷周周期分量和初始历史负荷月周期分量；
13、根据预设的加权平均算法，将所述初始历史负荷日周期分量、初始历史负荷周周期分量和初始历史负荷月周期分量进行加权统计，得到历史日负荷数据。
14、通过将历史负荷数据分解为历史日负荷数据，能够得到与电力设备正常工作状态下更为契合的负荷数据，以日负荷数据更好的体现电力设备的工作特征。
15、作为优选方案，所述根据预设的聚类算法，结合所述历史日负荷数据构建历史负荷时间序列数据，具体包括：
16、将所述历史日负荷数据转换为历史日负荷矩阵数据，并使用核主成分分析算法，对所述的高维度历史日负荷矩阵数据进行降维，得到第一历史日负荷矩阵数据；
17、对第一历史日负荷矩阵数据进行转换，得到历史日负荷曲线；
18、根据预设的聚类算法，结合所述历史日负荷曲线得到最优聚类结果；
19、根据所述最优聚类结果，构建历史负荷时间序列数据。
20、通过将历史日负荷数据转换为历史日负荷矩阵数据以及进行降维处理，之后通过聚类算法，能够以将负荷以日期特征进行分类，从而得到更加准确的负荷与时间的关系。
21、作为优选方案，所述根据预设的采集方法，对电力设备的声压信息进行采集，得到标准声压信号，具体包括：
22、以电力设备为中心点构建声场，将所述电力设备分解为若干个采集面；将所述每个采集面分解为若干个采集点，采集每个采集点和采集面的声压信号，并根据所述每个采集点和采集面的声压信号构建电力设备的总声压信号：
23、
24、pij(r)＝ρ0ω∫dq(r0)g(r,r0)，
25、
26、
27、其中，pi为第i个采集面的声压信号，ai(ω)为第i个采集面的声学传递向量，n为第i个采集面中采集点的数量；pij(r)为第i个采集面中第j采集点的声压信号；ρ0为介质的平均密度；ω为电力设备的振动角频率；d为声场的边界；q(r0)为电力设备振源产生的压强，g(r,r0)为格林函数；r0为电力设备振源的中心点；r为采集点j与电力设备振源中心点的距离；m为采集面的数量，vi(ω)为电力设备在第i采集面的振动速率；p为电力设备的声压信号；
28、将所述电力设备的声压信号进行归一化处理，得到电力设备的标准声压信号。
29、通过将构建电力设备的声场，并分解为多个采集面和采集点，能够采集到更为全面和准确的声压信号，从而得到了更加准确的电力设备的声压信号，最后通过归一化处理，能够避免声压信号不同级别的信号之间较大的差异，从而保证采集到每个声压信号用于同样的声压级别。
30、作为优选方案，所述将所述电力设备的声压信号进行归一化处理，得到电力设备的标准声压信号，具体包括：
31、获取预设的归一化比例，使用dbfs归一化方法对所述电力设备的声压信号进行归一化处理，得到电力设备的标准声压信号：
32、dbfsmax＝20log10(max|soundsignalold|)，
33、dbfsmin＝＝20log10(max|soundsignalold|)，
34、
35、其中，dbfsnew为最大归一化比例，dbfsmin为最小归一化比例，soundsignalold为归一化前的电力设备声压信号，soundsignalnew为归一化后得到的电力设备标准声压信号。
36、通过归一化处理，能够避免声压信号不同级别的信号之间较大的差异，从而保证采集到每个声压信号用于同样的声压级别。
37、作为优选方案，所述对标准声压信号进行特征提取，得到第一噪声数据，具体包括：
38、根据时间平移操作方法对所述标准声压信号进行信号增强，得到第一标准声压信号；
39、根据短时傅里叶变换方法对所述第一标准声压信号进行时频分析，得到第一时频谱图；
40、根据预设的特征提取方法，对所述第一时频谱图进行特征提取，得到对应的幅度谱特征和相位谱特征；
41、将所述幅度谱特征和相位谱特征进行卷积编码，得到高维特征空间上的音频特征；
42、根据预设的时频卷积方法对所述高维特征空间上的音频特征进行提取，得到时频特征；
43、将所述时频特征进行相位解码，得到对应的相位特征；
44、根据预设的特征筛选方法，对所述的时频特征和相位特征进行筛选，得到音频特征集合；
45、根据逆傅里叶变化方法，结合所述音频特征集合得到初始噪声数据；
46、根据低通滤波法，对所述初始噪声数据进行过滤，得到第一噪声数据。
47、通过将声压信号转换为时频谱图，并进行卷积编码、相位解码等，最后进行特征筛选，以及低通滤波，从而筛选得到了准确的低频噪声数据。
48、作为优选方案，所述将历史负荷时间序列数据和第一噪声数据输入预设的初始评估模型，并根据预设的评估训练方法，得到最优评估模型，具体包括：
49、将历史负荷时间序列数据和第一噪声数据输入预设的卷积神经网络模型中，以使卷积神经网络模型能够将历史负荷时间序列数据和第一噪声数据在时间维度上进行拟合；
50、在卷积神经网络模型的输出层中设置a计权误差评估方法，以使能够对卷积神经网络模型输出的对于噪声数据的评估结果；
51、根据评估结果，对所述卷积神经网络模型进行迭代训练，进而更新评估结果，直到所述评估结果满足预设的标准，完成对卷积神经网络模型的训练，得到最优评估模型。
52、通过将历史负荷时间序列数据和第一噪声数据输入预设的卷积神经网络模型，并在卷积神经网络模型中加入了a计权误差评估方法，在充分发掘负荷数据和噪声数据在时间序列上的关系，还能够对噪声的等级进行评估。
53、相应的，本发明实施例提供了一种电力设备的振动噪声评估装置，包括：负荷数据获取模块、负荷时序数据获取模块、声压信号获取模块、噪声数据获取模块、评估模型获取模块和振动噪声评估模块；
54、其中，所述负荷数据获取模块用于获取电力设备的历史负荷数据并进行分解，得到历史日负荷数据；
55、所述负荷时序数据获取模块用于根据预设的聚类算法，结合所述历史日负荷数据构建历史负荷时间序列数据；
56、所述声压信号获取模块用于根据预设的采集方法，对电力设备的声压信息进行采集，得到标准声压信号；
57、所述噪声数据获取模块用于对标准声压信号进行特征提取，得到第一噪声数据；
58、所述评估模型获取模块用于将历史负荷时间序列数据和第一噪声数据输入预设的初始评估模型，并根据预设的评估训练方法，得到最优评估模型；
59、所述振动噪声评估模块用于获取待评估电力设备的日负荷数据，并输入到所述最优评估模型中，得到电力设备的振动噪声评估结果。
60、可以理解的是，相对于现有技术，本装置通过将电力设备的历史负荷数据分解为与电力设备日常工作更为密切相关的历史日负荷数据，并以此构建相应的时间序列数据；通过采集电力设备的声压信息并进行特征提取，得到了准确的低频噪声数据。通过评估模型，从负荷、噪声和时间三个维度对负荷与噪声之间的关系进行挖掘，从而能够基于与电力设备最为密切相关的日负荷数据得到对于低频噪声数据的评估，使得评估结果符合电力设备的实际运行情况，提高了对于噪声的评估准确度，为电力设备的降噪提供了基础，从而优化了电力设备的建设。
61、相应的，本发明实施例提供了一种终端设备，包括：
62、一个或多个处理器；
63、存储器，与所述处理器耦接，用于存储一个或多个程序；
64、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的一种电力设备的振动噪声评估方法。
65、相应的，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上所述的一种电力设备的振动噪声评估方法。
1.一种电力设备的振动噪声评估方法，其特征在于，包括：
2.如权利要求1所述一种电力设备的振动噪声评估方法，其特征在于，所述对电力设备的历史负荷数据进行分解，得到历史日负荷数据,具体包括：
3.如权利要求1所述的一种电力设备的振动噪声评估方法，其特征在于，所述根据预设的聚类算法，结合所述历史日负荷数据构建历史负荷时间序列数据，具体包括：
4.如权利要求1所述的一种电力设备的振动噪声评估方法，其特征在于，所述根据预设的采集方法，对电力设备的声压信息进行采集，得到标准声压信号，具体包括：
5.如权利要求4所述的一种电力设备的振动噪声评估方法，其特征在于，所述将所述电力设备的声压信号进行归一化处理，得到电力设备的标准声压信号，具体包括：
6.如权利要求1所述的一种电力设备的振动噪声评估方法，其特征在于，所述对标准声压信号进行特征提取，得到第一噪声数据，具体包括：
7.如权利要求1所述的一种电力设备的振动噪声评估方法，其特征在于，所述将历史负荷时间序列数据和第一噪声数据输入预设的初始评估模型，并根据预设的评估训练方法，得到最优评估模型，具体包括：
8.一种电力设备的振动噪声评估装置，其特征在于，包括：负荷数据获取模块、负荷时序数据获取模块、声压信号获取模块、噪声数据获取模块、评估模型获取模块和振动噪声评估模块；
9.一种终端设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1至7任一项所述的一种电力设备的振动噪声评估方法。
