輸電線路覆冰厚度預測

輸電線路覆冰厚度預測是指利用神經網路等技術對線路附近的溫度、濕度、風速、風向、氣壓、日照、降水量以及絕緣子的傾斜角、風偏角、拉力感測器採集的導線重量，利用計算機對時序獲得的若干觀測信息,在一定規則下，加以分析、綜合，以完成所需的決策和評估任務而進行的信息處理技術。

基本介紹

• 中文名：輸電線路覆冰厚度預測
• 外文名：Prediction of icing thickness in transmission lines
• 學科：電力輸送
• 技術：神經網路技術
• 依據：溫度、濕度、風速、風向等
• 影響因素：季節、地理、海拔等因素

背景

冰災是電力系統嚴重的威脅之一, 當嚴重的冰災持續來襲時, 輸電線路難免會出現覆冰。輸電線路上的覆冰使輸電線變粗, 增加了輸電線的重量; 對於長距高壓輸電線來說, 每個跨度的輸電線都是由鐵塔支撐, 這樣覆冰加增加了鐵塔的負重, 當負重達到一定的限度, 輕則發生冰閃,重則造成倒塔(桿)、斷線, 甚至致使電網癱瘓。輸電線路覆冰對於電網的安全運行來說是一個非常危險的自然災害, 所以急待研究解決。

導線覆凍的定性

1) 降水覆冰(precipitation icing)。空氣中的凍雨或雪花降落到表面在0益左右的導線上形成覆冰或覆雪。這種過冷卻水的過冷度與曲率半徑有關, 曲率半徑小的大水滴其過冷卻度小, 曲率半徑大的小水滴, 其過冷卻度大。過冷卻水與導線接觸會發生凍結, 在凍結過程中水滴緩慢釋放熱量造成導線表面出現水膜, 故常產生雨凇。

2) 雲中覆冰(in-cloud icing)。高海拔地區的過冷卻雲霧與導線接觸凍結成冰, 稱為雲中覆冰。雲中覆冰產生原因主要取決於氣象參數, 這是雲中覆凍的特點, 因霧尺寸較小, 釋放熱量速度較快, 不會在表面形成水層, 所以多為霧凇。

3) 升華覆冰(sublimation)。水蒸氣因冷空氣直接在物體表面凍結產生的霜, 也稱為晶狀霧凇。但其一般不會發展很大, 附著力小, 不會對線路產生太大影響。

導線覆凍的影響因素

導線覆冰主要有6 種影響因素, 其分別為:

1) 氣象因素, 氣象因素是導線覆冰產生最重要的因素。因導線覆冰受到的氣候影響因素較多,在一般情況下, -5 ~ 0℃時, 造成的覆冰危害最大。溫度較低時, 過冷卻水轉化為雪花, 無法造成線路覆冰, 而溫度較高時也不可能產生覆冰。正因為如此, 在冬季溫度較低的華北地區反而沒南方和西南地區的導線覆冰嚴重。同樣, 風速對導線覆凍的產生也有很大的影響, 其中最主要的是在風速處於3 ~ 6 m/ s 時, 覆冰增長速度最快,風速超過或降低都會影響其增長速度, 同時風向對覆凍的影響也很大, 比如在風向-導線夾角在45°~150°時, 造成的結果最為嚴重。

2) 季節因素, 通過統計得知每年覆冰多發生多在11 月到次年3 月之間。

3) 地理因素, 在風較大, 濕度較大, 同時地形突出的地形比其他地形產生的覆冰更嚴重。

4) 海拔因素, 在高海拔地區往往比低海拔地區造成的結果要嚴重。

5) 線路因素, 在覆凍的研究中, 因導線走向問題, 線路也成為了一個重要因素, 其最主要的原因還是氣象因素中的風速影響, 當導線-風速夾角=90°時, 增長最快, 結果最嚴重。

6) 導線本身因素, 導線的電場會影響空氣中的水, 使其嚮導線移動, 若其他因素合適就會在導線上產生覆冰。

覆冰檢測實現

基於PNN 網路的覆冰檢測實現

神經網路是運用樣本學習, 在輸入和輸出結點建立非線形映射關係。它可以模擬複雜的因果關係,也可以不反映輸入與輸出之間的實際邏輯關係或因果關係, 而只是對其數量與結構關係的一種模擬。實際上, 這種映射是把系統視為整體, 把其運行狀態作為一種模式來看待的, 用樣本對人工神經網路的訓練也是一種模擬人的模式思維的訓練。

1、神經網路工具箱函式

通常使用神經網路都是直接使用Matlab 提供的神經網路工具箱提供的模型, 這個工具箱幾乎涵蓋了常用的神經網路模型; 同時支持拓展功能,可以使用其他非常規神經網路工具箱進行擴充。對於多種模型, 工具還提供了各類學習算法, 為用戶節省了很多時間。Matlab 工具箱中基本涵括了用於神經網路分析與設計需要使用的函式。

2、建立模型

在所有的神經網路建模中, 必須選取最有代表性, 最能反映問題的特徵的特徵量。如果選取的特徵量不能做到儘量詳細的描述問題的特徵或沒有足夠的信息, 那么網路得出的診斷結論會受到很大影響。在這個模型中數據採集自中國氣象科學數據共享網 , 導線覆冰天氣多出於氣溫-5~3℃、相對濕度≥80%、風速0 ~ 4.5 m/ s 的情況下, 以此條件篩選數據, 最終獲得123 組數據

3、程式實現（如右圖）

基於GRNN 網路的覆冰檢測實現

1、GRNN 網路簡述

廣義回歸神經網路(generalized regression neural network) 是1991 年美國人Donald Specht 提出的。GRNN 是一種徑向基( RBF) 神經網路, 是基於人腦的神經元細胞對外界反映的局部性而提出的, 是一種新穎而有效的前饋式神經網路, 它不僅具有全局逼近性質, 而且具有最佳逼近性質，如圖。GRNN 的結構由四層構成, 如圖, 其結構接近於RBF 網路。

GRNN 在學習上仍然使用的是BP 網路的算法具有優秀的逼近性, 在學習速度上優於RBF 網路。只需要調節網路的spread 值。網路的學習全部依賴數據樣本, 這個特點決定了網路可以最大限度地避免主觀假定對預測結果的影響。

2、數據歸一化處理

Sigmoid 函式廣泛套用於前饋型升級網路。在函式中輸入量過大或者過小, 都會造成輸出結果進入函式飽和區間。為了使樣本獲得最好的效果, 我們必須對樣本數據進行歸一化處理。需要將獲得的樣本數據需歸一化在[-1, 1]之間。Matlab 提供了多種方法對數據進行歸一化處理。

3、程式實現（如右圖）

總結

選擇FNN 網路和GRNN 網路為討論對象, 最終得到結論:

1) 基於PNN 神經網路和GRNN 神經網路理論, 在matlab 平台上的預測結果表明兩個網路都能實現預測需要, 但是GRNN 網路在小樣本情況下的精確性更高。

2) PNN 網路相對於BP 網路的優勢是快速,高效, 易調節, 可隨時加入新的樣本進行網路學習, 但是因樣本過小的緣故, 誤差較大。

3) 相比BP 網路的複雜參數簡單, 穩定很多,而且小樣本時也可以達到不錯的精確度, 同時GRNN 網路的spread 的值還可以通過程式完成循環計算。

4) 在複雜情況的預測時, 只有小樣本的情況下GRNN 網路更加適合進行預測; 但擁有大樣本的時候PNN 網路的精確性會得到提高。

5) 因覆冰模型理論的成熟度不夠, 所以還具有很大的局限性, 還待後續理論的研究獲得一個統一的線路覆冰模型, 以提高精度和可靠性。