輸電線路偶發(fā)性覆冰厚度預測及增強恢復力方法研究

李小雙，曹陽，彭小峰，高會翔，王鑫

輸電線路偶發(fā)性覆冰厚度預測及增強恢復力方法研究

李小雙，曹陽，彭小峰，高會翔，王鑫

（重慶理工大學 電氣與電子工程學院，重慶 401320）

針對輸電線路發(fā)生偶發(fā)性覆冰時，線路覆冰預測精度低以及線路恢復力評估模型不準確等問題，首先根據(jù)灰色關聯(lián)度比重，建立了基于分段粒子群優(yōu)化（Partition particle swarm algorithm，PPSO）最小二乘支持向量機（Least squares support vector machine，LSSVM）的輸電線路覆冰厚度預測模型，用于預測未來36 h的覆冰厚度。將線路覆冰后恢復力模型劃分為覆冰前期、覆冰中期、覆冰恢復自持期、覆冰恢復后期4個階段，分別建立評估指標；基于覆冰后線路功率變化熵和預測的線路覆冰增長量，建立線路韌性增強方式。仿真結果表明，采用所提方案后，傳輸系統(tǒng)在發(fā)生偶發(fā)性線路覆冰時的韌性被提高了11.54%。

輸電線路；覆冰預測；恢復力評估；韌性增強；粒子群算法

0 引言

輸電線路設計標準在非冰災區(qū)和冰災區(qū)的不同，以及偶發(fā)性冰災所具有的短期和小范圍特點，導致了非冰災區(qū)域在發(fā)生偶發(fā)性輸電線路覆冰時比冰災區(qū)更有可能發(fā)生線路過載、斷路器跳閘、導線舞動、絕緣子閃絡、導線斷線、塔桿倒塌以及電力通信中斷等事故[1]。特別是一些重要的輸電線路跨越地域廣，線路所經地形復雜[2]，所以在極端惡劣天氣下出現(xiàn)的偶發(fā)性覆冰災害時，人工巡線的難度大。對輸電線路覆冰進行可靠的預測并對其自恢復能力進行研究，可為電力部門制定調度、融冰、運維決策提供幫助[3,4]。

按照覆冰形成的物理和氣象過程，輸電線路覆冰可分為雨凇、霧凇、軟霧凇、混合凇、濕雪5種。在這5種覆冰類型中，雨凇的密度最大，附著力最強，對輸電線路的危害也是遠遠大于其他類覆冰[5-7]。目前，國內外學者已在輸電線路覆冰厚度的預測上做過大量研究。

關于輸電線路覆冰厚度的預測模型主要有物理理論模型、統(tǒng)計學模型及機器學習模型。

物理理論模型。文獻[8]為提升基于動態(tài)拉力與傾角的架空輸電線路覆冰力學模型的精度，提出了以導線動態(tài)拉力和傾角為輸入、等值覆冰厚度為輸出的多輸入單輸出耐張塔覆冰監(jiān)測模型。文獻[9]對線路覆冰進行力學分析，考慮不均勻載荷和風偏平面載荷，建立了輸電線路綜合荷載的等值覆冰厚度預測模型。由于物理理論模型中的某些力學參數(shù)在常規(guī)線路監(jiān)測中難以獲得，所以其在實際應用受到諸多限制。

統(tǒng)計學模型。文獻[10]通過統(tǒng)計學原理分析了輸電線路覆冰數(shù)據(jù)，得到了輸電線路覆冰數(shù)據(jù)的特征和聚集類型。由于在應用時需要滿足諸多統(tǒng)計假設條件，且線路周邊微氣象因素難以計及，所以統(tǒng)計學模型預測精度受到影響。

機器學習模型。文獻[11]用灰色支持向量機建立了覆冰厚度短期預測模型。文獻[12]利用覆冰增長的物理過程選取實際可測量的氣象參數(shù)，并將其作為覆冰影響因素；對粒子群算法進行改進，使其在迭代過程中出現(xiàn)概率性變異；最終用優(yōu)化BP（Back propagation）神經網絡對覆冰厚度進行了預測。利用大量的覆冰監(jiān)測數(shù)據(jù)對網絡進行訓練，是用機器學習算法對覆冰厚度進行預測的前提。監(jiān)測數(shù)據(jù)包括溫濕度、氣壓、風速、導線傾角、導線載荷等。目前，輸電線路覆冰監(jiān)測設備還有待完善，且大部分地區(qū)一年中覆冰時間不長，所以能采集到的數(shù)據(jù)量偏少。

針對極端自然災害，文獻[13]將潮流、概率風險評估和自適應能力分析相結合，提出了電力系統(tǒng)韌性和可靠性增強方法。文獻[14]采用防御孤島的方法提高電力系統(tǒng)在極端自然災害下的恢復能力。為實現(xiàn)臺風災害下島嶼微電網群恢復能力的全過程提升，文獻[15]提出了災前儲能調度、災中的最優(yōu)負荷削減和故障線路修復序列的災后優(yōu)化策略。文獻[16]將脆弱性曲線的概念用于評估組件的故障概率，并根據(jù)天氣和時間評估電力系統(tǒng)關鍵基礎設施在極端自然災害下的恢復能力。

為解決輸電線路在發(fā)生偶發(fā)性覆冰時，覆冰厚度預測精度低和線路的恢復力評估模型不準確等問題，本文根據(jù)覆冰時線路所處環(huán)境的微氣象數(shù)據(jù)變化特性，提出一種基于PPSO-LSSVM的輸電線路覆冰厚度預測模型。將線路覆冰后恢復力模型分為覆冰前期、覆冰中期、覆冰恢復自持期、覆冰恢復后期4個階段分別建立評估指標；基于覆冰后線路功率變化熵和預測的線路覆冰增長量，給出線路韌性增強方案。

1 輸電線路覆冰預測

1.1 最小二乘支持向量機

最小二乘支持向量機算法是支持向量機（Support vector machine，SVM）算法的改進優(yōu)化版本。利用最小二乘損失函數(shù)和等式約束，可將SVM的不等式變?yōu)榈仁剑M而對SVM的二次規(guī)劃問題加以簡化[17,18]。LSSVM算法在小樣本數(shù)據(jù)的預測中比BP神經網絡等算法更具優(yōu)勢。

式中：為偏置位；為權值向量。

根據(jù)經驗風險最小化原理，LSSVM回歸變?yōu)榧s束優(yōu)化：

引入拉格朗日函數(shù)求解優(yōu)化問題：

式中：a為拉格朗日乘子。

根據(jù)非線性規(guī)劃（Karush-Kuhn-Tucker，KKT）條件和Mercer原理，可得到線性方程組如式（4）所示。

根據(jù)最小二乘法求解式（4），并采用RBF核函數(shù)，使LSSVM具有更好的泛化能力，得到回歸函數(shù)：

式中：為RBF核函數(shù)寬度。

懲罰因子和核函數(shù)參數(shù)是LSSVM模型的重要參數(shù)。這2個參數(shù)的合適與否將直接影響模型擬合效果。因此，為提升LSSVM的擬合效果，需對和進行尋優(yōu)。輸入變量根據(jù)灰色關聯(lián)度分析結果進行選擇。

1.2 分段粒子群優(yōu)化算法

粒子群算法模擬了鳥群在起飛時的信息交互過程，通過模擬鳥群之間的相互學習和模仿，尋找全局最優(yōu)點[19,20]。

第代的第個微粒在第維空間（1≤≤）的速度更新公式如下：

第個粒子的位置更新公式如下：

粒子群算法原理簡單、可實現(xiàn)度高、參數(shù)少，但其在尋優(yōu)過程中容易陷入局部最優(yōu)，且在高維空間和非線性函數(shù)求解時，其搜索精度較低、收斂速度較慢。

為提升PSO（Particle swarm optimization）算法的尋優(yōu)效果，提出一種分段粒子群優(yōu)化算法PPSO——將PSO算法分為前期、后期2個階段，前、后期的迭代區(qū)間以劃分。

在PSO算法中，要求粒子速度v在前期保持一個較大的值，從而提高算法的全局搜索能力；在后期，粒子速度應保持一個較小的值以提高局部搜索能力[21]。

通過2階段動態(tài)控制策略并引入加減速系數(shù)改變粒子在迭代前后期的速度。改進后的粒子速度公式變?yōu)椋?/p>

式中：>1為壓縮因子；≥1為加速系數(shù)；≤0為減速系數(shù)；為迭代次數(shù)；為2階段迭代次數(shù)區(qū)間，取總迭代次數(shù)的60%。

合理分配慣性權重有利于提升PSO算法在全局和局部的搜索能力。在搜索后期，恒定的慣性權重會導致局部搜索能力大幅下降。線性遞減權重策略雖提高了局部搜索能力，但進入搜索后期時其值很小，易導致算法陷入局部最優(yōu)解，使全局搜索能力下降[22]。

2階段非線性慣性權重策略改變了算法在全局和局部的搜索能力。各階段慣性權重為：

PPSO算法在搜索前期擁有更好的全局搜索能力，在后期具有更佳的局部搜索能力。算法始終處于高效搜索狀態(tài)下，求解精度更高。

1.3 預測模型

輸電線路覆冰現(xiàn)象由多種氣候因素共同作用導致。針對線路覆冰要考慮的因素包括覆冰時長、環(huán)境溫濕度、風速、光照強度等。輸電線路運行地域分布廣闊、運行環(huán)境復雜不穩(wěn)定[23]，這導致其覆冰數(shù)據(jù)難以及時大量獲取。樣本數(shù)據(jù)的嚴重不足，將致使覆冰預測效果不佳。

針對小樣本數(shù)據(jù)的預測問題，本文所采用具有很大的優(yōu)勢的LSSVM模型。

輸電線路覆冰預測模型計算流程如圖1所示。

圖1 輸電線路覆冰預測模型計算流程

圖1的總體思路：先對原始覆冰數(shù)據(jù)進行灰色關聯(lián)度分析，利用PPSO算法進行參數(shù)尋優(yōu)，確定LSSVM的和參數(shù)；再利用灰色關聯(lián)度值排名前三的影響因素作為輸入數(shù)據(jù)集，并根據(jù)覆冰數(shù)據(jù)集對未來36 h覆冰厚度進行預測。

具體計算步驟如下。

步驟1）根據(jù)灰色關聯(lián)度分析各因素對覆冰的影響，取權重最大的前3個作為樣本數(shù)據(jù)，將數(shù)據(jù)集劃分為訓練集和測試集。

步驟2）初始化LSSVM參數(shù)。設置為100、為1.5，劃定C和的尋優(yōu)范圍。根據(jù)初次迭代結果采用均方差（MSE）作為適應度函數(shù)，公式如下：

式中：為樣本總量；￠為覆冰厚度預測值；y為覆冰厚度實際值。

步驟3）設置PPSO算法的參數(shù)。令：空間維數(shù)為2；種群規(guī)模為50；慣性權重隨分段函數(shù)非線性遞減，慣性權重最大值max和最小值min分別為0.95和0.30；最大迭代次數(shù)為100；加速系數(shù)為1.4；減速系數(shù)為–1.7；加速因子1、2均為2。

步驟4）將和作為粒子，并設置當前粒子最優(yōu)解為100，為1.5。根據(jù)步驟2）計算各粒子的適應度值p。然后，每次迭代都用式（8）、式（9）更新粒子位置和速度，并得到一組新的和值。

步驟5）將步驟4）的最優(yōu)解賦給LSSVM預測模型進行訓練，并計算新的適應度P+1。

步驟6）對比P+1與P。若P+1優(yōu)于P，則將P+1作為P；否則不變。

步驟7）判斷是否達到算法終止條件，即P值最佳或算法迭代次數(shù)達到。若結果為是，則輸出最優(yōu)的和值；否則重返步驟4），繼續(xù)迭代。

步驟8）將步驟7）的最優(yōu)解賦給LSSVM預測模型，即可得到預測的覆冰厚度。

1.4 算法驗證

以西南某110 kV線路二月7 d的線路覆冰在線監(jiān)測裝置實測數(shù)據(jù)算例，對算法進行驗證。令采樣間隔為3 h，共得到99組樣本數(shù)據(jù)，部分數(shù)據(jù)樣本如表1所示。將表中1—86號樣本數(shù)據(jù)作為訓練集，87—99號數(shù)據(jù)作為測試集。

預測12個點的覆冰厚度并檢驗模型的精度。采用均方根誤差（RMSE）和平均相對誤差（MRE）進行誤差對比分析。

表1 部分覆冰數(shù)據(jù)樣本

在MATLAB 2021a環(huán)境下，分別建立PPSO- LSSVM、PSO-LSSVM、BP-LSSVM預測模型。

采用SPSSPRO工具箱的灰色關聯(lián)度分析模塊分析影響覆冰厚度的主要因素。各影響因素灰色關聯(lián)度系數(shù)計算結果如表2所示。由表2可知，環(huán)境溫度、環(huán)境濕度以及環(huán)境風速的灰色關聯(lián)度最高，也即這3個因素對導線覆冰的影響最大，故以此3個因素作為LSSVM模型的輸入量。

表2 各影響因素的灰色關聯(lián)度系數(shù)

LSSVM模型的懲罰因子和核函數(shù)參數(shù)的選擇對提高預測過程的速度和預測精度至關重要。為確定最佳的模型參數(shù)、構建更為準確的覆冰厚度預測模型，本文分別采用PPSO算法、PSO算法以及BP算法對LSSVM模型進行尋優(yōu)。3種模型對LSSVM參數(shù)尋優(yōu)的迭代曲線如圖2所示。

由圖2可知，相比PSO算法和BP算法，PPSO算法在尋優(yōu)過程中具有更快的收斂速度、更低的精度損失。PPSO算法尋優(yōu)能力更強，說明本文對PSO算法的改進起到了積極的作用。

圖2 3種模型對LSSVM參數(shù)尋優(yōu)迭代曲線

PPSO-LSSVM模型優(yōu)化后的最佳參數(shù)為=110.74、2=52.41；PSO-LSSVM模型的最佳參數(shù)為=99.12、2=45.72；BP-LSSVM模型采用BP神經網絡優(yōu)化后的參數(shù)=97.27、2=42.53。

3種算法的訓練結果如圖3所示。

圖3 3種模型訓練結果

由圖3可知，3種預測模型的訓練擬合效果與實際覆冰厚度數(shù)據(jù)的增減趨勢相符。

3種模型訓練后的擬合度及誤差評價結果如表3所示。

表3 3種模型訓練后的擬合效果評價

由表3可知，PPSO-LSSVM模型的訓練效果擬合度為97.95%、均方根誤差為1.473 mm、平均相對誤為差2.528%，均優(yōu)于其他2種模型。

由上述結論可知對PSO算法的粒子速度和權重分段優(yōu)化進一步提升了PPSO-LSSVM模型在覆冰厚度方面的預測能力和精度。

利用3種模型對12組測試集數(shù)據(jù)進行預測，預測結果如圖4所示。

圖4 3種模型預測結果

由圖4可知BP-LSSVM模型的表現(xiàn)最差，PSO-LSSVM表現(xiàn)稍好，PPSO-LSSVM模型表現(xiàn)最佳。

3種模型預測誤差如表4所示。

由表4可知，在利用PPSO-LSSVM模型進行預測時，RMSE和MRE值分別為1.209 mm、2.714%。可見，相比之下，利用PPSO-LSSVM模型可以大幅提高預測模型的精度。

表4 3種模型預測誤差

精準的輸電線路的覆冰厚度預測，將使后續(xù)關于線路覆冰增長量的預測更為精準。

2 輸電系統(tǒng)恢復力增強

2.1 輸電系統(tǒng)故障率模型

輸電線路上冰層厚度的增長量ice使用由PPSO-LSSVM預測模型所預測得到的線路覆冰厚度。

單位長度線路的冰載荷I可根據(jù)ice進行計算。

式中：為導線直徑。

單位線路長度風載荷W為：

式中：為風載體型系數(shù)；為跨度系數(shù)。

當導線直徑在17 mm以內時，取1.2；當導線直徑大于17 mm時，取1.1。

風載荷和冰載荷共同作用下的綜合載荷IW為：

單位長度傳輸線的故障率f為[24]：

式中：IW和IW分別為冰荷載和風荷載的線閾值。

在多數(shù)情況下，輸電線路的修復時間與覆冰的嚴重程度呈正相關，故在計算這2個閾值時可設置相同的時間。

線路恢復周期rep的計算公式如下：

式中：nmax分別為正常天氣條件下線路的維護時間和最大維護時間；IW和IW分別為因求線路的維護時間而設置的2個閾值。

2.2 線路恢復力指標

偶發(fā)性冰災和長期性冰災作用在輸電線路上時都是需要一定的時間累計。當冰災發(fā)生時，輸電線路不會立即失能。線路覆冰時的線路韌性曲線如圖5所示。

圖5 輸電線路覆冰時韌性曲線

圖5中，縱坐標代表了覆冰厚度，F0()是線路未覆冰時的韌性曲線，F()是輸電線路在覆冰時的韌性曲線。在1時刻，線路開始覆冰，2時刻線路開始逐漸失能。1—2階段是覆冰開始到傳輸性能開始下降的時段，其值反映了輸電線路在覆冰時的自我抵抗力，且僅與線路設計參數(shù)相關。在3—4時段，線路進入停運狀態(tài)，可能發(fā)生不可自恢復故障。在4—5時段，線路開始逐漸恢復，且恢復狀態(tài)可維持線路運行。在5—6時段，線路處于恢復相持狀態(tài)。在6—7時段，線路恢復到正常運行狀態(tài)。

基于圖5中恢復力評估曲線構建輸電線路的韌性評估指標。為反映輸電系統(tǒng)在不同覆冰階段的性能、衡量其在出現(xiàn)偶發(fā)性覆冰時的恢復力，評估指標由覆冰前、覆冰中、覆冰恢復相持期、覆冰恢復后期4個階段構成。綜合韌性指標由這4個階段的加權得到。

1）覆冰前評估指標re。

該指標可以反映輸電線路的抗冰能力。

2）覆冰中評估指標Loss。

該指標可評估線路覆冰下線路性能損失的嚴重程度，并反映輸電線路在覆冰時的魯棒性。覆冰中期評估指標的值與輸電線路的恢復能力呈負相關。

3）覆冰恢復相持期評估指標pr。

該指標可以評估覆冰后輸電線路恢復情況的優(yōu)劣，其值與輸電線路的恢復能力呈正相關。

4）覆冰恢復后期評估指標rce。

該指標用于評估輸電線路的恢復率。覆冰恢復后期評估指標值與輸電線路的恢復率呈正相關。

式中：c–min為輸電線路的恢復率的基值，即輸電線路的理論最快恢復率。

覆冰前、覆冰中、覆冰恢復相持期、覆冰恢復后期恢復能力評估指標的值分別在0和1之間。對上述4個韌性評估指標進行加權，以獲得綜合韌性評估指標：

式中：re、Loss、pr和rce分別為覆冰前、覆冰中、覆冰恢復相持期、覆冰恢復后期恢復能力評估度量的權重系數(shù)，分別取值為0.2、0.4、0.2和0.2。

權重系數(shù)取值的考量：影響覆冰前指標的主要因素是線路的抗凍性和覆冰強度，而與系統(tǒng)自我調節(jié)和應急響應能力的關系主要體現(xiàn)在系統(tǒng)故障后的部分。加權因子的值可以針對不同的系統(tǒng)和不同的實際條件而改變。

2.3 恢復力增強方法

偶發(fā)性輸電線路覆冰可能會影響傳輸系統(tǒng)的正常運行。

采用輸電系統(tǒng)功率的變化熵值表示輸電系統(tǒng)的運行狀態(tài)，并確定線路主動除冰時輸電系統(tǒng)的當前狀態(tài)。

式中：為傳輸系統(tǒng)中的線路數(shù)量。

為增強輸電系統(tǒng)在偶發(fā)性覆冰災害下的韌性，本文通過預測線路上的覆冰厚度增長來選擇除冰關鍵線路，并選用直流融冰法用于甩負荷和除冰。具體流程如下：

步驟1）輸入線路實際數(shù)據(jù)和線路周邊微氣象數(shù)據(jù)，選擇可能發(fā)生覆冰的線路，組成覆冰線路合計ice。

步驟2）采用預測模型預測，選ice的覆冰增長厚度，并計算除冰對輸電系統(tǒng)負荷的減少量。減負荷模型參考文獻[25]。

步驟3）根據(jù)式（21）—（23）獲得覆冰線路負荷的變化熵，并結合步驟1）中集合導出關鍵覆冰導線。

步驟4）確定關鍵線路的覆冰厚度。若覆冰厚度接近設計值，則執(zhí)行步驟5）；否則返回步驟2）。

步驟5）斷開所選關鍵線路進行除冰，通過甩負荷模型獲得系統(tǒng)負荷的變化。

步驟6）計算輸電線路的韌性度和線路韌性程度的變化。

2.4 模型驗證

以圖6所示IEEE-30總線傳輸系統(tǒng)為算例，驗證本文提出的恢復力評估方法的合理性和恢復力增強方法的有效性。圖中顯示了傳輸系統(tǒng)節(jié)點的地理位置和線路覆冰的大致覆蓋范圍。采樣時間間隔為20 min。

圖6 IEEE-30總線傳輸系統(tǒng)地理網格

從圖6可以看出，偶發(fā)性線路覆冰只影響氣象范圍內的線路。

圖7顯示了傳輸系統(tǒng)中每條線路的故障率。線路覆冰需要一定的時間才能導致輸電系統(tǒng)的傳輸性能下降或發(fā)生故障，因此圖7只給出了在采樣點序85—120范圍內的故障率，其余時間輸電系統(tǒng)沒有減負荷。

圖7 各線路故障率

表5顯示了在除冰時用本文方法得到的對關鍵線路的選擇結果。由表5可知，在線路中斷期間，功率流傳遞熵最大的線路是14-15號線。主動停機除冰導致了系統(tǒng)負載少量下降，其值低至26.36 kV·A。

表5 輸電系統(tǒng)負荷增長量及變化熵

根據(jù)輸電系統(tǒng)的負荷增強的高低篩選除冰關鍵線路。根據(jù)表5選擇5-22號線為除冰關鍵線路。

采用蒙特卡洛方法獲得48 h內每條線路運行狀態(tài)的變化，再應用降負荷模型獲得整個過程的負荷變化。除冰前后系統(tǒng)負荷曲線的變化見圖8。

圖8 輸電系統(tǒng)除冰前后負荷變化

當線路覆冰開始加重時，輸電線路本身機械強度以及絕緣強度等都會下降，從而導致該線路或該覆冰片區(qū)在調度或繼保作用下出現(xiàn)負荷波動或者降低。如圖8所示，選定的除冰關鍵線路在第87個采樣點所在時刻關閉并除冰。由于傳輸系統(tǒng)的負荷冗余，傳輸系統(tǒng)的負載沒有下降。通過使用所提出的韌性增強方法，可以顯著減小傳輸系統(tǒng)的負載降低。

采取韌性增強策略后的恢復力評估指標結果如表6所示。

表6 恢復力評估指標對比結果

由表6可知，與采用本文策略情況相比，傳輸系統(tǒng)的覆冰恢復能力評估指標相對較小。這表明，輸電線路傳輸系統(tǒng)的韌性相對較小。采用韌性增強方法后，輸電系統(tǒng)在覆冰期間的總負荷減少量降低，所有恢復力評估指標都得到了相應的改進，綜合恢復力評估指標提高了11.57%。

3 結論

為了解決偶發(fā)性輸電線路覆冰時，線路覆冰預測低精度和線路的恢復力評估模型不準確等問題，提出了一種偶發(fā)性覆冰下輸電線路覆冰預測及恢復力增強方法。仿真實驗結果表明：

1）用基于PPSO-LSSVM的輸電線路覆冰預測模型預測未來24 h的線路覆冰厚度，其預測值的均方根誤差和平均相對誤差分別為1.209 mm、2.714%，優(yōu)于PSO-LSSVM、BP-LSSVM預測模型。

2）提出了覆冰前、覆冰中、覆冰恢復自持期、覆冰恢復后期的評估指標，分別對應輸電線路的抗冰能力、性能損失程度、線路恢復情況的優(yōu)劣以及線路恢復率。

3）通過覆冰時線路的功率變化熵選擇除冰的關鍵線路，提高了線路抗冰能力、減小了輸電系統(tǒng)減載，使綜合恢復力得到提高，其有效增強了輸電系統(tǒng)在偶發(fā)性覆冰時的運行韌性。

[1] 李昊, 曾彤, 陳曉國, 等. 覆冰在線監(jiān)測預警系統(tǒng)研究現(xiàn)狀分析[J]. 電氣自動化, 2015, 37(2): 63-65. LI HAO, ZENG TONG, CHEN XIAOGUO, et al. An analysis on the research status of icing online monitoring and early warning system[J]. Electrical Automation, 2015, 37(2): 63-65(in Chinese).

[2] 鄧紅雷, 戴棟, 李述文. 基于層次分析-熵權組合法的架空輸電線路綜合運行風險評估[J]. 電力系統(tǒng)保護與控制, 2017, 45(1): 28-34. DENG HONGLEI, DAI DONG, LI SHUWEN. Comprehensive operation risk evaluation of overhead transmission line based on hierarchical analysis-entropy weight method[J]. Power System Protection and Control, 2017, 45(1): 28-34(in Chinese).

[3] 楊洪磊, 司興登, 梁仕斌, 等. 北斗導航定位系統(tǒng)在架空輸電線路覆冰監(jiān)測中的應用研究[J]. 電子元器件與信息技術, 2021, 5(3): 94-95.

[4] 郝艷捧, 王信媛, 梁葦, 等. 連續(xù)3天覆冰微氣象數(shù)據(jù)驅動的架空輸電線路覆冰類型識別與預測[J]. 南方電網技術, 2023, 17(6): 107-116. HAO YANPENG, WANG XINYUAN, LIANG WEI, et al. Ice types identification and prediction of overhead transmission lines driven by micro-meteorological data of three consecutive days icing[J]. Southern Power System Technology, 2023, 17(6): 107-116(in Chinese).

[5] 張暕. 架空輸電線路覆冰機理及預測模型的研究[D]. 北京: 華北電力大學, 2019. ZHANG JIAN. Research on mechanism and prediction model of icing on overhead transmission lines[D]. Beijing: North China Electric Power University, 2019(in Chinese).

[6] 沈鋒, 艾永俊, 周朝榮, 等. 輸電線路防冰及除冰技術研究現(xiàn)狀[J]. 云南電力技術, 2023, 51(1): 18-22. SHEN FENG, AI YONGJUN, ZHOU CHAORONG, et al. Research status of transmission line anti-icing and de-icing technology[J]. Yunnan Electric Power, 2023, 51(1): 18-22(in Chinese).

[7] 王勇, 苗虹, 莫思特, 等. 高壓架空輸電線路防冰、融冰、除冰技術研究綜述[J]. 電力系統(tǒng)保護與控制, 2020, 48(18): 178-187. WANG YONG, MIAO HONG, MO SITE, et al. Summary of research on anti-ice, ice melting and de-icing of high voltage overhead transmission lines[J]. Power System Protection and Control, 2020, 48(18): 178-187(in Chinese).

[8] 張松海, 施心陵, 李鵬, 等. 基于動態(tài)拉力與傾角的輸電線路覆冰過程辨識與建模[J]. 電力系統(tǒng)保護與控制, 2016, 44(9): 57-61. ZHANG SONGHAI, SHI XINLING, LI PENG, et al. Identification and modeling of the power transmission line icing based on dynamic data of tension and angle[J]. Power System Protection and Control, 2016, 44(9): 57-61(in Chinese).

[9] 張樂, 周步祥, 王小紅, 等. 導線覆冰監(jiān)測系統(tǒng)的力學模型與預警功能優(yōu)化[J]. 電力系統(tǒng)及其自動化學報, 2014, 26(11): 42-46. ZHANG LE, ZHOU BUXIANG, WANG XIAOHONG, et al. Mechanical model of transmission line icing monitoring systems and optimization of alarm function[J]. Proceedings of the CSU-EPSA, 2014, 26(11): 42-46(in Chinese).

[10] 王敩青, 戴棟, 郝艷捧, 等. 基于在線監(jiān)測系統(tǒng)的輸電線路覆冰數(shù)據(jù)統(tǒng)計與分析[J]. 高電壓技術, 2012, 38(11): 3000-3007. WANG XIAOQING, DAI DONG, HAO YANPENG, et al. Statistics and analysis of transmission lines icing data based on online monitoring system[J]. High Voltage Engineering, 2012, 38(11): 3000-3007(in Chinese).

[11] 馬小敏, 高劍, 吳馳, 等. 基于灰色支持向量機的輸電線路覆冰厚度預測模型[J]. 中國電力, 2016, 49(11): 46-50. MA XIAOMIN, GAO JIAN, WU CHI, et al. Prediction model for icing thickness of power transmission line based on grey support vector machine[J]. Electric Power, 2016, 49(11): 46-50(in Chinese).

[12] 李賢初, 張翕, 劉杰, 等. 輸電線路導線覆冰AMPSO-BP神經網絡預測模型[J]. 電力建設, 2021, 42(9): 140-146. LI XIANCHU, ZHANG XI, LIU JIE, et al. Prediction of transmission line icing thickness applying AMPSO-BP neural network model[J]. Electric Power Construction, 2021, 42(9): 140-146(in Chinese).

[13] VAAGENSMITH B, MCJUNKIN T, VEDROS K, et al. An integrated approach to improving power grid reliability: merging of probabilistic risk assessment with resilience metrics[C]//2018 Resilience Week (RWS). Denver, CO, USA: IEEE, 2018: 139-146.

[14] PANTELI M, TRAKAS D N, MANCARELLA P, et al. Boosting the power grid resilience to extreme weather events using defensive islanding[J]. IEEE Transactions on Smart Grid, 2016, 7(6): 2913-2922.

[15] PANTELI M, MANCARELLA P. Modeling and evaluating the resilience of critical electrical power infrastructure to extreme weather events[J]. IEEE Systems Journal, 2015, 11(3): 1733-1742.

[16] 趙寧遠. 冰災下輸電系統(tǒng)韌性評估與全時段韌性增強策略[D]. 天津: 天津大學, 2023. ZHAO NINGYUAN. Resilience assessment and full-time resilience enhancement strategies for transmission system under ice disaster[D]. Tianjin: Tianjin University, 2023(in Chinese).

[17] 陳勇, 李鵬, 張忠軍, 等. 基于PCA-GA-LSSVM的輸電線路覆冰負荷在線預測模型[J]. 電力系統(tǒng)保護與控制, 2019, 47(10): 110-119. CHEN YONG, LI PENG, ZHANG ZHONGJUN, et al. Online prediction model for power transmission line icing load based on PCA-GA-LSSVM[J]. Power System Protection and Control, 2019, 47(10): 110-119(in Chinese).

[18] 孔敏儒, 陳怡, 李文慧, 等. 基于粒子群優(yōu)化PCA-LSSVM算法的高壓斷路器機械故障診斷研究[J]. 電網與清潔能源, 2019, 35(10): 68-74. KONG MINRU, CHEN YI, LI WENHUI, et al. Research on mechanical fault diagnosis of high voltage circuit breakers based on particle swarm optimization PCA-LSSVM[J]. Power System and Clean Energy, 2019, 35(10): 68-74(in Chinese).

[19] 潘晨, 滕歡, 梁夢可, 等. 基于改進粒子群算法考慮閥點效應的經濟負荷最優(yōu)分配[J]. 電力科學與技術學報, 2020, 35(1): 151-156. PAN CHEN, TENG HUAN, LIANG MENGKE, et al. Optimal distribution of economic load based on the improved particle swarm optimization considering valve-point effects[J]. Journal of Electric Power Science and Technology, 2020, 35(1): 151-156(in Chinese).

[20] 潘峰, 薛萍, 任翔宇, 等. 改進PSO-SVM工業(yè)防火墻白名單自學習方法研究[J]. 信息技術與網絡安全, 2019, 38(6): 11-16. PAN FENG, XUE PING, REN XIANGYU, et al. Research on white-list self-learning method of industrial firewall with improved PSO-SVM[J]. Cyber Security and Data Governance, 2019, 38(6): 11-16(in Chinese).

[21] 曹陽, 鐘燁, 彭醇陵, 等. 基于混合供能和能量協(xié)作的異構網絡能量效率優(yōu)化算法[J]. 通信學報, 2022, 43(3): 135-147. CAO YANG, ZHONG YE, PENG CHUNLING, et al. Energy efficiency optimization algorithm of heterogeneous networks based on hybrid energy supply and energy cooperation[J]. Journal on Communications, 2022, 43(3): 135-147(in Chinese).

[22] 郝少偉, 李勇軍, 趙尚弘, 等. 基于改進粒子群算法的多載波NOMA 功率分配策略[J]. 電子學報, 2020, 48(10): 2009-2016. HAO SHAOWEI, LI YONGJUN, ZHAO SHANGHONG, et al. Multicarrier NOMA power allocation strategy based on improved particle swarm optimization algorithm[J]. Acta Electronica Sinca, 2020, 48(10): 2009-2016(in Chinese).

[23] 張國鋒, 惠康, 務孔永, 等. 輸電線路桿塔接地體的電流和能量負荷特性研究[J]. 電力學報, 2021, 36(6): 505-511. ZHANG GUOFENG, HUI KANG, WU KONGYONG, et al. Research on current and energy characteristics of transmission line tower’s grounding body[J]. Journal of Electric Power, 2021, 36(6): 505-511(in Chinese).

[24] LIN C, FANG D, BIE Z, et al. A reliability-based DG planning method against ice storm weather[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia). Chengdu, China: IEEE, 2019: 4002-4007.

[25] 趙書強, 涂筱瑩, 王達飛, 等. 考慮負荷特性的輸電網可靠性評估軟件開發(fā)[J]. 電力自動化設備, 2014, 34(7): 129-133. ZHAO SHUQIANG, TU XIAOYING, WANG DAFEI, et al. Development of reliability evaluation software of power transmission grid[J]. Electric Power Automation Equipment, 2014, 34(7): 129-133(in Chinese).

Study on Prediction of Occasional Icing Thickness of Transmission Lines and Methods for Enhancing Resilience

LI Xiaoshuang, CAO Yang, PENG Xiaofeng, GAO Huixiang, WANG Xin

(School of Electrical and Electronic Engineering, Chongqing University of Technology, Chongqing 401320, China)

In order to solve the problems of low prediction precision of transmission line icing and inaccurate evaluation model of line resilience when occasional icing occurs on transmission line, firstly, according to the proportion of grey correlation degree, a icing thickness prediction model of transmission line is constructed based on partition particle swarm algorithm (PPSO) and least squares support vector machine (LSSVM) for predicting icing thickness in next 36 h. The resilience model is divided into four stages: pre-icing stage, mid-icing stage, self-sustaining stage and post-icing stage with creating evaluation index respectively. Based on the change entropy of line power after icing and the predicted increase of line icing, the enhancement mode of line toughness is established. The simulation results show that the proposed scheme improves the transmission system's toughness by 11.54% in the case of accidental line icing.

transmission lines; ice cover prediction; resilience assessment; toughness enhancement; particle swarm algorithm

10.3969/j.ISSN.1672-0792.2024.01.005

TM753

A

1672-0792(2024)01-0039-11

重慶市教委基金資助項目（KJ120827）。

2023-09-09

李小雙（1997—），男，碩士研究生，研究方向為智能電網、傳感器組網系統(tǒng)；

曹陽（1977—），男，教授，研究方向為智能電網和通信理論；

彭小峰（1980—），男，副教授，研究方向為無線電電子學；

高會翔（1999—），男，碩士研究生，研究方向為無線傳輸供能；

王鑫（1997—），男，碩士研究生，研究方向為輸電線路PLC通信。

曹陽