輸電線路覆冰厚度預(yù)測(cè)

導(dǎo)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(dǎo)線覆冰產(chǎn)生最重要的因素。因?qū)Ь€覆冰受到的氣候影響因素較多,在一般情況下, -5 ~ 0℃時(shí), 造成的覆冰危害最大。溫度較低時(shí), 過冷卻水轉(zhuǎn)化為雪花, 無法造成線路覆冰, 而溫度較高時(shí)也不可能產(chǎn)生覆冰。正因?yàn)槿绱? 在冬季溫度較低的華北地區(qū)反而沒南方和西南地區(qū)的導(dǎo)線覆冰嚴(yán)重。同樣, 風(fēng)速對(duì)導(dǎo)線覆冰的產(chǎn)生也有很大的影響, 其中最主要的是在風(fēng)速處于3 ~ 6 m/ s 時(shí), 覆冰增長(zhǎng)速度最快,風(fēng)速超過或降低都會(huì)影響其增長(zhǎng)速度, 同時(shí)風(fēng)向?qū)Ω脖挠绊懸埠艽? 比如在風(fēng)向-導(dǎo)線夾角在45°~150°時(shí), 造成的結(jié)果最為嚴(yán)重。

2) 季節(jié)因素, 通過統(tǒng)計(jì)得知每年覆冰多發(fā)生多在11 月到次年3 月之間。

3) 地理因素, 在風(fēng)較大, 濕度較大, 同時(shí)地形突出的地形比其他地形產(chǎn)生的覆冰更嚴(yán)重。

4) 海拔因素, 在高海拔地區(qū)往往比低海拔地區(qū)造成的結(jié)果要嚴(yán)重。

5) 線路因素, 在覆冰的研究中, 因?qū)Ь€走向問題, 線路也成為了一個(gè)重要因素, 其最主要的原因還是氣象因素中的風(fēng)速影響, 當(dāng)導(dǎo)線-風(fēng)速夾角=90°時(shí), 增長(zhǎng)最快, 結(jié)果最嚴(yán)重。

6) 導(dǎo)線本身因素, 導(dǎo)線的電場(chǎng)會(huì)影響空氣中的水, 使其向?qū)Ь€移動(dòng), 若其他因素合適就會(huì)在導(dǎo)線上產(chǎn)生覆冰。

輸電線路覆冰厚度預(yù)測(cè)基于PNN 網(wǎng)絡(luò)的覆冰檢測(cè)實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)是運(yùn)用樣本學(xué)習(xí), 在輸入和輸出結(jié)點(diǎn)建立非線形映射關(guān)系。它可以模擬復(fù)雜的因果關(guān)系,也可以不反映輸入與輸出之間的實(shí)際邏輯關(guān)系或因果關(guān)系, 而只是對(duì)其數(shù)量與結(jié)構(gòu)關(guān)系的一種模擬。實(shí)際上, 這種映射是把系統(tǒng)視為整體, 把其運(yùn)行狀態(tài)作為一種模式來看待的, 用樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練也是一種模擬人的模式思維的訓(xùn)練。

1、神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)

通常使用神經(jīng)網(wǎng)絡(luò)都是直接使用Matlab 提供的神經(jīng)網(wǎng)絡(luò)工具箱提供的模型, 這個(gè)工具箱幾乎涵蓋了常用的神經(jīng)網(wǎng)絡(luò)模型; 同時(shí)支持拓展功能,可以使用其他非常規(guī)神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行擴(kuò)充。對(duì)于多種模型, 工具還提供了各類學(xué)習(xí)算法, 為用戶節(jié)省了很多時(shí)間。Matlab 工具箱中基本涵括了用于神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)需要使用的函數(shù)。

2、建立模型

在所有的神經(jīng)網(wǎng)絡(luò)建模中, 必須選取最有代表性, 最能反映問題的特征的特征量。如果選取的特征量不能做到盡量詳細(xì)的描述問題的特征或沒有足夠的信息, 那么網(wǎng)絡(luò)得出的診斷結(jié)論會(huì)受到很大影響。在這個(gè)模型中數(shù)據(jù)采集自中國(guó)氣象科學(xué)數(shù)據(jù)共享網(wǎng) , 導(dǎo)線覆冰天氣多出于氣溫-5~3℃、相對(duì)濕度≥80%、風(fēng)速0 ~ 4.5 m/ s 的情況下, 以此條件篩選數(shù)據(jù), 最終獲得123 組數(shù)據(jù)

3、程序?qū)崿F(xiàn)（如圖1）

輸電線路覆冰厚度預(yù)測(cè)基于GRNN 網(wǎng)絡(luò)的覆冰檢測(cè)實(shí)現(xiàn)

1、GRNN 網(wǎng)絡(luò)簡(jiǎn)述

廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network) 是1991 年美國(guó)人Donald Specht 提出的。GRNN 是一種徑向基( RBF) 神經(jīng)網(wǎng)絡(luò), 是基于人腦的神經(jīng)元細(xì)胞對(duì)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(jīng)網(wǎng)絡(luò), 它不僅具有全局逼近性質(zhì), 而且具有最佳逼近性質(zhì)，如圖2。GRNN 的結(jié)構(gòu)由四層構(gòu)成, 其結(jié)構(gòu)接近于RBF 網(wǎng)絡(luò)。

GRNN 在學(xué)習(xí)上仍然使用的是BP 網(wǎng)絡(luò)的算法具有優(yōu)秀的逼近性, 在學(xué)習(xí)速度上優(yōu)于RBF 網(wǎng)絡(luò)。只需要調(diào)節(jié)網(wǎng)絡(luò)的spread 值。網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本, 這個(gè)特點(diǎn)決定了網(wǎng)絡(luò)可以最大限度地避免主觀假定對(duì)預(yù)測(cè)結(jié)果的影響。

2、數(shù)據(jù)歸一化處理

Sigmoid 函數(shù)廣泛應(yīng)用于前饋型升級(jí)網(wǎng)絡(luò)。在函數(shù)中輸入量過大或者過小, 都會(huì)造成輸出結(jié)果進(jìn)入函數(shù)飽和區(qū)間。為了使樣本獲得最好的效果, 我們必須對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。需要將獲得的樣本數(shù)據(jù)需歸一化在[-1, 1]之間。Matlab 提供了多種方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

3、程序?qū)崿F(xiàn)（如圖3）

冰災(zāi)是電力系統(tǒng)嚴(yán)重的威脅之一, 當(dāng)嚴(yán)重的冰災(zāi)持續(xù)來襲時(shí), 輸電線路難免會(huì)出現(xiàn)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(duì)于長(zhǎng)距高壓輸電線來說, 每個(gè)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(fù)重, 當(dāng)負(fù)重達(dá)到一定的限度, 輕則發(fā)生冰閃,重則造成倒塔(桿)、斷線, 甚至致使電網(wǎng)癱瘓。輸電線路覆冰對(duì)于電網(wǎng)的安全運(yùn)行來說是一個(gè)非常危險(xiǎn)的自然災(zāi)害, 所以急待研究解決。

1) 降水覆冰(precipitation icing)?？諝庵械膬鲇昊蜓┗ń德涞奖砻嬖?益左右的導(dǎo)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(guān), 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(dǎo)線接觸會(huì)發(fā)生凍結(jié), 在凍結(jié)過程中水滴緩慢釋放熱量造成導(dǎo)線表面出現(xiàn)水膜, 故常產(chǎn)生雨凇。

2) 云中覆冰(in-cloud icing)。高海拔地區(qū)的過冷卻云霧與導(dǎo)線接觸凍結(jié)成冰, 稱為云中覆冰。云中覆冰產(chǎn)生原因主要取決于氣象參數(shù), 這是云中覆冰的特點(diǎn), 因霧尺寸較小, 釋放熱量速度較快, 不會(huì)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(jié)產(chǎn)生的霜, 也稱為晶狀霧凇。但其一般不會(huì)發(fā)展很大, 附著力小, 不會(huì)對(duì)線路產(chǎn)生太大影響。

選擇FNN 網(wǎng)絡(luò)和GRNN 網(wǎng)絡(luò)為討論對(duì)象, 最終得到結(jié)論:

1) 基于PNN 神經(jīng)網(wǎng)絡(luò)和GRNN 神經(jīng)網(wǎng)絡(luò)理論, 在matlab 平臺(tái)上的預(yù)測(cè)結(jié)果表明兩個(gè)網(wǎng)絡(luò)都能實(shí)現(xiàn)預(yù)測(cè)需要, 但是GRNN 網(wǎng)絡(luò)在小樣本情況下的精確性更高。

2) PNN 網(wǎng)絡(luò)相對(duì)于BP 網(wǎng)絡(luò)的優(yōu)勢(shì)是快速,高效, 易調(diào)節(jié), 可隨時(shí)加入新的樣本進(jìn)行網(wǎng)絡(luò)學(xué)習(xí), 但是因樣本過小的緣故, 誤差較大。

3) 相比BP 網(wǎng)絡(luò)的復(fù)雜參數(shù)簡(jiǎn)單, 穩(wěn)定很多,而且小樣本時(shí)也可以達(dá)到不錯(cuò)的精確度, 同時(shí)GRNN 網(wǎng)絡(luò)的spread 的值還可以通過程序完成循環(huán)計(jì)算。

4) 在復(fù)雜情況的預(yù)測(cè)時(shí), 只有小樣本的情況下GRNN 網(wǎng)絡(luò)更加適合進(jìn)行預(yù)測(cè); 但擁有大樣本的時(shí)候PNN 網(wǎng)絡(luò)的精確性會(huì)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, 還待后續(xù)理論的研究獲得一個(gè)統(tǒng)一的線路覆冰模型, 以提高精度和可靠性。 2100433B

厚度控制系統(tǒng)為提高厚度的控制精度，可采取提前檢測(cè)來料情況和調(diào)整輥縫。例如，在前一架軋機(jī)出口處就對(duì)將送入本架軋機(jī)的帶鋼的厚度偏差提前進(jìn)行檢測(cè)。并據(jù)此在經(jīng)過適當(dāng)?shù)臅r(shí)間延遲后，在帶鋼進(jìn)入本架軋機(jī)以前調(diào)整輥縫值來消除前一架軌機(jī)所造成的厚度偏差。這種控制方式稱為厚度的前饋控制。圖2為厚度前饋控制系統(tǒng)的組成。前饋偏差信號(hào)Δ和軋輥位移的校正值Δ以頭部鎖定值為基準(zhǔn)計(jì)算而得。當(dāng)計(jì)算軋機(jī)有控制信號(hào)時(shí),還需要考慮軋輥的實(shí)際位置與頭部鎖定位置之差。軋輥的位置信號(hào)Δ引入前饋控制器中。前饋控制器實(shí)際上是一臺(tái)計(jì)算機(jī)。在軋制過程中，生產(chǎn)過程的許多參數(shù)實(shí)際上是變化的，只靠前饋控制并不能消除由于參數(shù)變化造成的厚度偏差。通常采用前饋與反饋的復(fù)合控制來提高精度。

厚度控制系統(tǒng)圖1為厚度反饋控制系統(tǒng)的組成。為實(shí)現(xiàn)厚度控制，需要事先設(shè)置厚度的給定值（鎖定值），將檢測(cè)的厚度值與給定值比較，得到厚度偏差?？刂破鞲鶕?jù)偏差信號(hào)給出相應(yīng)的操縱信號(hào)控制軋機(jī)，使出口處鋼材的厚度等于給定值。根據(jù)厚度檢測(cè)方式的不同，厚度反饋控制系統(tǒng)可有不同的方案，主要有直接檢測(cè)和間接檢測(cè)兩種方式。

①厚度直接檢測(cè)　測(cè)厚儀安裝在軋機(jī)的后側(cè)直接檢測(cè)出口處鋼材的厚度。在這種方案中,由于測(cè)厚儀與軋機(jī)之間相隔一定距離，厚度偏差需要延遲一定時(shí)間才能檢測(cè)出來。這相當(dāng)于在系統(tǒng)中增加了一個(gè)滯后環(huán)節(jié)（見時(shí)滯系統(tǒng)），因而系統(tǒng)不易穩(wěn)定。而為保證系統(tǒng)穩(wěn)定性，開環(huán)放大倍數(shù)就受到限制，又會(huì)影響系統(tǒng)的快速性。

②厚度間接檢測(cè)　根據(jù)軋機(jī)的彈性變形、軋制力的大小和測(cè)得的軋輥輥縫寬度，計(jì)算出鋼材的厚度。由于軋輥偏心、軋輥磨損、熱膨脹和軋機(jī)的彈性變形系數(shù)不為常值等原因，厚度間接檢測(cè)方法的精度不高。但這種方式能及時(shí)獲得偏差信號(hào)，加之方法簡(jiǎn)單和便于維修，所以在厚度控制系統(tǒng)中仍被廣泛采用。在實(shí)際生產(chǎn)中，常把每架軋機(jī)軋出帶鋼頭部的厚度作為該架軋機(jī)在設(shè)定條件下厚度的給定值?？刂破魍ǔＪ且慌_(tái)數(shù)字電子計(jì)算機(jī)。在反饋型厚度自動(dòng)控制系統(tǒng)中，只有在偏差出現(xiàn)后控制器才能起作用，因此存在厚度的動(dòng)態(tài)誤差。生產(chǎn)機(jī)械的慣性和調(diào)整輥縫的延遲，也會(huì)造成控制精度不高、厚度不均勻的情況。