关键词： 输电线路   覆冰厚度   狼群算法   最小二乘支持向量机  

摘要： 针对现有输电线路覆冰厚度预测方法上存在的不足,采用狼群算法(wolf pack algorithm,WPA)对最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子和核函数参数进行优化,建立基于WPA优化LSSVM的输电线路覆冰厚度预测模型。采用某500 kV输电线路实际覆冰数据进行算例分析,结果表明,WPA-LSSVM覆冰厚度预测模型的均方根误差、平均相对误差和全局最大相对误差分别为0.634、2.61%和3.27%,优于其他覆冰厚度预测模型,验证了该模型的正确性和实用性。

关键词： 输电线路   覆冰预测   物理引导   麻雀搜索算法   双向门控循环单元  

摘要： 针对输电线路覆冰厚度预测精度不高的问题,在以微气象因素为特征进行覆冰预测的基础上,采用物理引导(PG)的神经网络,对输电导线进行受力分析。建立导线所受综合荷载计算模型,分析得出覆冰厚度、风偏角、综合荷载的变化规律。根据该变化规律构建模型损失函数,对模型的训练过程进行引导。使用双向门控循环(BiGRU)神经网络建立覆冰厚度预测模型,并采用麻雀搜索算法(SSA)对BiGRU超参数进行优化。采用某监测站覆冰数据进行实验。实验表明,该模型的平均绝对误差、均方根误差为0.052 2、0.069 4,物理非一致性为6.80%。相比LSSVM、BP、RNN、BiGRU、SSA-Bi GRU等模型,该模型准确度更高。

关键词： 输电线路   施工   钻桩   旋桩机  

摘要： 输电线路建设是电网建设的重要组成部分。在输电线路组塔架线施工过程中,为了确保组立后的杆塔足够稳固,能够抵抗大风等影响,因此需要在地面设置钻桩连接拉线,从而固定铁塔或跨越架,确保施工的正常开展。通常采用的是依靠人力旋入(出),但是该方法效率低,并且消耗大量的人力和花费大量的时间,因此需要开展自动式旋桩机的研究。通过对市场的调研,现阶段并没有能够满足现场条件的产品,因此需要研制一种新式自动旋桩机。研制工作包括机械结构、技术原理和动力配置等,能够满足安全、便携和易组装的要求,节省人力,提升工作效率。

关键词： 覆冰灾害   蒙特卡洛   连锁故障   自组织临界理论   脆弱性  

摘要： 虽然电网鲁棒性日益增强,但部分输电线路经过区域极易遭受覆冰灾害,导致该地区发生一次故障的概率大幅增加,而一次故障将会导致电网发生二次连锁故障。针对此问题,文中首先通过蒙特卡洛法判断覆冰灾害引发的输电线路一次故障脆弱性,然后通过自组织临界理论判断由一次故障引发的输电线路二次连锁故障脆弱性,从而建立综合考虑覆冰灾害和电网物理特性的输电线路脆弱性分析模型,以潜在事故链的形式展现了电网覆冰灾害下的故障演化进程,为运维人员甄别覆冰灾害下区域电网的输电线路薄弱环节提供重要决策依据。最后通过对IEEE-39节点电力系统实例进行仿真与分析,验证了所提出模型的可行性。

关键词： 输电线路覆冰   双目视觉   相机标定   立体匹配   覆冰厚度识别  

摘要： 输电线路作为电力系统中电能传输的重要组成部分,覆冰会引起导线舞动和杆塔倒塌等危害电力系统安全运行的事故,对各行业生产工作造成负面影响。因此,及时对线路覆冰状态进行检测、覆冰厚度进行测量,成为保障输电线路安全运行的一项重要手段。传统输电线路覆冰检测方法多为人工观测、模拟导线法或称重法实现覆冰状态检测,针对传统方法存在的劳动强度大、结果准确度不高、不能及时获取覆冰数据等问题,本文提出一种基于双目视觉的方法对输电线路覆冰状态进行识别,即通过安装在高压杆塔上的双目相机在线采集输电线路的覆冰图像,运用图像处理技术计算输电线的覆冰厚度和覆冰区域的三维坐标数据,该方法具有精度高、成本低、符合智能电网发展方向等优点。本文主要工作如下:(1)分析了双目立体视觉的原理和模型。采用平行双目视觉模型对输电线路覆冰识别方法进行研究,研究的关键步骤包括双目视觉标定、覆冰图像立体匹配、覆冰厚度测量以及覆冰区域三维坐标获取。(2)对双目视觉标定方法进行了研究。针对传统张氏标定法对相机模型参数初值敏感和标定结果不稳定等问题,提出一种基于正弦余弦算法的标定参数优化方法。利用正弦余弦算法对张氏标定法得到的初值领域形成初始种群,进行迭代优化,标定实验结果显示本文提出的双目视觉标定方法平均重投影误差仅为0.0462像素,在原有标定方法基础上能得到更稳定、更准确的标定结果。(3)对覆冰图像立体匹配算法展开研究。针对传统Census变换窗口中心点易受外界噪声干扰和易出现误匹配的问题,提出一种多特征融合代价计算和多步骤视差优化的匹配算法。将Census变换、颜色信息及梯度信息三种特征相融合,联合构建匹配代价计算的相似性测度函数,并采用多步骤优化的策略对覆冰图像的视差图进行优化处理,通过Middlebury测试平台标准测试图进行对比实验,验证了本文所提出的匹配算法相较于其他算法匹配精度更高。(4)通过搭建的双目立体视觉系统和覆冰输电线模型,实现了输电线路覆冰厚度测量和覆冰区域三维坐标的获取。实验结果显示,测量的覆冰厚度和覆冰区域三维坐标的相对误差分别在5%、2%以内,验证了本文提出的覆冰识别方法的准确性。此外,本文还开发了输电线路覆冰监测系统界面,其具备覆冰检测、覆冰厚度测量、覆冰三维坐标数据获取和存储等功能,为输电线路覆冰检测提供了有效的解决方法。

关键词： 输电线路覆冰   压缩感知   Canny算子   萤火虫算法   覆冰厚度  

摘要： 随着我国高压输电线路的发展以及西电东送、北电南送战略的推进,无人机巡检得到了广泛的应用。在此背景下,通过图像处理技术进行输电线路航拍图像的检测技术运营而生。本文针对输电线路覆冰图像边缘检测仍存在的问题进一步研究了图像去噪技术、边缘检测技术,并进行实验分析。在图像去噪方面,针对去噪后边缘不清晰的问题,研究了一种新的基于压缩感知的图像去噪方法。首先分析了基于压缩感知理论的去噪重构数学模型,之后用极大值熵函数改善去噪模型,最后构造光滑范数不断逼近原函数寻找最优解来实现原始信号的重构,完成图像的去噪。比较改进算法与中值滤波、均值滤波、小波硬阈值去噪方法的效果和峰值信噪比指标,同时加入不同方差的高斯噪声和椒盐噪声验证改进算法的有效性。在边缘检测方面,研究了一种新的基于改进Canny算子的边缘检测方法实现规则形覆冰和不规则形覆冰的边缘检测。首先,分析和比较了不同传统边缘检测算子处理效果,选择受噪声影响小的Canny算子进一步改进。其次,针对Canny算子阈值选取不当导致边缘断续、粘连的问题,用改进萤火虫算法求取最优阈值使其准确分离前景和背景。最后,在得到阈值分割后的二值图像的基础上进行Canny算子边缘检测。采用实验室模拟输电线路覆冰图像和晋中某线路实际拍摄的图像进行实验分析,验证本文所提算法的有效性和优越性。在输电线路覆冰检测系统的设计方面,在对覆冰图像进行预处理和边缘检测的基础上,根据输电线路覆冰前后的像素数计算覆冰的厚度,同时设置四级覆冰严重等级。该系统集成本文所提出的图像预处理、覆冰边缘检测、厚度测量以及覆冰严重等级判断的功能,在实验室模拟覆冰环境时覆冰厚度误差在1.2%以内,应用在晋中某输电线路图像上时误差在2%左右,计算误差相比当前工作有所优化,证明该系统的有效性和可行性。

关键词： 覆冰厚度   关联分析   Stacking   覆冰预测  

摘要： 输电线路覆冰是输配电网中一种与自然气候紧密相关的且较为普遍的灾害,输电线严重覆冰会导致电网无法正常工作,危害电力系统的稳定运营。我国对西电东送项目不断加大投资,该输电工程对我国发展也越来越重要,其中云南电网作为西电东送的中坚力量,向电力紧缺的东部地区累计送电量达到了一万亿瓦时以上。然而云南省地形环境复杂,高原山地、盆地河谷和丘陵相间分布。其中,云南全省总面积的87.92%为山地、高原区域。云南电网62%以上的输电线路途经地质环境复杂、气象条件多变的中、重冰区,这些区域的输电塔线体系将受山地近地强风、冻雨冰雪等外力影响,严重时会造成杆塔结构的变形、受损,甚至导致导线的断裂、杆塔的倾倒等一系列重大电网安全事故。因此,对输电塔线覆冰进行分析预测,提前危险预警,为融冰操作提供指导,是减少覆冰期断线、倒塔等灾害发生的重要手段。本文的主要研究工作如下:（1）基于机理模型的气象与覆冰之间的关联关系,通过关联分析温度、湿度、风速等气象特征中对覆冰增长影响较大的气象特征作为主要特征。将环境温度X1、环境湿度X2、风速X3等气象特征作为输入特征序列X（X1,X2,X3）,覆冰厚度作为参照序列Y,建立灰色关联模型。通过灰色关联模型得到环境温度、环境湿度、风速分别与覆冰厚度的综合关联度,将提取的环境温度、环境湿度、风速等气象特征作为覆冰的敏感参数组成的特征向量输入覆冰厚度预测模型。（2）基于数据驱动的方式构建由初级层与次级层组成的两层结构的集成覆冰预测模型。考虑到各算法的差异性,本文初级层选用随机森林、最小二乘支持向量机、XGBoost、LSTM和多元线性回归模型五种差异性较大算法作为基学习器,建立Stacking覆冰预测模型。将温度、湿度、风速等气象特征与覆冰厚度的历史覆冰监测数据划分成训练集和测试集,对基学习器进行训练预测。通过平均绝对误差、均方误差、可决系数等性能指标分析对比各个基学习器的预测性能,最终选取预测性能较好的随机森林模型、LS-SVM模型、XGBoost模型、LSTM模型作为Stacking集成模型的初级层学习器。（3）用采用高原某山地电力输电线路覆冰在线监测系统收集到的覆冰数据对Stacking覆冰模型进行实验验证模型,构建Stacking覆冰模型。并构建Bagging集成模型与Stacking集成模型进行对比。其中,随机森林、最小二乘支持向量机、XGBoost、LSTM等单覆冰预测模型的均方误差MSE分别为1.0462 mm、1.5536mm、1.1381 mm、1.3209 mm,R2值分别为0.9648、0.9478、0.9618、0.9502。通过性能评估指标对Stacking覆冰模型进行性能评价,Stacking覆冰预测模型的均方误差MSE为0.3901 mm,平均绝对误差MAE为0.28951 mm,可决系数R2为0.9894,其R2值相较于基学习器中效果最佳的随机森林提高了2.55%。Bagging集成模型预测性能相比基学习器有略微提高,MAE、MSE、R2分别为0.3898 mm、0.6783 mm、0.9772。在该数据集上,Stacking模型预测的覆冰厚度与实际观冰数据吻合度较高,在各区间的误差样本数量均小于其他基学习器,超过3 mm的大误差样本减少为1个,超过0.5 mm的小误差样本数减少为14个,Stacking模型能对比Bagging模型能更好的结合不同基学习器的特点,较好的拟合实际的覆冰情况。

关键词： 输电线路   覆冰   动态系统可靠度   微动磨损   时变体系可靠度  

摘要： 覆冰对输电线路的安全运行具有重要影响,我国南方地区多次因覆冰引发冰闪、断线和倒塔等严重的电网事故。输电线路具有服役环境恶劣和服役时间长等特点,在环境荷载长时间的侵蚀下,输电线的强度将逐渐退化。鉴于此,本文研究了输电线路在短时覆冰荷载作用下的动态系统可靠度和考虑长时微动磨损的覆冰时变体系可靠度,以分析输电线路的服役安全问题。本文分析了Makkonen覆冰模型及其参数,推导了输电线张力的解析计算方法和有限元计算方法,从环境因素和线路参数两方面分析了输电线线形及张力的影响因素。研究结果表明,覆冰对输电线的线形和张力具有明显的影响。本文分析了随机可靠度和输电线动态系统可靠度的相关理论,推导了随机可靠度计算的响应面方法和Laplace渐近积分方法,提出了基于响应面的Laplace渐近二次二阶矩方法分析输电线覆冰动态系统可靠度的计算方法,结合Makkonen覆冰模型分析了输电线覆冰动态系统可靠度的部分影响因素。研究结果表明,环境荷载中风速对输电线的可靠度影响较大;通过合理选择输电线直径可有效提高输电线的服役安全性。本文采用空间梁单元,建立了华中地区某输电线路中一塔两线的输电塔线体系有限元模型,分析了该塔线体系的动力特性;提出了输电塔在外部荷载作用下的可靠度计算方法,采用等概率正态变换方法对该输电塔进行了位移失效模式下的可靠度分析;推导了连续档输电线路应力的计算方法,提出了以串联结构体系计算输电线路可靠度的方法,分析了上述线路的覆冰动态系统可靠度。研究结果表明,在风荷载和覆冰荷载的共同作用下,输电塔达到了延性破坏的III级破坏标准。本文分析了输电线路微风振动的相关理论,基于解析模型研究了微风振动的影响因素,提出了考虑微动磨损的输电线强度退化模型,计算了孤立档输电线路和连续档输电线路考虑微动磨损后在覆冰荷载作用下的时变体系可靠度。研究结果表明,考虑线路微动磨损后,其可靠度下降明显;连续档输电线路计算的可靠指标偏于安全,且由于考虑了相邻线路之间的耦联作用,其计算理论更符合线路的设计要求。

关键词： 输电线路覆冰   自适应模型   元学习   时间序列预测   循环神经网络  

摘要： 电力行业在现代生产生活中不可或缺,电力安全的保障研究具有重要的意义。由于输电线路大部分处于室外自然环境中,易受到极端恶劣天气的影响,输电线路覆冰就是常见的电力自然灾害之一。目前,有不少基于深度学习的输电线路覆冰预测研究模型,但是,覆冰厚度数据和线路周围微气象数据的采集难度大,对相关传感器的性能要求较高,传感器布置数量较少导致覆冰相关数据集少,且覆冰的形成受地形地貌影响,导致覆冰预测模型泛化性弱,此外数据驱动下的覆冰预测模型简单,导致模型预测精度不高。基于此,本文提出基于小样本学习的输电线路覆冰预测模型,研究覆冰数据时序特性,结合深度学习的非线性拟合能力和时序模型的线性拟合能力解决覆冰厚度预测问题。本文的研究内容概括如下:利用长短期记忆网络(Long Short-Term Memory,LSTM)搭建覆冰预测模型,利用模型无关的元学习算法(Model-Agnostic Meta Learning,MAML)优化基于LSTM的覆冰厚度预测模型,学习微气象因子对覆冰生长过程的复杂非线性作用。MAML优化的LSTM模型得到一个具备自适应能力的覆冰厚度预测模型,实现特定环境下覆冰预测模型的快速学习,提高模型在不同环境下覆冰预测的泛化能力,同时实现小样本情景下的覆冰厚度预测。实验结果证明MAML-LSTM覆冰厚度预测模型对小样本数据集的有效性,且可以快速训练得到特定环境下的最优覆冰预测模型。搭建基于CNN-LSTM-AR的输电线路覆冰厚度预测模型,结合一维卷积和元学习优化的LSTM模型分别挖掘微气象序列数据的局部空间特征和长期时序特征,做非线性拟合,通过自回归模型(Autoregressive Model,AR)拟合覆冰厚度数据的线性特性,将线性预测和非线性预测加权求和,提高覆冰预测模型预测精度。考虑到时序预测模型的误差随时间累积,认为不同阶段产生的预测误差对评估结果的权重需有所差别,创新性提出覆冰误差累积度量方法,从覆冰厚度和累积时长两个方面开展评估,比较时序预测模型的误差随时间累积的程度。实验验证CNN-LSTM-AR模型的预测有效性和优越性。本文研究有效提升基于深度学习的输电线路厚度预测模型自适应能力和预测精度,促进人工智能和电力自然灾害领域的融合发展。

ISBN: (纸本)9787030711243