劉 毅

（國(guó)網(wǎng)四川省電力公司，四川 成都 610072）

輸電線路覆冰會(huì)引起舞動(dòng)、閃絡(luò)、跳閘甚至斷線倒塔等事故。我國(guó)南方地區(qū)冬季濕度大，線路部分處于高山峽谷，氣候環(huán)境惡劣，極易出現(xiàn)覆冰。另一方面，極端冰凍災(zāi)害中，在線監(jiān)測(cè)系統(tǒng)的可靠性和準(zhǔn)確性不佳。因此輸電線路覆冰研究一直以來(lái)就研究熱點(diǎn)。針對(duì)覆冰形成過(guò)程的建模，主要通過(guò)基于熱傳遞的理論模型進(jìn)行研究。由于對(duì)模型假設(shè)、覆冰機(jī)理和變量選擇的不同，各種模型并不能證明其完備性，其精確模型目前很難建立。

模糊邏輯技術(shù)適用于具有一定聯(lián)系但是具體數(shù)量關(guān)系不明確的模型，該技術(shù)也被應(yīng)用于覆冰的預(yù)報(bào)建模。模糊推理系統(tǒng)建模中，依據(jù)專(zhuān)家經(jīng)驗(yàn)設(shè)置隸屬度函數(shù)的參數(shù)，針對(duì)不同地區(qū)和條件下的覆冰預(yù)報(bào)存在主觀性。自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）是模糊推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合體，它通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練調(diào)整模糊推理系統(tǒng)中的隸屬度函數(shù)的參數(shù)和反模糊化參數(shù)，并自動(dòng)生成模糊推理規(guī)則，減少了模型的主觀性。近年來(lái)在負(fù)荷預(yù)測(cè)、故障定位和其他學(xué)科的研究中越來(lái)越受到青睞，用于覆冰預(yù)報(bào)的研究卻少有報(bào)道。

1 ANFIS覆冰預(yù)測(cè)模型

1.1 數(shù)據(jù)來(lái)源

某電力公司在易覆冰地區(qū)的部分輸電線處設(shè)置觀冰點(diǎn)。每日14時(shí)由人工記錄一次氣象及覆冰數(shù)據(jù)，包括風(fēng)速、溫度、濕度和覆冰厚度。選取500kV某線168#至173#桿塔間微氣象區(qū)（設(shè)計(jì)冰厚30mm）和171#至174#桿塔微氣象區(qū)（設(shè)計(jì)冰厚50mm）的觀測(cè)數(shù)據(jù)，去掉變量記錄缺失的數(shù)據(jù)，共有60個(gè)有效數(shù)據(jù)。利用48個(gè)做訓(xùn)練，12個(gè)檢驗(yàn)訓(xùn)練效果。

1.2 輸入變量模糊化處理

采用現(xiàn)場(chǎng)監(jiān)測(cè)的風(fēng)速、溫度、濕度數(shù)據(jù)作為輸入變量，覆冰厚度作為輸出變量，基于此構(gòu)建三輸入單輸出的ANFIS模型。采用MATLAB7.0模糊工具箱進(jìn)行建模和預(yù)測(cè)。三個(gè)輸入變量各分為3、2、2個(gè)模糊子集。其中溫度（T）有3個(gè)模糊子集（cold、medium和warm）；濕度（H）有2個(gè)模糊子集（wet和dry）；風(fēng)速（W）有2 個(gè)模糊子集（slow 和fast）。隸屬度函數(shù)選擇鐘型函數(shù)

表1 常數(shù)輸出與線性輸出模型預(yù)測(cè)情況

1.3 模糊邏輯的建立

根據(jù)輸入變量模糊子集的分割，本文模型共建立12（3×2×2）個(gè)模糊邏輯。模糊邏輯的輸出函數(shù)類(lèi)型為線性和常數(shù)。該模型共有待估計(jì)參數(shù)85個(gè)，其中先驗(yàn)參數(shù)21個(gè)，后驗(yàn)參數(shù)64個(gè)。

1.4 模糊推理系統(tǒng)訓(xùn)練

采用正向最小二乘和反向梯度下降混合算法，設(shè)定誤差容許度0，訓(xùn)練次數(shù)10次（通過(guò)觀察擬合誤差出現(xiàn)從遞減到遞增的拐點(diǎn)得到）。

2 模型驗(yàn)證及誤差分析

經(jīng)過(guò)訓(xùn)練，訓(xùn)練平均誤差為0.1346。

線性輸出模型部分?jǐn)?shù)據(jù)的預(yù)測(cè)（檢驗(yàn)擬合）發(fā)生較大誤差。原因是此例中模糊邏輯的輸出函數(shù)設(shè)定為線性，由于訓(xùn)練數(shù)據(jù)較少，導(dǎo)致最小二乘的后驗(yàn)參數(shù)絕對(duì)值較大，估計(jì)不穩(wěn)定。

常數(shù)模型的擬合不需要對(duì)輸入變量在輸出模型中的輸入變量系數(shù)進(jìn)行估計(jì)，避免了數(shù)量級(jí)差異。常數(shù)輸出模型預(yù)測(cè)結(jié)果及與線性模型的預(yù)測(cè)結(jié)果對(duì)比見(jiàn)表1。由于模型預(yù)測(cè)的連續(xù)型和覆冰的特性，當(dāng)ANFIS預(yù)測(cè)值為負(fù)的時(shí)候，可認(rèn)為覆冰預(yù)測(cè)為0。

12個(gè)預(yù)測(cè)數(shù)據(jù)中，常數(shù)模型有9個(gè)預(yù)測(cè)數(shù)據(jù)優(yōu)于線性模型。擬合表明，對(duì)于此例代表的小樣本數(shù)據(jù)條件下，線性模型的訓(xùn)練擬合度優(yōu)于常數(shù)模型，但后者的預(yù)測(cè)表現(xiàn)更優(yōu)異。

隸屬度函數(shù)經(jīng)過(guò)反向優(yōu)化，函數(shù)參數(shù)（先驗(yàn)參數(shù)）發(fā)生變化。以溫度的隸屬度函數(shù)變化為例，其初始COLD、MEDIUM和WARM隸屬度函數(shù)參數(shù)分別為[3 2 -5]、[3 2 1]和[3 2 7]。訓(xùn)練優(yōu)化后隸屬度函數(shù)參數(shù)為[3.117 1.95 -4.917]、[2.953 2.02 0.9214]和[3.061 1.956 6.963]。

結(jié)論

覆冰的形成過(guò)程十分復(fù)雜，涉及流體力學(xué)、碰撞理論、熱學(xué)、電磁學(xué)等多方面內(nèi)容，受到環(huán)境溫度、風(fēng)速、風(fēng)向、濕度、降雨量、導(dǎo)線溫度、電場(chǎng)分布、微地形等多方面因素影響，目前建立準(zhǔn)確的數(shù)學(xué)模型較為困難。本文利用自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)對(duì)覆冰進(jìn)行擬合，將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性和模糊性結(jié)合起來(lái)，利用現(xiàn)有觀測(cè)變量和結(jié)果，在不涉及覆冰機(jī)理的情況下，得到較好的預(yù)測(cè)結(jié)果。為提高輸電線路覆冰的預(yù)測(cè)精度，可從以下三方面入手：（1）完善覆冰監(jiān)測(cè)手段，縮短采樣間隔，為覆冰預(yù)報(bào)提供足夠的變量以及觀測(cè)值。（2）隸屬度參數(shù)雖然可以進(jìn)行優(yōu)化，但是隸屬度函數(shù)的選擇、個(gè)數(shù)的確定仍然依賴(lài)經(jīng)驗(yàn)，如何確定隸屬度函數(shù)個(gè)數(shù)尚待進(jìn)一步研究。（3）模糊規(guī)則是整個(gè)模糊邏輯核心。尋找涵蓋各種覆冰條件的完備的模糊規(guī)則 對(duì)提高預(yù)測(cè)精度意義重大。理論上，不同的地區(qū)覆冰可以建立各自的ANFIS覆冰預(yù)報(bào)模型，但覆冰監(jiān)測(cè)很難在同一個(gè)地方涵蓋所有的利于覆冰形成的條件，如何融合歸納具有不同環(huán)境條件的覆冰信息有待于進(jìn)一步研究。

[1]孫才新，蔣興良，熊啟新，等.導(dǎo)線覆冰及其干濕增長(zhǎng)臨界條件分析[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（03）：141-145.

[2] Makkonen L. Modeling of ice accretion on wires [J]. Journal of climate and applied meterology, 1984, 23（06）: 929-939.

[3] Makkonen L. Models for the growth of rime, glaze, icicles and wet snow on structures [J]. Philosophical transactions: Mathematical, Physical and Engineering Sciences, 2000, 358（1776）: 2913-2939.

[4] Jyh-Shing Roger Jang. ANFIS: Adaptive-Network-Based Fuzzy Inference System [J]. IEEE transactions on systems, man, and cybernetics, 1993, 23（03）: 665-685.