輸電線路覆冰的自適應網絡模糊推理預報模型

劉 毅

（國網四川省電力公司，四川 成都 610072）

輸電線路覆冰會引起舞動、閃絡、跳閘甚至斷線倒塔等事故。我國南方地區冬季濕度大，線路部分處于高山峽谷，氣候環境惡劣，極易出現覆冰。另一方面，極端冰凍災害中，在線監測系統的可靠性和準確性不佳。因此輸電線路覆冰研究一直以來就研究熱點。針對覆冰形成過程的建模，主要通過基于熱傳遞的理論模型進行研究。由于對模型假設、覆冰機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。

模糊邏輯技術適用于具有一定聯系但是具體數量關系不明確的模型，該技術也被應用于覆冰的預報建模。模糊推理系統建模中，依據專家經驗設置隸屬度函數的參數，針對不同地區和條件下的覆冰預報存在主觀性。自適應網絡模糊推理系統（ANFIS）是模糊推理系統和神經網絡的有機結合體，它通過神經網絡的訓練調整模糊推理系統中的隸屬度函數的參數和反模糊化參數，并自動生成模糊推理規則，減少了模型的主觀性。近年來在負荷預測、故障定位和其他學科的研究中越來越受到青睞，用于覆冰預報的研究卻少有報道。

1 ANFIS覆冰預測模型

1.1 數據來源

某電力公司在易覆冰地區的部分輸電線處設置觀冰點。每日14時由人工記錄一次氣象及覆冰數據，包括風速、溫度、濕度和覆冰厚度。選取500kV某線168#至173#桿塔間微氣象區（設計冰厚30mm）和171#至174#桿塔微氣象區（設計冰厚50mm）的觀測數據，去掉變量記錄缺失的數據，共有60個有效數據。利用48個做訓練，12個檢驗訓練效果。

1.2 輸入變量模糊化處理

采用現場監測的風速、溫度、濕度數據作為輸入變量，覆冰厚度作為輸出變量，基于此構建三輸入單輸出的ANFIS模型。采用MATLAB7.0模糊工具箱進行建模和預測。三個輸入變量各分為3、2、2個模糊子集。其中溫度（T）有3個模糊子集（cold、medium和warm）；濕度（H）有2個模糊子集（wet和dry）；風速（W）有2 個模糊子集（slow 和fast）。隸屬度函數選擇鐘型函數

表1 常數輸出與線性輸出模型預測情況

1.3 模糊邏輯的建立

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

1.4 模糊推理系統訓練

采用正向最小二乘和反向梯度下降混合算法，設定誤差容許度0，訓練次數10次（通過觀察擬合誤差出現從遞減到遞增的拐點得到）。

2 模型驗證及誤差分析

經過訓練，訓練平均誤差為0.1346。

線性輸出模型部分數據的預測（檢驗擬合）發生較大誤差。原因是此例中模糊邏輯的輸出函數設定為線性，由于訓練數據較少，導致最小二乘的后驗參數絕對值較大，估計不穩定。

常數模型的擬合不需要對輸入變量在輸出模型中的輸入變量系數進行估計，避免了數量級差異。常數輸出模型預測結果及與線性模型的預測結果對比見表1。由于模型預測的連續型和覆冰的特性，當ANFIS預測值為負的時候，可認為覆冰預測為0。

12個預測數據中，常數模型有9個預測數據優于線性模型。擬合表明，對于此例代表的小樣本數據條件下，線性模型的訓練擬合度優于常數模型，但后者的預測表現更優異。

隸屬度函數經過反向優化，函數參數（先驗參數）發生變化。以溫度的隸屬度函數變化為例，其初始COLD、MEDIUM和WARM隸屬度函數參數分別為[3 2 -5]、[3 2 1]和[3 2 7]。訓練優化后隸屬度函數參數為[3.117 1.95 -4.917]、[2.953 2.02 0.9214]和[3.061 1.956 6.963]。

結論

覆冰的形成過程十分復雜，涉及流體力學、碰撞理論、熱學、電磁學等多方面內容，受到環境溫度、風速、風向、濕度、降雨量、導線溫度、電場分布、微地形等多方面因素影響，目前建立準確的數學模型較為困難。本文利用自適應網絡模糊推理系統對覆冰進行擬合，將神經網絡的學習性和模糊性結合起來，利用現有觀測變量和結果，在不涉及覆冰機理的情況下，得到較好的預測結果。為提高輸電線路覆冰的預測精度，可從以下三方面入手：（1）完善覆冰監測手段，縮短采樣間隔，為覆冰預報提供足夠的變量以及觀測值。（2）隸屬度參數雖然可以進行優化，但是隸屬度函數的選擇、個數的確定仍然依賴經驗，如何確定隸屬度函數個數尚待進一步研究。（3）模糊規則是整個模糊邏輯核心。尋找涵蓋各種覆冰條件的完備的模糊規則 對提高預測精度意義重大。理論上，不同的地區覆冰可以建立各自的ANFIS覆冰預報模型，但覆冰監測很難在同一個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境條件的覆冰信息有待于進一步研究。

[1]孫才新，蔣興良，熊啟新，等.導線覆冰及其干濕增長臨界條件分析[J].中國電機工程學報，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.