基于星地融合的輸電線路覆冰預警優化方法研究

楊知，趙彬，李闖，漢京善，高潔，黃杰

(1.中國電力科學研究院有限公司，北京 100192； 2.國網安徽省電力有限公司，合肥 230000)

0 引 言

架空輸電線路是能源輸送的重要基礎設施。隨著新型電力系統持續推進，架空輸電線路建設規模持續增大。近年來，極端天氣日趨增多，氣象條件復雜多變，雨雪冰凍災害對架空輸電線路安全穩定運行造成巨大挑戰。據統計，2017年至今冰害造成的架空輸電線路故障停運占總體故障的約37%。因此，輸電線路覆冰預測預警、監測評估和融冰處置成為每年冬季各級相關管理部門的工作重點。其中，輸電線路覆冰預測預警作為提前處置與防治的基礎，如何優化覆冰預警精度一直是行業研究熱點。

輸電線路覆冰形成機理較為復雜[1-3]，與局地氣象條件緊密相關。從歷史資料看，覆冰與氣象條件(如溫度、濕度、風速、風向、液態含水量等)和結構參數(如導線直徑和材料表面性能等)有關，大多發生在雨凇氣象條件下，且環境溫度小于0 ℃。覆冰多發地區為我國的華中和西南地區，多發季節為每年冬季的11月到次年春季3月份期間[4-5]。海拔變化很大的山區，如山巔、埡口、分水嶺等垂直擋距很大的微氣象區域，容易發生覆冰和倒塔事故[6]。

目前，國內外學者先后開發了多種覆冰預測模型，認可度較高的包括Imai、Lenhard和Goodwin等模型[7-9]。其中，Imai模型考慮了環境溫度和導線半徑因素，而且假設覆冰形成過程中，表面最外層為液態，保持濕增長；Lenhard模型則重點考慮了覆冰過程前后，導線周圍的總降水量；Goodwin模型則假設導線覆冰是干增長過程，過冷卻水滴在接觸導線-覆冰體之前，已全部凍結，結合降水量、水密度和風速等計算覆冰厚度。文獻[10]對四川東部輸電線路歷史覆冰案例和記錄數據進行了分析和梳理，建立了霧凇厚度增長和覆冰載荷預測評估模型。近年來，隨著人工智能(機器學習和深度學習)方法的興起，通過引入包括神經網絡、模糊理論、灰色理論、粗糙集理論等算法，結合輸電線路地面傳感數據建立了導線覆冰厚度預測模型，提升了輸電線路覆冰災害預測預警精度[11-15]。然而，在實際應用過程中，研究人員發現輸電線路跨度長，地面氣象觀測數據分布較少且監測范圍有限，無法全面反映局地氣象信息。因此，單純利用地面氣象觀測數據作為覆冰預測模型的輸入數據難以保證模型訓練質量，不同條件下的覆冰厚度預測精度波動較大，導致現有覆冰模型泛化能力較差，結果差異較大，實用性不強。

鑒于此，為滿足在地面觀測數據不足的情況下提升覆冰預報預警能力的迫切需求，文中嘗試在已有覆冰預測模型的基礎上，重點通過提升覆冰預測模型的氣象輸入數據來提高覆冰預測的準確性。通過加入衛星遙感觀測數據，將衛星和地面觀測數據進行融合同化，對覆冰預測模型中核心氣象輸入參數(如溫度、降水、風速)預報精度進行優化提升，進而提高復雜氣象條件下輸電線路覆冰預警精度。結果表明本文方法對溫度和降水的預報效果提升較為明顯，進而提升了24 h和72 h的覆冰預測準確性，為滿足覆冰預測預警能力的需求提供支撐。

1 基本思路

數值預報屬于微分方程的初值問題，初始場的正確性對預報有決定性的影響。星地數據融合或者資料同化本質上就是利用衛星監測數據和地面觀測數據修正模式的預報使其更接近實況大氣狀態的過程，從而為預報提供更準確的初始場。

輸電線路沿線往往會部署自動氣象觀測站，同時氣象局的常規業務觀測體系中，自動觀測站點分布也非常密集，融合自動觀測站數據可以有效地改善數值結果。但是自動站實際高度和氣象預報模式中的地形高度往往并不匹配，與其它資料如衛星等三維場資料相配合進行同化分析效果會更加理想[16-18]。

氣象衛星遙感數據具有時空上的高分辨率和覆蓋范圍廣的特點，彌補了常規觀測資料在地形復雜區域或者野外區域分布不足的缺點。利用美國新一代環境衛星數據進行同化可以改善溫度、濕度和風場的預報能力[19]。不同的衛星數據進行資料同化時，對氣象要素的優化效果并不一致，需要通過多次試驗進行優化以及組合，從而改進氣象要素的模擬效果[20]。

目前，衛星數據應用仍存在相當多的困難，衛星數據的誤差分析、偏差訂正、快速輻射傳輸模式以及大氣透過率回歸模型都是技術上的難點。本文在采用成熟同化系統的基礎上，加入了歐美衛星探測數據以及風云三號衛星數據。歐美衛星數據技術成熟，資料應用廣泛，但是對我國的覆蓋不足，風云三號極軌衛星數據是很好的補充。風云三號衛星上攜帶有先進的微波探測儀器和紅外垂直探測儀，實現了我國氣象衛星從二維遙感成像到三維大氣探測的跨越，其中MWTS、MWHS是風云3衛星上首次搭載的微波遙感器件。因此，在歐美氣象衛星數據的基礎上加入風云衛星MWTS、MWHS數據，有效地彌補衛星觀測資料不足的情況，可以更好地提升數值預報精度和輸電線路覆冰預測水平。

文章總體技術路線主要是在傳統地面站點數據的基礎上，充分考慮地形因素，全面利用了地面觀測數據，并加入衛星紅外高光譜探測數據、微波探測數據、微波掃描數據、紅外高光譜掃描數據以及GPS掩星數據，進行多源數據同化融合，改善氣象要素實測和預報場的準確性。然后，將精度改善后的氣象預報數據作為覆冰預測模型的輸入，提升覆冰預報預警的及時性、快速性以及有效性，降低電網運營安全風險。基本技術路線如圖1所示。

圖1 基于星地數據融合的覆冰預測優化基本思路

2 材料和方法

2.1 數據資料

文章以浙江省為例，基于地面資料和衛星資料對浙江省的氣溫、降水、風速和降水類型進行數據融合同化，將融合前后地面要素的變化以及覆冰預測結果的變化進行對比分析。

控制試驗的邊界條件和背景場數據來源于美國國家環境預報中心(NCEP)的全球預報系統(Global Forecast System，GFS)資料，水平分辨率為0.25°×0.25°，時間分辨率為6 h。

同化的常規觀測資料包括浙江省的3 123個國家站和自動氣象站(分布圖如圖2所示)，經過質量控制，實際使用1 176個國家站和自動氣象站數據，其中國家站102個，自動氣象站1 074個。選取10個國家站數據作為驗證，剩余站點作為融合數據來源。

圖2 浙江省自動氣象站分布圖

衛星輻射資料來自NCEP的全球資料同化系統(Global Data Assimilation System，GDAS)以及國產風云3衛星。使用的主要資料有溫度微波探測儀AMSU-A、濕度微波探測儀MHS、高光譜紅外探測器HIRS/4、GPSRO掩星數據等。微波探測儀和紅外探測儀有不同波長的輻射通道，可以提供高分辨率的三維溫度、壓力、濕度的廓線。實驗數據使用清單如表1所示。

表1 數據使用清單

2.2 氣象要素優化

為了實現更準確的覆冰預測，文章采用WRF4.2版本的區域數值氣象預報模式，融合NOAA18、NPP、Metop和FY3四類氣象衛星數據與地面站點數據，通過參數調優改進模式對浙江省區域的氣象要素(覆冰模型關鍵輸入參數溫度T0、降水P和風速V)優化預測效果。

星地數據同化系統采用GSI(Grid point Statistical Interpolation)系統。GSI是由NCEP開發的新一代變分同化系統[21]?；驹砭褪歉鶕尘皥鲂畔ⅰ⒂^測信息和各自的誤差特征，將同化分析問題歸結為所定義的一個反映分析場與模式預報結果之間及分析場與實際觀測值之間距離的目標函數的最優化問題，即求解代價函數(J)的極小值。

J(x)=Jb+J0

(1)

式中x為模式狀態變量構成的分析向量，在文章中是溫度T0、降水P和風速V組成的向量，用于后續覆冰模型輸入。

Jb為背景場(分析場)信息對目標函數構成的貢獻，表示為：

(2)

式中xb表示x的先驗估計，也就是背景場狀態向量，通常由預報模式結果來提供第一猜場；B為背景誤差協方差矩陣，用來表達背景場的誤差統計特征。背景協方差矩陣的元素是格點間的協方差：

(3)

式中n為分析變量x的要素個數。文中主要關注溫度T0、降水P和風速V，因此n=3。

J0表示觀測場對目標函數構成的貢獻，表示為：

(4)

式中y0代表觀測向量，同化衛星資料時，y0是同化時間窗口內所有同化通道內衛星輻射率數據構成的向量。在實際計算中通常將衛星輻射率先轉化為等效黑體亮溫，然后進行同化計算。H代表觀測算子，將模式格點位置上的變量插值和通過輻射傳輸模式轉換為等效黑體亮溫。R為觀測誤差協方差矩陣，用來表達觀測的誤差統計特征。R表示為：

(5)

式中E為觀測誤差，表示由于儀器、云干擾等因素引起的觀測誤差；F為代表性誤差，表示觀測算子的插值和轉換時空間代表性不足引起的誤差。這種誤差主要又兩方面引起，一是觀測算子從模式空間向觀測空間轉換時產生的近似誤差，二是觀測算子假設為線性算子時帶來的誤差。

衛星載荷并不能直接探測大氣物理量(溫度T0、降水P、臭氧O3、云等)，它測到的是在指定的頻率v下到達衛星觀測點的輻射量[21]。一般情況下，通過輻射傳播方程建立衛星直接探測得到的輻射量與最終大氣物理量之間的聯系。

(6)

式中v為指定頻率；θ為探測角度；τs為地表的大氣透過率；εs為地表發射率;B(v,x)為Planck函數項;l為大氣高度。

基于快速輻射傳輸模式，該模型沿著衛星掃描角方向，通過獲取云參數、地表發射率等初始輸入參數，根據給定的大氣溫濕度廓線以及各個光譜的快速透過率系數，能夠快速模擬出各通道在大氣頂的向上輻射率。GSI資料同化系統中用到的輻射傳輸模式是CRTM (Community Radiative Transfer Model)?；诿咨⑸錂C理，該模式考慮了雨、雪、云水、云冰和冰雹等粒子及對應的降水粒子散射效應。

(7)

綜上，將式(1)轉化為式(7)的目標函數的極小化問題。通過現有的共軛梯度和準牛頓迭代法[22]，實現式(7)的求解，得到優化后的T0、降水P和風速V三類氣象要素預測數據。

2.3 覆冰預測模型

在梳理分析多種真型導線相關覆冰數據、歷年再分析氣象資料和氣象觀測資料、輸電線路運行經驗數據的基礎上，建立對數形式的導線覆冰厚度計算公式[23]：

(8)

式中Req表示導線覆冰厚度初步估算值;單位為mm；k為氣象覆冰修正系數，取值范圍為0.1～6；N為覆冰過程的時間，單位為 h；a為訂正系數，參考環境溫度T0，按照表4插值選??；P表示覆冰過程降水率，單位為mm/h；ρ0表示水的密度，為常量(1 g/cm3)；ρ表示雨凇的密度，為常量(0.9 g/cm3)；V表示風速，單位為m/s；W表示液態水含量，單位為g/m3。

由表2可以看出，訂正系數a(受溫度T0影響)、降水P和風速V是該覆冰預測模型的核心輸入參數。通過提升訂正系數a、降水P和風速V預測精度和準確度，可以提升輸電線路覆冰的預測精度和準確度。公式(8)所示的覆冰預測模型中除經驗系數k外，a、P和V三個重要輸入參數均可通過2.2節進行優化得到。

表2 線徑訂正系數擬合系數a

3 實驗方案設計

浙江省山區地形復雜，冬季雨雪冰凍天氣較為嚴重，為了評估星地數據融合對預報精度和準確度的影響，以2020年12月29日20時作為目標預報時間，分別選取12月26日和12月28日為起始時間，將地面自動站數據和衛星數據進行融合優化，然后進行24 h預報和72 h預報，并與國家站實測數據進行對比分析。數值模擬空間精度為 3 km×3 km，時間精度為1 h。

將歐洲數值預報中心0.25°×0.25°的確定性預報作為參照組，對比資料同化后數值預報的優化效果。

4 結果分析

4.1 24小時預報結果對比

首先以2020年12月28日20時為初始時間，經數據融合后，對比24 h氣象要素的預報結果，從圖3～圖5中溫度、風速和降水的對比可以發現，由于經過了WRF模式降尺度計算，數據融合后的空間精細程序明顯高于歐洲中心的預報結果?？梢钥闯?，在地形復雜的區域，加入高精度地形方案進行模擬可以提升預報的空間分辨率，從而發現更多細節。

圖3 溫度24 h預報

圖4 風速24 h預報

圖5 降水24 h預報

具體來看，歷史氣象站數據顯示2020年12月29日20時，浙江經歷了一次寒潮過程，出現了大范圍的降雪天氣，。但歐洲中心預報數據(圖5(a))的預報降水基本可以忽略不計，而融合預報顯示(圖5(b))1 h降水預報的極值中心在浙北山區，這與圖4((b))的風速極值預報大值區相吻合，更加符合寒潮帶來的大風降溫降水過程的特征?？梢姅祿诤虾?，溫度、風速和降水預報的精度得到了有效的提升，有助于提高覆冰模型的預測能力。

圖3～圖5中黑色線段為杭州周邊的輸電線路，為了定量分析氣象要素預報精度的提升效果，提取輸電線路附近站點和杭州周邊的自動氣象站的實際觀測數據進行對比。從圖6可以看出，在溫度預報方面，數據融合預報結果比歐洲預報結果更接近實測狀況，反應出了寒潮帶來的溫度隨空間的變化。在風速方面，風速預報結果在各站表現不一，有些站點預報風速更接近觀測，有些站點預報存在較大偏差，但整體預報能力與歐洲中心預報結果相當。在降水方面，歐洲中心預報結果幾乎沒有產生降水，但觀測和融合數據顯示輸電線路附近存在明顯降水，這對于覆冰產生的預報十分重要。從表3的預報效果對比看，衛星數據和地面觀測數據融合預報相對于歐洲預報結果，MAE和RMSE都有比較明顯的下降。對于24 h預報而言，融合預報對溫度和降水預報精度改善比較明顯，其主要原因是輸電線路沿線氣象站點對溫度、降水的監測比較準確，通過融合衛星氣象的溫度降水觀測數據實現精度提升。就風速預報而言，融合預報結果與歐洲預報結果差異不大，其主要原因在于本文研究過程中，輸電線路沿線氣象站點風速監測數據異常值較多，有效值較少。因此融合預報中主要引入了溫濕度觀測信息，風速信息的星地融合同化不足，從而模型對風速預報的能力改進不大，但從圖4可以看出，融合預報對風速的空間刻畫能力提高很多，很好的反映出浙江省山區地形多變導致的風速變化，這主要得益于融合預報模型對衛星遙感高精度三維地形和少量風速信息的融合。

圖6 站點24 h預報結果對比

表3 24 h預報效果對比

4.2 72小時預報結果對比

以2020年12月26日20時為初始時間，經數據融合后，對比72 h氣象要素的預報結果，從圖7～圖9中溫度、風速和降水的對比可以發現，歐洲中心預報溫度明顯偏高，風速也偏小，同時降水偏弱，沒有重現出杭州及其周邊區域的大風降雪過程，先比24 h預報結果，長期預報的準確性下降比較快。而融合預報的溫度、降水和風速的分布與24 h的分布形態基本一致，表明了數據融合之后的預報穩定性較高，長期預報的準確性有所提升。

圖7 溫度72 h預報

圖8 風速72 h預報

圖9 降水72 h預報

從圖10可以看出，數據融合預報結果基本上比歐洲中心預報結果更接近實測狀況，尤其是在輸電線沿線區域，這與24 h的預報結果是一致的。

圖10 站點72 h預報結果對比

從表4的預報效果對比看，對于72 h預報而言，融合預報相對于歐洲中心預報結果從偏差比較可以看出，MAE和RMSE都有顯著的下降。相比于24 h預報結果，數據融合預報在72 h的預報偏差上呈現略微增加，說明了系統的穩定性，歐洲中心預報效果惡化明顯，系統波動較大。

表4 72 h預報效果對比

4.3 覆冰預報結果對比

運用2.3節所述的導線覆冰厚度計算公式，將融合預報的溫度、降水和風速預測值作為輸入，計算得到杭州周邊輸電線路近600個輸電線路桿塔的覆冰厚度情況，如圖11和圖12所示。從圖11(橫坐標：輸電線路桿塔編號，縱坐標：覆冰厚度)可以看出，24 h和72 h預報結果趨勢一致，在部分輸電線路預測出較嚴重的覆冰增長趨勢，說明經過星地數據融合，氣象要素預報時效提高比較明顯，覆冰有效預測的周期可以提前到72 h以上，為電網安全運行提供強有力的保障。

圖11 輸電線路星地融合預報覆冰厚度結果對比

圖12 基于星地融合的輸電線路覆冰標準厚度增量預測結果對比

5 結束語

覆冰預測預警是電網安全運行的重要課題，在觀測數據較少的條件下，結合氣象環境條件以及覆冰預測模型對覆冰進行預報預警是可行的方法。因此，對氣象環境條件的準確預測成為了覆冰準確預測的前提。由于輸電線路大多位于偏遠地區，基于衛星觀測數據覆蓋范圍廣和時空高分辨率的特點，融合氣象衛星與地面觀測數據，不僅可以得到更接近實際狀態的大氣背景場，同時也可以作為數值預報的初始場，提升中長期覆冰預報的準確性。經過對比分析，數據融合后的溫度和降水預報精度和準確度均得到有效的提升，風速的準確度提升不大。同時，預報的有效性也得到了提升，72 h的預報準確性和24 h預報的準確性差異較小。因此，通過覆冰預警模型計算得到的覆冰厚度預測預警時間可以從24 h提升到72 h，為電網安全運行提供了充分的預警時間。

后續研究將持續開展衛星資料融合的對比分析，加入其他多源數據，提升相關地面要素如風速等的準確性，進一步提升覆冰預測預警水平。