冰灾是电力系统严重的威胁之一, 当严重的冰灾持续来袭时, 输电线路难免会出现覆冰。输电线路上的覆冰使输电线变粗, 增加了输电线的重量; 对于长距高压输电线来说, 每个跨度的输电线都是由铁塔支撑, 这样覆冰加增加了铁塔的负重, 当负重达到一定的限度, 轻则发生冰闪,重则造成倒塔(杆)、断线, 甚至致使电网瘫痪。输电线路覆冰对于电网的安全运行来说是一个非常危险的自然灾害, 所以急待研究解决。

1) 降水覆冰(precipitation icing)。空气中的冻雨或雪花降落到表面在0益左右的导线上形成覆冰或覆雪。这种过冷却水的过冷度与曲率半径有关, 曲率半径小的大水滴其过冷却度小, 曲率半径大的小水滴, 其过冷却度大。过冷却水与导线接触会发生冻结, 在冻结过程中水滴缓慢释放热量造成导线表面出现水膜, 故常产生雨凇。

2) 云中覆冰(in-cloud icing)。高海拔地区的过冷却云雾与导线接触冻结成冰, 称为云中覆冰。云中覆冰产生原因主要取决于气象参数, 这是云中覆冰的特点, 因雾尺寸较小, 释放热量速度较快, 不会在表面形成水层, 所以多为雾凇。

3) 升华覆冰(sublimation)。水蒸气因冷空气直接在物体表面冻结产生的霜, 也称为晶状雾凇。但其一般不会发展很大, 附着力小, 不会对线路产生太大影响。

导线覆冰主要有6 种影响因素, 其分别为:

1) 气象因素, 气象因素是导线覆冰产生最重要的因素。因导线覆冰受到的气候影响因素较多,在一般情况下, -5 ~ 0℃时, 造成的覆冰危害最大。温度较低时, 过冷却水转化为雪花, 无法造成线路覆冰, 而温度较高时也不可能产生覆冰。正因为如此, 在冬季温度较低的华北地区反而没南方和西南地区的导线覆冰严重。同样, 风速对导线覆冰的产生也有很大的影响, 其中最主要的是在风速处于3 ~ 6 m/ s 时, 覆冰增长速度最快,风速超过或降低都会影响其增长速度, 同时风向对覆冰的影响也很大, 比如在风向-导线夹角在45°~150°时, 造成的结果最为严重。

2) 季节因素, 通过统计得知每年覆冰多发生多在11 月到次年3 月之间。

3) 地理因素, 在风较大, 湿度较大, 同时地形突出的地形比其他地形产生的覆冰更严重。

4) 海拔因素, 在高海拔地区往往比低海拔地区造成的结果要严重。

5) 线路因素, 在覆冰的研究中, 因导线走向问题, 线路也成为了一个重要因素, 其最主要的原因还是气象因素中的风速影响, 当导线-风速夹角=90°时, 增长最快, 结果最严重。

6) 导线本身因素, 导线的电场会影响空气中的水, 使其向导线移动, 若其他因素合适就会在导线上产生覆冰。

输电线路覆冰厚度预测基于PNN 网络的覆冰检测实现

神经网络是运用样本学习, 在输入和输出结点建立非线形映射关系。它可以模拟复杂的因果关系,也可以不反映输入与输出之间的实际逻辑关系或因果关系, 而只是对其数量与结构关系的一种模拟。实际上, 这种映射是把系统视为整体, 把其运行状态作为一种模式来看待的, 用样本对人工神经网络的训练也是一种模拟人的模式思维的训练。

1、神经网络工具箱函数

通常使用神经网络都是直接使用Matlab 提供的神经网络工具箱提供的模型, 这个工具箱几乎涵盖了常用的神经网络模型; 同时支持拓展功能,可以使用其他非常规神经网络工具箱进行扩充。对于多种模型, 工具还提供了各类学习算法, 为用户节省了很多时间。Matlab 工具箱中基本涵括了用于神经网络分析与设计需要使用的函数。

2、建立模型

在所有的神经网络建模中, 必须选取最有代表性, 最能反映问题的特征的特征量。如果选取的特征量不能做到尽量详细的描述问题的特征或没有足够的信息, 那么网络得出的诊断结论会受到很大影响。在这个模型中数据采集自中国气象科学数据共享网 , 导线覆冰天气多出于气温-5~3℃、相对湿度≥80%、风速0 ~ 4.5 m/ s 的情况下, 以此条件筛选数据, 最终获得123 组数据

3、程序实现（如图1）

输电线路覆冰厚度预测基于GRNN 网络的覆冰检测实现

1、GRNN 网络简述

广义回归神经网络(generalized regression neural network) 是1991 年美国人Donald Specht 提出的。GRNN 是一种径向基( RBF) 神经网络, 是基于人脑的神经元细胞对外界反映的局部性而提出的, 是一种新颖而有效的前馈式神经网络, 它不仅具有全局逼近性质, 而且具有最佳逼近性质，如图2。GRNN 的结构由四层构成, 其结构接近于RBF 网络。

GRNN 在学习上仍然使用的是BP 网络的算法具有优秀的逼近性, 在学习速度上优于RBF 网络。只需要调节网络的spread 值。网络的学习全部依赖数据样本, 这个特点决定了网络可以最大限度地避免主观假定对预测结果的影响。

2、数据归一化处理

Sigmoid 函数广泛应用于前馈型升级网络。在函数中输入量过大或者过小, 都会造成输出结果进入函数饱和区间。为了使样本获得最好的效果, 我们必须对样本数据进行归一化处理。需要将获得的样本数据需归一化在[-1, 1]之间。Matlab 提供了多种方法对数据进行归一化处理。

3、程序实现（如图3）

选择FNN 网络和GRNN 网络为讨论对象, 最终得到结论:

1) 基于PNN 神经网络和GRNN 神经网络理论, 在matlab 平台上的预测结果表明两个网络都能实现预测需要, 但是GRNN 网络在小样本情况下的精确性更高。

2) PNN 网络相对于BP 网络的优势是快速,高效, 易调节, 可随时加入新的样本进行网络学习, 但是因样本过小的缘故, 误差较大。

3) 相比BP 网络的复杂参数简单, 稳定很多,而且小样本时也可以达到不错的精确度, 同时GRNN 网络的spread 的值还可以通过程序完成循环计算。

4) 在复杂情况的预测时, 只有小样本的情况下GRNN 网络更加适合进行预测; 但拥有大样本的时候PNN 网络的精确性会得到提高。

5) 因覆冰模型理论的成熟度不够, 所以还具有很大的局限性, 还待后续理论的研究获得一个统一的线路覆冰模型, 以提高精度和可靠性。 2100433B

厚度控制系统为提高厚度的控制精度，可采取提前检测来料情况和调整辊缝。例如，在前一架轧机出口处就对将送入本架轧机的带钢的厚度偏差提前进行检测。并据此在经过适当的时间延迟后，在带钢进入本架轧机以前调整辊缝值来消除前一架轨机所造成的厚度偏差。这种控制方式称为厚度的前馈控制。图2为厚度前馈控制系统的组成。前馈偏差信号Δ和轧辊位移的校正值Δ以头部锁定值为基准计算而得。当计算轧机有控制信号时,还需要考虑轧辊的实际位置与头部锁定位置之差。轧辊的位置信号Δ引入前馈控制器中。前馈控制器实际上是一台计算机。在轧制过程中，生产过程的许多参数实际上是变化的，只靠前馈控制并不能消除由于参数变化造成的厚度偏差。通常采用前馈与反馈的复合控制来提高精度。

厚度控制系统图1为厚度反馈控制系统的组成。为实现厚度控制，需要事先设置厚度的给定值（锁定值），将检测的厚度值与给定值比较，得到厚度偏差。控制器根据偏差信号给出相应的操纵信号控制轧机，使出口处钢材的厚度等于给定值。根据厚度检测方式的不同，厚度反馈控制系统可有不同的方案，主要有直接检测和间接检测两种方式。

①厚度直接检测　测厚仪安装在轧机的后侧直接检测出口处钢材的厚度。在这种方案中,由于测厚仪与轧机之间相隔一定距离，厚度偏差需要延迟一定时间才能检测出来。这相当于在系统中增加了一个滞后环节（见时滞系统），因而系统不易稳定。而为保证系统稳定性，开环放大倍数就受到限制，又会影响系统的快速性。

②厚度间接检测　根据轧机的弹性变形、轧制力的大小和测得的轧辊辊缝宽度，计算出钢材的厚度。由于轧辊偏心、轧辊磨损、热膨胀和轧机的弹性变形系数不为常值等原因，厚度间接检测方法的精度不高。但这种方式能及时获得偏差信号，加之方法简单和便于维修，所以在厚度控制系统中仍被广泛采用。在实际生产中，常把每架轧机轧出带钢头部的厚度作为该架轧机在设定条件下厚度的给定值。控制器通常是一台数字电子计算机。在反馈型厚度自动控制系统中，只有在偏差出现后控制器才能起作用，因此存在厚度的动态误差。生产机械的惯性和调整辊缝的延迟，也会造成控制精度不高、厚度不均匀的情况。