CN102175203B - 一种输电线路覆冰突出影响因素分析方法 - Google Patents

Abstract

本发明公开了一种输电线路覆冰突出影响因素分析方法，首先通过输电线路在线监测获取环境温度、环境湿度、环境风速、导线温度以及导线拉力，将导线拉力通过理论计算模型转换为覆冰厚度实际值；其次分析导线覆冰厚度实际值、覆冰厚度预测值与环境温度、环境湿度、环境风速、导线温度之间的关系，确定影响导线覆冰的突出影响因素。本发明分析方法，解决了现有分析方法覆冰现场数据来源缺乏、结果准确度不够的问题，定义了覆冰影响深度系数公式，通过系数大小比较，得出覆冰的突出影响因素。

Description

一种输电线路覆冰突出影响因素分析方法

技术领域

本发明属于输电线路覆冰在线监测技术领域，具体涉及一种输电线路覆冰突出影响因素分析方法。

背景技术

我国受大气候和微地形、微气象条件的影响，覆冰事故频繁发生，对电网造成严重的破坏，甚至致使电网瘫痪，严重影响电网的安全运行。因此，加强输电线路覆冰机理的研究以及如何确定导线覆冰的突出影响因素，是覆冰研究的关键问题。

微气象、导线温度等参数对输电线路覆冰有着决定性的影响，但大多研究没有考虑导线温度对覆冰的影响。先前对覆冰与微气象(环境温度、环境湿度、环境风速)以及导线温度的关系的研究是通过采取灰关联分析法来计算各个因素与覆冰的关联度，确定其覆冰最主要影响因素。该方法不足之处在于因原始数据变换处理的方法不同导致分析结果不同，故灰关联分析方法还有待改进。

发明内容

本发明的目的是提供一种输电线路覆冰突出影响因素分析方法，解决了现有分析方法覆冰现场数据来源缺乏、结果准确度不够的问题，定义了覆冰影响深度系数公式，通过系数大小比较，得出覆冰的突出影响因素。

本发明所采用的技术方案是，一种输电线路覆冰突出影响因素分析方法，具体按照以下步骤实施：

步骤1：通过输电线路在线监测获取环境温度、环境湿度、环境风速、导线温度以及导线拉力，将导线拉力通过理论计算模型转换为覆冰厚度实际值；

步骤2：分析导线覆冰厚度实际值、覆冰厚度预测值与环境温度、环境湿度、环境风速、导线温度之间的关系，确定影响导线覆冰的突出影响因素。

本发明的特点还在于，

其中步骤1将导线拉力通过理论计算模型转换为覆冰厚度实际值，具体按照以下步骤实施：

定义主杆塔绝缘子串竖直方向的张力值T_V与该绝缘子串两侧输电导线某点到主杆塔A点间导线上的竖向载荷相互平衡的点为平衡点，根据下式计算得到导线的综合载荷q：

$q=\frac{2\mathrm{\Δ}{T}_V}{S_{D1}^{\mathrm{AB}}+S_{D1}^{\mathrm{AC}}}$

$=\frac{2\mathrm{\Δ}{T}_V}{\frac{{2T}_H^{\mathrm{AC}}}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AC}}{q}_0}{{2T}_H^{\mathrm{AC}}}+\frac{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AB}}{q}_0}{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}},$

式中，q为导线的综合载荷；ΔT_V表示在冰、风载荷作用下与只有自重载荷作用时主杆塔上竖向载荷的差值；θ为主杆塔上绝缘子串的倾斜角；T_H为导线上水平方向拉力；l_D1为主杆塔对应的等效档距；q₀为导线自重载荷；

q＝q₀+q_wind+q_ice，

式中，q_ice为覆冰载荷，q₀为导线自重载荷，q_wind为风载荷，

q_wind＝0.735a(d+2b)v²，

其中，a是风速的不均匀系数，v是设计风速，d是导线的计算直径，b是覆冰厚度；

根据求得的覆冰载荷q_ice，并结合覆冰的密度和导线直径来求解覆冰厚度实际值：

$b=(\sqrt{\frac{4q_{\mathrm{ice}}}{{9.8\mathrm{\π\γ}}_0}+d^2}-d)/2,$

其中，γ₀为冰的密度；d为导线的计算等效直径；b为覆冰厚度实际值。

其中步骤2分析导线覆冰厚度实际值、覆冰厚度预测值与环境温度、环境湿度、环境风速、导线温度之间的关系，确定影响导线覆冰的突出影响因素，具体按照以下步骤实施：

a.选取覆冰有效数据序列：选取部分有效的覆冰数据作为样本来进行分析，选取标准：覆冰数据量大、监测数据准确；

b.分别改变每个影响因素值：假定某线路选取的样本有N个覆冰数据，对于某时刻的覆冰数据，分别改变环境温度、环境湿度、环境风速、导线温度这四个影响因素的值，四个影响因素值的改变幅度一致；

c.计算出环境温度、环境湿度、环境风速、导线温度中每个影响因素改变值的覆冰厚度预测值：通过覆冰厚度模糊逻辑模型得到每个影响因素改变值后的覆冰厚度预测值；

d.计算覆冰数据序列中每个影响因素的覆冰影响深度系数IID；

e.比较覆冰影响深度系数大小：将IID_n四个影响因素的覆冰影响深度按大小排序；

f.确定覆冰突出影响因素：IID最大值所对应的影响因素即为覆冰的突出影响因素。

其中步骤c中覆冰厚度模糊逻辑模型，包括输入量模糊化、数据库、规则库、推理机和输出量反模糊化五部分，通过覆冰厚度模糊逻辑模型得到每个影响因素改变值后的覆冰厚度预测值，具体按照以下步骤实施：将确定的实数输入量转换为模糊量，进行模糊推理，将模糊结论转换为确定实数输出。

其中步骤d中计算覆冰数据序列中每个影响因素的覆冰影响深度系数IID，具体按照以下步骤实施：

定义IID为覆冰影响深度系数，计算公式为：

${\mathrm{IID}}_n^t=\frac{{|I}_0^t-I_n^t|}{I_0^t}\×100\%,$

式中

为某输电线路t时刻通过拉力计算得到的覆冰厚度实际值；为某输电线路t时刻改变某影响因素的值后通过模糊模型预测得到的覆冰厚度预测值；n＝1，2，3，4为四个影响因素的序号，覆冰预测分析中设定1为环境温度，2为环境湿度，3为环境湿度，4为导线温度；

通过上式计算出覆冰影响深度系数，假定为N个覆冰数据覆冰数据，将每个影响因素的N个影响深度系数相加并除以样本个数N，如下式所示，

${\mathrm{IID}}_n=\frac{{\mathrm{IID}}_n^1+{\mathrm{IID}}_n^2+L+{\mathrm{IID}}_n^N}{N},$

依此计算出四个影响因素的覆冰影响深度系数。

本发明的有益效果是，

(1)在先前研究的灰关联分析方法的基础上，提出了一种新型的覆冰突出影响因素分析方法，此方法需要覆冰厚度实际值与覆冰厚度预测值，而覆冰厚度预测值则通过研究建立的基于模糊逻辑理论的覆冰预测模型中得出。

(2)分析方法的数据来源于覆冰在线监测系统实时监测的现场覆冰数据，不仅监测输电线路覆冰后的重量变化、绝缘子串的倾斜角度、风偏角度、环境温湿度、风速以及风向等信息，并根据监测采集得到的导线拉力变化信息计算输电线路覆冰厚度。

附图说明

图1是本发明方法步骤2中的分析流程图；

图2是本发明实施例中分析数据来源-环境温度数据统计图；

图3是本发明实施例中分析数据来源-环境湿度数据统计图；

图4是本发明实施例中分析数据来源-环境温度风速统计图；

图5是本发明实施例中分析数据来源-导线温度数据统计图；

图6是本发明实施例中分析数据来源-覆冰厚度数据统计图；

图7是本发明方法覆冰厚度计算模型的主杆塔等效档距示意图；

图8是本发明实施例中环境温度影响深度系数结果图；

图9是本发明实施例中环境湿度影响深度系数结果图；

图10是本发明实施例中环境风速影响深度系数结果图；

图11是本发明实施例中导线温度影响深度系数结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明输电线路覆冰突出影响因素分析方法，具体按照以下步骤实施：

步骤1：通过输电线路在线监测获取微气象信息(环境温度、环境湿度、环境风速)、导线温度以及导线拉力，将导线拉力通过理论计算模型转换为覆冰厚度实际值，具体按照以下步骤实施：

如图7所示，定义主杆塔绝缘子串竖直方向的张力值T_V与该绝缘子串两侧输电导线某点到主杆塔A点间导线上的竖向载荷相互平衡的点称为“平衡点”。根据下式计算得到导线的综合载荷q：

$q=\frac{2\mathrm{\Δ}{T}_V}{S_{D1}^{\mathrm{AB}}+S_{D1}^{\mathrm{AC}}}$

$=\frac{2\mathrm{\Δ}{T}_V}{\frac{{2T}_H^{\mathrm{AC}}}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AC}}{q}_0}{{2T}_H^{\mathrm{AC}}}+\frac{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AB}}{q}_0}{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}}---\left(1\right)$

式中，q为导线的综合载荷；ΔT_V表示在冰、风载荷作用下与只有自重载荷作用时主杆塔上竖向载荷的差值；θ为主杆塔上绝缘子串的倾斜角；T_H为导线上水平方向拉力；l_D1为主杆塔对应的等效档距；q₀为导线自重载荷。

q＝q₀+q_wind+q_ice    (2)

式中，q_ice为覆冰载荷，q₀为导线自重载荷，q_wind为风载荷，其中

q_wind＝0.735a(d+2b)v²   (3)

其中，a是风速的不均匀系数，v是设计风速(m/s)，d是导线的计算直径，b是覆冰厚度。

根据求得的覆冰载荷q_ice，并结合覆冰的密度(0.9g/cm³)和导线直径来求解覆冰厚度实际值：

$b=(\sqrt{\frac{4q_{\mathrm{ice}}}{{9.8\mathrm{\π\γ}}_0}+d^2}-d)/2---\left(4\right)$

其中，γ₀为冰的密度(雨淞)；d为导线的计算等效直径；b为覆冰厚度实际值。

步骤2：分析导线覆冰厚度实际值、覆冰厚度预测值与微气象信息(环境温度、环境湿度、环境风速)和导线温度之间的关系，确定影响导线覆冰的突出影响因素。具体按照以下步骤实施：

a.选取覆冰有效数据序列：因输电线路的覆冰数据量较大不便于分析，故需选取部分有效的覆冰数据作为样本来进行分析，选取标准：覆冰数据量大(涵盖各种覆冰情况)、监测数据准确；

b.分别改变每个影响因素值：假定某线路选取的样本有N个覆冰数据，对于某时刻的覆冰数据，分别改变四个影响因素(环境温度、环境湿度、环境风速和导线温度)的值，为了使分析更有依据，四个影响因素值的改变幅度一致；

c.计算出每个影响因素改变值的覆冰厚度预测值：通过覆冰厚度模糊逻辑模型得到每个影响因素改变值后的覆冰厚度预测值；具体按照以下步骤实施：

模糊逻辑模型包括输入量模糊化、数据库、规则库、推理机和输出量反模糊化五部分。模糊化是指将输入转换为模糊集合，即将实测物理量转化为在该语言变量相应论域内不同语言值的模糊子集，对于模糊逻辑模型的多个输入，每个输入量的模糊化过程都是一样的，进行模糊推理的前提是输入都必须通过模糊化处理。因此，模糊化即为模糊逻辑模型的输入接口，作用就是将确定的实数输入量转换为模糊量，即模糊集合及其相应的隶属度。推理机使用数据库和规则库产生模糊结论(即蕴涵模糊集合)。反模糊化则将模糊结论转换为确定实数输出，即将推理机得到的模糊量转化为清晰确定的值。

d.计算覆冰数据序列中每个影响因素的覆冰影响深度系数IID：

定义IID(Ice Influence Depth)为覆冰影响深度系数，计算公式为：

${\mathrm{IID}}_n^t=\frac{{|I}_0^t-I_n^t|}{I_0^t}\×100\%---\left(5\right)$

式中为某输电线路t时刻通过拉力计算得到的覆冰厚度实际值；

为某输电线路t时刻改变某影响因素(输入变量)的值后通过模糊模型预测得到的覆冰厚度值；n＝1，2，3，4为四个影响因素的序号，在本发明的覆冰预测分析中设定1为环境温度，2为环境湿度，3为环境湿度，4为导线温度。

通过式(5)计算出覆冰影响深度系数，假定为N个覆冰数据覆冰数据，将每个影响因素的N个影响深度系数相加并除以样本个数N，如式(6)所示，

${\mathrm{IID}}_n=\frac{{\mathrm{IID}}_n^1+{\mathrm{IID}}_n^2+L+{\mathrm{IID}}_n^N}{N}---\left(6\right)$

依此计算出四个影响因素的覆冰影响深度系数，即得到了每个影响因素的N个覆冰影响深度系数；

e.比较覆冰影响深度系数大小：将IID_n四个影响因素的覆冰影响深度按大小排序；

f.确定覆冰突出影响因素：IID最大值所对应的影响因素即为覆冰的突出影响因素。

以下从原理方面说明本发明方法的合理性：

覆冰因环境条件不断变化而具有复杂性和多变性，故覆冰影响深度系数公式结合了覆冰厚度实际值和覆冰厚度预测值，而覆冰厚度预测值是通过基于模糊逻辑理论的覆冰预测模型得出，而预测模型需要建立模糊规则，模糊规则不仅给出了覆冰与影响因素之间的关系，也在一定程度上反映出各影响因子对覆冰发生的影响程度。因此，应用模糊逻辑模型得出的覆冰厚度预测值，并利用覆冰影响深度分析法可得出覆冰的突出影响因素。通过改变某个影响因素的值并利用覆冰预测模型得出该影响因素改变值后的覆冰厚度预测值，采用覆冰影响深度系数公式通过改变前的覆冰厚度实际值和改变后的覆冰厚度预测值的比较，得出该影响因素对覆冰的影响程度，最终通过比较每个影响因素的深度系数大小，确定覆冰的突出影响因素。因此，覆冰影响深度系数公式对覆冰的影响因素分析是可行的。

实施例

选取贵州电网220kV铜黎线路2009-01-01到2009-01-27期间的覆冰数据作为分析实例，数据监测频率为1次/15min，为有利于分析，将没有发生覆冰以及微气象或导线温度信息缺失等数据去除，得到用来分析的覆冰有效数据为521组数据，几乎包括了覆冰期内所有的情况，因此具有代表性。为了使覆冰数据统计图更直观，将覆冰有效数据作成excel统计图，图2所示为环境温度数据统计图，图3所示为环境湿度数据统计图，图4所示为环境风速数据统计图，图5所示为导线温度数据统计图，图6所示为覆冰厚度数据统计图。

覆冰突出影响因素分析结果如图8、图9、图10及图11所示，可知220kV铜黎线在选取的覆冰数据中，IID3＞IID4＞IID1＞IID2，即最突出的影响因素为环境风速，其次为导线温度和环境温度，影响最小的为环境湿度。

Claims (3)

1.一种输电线路覆冰突出影响因素分析方法，其特征在于，具体按照以下步骤实施：

步骤1：通过输电线路在线监测获取环境温度、环境湿度、环境风速、导线温度以及导线拉力，将导线拉力通过理论计算模型转换为覆冰厚度实际值；

步骤2：分析导线覆冰厚度实际值、覆冰厚度预测值与环境温度、环境湿度、环境风速、导线温度之间的关系，确定影响导线覆冰的突出影响因素；具体按照以下步骤实施：

a.选取覆冰有效数据序列：选取部分有效的覆冰数据作为样本来进行分析，选取标准：覆冰数据量大、监测数据准确；

b.分别改变每个影响因素值：假定某线路选取的样本有N个覆冰数据，对于某时刻的覆冰数据，分别改变环境温度、环境湿度、环境风速、导线温度这四个影响因素的值，四个影响因素值的改变幅度一致；

c.计算出环境温度、环境湿度、环境风速、导线温度中每个影响因素改变值的覆冰厚度预测值：通过覆冰厚度模糊逻辑模型得到每个影响因素改变值后的覆冰厚度预测值；

d.计算覆冰数据序列中每个影响因素的覆冰影响深度系数IID；具体按照以下步骤实施：

定义IID为覆冰影响深度系数，计算公式为：

${\mathrm{IID}}_n^t=\frac{|I_0^t-I_n^t|}{I_0^t}\×100\%,$

式中

为某输电线路t时刻通过拉力计算得到的覆冰厚度实际值；为某输电线路t时刻改变某影响因素的值后通过模糊模型预测得到的覆冰厚度预测值；n=1，2，3，4为四个影响因素的序号，覆冰预测分析中设定1为环境温度，2为环境湿度，3为环境湿度，4为导线温度；

通过上式计算出覆冰影响深度系数，假定为N个覆冰数据覆冰数据，将每个影响因素的N个影响深度系数相加并除以样本个数N，如下式所示，

${\mathrm{IID}}_n=\frac{{\mathrm{IID}}_n^1+{\mathrm{IID}}_n^2+...+{\mathrm{IID}}_n^N}{N},$

依此计算出四个影响因素的覆冰影响深度系数；

e.比较覆冰影响深度系数大小：将IID_n四个影响因素的覆冰影响深度按大小排序；

f.确定覆冰突出影响因素：IID最大值所对应的影响因素即为覆冰的突出影响因素。

2.根据权利要求1所述的输电线路覆冰突出影响因素分析方法，其特征在于，所述步骤1将导线拉力通过理论计算模型转换为覆冰厚度实际值，具体按照以下步骤实施：

定义主杆塔绝缘子串竖直方向的张力值T_V与该绝缘子串两侧输电导线某点到主杆塔A点间导线上的竖向载荷相互平衡的点为平衡点，根据下式计算得到导线的综合载荷q：

$q=\frac{{2\mathrm{\ΔT}}_V}{S_{D1}^{\mathrm{AB}}+S_{D1}^{\mathrm{AC}}}$

$=\frac{2{\mathrm{\ΔT}}_V}{\frac{{2T}_H^{\mathrm{AC}}}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AC}}{q}_0}{{2T}_H^{\mathrm{AC}}}+\frac{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}{q_0}\mathrm{sh}\frac{l_{D1}^{\mathrm{AB}}{q}_0}{2(T_H^{\mathrm{AC}}+T_V\mathrm{tg\θ})}},$

式中，q为导线的综合载荷；ΔT_V表示在冰、风载荷作用下与只有自重载荷作用时主杆塔上竖向载荷的差值；θ为主杆塔上绝缘子串的倾斜角；T_H为导线上水平方向拉力；l_D1为主杆塔对应的等效档距；q₀为导线自重载荷；

q=q₀+q_wind+q_ice，

式中，q_ice为覆冰载荷，q₀为导线自重载荷，q_wind为风载荷，

q_wind=0.735a(d+2b）v²，

其中，a是风速的不均匀系数，v是设计风速，d是导线的计算直径，b是覆冰厚度；

根据求得的覆冰载荷q_ice，并结合覆冰的密度和导线直径来求解覆冰厚度实际值：

$b=(\sqrt{\frac{{4q}_{\mathrm{ice}}}{9.8{\mathrm{\π\γ}}_0}+d^2}-d)/2,$

其中，γ₀为冰的密度；d为导线的计算等效直径；b为覆冰厚度实际值。

3.根据权利要求1所述的输电线路覆冰突出影响因素分析方法，其特征在于，所述步骤c中覆冰厚度模糊逻辑模型，包括输入量模糊化、数据库、规则库、推理机和输出量反模糊化五部分，通过覆冰厚度模糊逻辑模型得到每个影响因素改变值后的覆冰厚度预测值，具体按照以下步骤实施：将确定的实数输入量转换为模糊量，进行模糊推理，将模糊结论转换为确定实数输出。

Images