10 kV配電網(wǎng)架空絕緣線路舞動(dòng)監(jiān)測(cè)預(yù)警

摘" 要：該文分析當(dāng)前國(guó)內(nèi)的配電網(wǎng)舞動(dòng)情況，總結(jié)國(guó)內(nèi)外常用的架空線路舞動(dòng)機(jī)理，提出基于微氣象預(yù)測(cè)與舞動(dòng)軌跡圖像特征的線路舞動(dòng)分級(jí)預(yù)警與監(jiān)測(cè)方法。在充分考慮微氣象要素相互耦合影響的前提下，研究基于廣義回歸神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)架空線路微氣象預(yù)測(cè)方法；分析粒子群優(yōu)化和向量機(jī)的原理，基于粒子群優(yōu)化的支持向量機(jī)模型，建立基于微氣象實(shí)時(shí)與預(yù)測(cè)數(shù)據(jù)的配電網(wǎng)架空線路舞動(dòng)風(fēng)險(xiǎn)分級(jí)預(yù)警機(jī)制，進(jìn)行預(yù)警計(jì)算，驗(yàn)證模型的可行性。

關(guān)鍵詞：配電網(wǎng)線路；線路舞動(dòng)；監(jiān)測(cè)預(yù)警；氣象預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TM73" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2025）07-0127-06

配電網(wǎng)是電力系統(tǒng)的核心組成部分，涵蓋了110 kV及以下的電壓等級(jí)[1-3]。作為直接連接用戶的電力網(wǎng)絡(luò)，它直接關(guān)系到電能的生產(chǎn)、使用以及實(shí)現(xiàn)“雙碳”目標(biāo)[4]。然而，由于用電量過(guò)大、基礎(chǔ)設(shè)施相對(duì)滯后、管理方式相對(duì)單一以及一些不合理的線路規(guī)劃設(shè)計(jì)，給配電網(wǎng)的運(yùn)維管理帶來(lái)了顯著的不利影響[5-6]。同時(shí)，配電網(wǎng)的架設(shè)環(huán)境復(fù)雜多變，接線方式繁雜多樣，容易受到強(qiáng)風(fēng)、覆冰等惡劣天氣，以及鳥群、樹木傾倒和折斷等意外條件的影響[7]，從而引發(fā)一系列配電網(wǎng)故障，影響其穩(wěn)定可靠的供電。

架空線路舞動(dòng)是導(dǎo)線在外部激勵(lì)作用下發(fā)生的一種低頻、大幅度振動(dòng)現(xiàn)象，其持續(xù)時(shí)間較長(zhǎng)，在導(dǎo)線覆冰和強(qiáng)風(fēng)條件下尤其容易發(fā)生。導(dǎo)線舞動(dòng)容易引發(fā)架空線路故障甚至事故，從而導(dǎo)致巨大的經(jīng)濟(jì)損失[8-10]。我國(guó)是世界上受架空線路舞動(dòng)影響最大的國(guó)家之一，存在一條橫跨黑龍江、湖南、天津等十幾個(gè)?。òㄗ灾螀^(qū)和直轄市）的漫長(zhǎng)舞動(dòng)帶[11]。隨著極端天氣的出現(xiàn)變得越來(lái)越頻繁[12]，架空線路舞動(dòng)發(fā)生的范圍在時(shí)間和空間上都在持續(xù)擴(kuò)大。與此同時(shí)，舞動(dòng)涉及的架空線路電壓等級(jí)越來(lái)越廣泛，各個(gè)電壓等級(jí)的架空線路都可能發(fā)生舞動(dòng)現(xiàn)象。然而，專家學(xué)者對(duì)舞動(dòng)的關(guān)注主要集中在220 kV及以上電壓等級(jí)的輸電線路上，對(duì)配電網(wǎng)線路的關(guān)注相對(duì)較少，尤其是對(duì)電壓等級(jí)較低的配電網(wǎng)線路。

與輸電線路相比，對(duì)于配電網(wǎng)舞動(dòng)領(lǐng)域的研究相對(duì)較為有限，特別是在10 kV配電網(wǎng)架空絕緣導(dǎo)線舞動(dòng)方面的研究更是少見。已有的研究主要集中在對(duì)10 kV架空線路舞動(dòng)故障的統(tǒng)計(jì)以及舞動(dòng)防治方法的概述上，卻缺乏對(duì)10 kV架空線路舞動(dòng)具體而系統(tǒng)的深入研究[13-18]。因此，有必要展開一項(xiàng)系統(tǒng)性的研究，以深入了解10 kV配電網(wǎng)架空線路舞動(dòng)的特性，并發(fā)展相應(yīng)的監(jiān)測(cè)預(yù)警技術(shù)。這樣的研究將為在惡劣天氣條件下10 kV架空線路的安全可靠運(yùn)行提供科學(xué)而全面的基礎(chǔ)參考依據(jù)。

架空線路的舞動(dòng)主要受到3個(gè)方面因素的影響，包括覆冰、風(fēng)激勵(lì)和線路結(jié)構(gòu)參數(shù)。在這些因素中，風(fēng)激勵(lì)是引發(fā)舞動(dòng)的必要條件，而覆冰則是導(dǎo)致舞動(dòng)發(fā)生的重要因素。盡管線路結(jié)構(gòu)參數(shù)對(duì)舞動(dòng)現(xiàn)象有一定影響，但相對(duì)而言其作用較為有限。架空線路在舞動(dòng)時(shí)會(huì)經(jīng)歷水平和垂直方向的運(yùn)動(dòng)，并伴隨扭動(dòng)，該舞動(dòng)在架空線某點(diǎn)的理論軌跡如圖1所示。

目前，有5種舞動(dòng)理論得到了廣泛認(rèn)可，包括垂直舞動(dòng)機(jī)理、扭轉(zhuǎn)舞動(dòng)機(jī)理、偏心慣性耦合舞動(dòng)機(jī)理、低阻尼系統(tǒng)共振機(jī)理和動(dòng)力穩(wěn)定機(jī)理。然而，每種舞動(dòng)機(jī)理都存在一定的局限性，不能完全解釋所有舞動(dòng)現(xiàn)象的發(fā)生情況。

垂直舞動(dòng)機(jī)理，又稱為Den. Hartog機(jī)理，是描述架空線路舞動(dòng)的首個(gè)理論模型。它主要關(guān)注導(dǎo)線在垂直方向上受到的影響，即當(dāng)導(dǎo)線受到的垂直升力大于阻力時(shí)，導(dǎo)線將失去穩(wěn)定性。然而，由于垂直舞動(dòng)機(jī)理的簡(jiǎn)化假設(shè)與實(shí)際情況相去甚遠(yuǎn)，其適用性較有限，僅能解釋部分舞動(dòng)現(xiàn)象。扭轉(zhuǎn)舞動(dòng)機(jī)理，又稱為O. Nigol機(jī)理，是為了解決垂直舞動(dòng)機(jī)理在實(shí)際應(yīng)用中存在適應(yīng)性問題而提出的。該理論認(rèn)為架空線路舞動(dòng)不僅受到垂直因素的影響，更主要是由于自激扭轉(zhuǎn)作用導(dǎo)致。P. Yu通過(guò)研究架空線舞動(dòng)偏心慣性耦合參數(shù)，提出了偏心慣性耦合舞動(dòng)機(jī)理。在考慮垂直和扭轉(zhuǎn)因素的基礎(chǔ)上，引入了水平因素對(duì)架空線舞動(dòng)的影響，認(rèn)為架空線舞動(dòng)主要表現(xiàn)為垂直運(yùn)動(dòng)，同時(shí)包括水平和扭轉(zhuǎn)運(yùn)動(dòng)。低阻尼系統(tǒng)共振機(jī)理認(rèn)為，在架空線正常運(yùn)行時(shí)，總振動(dòng)力f和由振動(dòng)引起的空氣阻力D共同作用。當(dāng)架空線受到的振動(dòng)力效果大于阻力作用時(shí)，架空線將失穩(wěn)舞動(dòng)。動(dòng)力穩(wěn)定機(jī)理綜合考慮了垂直、水平和扭轉(zhuǎn)因素對(duì)架空線舞動(dòng)的耦合作用。上述所有機(jī)理可看作動(dòng)力穩(wěn)定機(jī)理在強(qiáng)調(diào)特定方面時(shí)的簡(jiǎn)化。

架空線路舞動(dòng)預(yù)警主要是通過(guò)計(jì)算機(jī)算法實(shí)現(xiàn)。劉豫等[19]根據(jù)OMP算法設(shè)計(jì)了一種舞動(dòng)監(jiān)測(cè)系統(tǒng)，簡(jiǎn)化了監(jiān)測(cè)單元結(jié)構(gòu)及其數(shù)量，減小了監(jiān)測(cè)系統(tǒng)對(duì)架空線路的力學(xué)影響。王津宇等[20]通過(guò)對(duì)舞動(dòng)關(guān)鍵影響因素的分析，以風(fēng)速、舞動(dòng)持續(xù)時(shí)間等風(fēng)險(xiǎn)系數(shù)來(lái)表征導(dǎo)線舞動(dòng)特性，提出了基于風(fēng)險(xiǎn)系數(shù)的舞動(dòng)預(yù)警方案。李清等[21]關(guān)注舞動(dòng)的發(fā)生原因，綜合考慮氣象條件、風(fēng)速和線路結(jié)構(gòu)參數(shù)等因素，采用灰色聚類分析方法進(jìn)行舞動(dòng)預(yù)警。盧明等[22]以加權(quán)灰色關(guān)聯(lián)投影法來(lái)改進(jìn)隨機(jī)森林算法的數(shù)據(jù)擬合能力，并將導(dǎo)線內(nèi)外部參量作為特征輸入以提高預(yù)測(cè)模型的精確度。

1" 氣象要素相關(guān)性分析

氣象條件對(duì)于架空線路舞動(dòng)起著至關(guān)重要的作用，其中覆冰和風(fēng)載荷是舞動(dòng)發(fā)生的主要條件。風(fēng)載荷包括風(fēng)向和風(fēng)速，而溫度、濕度及風(fēng)載荷等因素都對(duì)導(dǎo)線覆冰產(chǎn)生重要影響。因此，對(duì)架空線路氣象條件進(jìn)行準(zhǔn)確預(yù)測(cè)，及時(shí)發(fā)出對(duì)不利氣象條件的預(yù)警，對(duì)于有效預(yù)防10 kV配電網(wǎng)架空線路舞動(dòng)具有重要意義。

利用Copula理論對(duì)氣壓、風(fēng)速、風(fēng)向、溫度和濕度之間的關(guān)系進(jìn)行分析。Copula函數(shù)作為一種工具，可用來(lái)探究變量間的相關(guān)性，它幾乎包含了所有變量間的關(guān)聯(lián)信息。在處理非線性等復(fù)雜問題時(shí)，Copula函數(shù)對(duì)于研究變量之間的相關(guān)關(guān)系有著重要的作用。

對(duì)氣壓、風(fēng)速、風(fēng)向、溫度和濕度之間進(jìn)行相關(guān)性分析，Spearman秩相關(guān)系數(shù)？籽的計(jì)算結(jié)果見表1。？籽的絕對(duì)值越大，則表示相關(guān)性越強(qiáng)?？梢园l(fā)現(xiàn)，氣壓與風(fēng)速之間的相關(guān)性最小，僅為-0.012 0，但是風(fēng)速與濕度的相關(guān)性達(dá)到-0.428 6，而氣壓與濕度之間的相關(guān)性達(dá)到-0.580 9，因此，對(duì)風(fēng)速的預(yù)測(cè)仍然不能忽略氣壓的影響。結(jié)果表明，氣壓、風(fēng)速、風(fēng)向、溫度與濕度之間存在復(fù)雜的相關(guān)關(guān)系，只有綜合考慮各氣象要素的相互影響，才能更加準(zhǔn)確地對(duì)配電網(wǎng)線路的氣象因素進(jìn)行預(yù)測(cè)。

2" 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)線路氣象預(yù)測(cè)

廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，簡(jiǎn)稱GRNN）是一種基于神經(jīng)網(wǎng)絡(luò)的回歸模型，它的基本結(jié)構(gòu)包括4層：輸入層、模式層、求和層和輸出層，其具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。每個(gè)輸入樣本通過(guò)輸入層傳遞到模式層，然后到求和層，最終得到輸出。輸入層負(fù)責(zé)接收輸入特征，每個(gè)輸入神經(jīng)元對(duì)應(yīng)輸入樣本的一個(gè)特征。這些特征通過(guò)權(quán)重與對(duì)應(yīng)的輸入神經(jīng)元連接，形成輸入向量。模式層存儲(chǔ)了訓(xùn)練數(shù)據(jù)的模式，每個(gè)模式對(duì)應(yīng)一個(gè)訓(xùn)練樣本。模式層中的神經(jīng)元通過(guò)高斯徑向基函數(shù)（Radial Basis Function，簡(jiǎn)稱RBF）表示，用于衡量輸入樣本與模式之間的相似性。求和層的每個(gè)神經(jīng)元與模式層的相應(yīng)神經(jīng)元相連接。在這一層中，神經(jīng)元之間進(jìn)行競(jìng)爭(zhēng)，選擇與輸入樣本相似性最高的模式。這一層的作用是確定輸入樣本與哪個(gè)模式最為匹配。輸出層的神經(jīng)元對(duì)應(yīng)于每個(gè)訓(xùn)練樣本的輸出值。通過(guò)對(duì)求和層中選中的模式進(jìn)行加權(quán)平均，輸出層生成最終的回歸輸出。權(quán)重是根據(jù)輸入樣本與選中模式的相似性確定的。

GRNN在處理非線性關(guān)系時(shí)表現(xiàn)優(yōu)異。由于其基于徑向基函數(shù)的設(shè)計(jì)，可以靈活地適應(yīng)各種非線性模式，使其在復(fù)雜的實(shí)際問題中能夠更準(zhǔn)確地建模。GRNN對(duì)于噪聲和不完整數(shù)據(jù)具有較好的魯棒性。在實(shí)際應(yīng)用中，數(shù)據(jù)往往受到噪聲的干擾或存在缺失值，而GRNN能夠通過(guò)學(xué)習(xí)數(shù)據(jù)的整體模式，對(duì)這些干擾和不完整性具有一定的容忍性。GRNN具備較好的適應(yīng)性，不需要對(duì)數(shù)據(jù)的分布進(jìn)行先驗(yàn)假設(shè)。相比一些傳統(tǒng)的回歸方法，GRNN能夠更靈活地適應(yīng)不同數(shù)據(jù)特征的分布，因此在實(shí)際應(yīng)用中更為通用。GRNN的訓(xùn)練過(guò)程相對(duì)簡(jiǎn)單，不需要復(fù)雜的迭代調(diào)整，而是通過(guò)確定徑向基函數(shù)的寬度和計(jì)算相應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)。這使得訓(xùn)練過(guò)程更為高效，尤其對(duì)于中小規(guī)模的數(shù)據(jù)集，訓(xùn)練時(shí)間相對(duì)較短。

輸入層即為網(wǎng)絡(luò)的輸入，為X=[x1，x2，…，xn]，其中n表示輸入元素的個(gè)數(shù)，也稱為維數(shù)。

模式層神經(jīng)元的個(gè)數(shù)與輸入層相同，pi為模式層神經(jīng)元的傳遞函數(shù)，其計(jì)算公式為

式中：Xi為第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本，？啄為平滑參數(shù)。

模式層的輸出即為輸入X與其對(duì)應(yīng)的Xi之間的Euclid距離平方的指數(shù)形式，Euclid距離平方的計(jì)算公式為

求和層使用2種傳遞函數(shù)對(duì)模式層的輸出進(jìn)行算術(shù)求和，分別為SD和SNj，其中，傳遞函數(shù)SD對(duì)所有模式神經(jīng)元的輸出進(jìn)行算術(shù)求和，其模式層與各神經(jīng)元的連接權(quán)值為1，SD的計(jì)算公式為

另一類傳遞函數(shù)SNj對(duì)所有模式層的輸出進(jìn)行加權(quán)求和，即將模式層第i個(gè)神經(jīng)元的輸出與求和層第j個(gè)元素求和，其連接權(quán)值為網(wǎng)絡(luò)輸出Y中的第j個(gè)元素，SNj的計(jì)算公式為

輸出層即為網(wǎng)絡(luò)輸出的預(yù)測(cè)結(jié)果，為Y=[y1，y2，…，yn]，其中n表示輸出元素的個(gè)數(shù)，也稱為維數(shù)。輸出元素的計(jì)算公式為

圖3展示了實(shí)測(cè)氣壓、風(fēng)向、風(fēng)速、溫度和濕度與預(yù)測(cè)值的對(duì)比情況。整體來(lái)看，除了少數(shù)樣本點(diǎn)出現(xiàn)較大預(yù)測(cè)誤差外，大多數(shù)情況下預(yù)測(cè)效果良好，驗(yàn)證了基于GRNN的氣象預(yù)測(cè)模型的可行性。這表明，通過(guò)對(duì)配電網(wǎng)線路的氣象條件進(jìn)行預(yù)測(cè)，可以提前了解可能出現(xiàn)易覆冰和易受風(fēng)舞影響的氣象條件，進(jìn)而及時(shí)發(fā)布預(yù)警信息。

3" 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)線路氣象預(yù)測(cè)

3.1" PSO算法基本原理

PSO模擬了鳥群或魚群中個(gè)體之間的社會(huì)行為和信息共享。在PSO中，解空間中的潛在解被稱為“粒子”，每個(gè)粒子表示問題的一個(gè)潛在解決方案。這些粒子在解空間中搜索最優(yōu)解的過(guò)程中相互協(xié)作。每個(gè)粒子都有一個(gè)位置和速度，位置表示當(dāng)前解，速度表示在解空間中的搜索方向和速率。PSO的核心思想是通過(guò)模擬個(gè)體之間的社會(huì)行為和信息傳遞來(lái)引導(dǎo)粒子向全局最優(yōu)解迭代。在PSO中，每個(gè)粒子的速度和位置的更新受到2個(gè)重要因素的影響：個(gè)體最優(yōu)解和全局最優(yōu)解。每個(gè)粒子會(huì)記住自己曾經(jīng)找到的最優(yōu)解（個(gè)體最優(yōu)解），同時(shí)也會(huì)考慮整個(gè)群體找到的最優(yōu)解（全局最優(yōu)解）。

3.2" SVM算法基本原理

支持向量機(jī)（Support Vector Machine，SVM）是一種監(jiān)督學(xué)習(xí)算法，主要用于分類和回歸任務(wù)。其基本原理是通過(guò)找到一個(gè)最大間隔的超平面來(lái)有效地分離不同類別的數(shù)據(jù)點(diǎn)。具體而言，SVM的目標(biāo)是最大化分類邊界兩側(cè)的間隔，即支持向量到?jīng)Q策邊界的距離。

SVM的決策邊界是一個(gè)超平面，在二維空間中是一條直線，而在高維空間中是一個(gè)超平面。這個(gè)決策邊界被選定為使得支持向量到邊界的距離最大化，這些支持向量是離超平面最近的數(shù)據(jù)點(diǎn)。

為了處理非線性分類問題，SVM引入了核函數(shù)的概念，允許將數(shù)據(jù)映射到高維空間，使得在高維空間中的數(shù)據(jù)更容易分開。算法的訓(xùn)練過(guò)程可以被看作是一個(gè)凸優(yōu)化問題，通過(guò)最小化正則化后的損失函數(shù)來(lái)實(shí)現(xiàn)。

SVM的優(yōu)化問題可以通過(guò)對(duì)偶問題的形式求解，這有助于處理高維數(shù)據(jù)。在處理線性不可分的情況時(shí)，SVM引入了松弛變量，允許一些數(shù)據(jù)點(diǎn)位于錯(cuò)誤的一側(cè)，同時(shí)通過(guò)優(yōu)化目標(biāo)中的松弛變量權(quán)重來(lái)平衡分類邊界和誤分類點(diǎn)。

此外，SVM可以擴(kuò)展到多類別分類問題，通過(guò)一對(duì)一或一對(duì)其他的策略來(lái)實(shí)現(xiàn)。在數(shù)學(xué)上，SVM涉及線性代數(shù)、凸優(yōu)化和拉格朗日對(duì)偶性等理論?？傮w而言，SVM以最大化間隔為目標(biāo)，在高維空間中構(gòu)建能夠有效分類樣本的決策邊界，具有強(qiáng)大的泛化性能，因此在分類和回歸任務(wù)中得到廣泛應(yīng)用。

3.3" 基于PSO-SVM的架空線路舞動(dòng)預(yù)警

圖4展示了基于粒子群算法優(yōu)化的支持向量機(jī)（PSO-SVM）的架空線路舞動(dòng)預(yù)警模型的計(jì)算流程。通過(guò)利用粒子群算法的強(qiáng)大優(yōu)化能力，獲取支持向量機(jī)模型的最優(yōu)參數(shù)，建立了最優(yōu)的支持向量機(jī)分類模型。這個(gè)模型旨在對(duì)架空線路的舞動(dòng)風(fēng)險(xiǎn)進(jìn)行分級(jí)預(yù)警。

相對(duì)于高電壓輸電線路，10 kV架空線路舞動(dòng)數(shù)據(jù)的收集較為有限。為了確保有足夠的數(shù)據(jù)進(jìn)行訓(xùn)練和分析，在有限的數(shù)據(jù)基礎(chǔ)上引入了隨機(jī)擾動(dòng)，以擴(kuò)充數(shù)據(jù)量。將風(fēng)速、風(fēng)向、溫度和濕度作為架空線路舞動(dòng)預(yù)警的特征，根據(jù)不同電壓等級(jí)架空線路的舞動(dòng)發(fā)生情況，將10 kV架空線路的舞動(dòng)風(fēng)險(xiǎn)劃分為5個(gè)預(yù)警級(jí)別。這包括零級(jí)預(yù)警（無(wú)舞動(dòng)風(fēng)險(xiǎn)）、一級(jí)預(yù)警（無(wú)冰舞動(dòng)風(fēng)險(xiǎn)）、二級(jí)預(yù)警（輕微覆冰舞動(dòng)風(fēng)險(xiǎn)）、三級(jí)預(yù)警（中度覆冰舞動(dòng)風(fēng)險(xiǎn)）和四級(jí)預(yù)警（嚴(yán)重覆冰舞動(dòng)風(fēng)險(xiǎn)）。預(yù)警級(jí)別的具體劃分規(guī)則詳見表2。鑒于10 kV架空線路的簡(jiǎn)單結(jié)構(gòu)，并且前端風(fēng)向傳感器已按線路走向設(shè)置為參考方向，在考慮舞動(dòng)風(fēng)險(xiǎn)時(shí)忽略了線路走向和結(jié)構(gòu)的影響。

舞動(dòng)預(yù)警問題本質(zhì)上是一個(gè)非時(shí)間序列的分類任務(wù)，數(shù)據(jù)的排列順序?qū)τ?xùn)練效果沒有顯著影響。首先，通過(guò)人工標(biāo)定對(duì)數(shù)據(jù)進(jìn)行分級(jí)；其次，將550個(gè)數(shù)據(jù)組成1組，形成了15組相同結(jié)構(gòu)的數(shù)據(jù)。隨后，對(duì)模型進(jìn)行預(yù)訓(xùn)練，根據(jù)預(yù)訓(xùn)練結(jié)果選擇了8組數(shù)據(jù)作為訓(xùn)練集，并采用徑向基函數(shù)作為SVM核函數(shù)，這樣可以得到最佳結(jié)果。接著，將剩余的7組數(shù)據(jù)分別作為測(cè)試集，評(píng)估模型的效果。圖5展示了7組數(shù)據(jù)的實(shí)際風(fēng)險(xiǎn)等級(jí)與模型計(jì)算的風(fēng)險(xiǎn)等級(jí)的對(duì)比。觀察結(jié)果顯示，對(duì)于大多數(shù)數(shù)據(jù)，提出的分級(jí)預(yù)警模型能夠準(zhǔn)確地進(jìn)行分類識(shí)別。分類錯(cuò)誤的樣本點(diǎn)分布呈現(xiàn)隨機(jī)性，即在任何風(fēng)險(xiǎn)等級(jí)下都可能出現(xiàn)分類錯(cuò)誤的情況。然而，相對(duì)于其他等級(jí)的預(yù)警分類，四級(jí)預(yù)警和二級(jí)預(yù)警的分類準(zhǔn)確率更高。

在實(shí)際運(yùn)維過(guò)程中，如果預(yù)警等級(jí)高于實(shí)際風(fēng)險(xiǎn)等級(jí)，盡管可能引起超過(guò)正常水平的關(guān)注，但并不會(huì)對(duì)架空線路的安全穩(wěn)定運(yùn)行產(chǎn)生實(shí)質(zhì)影響。只有在預(yù)警等級(jí)低于實(shí)際風(fēng)險(xiǎn)等級(jí)時(shí)，由于缺乏足夠的關(guān)注，才可能影響架空線路的正常運(yùn)行。因此，對(duì)基于PSO-SVM的架空線路舞動(dòng)分級(jí)預(yù)警模型進(jìn)行定量評(píng)估時(shí)，我們提出了準(zhǔn)確率、誤報(bào)率、錯(cuò)報(bào)率和漏報(bào)率4個(gè)指標(biāo)。這些指標(biāo)的含義見表3。

分別對(duì)7組測(cè)試數(shù)據(jù)的準(zhǔn)確率、誤報(bào)率、錯(cuò)報(bào)率和漏報(bào)率進(jìn)行計(jì)算，具體結(jié)果見表4。模型的平均準(zhǔn)確率為95.74%，平均誤報(bào)率為2.34%，平均錯(cuò)報(bào)率為0.94%，平均漏報(bào)率為0.98%。準(zhǔn)確的預(yù)警和適度的誤報(bào)對(duì)于保持架空線路的正常運(yùn)行有利，即為有效的預(yù)警；錯(cuò)報(bào)仍然會(huì)引起工作人員的注意；只有漏報(bào)才可能導(dǎo)致風(fēng)險(xiǎn)未能及時(shí)發(fā)現(xiàn)，從而影響架空線路的安全穩(wěn)定運(yùn)行?；赑SO-SVM的架空線路舞動(dòng)分級(jí)預(yù)警模型的平均漏報(bào)率不到1%，有效預(yù)警率大于98%，預(yù)警率大于99%。這些數(shù)據(jù)表明基于PSO-SVM的架空線路舞動(dòng)分級(jí)預(yù)警在可行性和有效性方面表現(xiàn)出色。

4" 結(jié)論

本文提出了一種基于氣象預(yù)測(cè)的配電網(wǎng)線路舞動(dòng)預(yù)警方法。首先，使用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）對(duì)配電網(wǎng)架空線路的氣象因素（包括風(fēng)速、風(fēng)向、溫度、濕度和氣壓）進(jìn)行預(yù)測(cè)；接著，通過(guò)建立舞動(dòng)氣象特征與舞動(dòng)風(fēng)險(xiǎn)預(yù)警級(jí)別的關(guān)系模型，將線路的舞動(dòng)風(fēng)險(xiǎn)劃分為5個(gè)級(jí)別進(jìn)行預(yù)警；最后，結(jié)合實(shí)時(shí)監(jiān)測(cè)的氣象信息和氣象因素的預(yù)測(cè)結(jié)果，對(duì)導(dǎo)線的舞動(dòng)風(fēng)險(xiǎn)等級(jí)進(jìn)行實(shí)時(shí)預(yù)警，以有效地應(yīng)對(duì)配電網(wǎng)架空線路的舞動(dòng)情況。

參考文獻(xiàn)：

[1] 李林川．電力系統(tǒng)基礎(chǔ)[M]．北京：科學(xué)出版社，2009．

[2] 胡剛．配電網(wǎng)建設(shè)實(shí)用技術(shù)問答[M]．北京：電子工業(yè)出版社，2012．

[3] 滕云．電力系統(tǒng)分析基礎(chǔ)[M]．北京：科學(xué)出版社，2017．

[4] 王果，郭文凱，王長(zhǎng)春．配電網(wǎng)拓?fù)浔孀R(shí)研究綜述及展望[J]．吉林大學(xué)學(xué)報(bào)（工學(xué)版），2023，53（2）：312-327．

[5] 陳魏．電力配網(wǎng)技術(shù)的改造及網(wǎng)絡(luò)優(yōu)化[J]．電子元器件與信息技術(shù)，2021，5（6）：93-94．

[6] 黃志鋒．分析電力配網(wǎng)運(yùn)維管理的現(xiàn)狀及相關(guān)建議[J]．中小企業(yè)管理與科技（中旬刊），2020（8）：25-26．

[7] 祖國(guó)強(qiáng)，鄭悅，姚瑛，等．強(qiáng)風(fēng)覆冰環(huán)境下10 kV架空線路舞動(dòng)特性[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2022，34（8）：87-92．

[8] 夏令志，程洋，嚴(yán)波，等．2018年1月安徽電網(wǎng)輸電線路覆冰舞動(dòng)故障規(guī)律分析[J]．安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2019，24（1）：73-77．

[9] LI L， LI Y， DI Y， et al. Distribution characteristics of transmission line galloping events and the analysis of key meteorological factors[J]. 2019 IEEE 3rd Conference on Energy Internet and Energy System Integration（EI2）， 2019：2360-2363.

[10] WU D， YANG S， TAO L， et al. Full-scale reconstruction for transmission line galloping curves based on attitudes sensors[J]. Mathematical Problems in Engineering， 2018：1095842.

[11] 萬(wàn)啟發(fā)．輸電線路舞動(dòng)防治技術(shù)[M]．北京：中國(guó)電力出版社，2016．

[12] 宋連春．中國(guó)氣候變化藍(lán)皮書2021[M]．北京：科學(xué)出版社，2021．

[13] 李東，尤松華．架空配電線路舞動(dòng)原因及防治措施[J]．農(nóng)村電工，2016，24（7）：29-30．

[14] 東士義．10 kV線路事故防范研究[J]．科技風(fēng)，2016（14）：13．

[15] 孟海峰.東營(yíng)地區(qū)電網(wǎng)供電可靠性的研究[D]．濟(jì)南：山東大學(xué)，2016．

[16] 李雷．10 kV配網(wǎng)架空線路維護(hù)和檢修的分析[J]．科技資訊，2018，16（33）：44，46．

[17] 趙洪存．10 kV配電架空線路舞動(dòng)原因分析及預(yù)控措施研究[J]．通訊世界，2016（21）：181-182．

[18] 弭寶勝，程亮，張向前．架空配電線路舞動(dòng)原因分析[J]．電子制作，2017（2）：66，68．

[19] 劉豫，劉佳鑫，賈云飛，等．基于OMP算法的舞動(dòng)監(jiān)測(cè)系統(tǒng)[J]．測(cè)試技術(shù)學(xué)報(bào)，2019，33（6）：524-528．

[20] 王津宇，李哲，劉善峰，等．基于風(fēng)險(xiǎn)系數(shù)的輸電線路覆冰舞動(dòng)預(yù)警方法[J]．高壓電器，2019，55（9）：194-199．

[21] 李清，楊曉輝，劉振聲，等．基于灰色聚類分析的輸電線路舞動(dòng)分級(jí)預(yù)警方案[J]．電測(cè)與儀表，2020，57（17）：45-51．

[22] 盧明，趙書杰，劉振聲，等．基于灰色投影優(yōu)化隨機(jī)森林算法的輸電線路舞動(dòng)預(yù)警方法[J]．電測(cè)與儀表，2020，57（9）：45-51，57．

Abstract： This paper analyzes the current domestic distribution network galloping situation， summarizes the commonly used galloping mechanisms of overhead lines at home and abroad， and proposes a hierarchical warning and monitoring method for line galloping based on micro-weather prediction and galloping trajectory image characteristics. Under the premise of fully considering the mutual coupling influence of micro-meteorological elements， a micro-meteorological prediction method for overhead lines in distribution networks based on generalized regression neural networks is studied; the principles of particle swarm optimization and vector machines are analyzed， and a support vector machine model based on particle swarm optimization is established. Based on micro-meteorological real-time and forecast data， a hierarchical warning mechanism for overhead lines in distribution networks is established， and early warning calculations are carried out to verify the feasibility of the model.

第一作者簡(jiǎn)介：辛忠良（1970-），男，碩士，正高級(jí)工程師。研究方向?yàn)殡姎夤こ碳捌渥詣?dòng)化。