1) 降水覆冰(precipitation icing)。空氣中的凍雨或雪花降落到表面在0益左右的導線上形成覆冰或覆雪。這種過冷卻水的過冷度與曲率半徑有關, 曲率半徑小的大水滴其過冷卻度小, 曲率半徑大的小水滴, 其過冷卻度大。過冷卻水與導線接觸會發生凍結, 在凍結過程中水滴緩慢釋放熱量造成導線表面出現水膜, 故常產生雨凇。

2) 云中覆冰(in-cloud icing)。高海拔地區的過冷卻云霧與導線接觸凍結成冰, 稱為云中覆冰。云中覆冰產生原因主要取決于氣象參數, 這是云中覆冰的特點, 因霧尺寸較小, 釋放熱量速度較快, 不會在表面形成水層, 所以多為霧凇。

3) 升華覆冰(sublimation)。水蒸氣因冷空氣直接在物體表面凍結產生的霜, 也稱為晶狀霧凇。但其一般不會發展很大, 附著力小, 不會對線路產生太大影響。

冰災是電力系統嚴重的威脅之一, 當嚴重的冰災持續來襲時, 輸電線路難免會出現覆冰。輸電線路上的覆冰使輸電線變粗, 增加了輸電線的重量; 對于長距高壓輸電線來說, 每個跨度的輸電線都是由鐵塔支撐, 這樣覆冰加增加了鐵塔的負重, 當負重達到一定的限度, 輕則發生冰閃,重則造成倒塔(桿)、斷線, 甚至致使電網癱瘓。輸電線路覆冰對于電網的安全運行來說是一個非常危險的自然災害, 所以急待研究解決。

導線覆冰主要有6 種影響因素, 其分別為:

1) 氣象因素, 氣象因素是導線覆冰產生最重要的因素。因導線覆冰受到的氣候影響因素較多,在一般情況下, -5 ~ 0℃時, 造成的覆冰危害最大。溫度較低時, 過冷卻水轉化為雪花, 無法造成線路覆冰, 而溫度較高時也不可能產生覆冰。正因為如此, 在冬季溫度較低的華北地區反而沒南方和西南地區的導線覆冰嚴重。同樣, 風速對導線覆冰的產生也有很大的影響, 其中最主要的是在風速處于3 ~ 6 m/ s 時, 覆冰增長速度最快,風速超過或降低都會影響其增長速度, 同時風向對覆冰的影響也很大, 比如在風向-導線夾角在45°~150°時, 造成的結果最為嚴重。

2) 季節因素, 通過統計得知每年覆冰多發生多在11 月到次年3 月之間。

3) 地理因素, 在風較大, 濕度較大, 同時地形突出的地形比其他地形產生的覆冰更嚴重。

4) 海拔因素, 在高海拔地區往往比低海拔地區造成的結果要嚴重。

5) 線路因素, 在覆冰的研究中, 因導線走向問題, 線路也成為了一個重要因素, 其最主要的原因還是氣象因素中的風速影響, 當導線-風速夾角=90°時, 增長最快, 結果最嚴重。

6) 導線本身因素, 導線的電場會影響空氣中的水, 使其向導線移動, 若其他因素合適就會在導線上產生覆冰。

輸電線路覆冰厚度預測基于PNN 網絡的覆冰檢測實現

神經網絡是運用樣本學習, 在輸入和輸出結點建立非線形映射關系。它可以模擬復雜的因果關系,也可以不反映輸入與輸出之間的實際邏輯關系或因果關系, 而只是對其數量與結構關系的一種模擬。實際上, 這種映射是把系統視為整體, 把其運行狀態作為一種模式來看待的, 用樣本對人工神經網絡的訓練也是一種模擬人的模式思維的訓練。

1、神經網絡工具箱函數

通常使用神經網絡都是直接使用Matlab 提供的神經網絡工具箱提供的模型, 這個工具箱幾乎涵蓋了常用的神經網絡模型; 同時支持拓展功能,可以使用其他非常規神經網絡工具箱進行擴充。對于多種模型, 工具還提供了各類學習算法, 為用戶節省了很多時間。Matlab 工具箱中基本涵括了用于神經網絡分析與設計需要使用的函數。

2、建立模型

在所有的神經網絡建模中, 必須選取最有代表性, 最能反映問題的特征的特征量。如果選取的特征量不能做到盡量詳細的描述問題的特征或沒有足夠的信息, 那么網絡得出的診斷結論會受到很大影響。在這個模型中數據采集自中國氣象科學數據共享網 , 導線覆冰天氣多出于氣溫-5~3℃、相對濕度≥80%、風速0 ~ 4.5 m/ s 的情況下, 以此條件篩選數據, 最終獲得123 組數據

3、程序實現（如圖1）

輸電線路覆冰厚度預測基于GRNN 網絡的覆冰檢測實現

1、GRNN 網絡簡述

廣義回歸神經網絡(generalized regression neural network) 是1991 年美國人Donald Specht 提出的。GRNN 是一種徑向基( RBF) 神經網絡, 是基于人腦的神經元細胞對外界反映的局部性而提出的, 是一種新穎而有效的前饋式神經網絡, 它不僅具有全局逼近性質, 而且具有最佳逼近性質，如圖2。GRNN 的結構由四層構成, 其結構接近于RBF 網絡。

GRNN 在學習上仍然使用的是BP 網絡的算法具有優秀的逼近性, 在學習速度上優于RBF 網絡。只需要調節網絡的spread 值。網絡的學習全部依賴數據樣本, 這個特點決定了網絡可以最大限度地避免主觀假定對預測結果的影響。

2、數據歸一化處理

Sigmoid 函數廣泛應用于前饋型升級網絡。在函數中輸入量過大或者過小, 都會造成輸出結果進入函數飽和區間。為了使樣本獲得最好的效果, 我們必須對樣本數據進行歸一化處理。需要將獲得的樣本數據需歸一化在[-1, 1]之間。Matlab 提供了多種方法對數據進行歸一化處理。

3、程序實現（如圖3）

選擇FNN 網絡和GRNN 網絡為討論對象, 最終得到結論:

1) 基于PNN 神經網絡和GRNN 神經網絡理論, 在matlab 平臺上的預測結果表明兩個網絡都能實現預測需要, 但是GRNN 網絡在小樣本情況下的精確性更高。

2) PNN 網絡相對于BP 網絡的優勢是快速,高效, 易調節, 可隨時加入新的樣本進行網絡學習, 但是因樣本過小的緣故, 誤差較大。

3) 相比BP 網絡的復雜參數簡單, 穩定很多,而且小樣本時也可以達到不錯的精確度, 同時GRNN 網絡的spread 的值還可以通過程序完成循環計算。

4) 在復雜情況的預測時, 只有小樣本的情況下GRNN 網絡更加適合進行預測; 但擁有大樣本的時候PNN 網絡的精確性會得到提高。

5) 因覆冰模型理論的成熟度不夠, 所以還具有很大的局限性, 還待后續理論的研究獲得一個統一的線路覆冰模型, 以提高精度和可靠性。 2100433B

厚度控制系統為提高厚度的控制精度，可采取提前檢測來料情況和調整輥縫。例如，在前一架軋機出口處就對將送入本架軋機的帶鋼的厚度偏差提前進行檢測。并據此在經過適當的時間延遲后，在帶鋼進入本架軋機以前調整輥縫值來消除前一架軌機所造成的厚度偏差。這種控制方式稱為厚度的前饋控制。圖2為厚度前饋控制系統的組成。前饋偏差信號Δ和軋輥位移的校正值Δ以頭部鎖定值為基準計算而得。當計算軋機有控制信號時,還需要考慮軋輥的實際位置與頭部鎖定位置之差。軋輥的位置信號Δ引入前饋控制器中。前饋控制器實際上是一臺計算機。在軋制過程中，生產過程的許多參數實際上是變化的，只靠前饋控制并不能消除由于參數變化造成的厚度偏差。通常采用前饋與反饋的復合控制來提高精度。

厚度控制系統圖1為厚度反饋控制系統的組成。為實現厚度控制，需要事先設置厚度的給定值（鎖定值），將檢測的厚度值與給定值比較，得到厚度偏差。控制器根據偏差信號給出相應的操縱信號控制軋機，使出口處鋼材的厚度等于給定值。根據厚度檢測方式的不同，厚度反饋控制系統可有不同的方案，主要有直接檢測和間接檢測兩種方式。

①厚度直接檢測　測厚儀安裝在軋機的后側直接檢測出口處鋼材的厚度。在這種方案中,由于測厚儀與軋機之間相隔一定距離，厚度偏差需要延遲一定時間才能檢測出來。這相當于在系統中增加了一個滯后環節（見時滯系統），因而系統不易穩定。而為保證系統穩定性，開環放大倍數就受到限制，又會影響系統的快速性。

②厚度間接檢測　根據軋機的彈性變形、軋制力的大小和測得的軋輥輥縫寬度，計算出鋼材的厚度。由于軋輥偏心、軋輥磨損、熱膨脹和軋機的彈性變形系數不為常值等原因，厚度間接檢測方法的精度不高。但這種方式能及時獲得偏差信號，加之方法簡單和便于維修，所以在厚度控制系統中仍被廣泛采用。在實際生產中，常把每架軋機軋出帶鋼頭部的厚度作為該架軋機在設定條件下厚度的給定值?？刂破魍ǔＪ且慌_數字電子計算機。在反饋型厚度自動控制系統中，只有在偏差出現后控制器才能起作用，因此存在厚度的動態誤差。生產機械的慣性和調整輥縫的延遲，也會造成控制精度不高、厚度不均勻的情況。