大风地区支柱类设备风振响应研究综述

大风地区支柱类设备大幅风振引起的隔离开关开合困难及疲劳损伤、断裂问题,是目前亟需解决的一种影响变电站(换流站)安全稳定运行的灾害形式。文中根据不同支柱类设备风振破坏特征对变电站风振引起的灾害事故进行了分类。按照支柱类设备仿真分析、支柱类设备设计施工两方面阐述了国内外研究的现状,对比了结构整体的分析研究,分析了从静力角度对变电站支柱类设备模型进行计算的不足之处,指出了目前对支柱类开关设备的风振响应动力分析与测试研究存在的问题;并对大风区支柱类设备大幅风振引起的隔离开关开合困难及疲劳损伤、断裂问题的未来研究方向进行了展望。     

±500 kV德宝线大档距线路段防振方案试验研究

受冷空气过程影响,四川北部地区时常出现突发性降温及大风天气,导致架空导线微风振动动弯应变接近常规线路段安全阈值(200με),超过大跨越线路段安全阈值(120με)的情况频繁发生;现有导线端部位置及常规防振锤长时间处于高强度工作状态,严重威胁四川电网运行安全。针对此问题,文中以1437 m档距的±500 kV德宝线424号至425号塔线路段为例,依照现有大跨越线路段防振设计标准,开展了防振设计效果评估试验优化研究,给出了更适用于川北大风区大档距线路段的防振设计形式。推荐的防振设计方案是在室内试验档上经过模拟试验、分析和优选后得到,满足防振相关技术要求,可最大程度降低输电线路大档距线路段出现致命缺陷的风险,确保区域电网长期安全稳定运行。     

基于Bagging算法构造强分类器的one class SVM导线舞动预测应用

考虑到传统物理分析方法无法解决导线舞动的预测问题,综合运用机器学习算法,对已有的舞动历史数据进行筛选和预处理,并挖掘有效信息,利用one class SVM算法解决舞动数据中负样本缺失问题,采用集成学习算法中Bagging算法建立分类器学习方法,实现了数据的随机抽样,分成不同组数据集进行相互独立的训练,避免对舞动数据过拟合,提升机器学习算法的抗噪声能力以及泛化能力,采用k折交叉验证算法进行模型的验证,并利用F1-score描述导线舞动预警模型的性能,验证了该方法在舞动预测方面的有效性。     

基于星地融合的输电线路覆冰预警优化方法研究

输电线路覆冰预测对保障电网安全具有重要意义,随着气象条件日趋复杂,为了提升输电线路覆冰预测的准确性和及时性,依托现有的覆冰预测模型,提出了一种基于卫星气象和地面气象站点数据的星地融合气象要素反演方法。对覆冰预测模型中核心气象输入参数(如温度、降水、风速)预报精度进行优化提升,进而提高复杂气象条件下输电线路覆冰预警精度。以浙江某输电线路为实验区,实验结果表明文中方法对温度和降水的预报效果提升较为明显,提前72 h输电线路覆冰预报的准确度相对于24 h预报准确度没有明显的下降,对于24 h~72 h的覆冰预测预警有较好的指导意义。     

基于GA-BP神经网络算法的输电线路舞动预警方法

针对传统BP神经网络初始权值和阈值随机产生、易陷于局部最优化、收敛速度慢以及隐含层的神经元数量不易确定等问题,采用遗传算法对BP神经网络的初始权值和阈值空间进行遗传优化,获取最优权值矩阵和阈值矩阵,并由此进行误差反向前馈神经网络的训练学习,同时采用试错法,结合相关公式,缩小隐含层神经元数量范围,寻找最优神经元数量,建立GA-BP神经网络模型,对输电线路舞动的发生进行预警。通过对相关地区输电线路舞动历史数据进行了算例分析,对比其他机器学习算法的预测结果准确性,结果表明：改进的GA-BP神经网络能更准确有效地预测输电线路舞动的发生情况;为防止大规模舞动灾害提供有力了保障,进一步提高了电网抵御自然灾害的能力。     

基于GA-BP神经网络算法的输电线路舞动预警方法

针对传统BP神经网络初始权值和阈值随机产生、易陷于局部最优化、收敛速度慢以及隐含层的神经元数量不易确定等问题,采用遗传算法对BP神经网络的初始权值和阈值空间进行遗传优化,获取最优权值矩阵和阈值矩阵,并由此进行误差反向前馈神经网络的训练学习,同时采用试错法,结合相关公式,缩小隐含层神经元数量范围,寻找最优神经元数量,建立GA-BP神经网络模型,对输电线路舞动的发生进行预警。通过对相关地区输电线路舞动历史数据进行了算例分析,对比其他机器学习算法的预测结果准确性,结果表明：改进的GA-BP神经网络能更准确有效地预测输电线路舞动的发生情况;为防止大规模舞动灾害提供有力了保障,进一步提高了电网抵御自然灾害的能力。