类型b

这篇论文由Hui Hou、Yan Wang、Xiaolu Bai、Jianshuang Lv、Rongjian Cui、Lin Zhang、Shilong Li和Zhengmao Li共同撰写，作者分别来自武汉理工大学自动化学院、中国电力工程顾问集团中南电力设计院有限公司、国网重庆市电力公司电力科学研究院、国网四川省电力公司电力科学研究院以及芬兰阿尔托大学电气工程与自动化系。该研究发表于2024年在《Energy Conversion and Economics》期刊上。

本文的主题是对架空输电线路覆冰增长建模的现状及未来方向进行综述。随着气候变化的影响加剧，覆冰灾害对架空输电线路（OTLs）的威胁日益严重。为了应对这一问题，本研究回顾了两类主要的覆冰增长建模方法：物理驱动模型（PDMs）和数据驱动模型（DDMs），并探讨了它们的当前进展和未来发展方向。

主要观点一：物理驱动模型（PDMs）的机制及其挑战

物理驱动模型基于热力学和流体力学原理，通过数学方程模拟覆冰过程。从热力学角度来看，覆冰过程受到热量交换和传递的影响，热平衡方程是其核心理论基础。例如，文献[11]和[15]分别考虑了水滴碰撞热和电流焦耳热对覆冰过程的影响。然而，现有的PDMs往往忽略了一些复杂变量，如表面粗糙度效应和蒸发冷却过程，这限制了模型的精确性。

从流体力学角度来看，覆冰被定义为空气中超冷水滴的捕获过程。Chaine模型解释了OTLs如何捕获超冷水滴，但其假设温度为0°C或以下，并且冻雨捕获系数为1，这些简化可能导致模型精度不足。此外，PDMs通常需要高精度的初始条件和边界条件，这对实际应用提出了巨大挑战。计算资源需求高、参数选择复杂以及环境适应性调整困难也是PDMs的主要局限性。

主要观点二：数据驱动模型（DDMs）的构建过程及其优势

数据驱动模型利用算法从大量观测数据中学习覆冰模式，其构建过程包括数据准备、算法选择、模型训练和模型评估四个关键方面。在数据准备阶段，多源数据的预处理至关重要。气象数据（如温度、湿度和风速）、地理数据（如海拔和植被覆盖）以及与电线相关的机械数据都被纳入分析范围。例如，文献[34]指出，海拔会影响气压和温度，从而影响覆冰形成；陡坡上的风雪可能不均匀堆积，导致局部覆冰增加。

在算法选择阶段，基本算法（如支持向量机和随机森林）、进化算法（如粒子群优化）、集成算法（如Bagging和Boosting）以及深度学习算法（如卷积神经网络和长短时记忆网络）各有优劣。深度学习算法尤其擅长处理复杂的非线性关系，但需要大量的高质量数据和计算资源。例如，文献[82]提出了一种结合CNN和LSTM的模型，在预测性能上优于单一模型。

模型训练阶段涉及数据划分、超参数调整、泛化能力和模型可解释性。例如，K折交叉验证被广泛用于提高模型的泛化能力。模型评估阶段则使用回归和分类指标来衡量模型的预测性能。对于回归任务，常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）。对于分类任务，准确率、精确率和召回率是常用的评估指标。

主要观点三：PDMs与DDMs的比较

PDMs和DDMs各有优缺点。PDMs具有机制透明性和物理解释能力，适用于需要详细物理模拟的场景，但其计算复杂度高，对初始条件和边界条件的要求严格。相比之下，DDMs在预测准确性方面表现更好，特别是在动态和复杂环境中，但其“黑箱”特性限制了模型的可解释性。表3详细比较了这两种模型在机制、边界条件、计算复杂度、参数限制、泛化能力和预测性能等方面的表现。

主要观点四：未来研究方向

未来的研究应集中在以下几个方面：首先，通过人工实验增强PDMs的准确性，模拟不同条件下的多种覆冰类型，并整合气象、电力系统和微地形变量以提高适用性。其次，开发混合模型，结合数据驱动和物理驱动方法的优势，既提高模型的可解释性，又保持其预测能力。第三，特别关注提高DDMs的可解释性，确保预测结果透明且易于理解。此外，深度学习的应用有望解决复杂覆冰场景建模中的挑战。

研究的意义和价值

本文的综述为架空输电线路覆冰增长建模提供了全面的视角，强调了PDMs和DDMs在理论和实践中的重要性。PDMs有助于深入理解覆冰的物理机制，而DDMs则通过大数据和机器学习技术提高了预测的准确性。未来的研究方向为学术界和工业界提供了明确的指导，有助于减少覆冰灾害对电力系统的威胁，提升电网的可靠性和安全性。本文的价值在于为覆冰建模领域提供了一个综合框架，促进了理论与实践的结合，并为未来的技术创新奠定了基础。