本文是一篇综述类论文，属于类型b。以下是基于提供文档内容生成的学术报告：
本文标题为“Review on icing growth model for overhead transmission lines”，主要作者包括来自武汉理工大学(Wuhan University of Technology)自动化学院的Yan Wang、Hui Hou、Yi Wan，及来自中国电力工程顾问集团有限公司中南电力设计院(Central Southern China Electric Power Design Institute Co., Ltd. of China Power Engineering Consulting Group)的Xiaolu Bai、Jianshuang Lv、Decheng Cai、Yiyang Shen。该论文发表于2023年第三届“Power System and Green Energy Conference (PSGEC)”会议论文集，由IEEE出版。
本文集中讨论了架空输电线路覆冰（icing on overhead transmission lines）问题及其对电力系统稳定运行的威胁，尤其关注覆冰增长模型（icing growth models）的研究现状，涵盖物理模型和基于机器学习的模型。论文还探讨了合适的覆冰预测方法如何为风险预警、反覆冰措施的制定以及电力系统安全稳定运行提供支撑。
(1) 覆冰形成机制（Icing Formation Mechanism）
论文从热力学（thermodynamics）与流体力学（fluid mechanics）角度总结了覆冰的形成过程。根据热力学理论，覆冰的核心在于热量的交换与传递，热平衡决定了覆冰的质量与形态。例如，相关研究建立了基于热量平衡的方程式，分析了水滴碰撞热量、蒸发冷却等因素对覆冰过程的影响。然而，现有模型往往忽视了导线性质和蒸发过程的影响，模型的准确性受到限制。
从流体力学角度看，覆冰过程是超冷水滴（supercooled water droplets）捕获的过程。相关模型如“Chaine模型”假设环境温度低于0℃，输电线路对雨凇捕获系数为1。尽管这些研究初步揭示了流体因素的影响，但由于涉及大量假设和经验方程，分析的准确性有待提高。
(2) 覆冰分类及危害（Icing Classification and Hazards）
覆冰类型可根据温度、湿度和风速的变化划分为透明冰（glaze）、霜状冰（rime）、白霜（hoarfrost）及混合霜（mixed rime）。其中，透明冰的密度高，粘附性强，对输电线路危害最大。该类型覆冰容易导致线路断裂和铁塔倒塌，因此研究透明冰的危害具有重要意义。
(3) 覆冰影响因素（Icing Influencing Factors）
覆冰受气象条件（如温度、湿度、风速）、地理特征（如海拔、坡度、植被覆盖率）以及电网基础设施的影响。这些因素相互作用，共同决定了覆冰的形成和演化。例如，有研究发现不同直径导线的覆冰增长差异，并改进了Messinger覆冰模型以研究风速和温度对关键电流的影响。然而，大多数模型仅考虑了单一或少量因素，存在一定局限性。
(1) 基于物理模型的预测方法（Prediction Model Based on Physical Model）
物理模型旨在通过数学公式抽象反映覆冰的增长过程，此类模型通常基于流体力学、结构力学及热力学。本文列举了经典的覆冰物理模型及其计算方程： - Imai模型：结合导线直径、温度、风速与降水量，通过热力学原理预测覆冰。而其热量传递机制过于简化，难以全面反映覆冰外部环境的复杂情况。 - Goodwin模型：假设覆冰增长与温度成反比，但对雨滴下落速度的测量存在难度。 - Makkonen模型：通过转化气象数据计算冰层重量，能够较好地反映干冰和湿冰的增长过程，但捕获效率与具体假设条件的可信度存在争议。
尽管上述模型分别针对不同应用场景，但因假设条件和参数选择的差异，其通用性和预测精度仍有待提升。此外，许多情况下涉及复杂的实验数据和经验公式对覆冰过程进行修正。
(2) 基于机器学习模型的预测方法（Prediction Model Based on Machine Learning）
近年来，机器学习算法在覆冰预测方面得到了广泛应用。此类方法通过数据驱动而非关注覆冰的内在机理，常用黑箱模型包括支持向量机（Support Vector Machine, SVM）、反向传播神经网络（Back Propagation Neural Network, BPNN）和随机森林（Random Forest, RF）。
相关研究实例包括： - 使用自适应变异粒子群优化算法（AMPSo）优化的BP神经网络建立人工冰厚预测模型； - 采用卷积神经网络（CNN）分析平行坐标图数据以建立覆冰增长预测模型； - 利用主成分分析（PCA）提取特征，并使用量子烟花算法（QFA）优化支持向量机（SVM）参数。
尽管机器学习算法在数据充足时表现较好，但在数据量不足或严苛环境下故障数据依赖性强，容易陷入局部最优。作者建议将机器学习算法与物理模型相结合，集两者之长对覆冰进行优化预测。
总结：
架空输电线路覆冰是一个复杂的问题，现有的物理模型和机器学习模型各有优劣。物理模型局限于特定场景且简化程度较高，而机器学习模型虽然灵活，但对覆冰本质规律的结合仍显不足。多变量预测可以一定程度减轻长期预测偏差，但精度仍需提高。
展望：
未来研究应加强人工实验，通过模拟不同气象、地理和输电线路运行条件下的覆冰，以改进预测模型。同时，需在物理模型中引入机器学习算法，加强对多因素影响的综合考量，提高模型的准确性。此外，提出优化多元预测技术以减少局部最优问题的影响。
本文从理论上回顾了覆冰灾害的形成机理和预测模型的研发历程，从模型修正、多因素综合建模及机器学习算法优化三方面提出了未来研究方向。其学术价值在于加深了对架空输电线路覆冰机制和预测方法的认知，工程实践意义在于助力电网反覆冰措施的制定，为电力系统的安全运行提供理论与技术支撑。