类型b

这篇综述文章由Hui Hou、Yan Wang等作者撰写，主要作者来自武汉理工大学自动化学院和中国电力工程咨询集团中南电力设计院有限公司。文章于2024年发表在《Energy Conversion and Economics》期刊上，主题是架空输电线路覆冰增长建模的当前进展和未来方向。

文章首先指出，气候变化的影响加剧了架空输电线路（OTLs）对冰灾的脆弱性。为了解决这一问题，本文回顾了两类覆冰增长模型：物理驱动模型（PDMs）和数据驱动模型（DDMs），涵盖了当前的进展和未来方向。这些模型旨在通过理解潜在机制来减少脆弱性并确保在恶劣天气条件下的可靠性。

主要观点一：物理驱动模型（PDMs）的总结与分析

PDMs依赖于生长模拟和数学方程，重点在于热力学和流体力学机制。现有的PDMs基于原理进行比较，分析其优缺点和面临的挑战。例如，PDMs需要高度准确的初始和边界条件，这在实际环境中难以获得，从而限制了模型的泛化性和适应性。此外，这些模型需要大量的计算资源，特别是对于复杂环境中的覆冰模拟。计算负载呈指数级增加，需要大量资源和时间，这对实际应用提出了重大挑战。尽管如此，PDMs提供了对覆冰过程的解释，有助于识别和分析影响覆冰过程的关键变量，包括温度、湿度、风速和表面特性。

主要观点二：数据驱动模型（DDMs）的概述

DDMs利用算法从大规模观测数据集中学习覆冰模式。数据准备涉及多源数据处理技术，如预处理方法。在算法选择方面，各种建模算法从基本到深度学习方法进行了比较和分析。模型训练过程总结为提高实际适用性，包括数据分区、超参数调整、泛化能力和模型可解释性。在模型评估方面，预测能力被分析，涵盖回归和分类任务。DDMs虽然简化了建模过程，但作为“黑箱”操作，具有良好的预测性能但在可解释性和透明性方面存在不足。此外，获取大量高质量的训练数据在某些环境中具有挑战性，不同数据集之间的差异可能导致不一致的性能。

主要观点三：PDMs和DDMs的比较

基于上述分析，文章对PDMs和DDMs在各个方面进行了比较。PDMs提供机制解释且透明，但对边界条件要求较高，计算复杂度大。相比之下，DDMs在大数据集下表现优异，预测准确性更高，但其“黑箱”性质意味着它们在预测任务中表现良好，但在理解物理过程方面提供的洞察有限。因此，在选择PDMs或DDMs时，应考虑具体应用场景的需求和特征。

主要观点四：未来研究方向

文章最后概述了覆冰增长建模的未来研究方向。未来的研究应包括人工实验以提高PDMs的准确性，模拟不同条件下的多种覆冰类型，并结合气象、电力系统和微地形变量以提高适用性。此外，需要更广泛的研究将客观规则和算法整合到DDMs中，开发混合模型以结合数据驱动和基于物理的方法优势。特别关注增强DDMs的可解释性，以确保透明和可理解的预测。深度学习的应用也被强调，以应对复杂覆冰场景建模中的挑战。

文章的意义和价值

这篇文章通过对PDMs和DDMs的全面回顾，为研究人员提供了深入理解覆冰增长建模的现状和未来方向。它不仅详细分析了现有模型的优缺点，还指出了未来研究的重点领域。这对于提高架空输电线路在冰灾中的可靠性和安全性具有重要的科学价值和应用价值。文章强调了通过理解潜在机制来减少脆弱性和确保在恶劣天气条件下的可靠性的重要性，为未来的研究提供了明确的方向。