0  引言

    隨著我國國民經濟的飛速發展，能源消耗增加，對電力的需求快速增長，電網建設步伐也在突飛猛進^[1]。以特高壓工程為骨干網架的大電網快速發展，一大批特高壓交、直流輸電線路相繼建設成網。至今為止，多條特高壓線路已落地投運，同時有多條線路在開工建設，預計到2020年國家電網有限公司將建成“五橫五縱一環網”的特高壓交流電網以及27回直流特高壓輸電線路工程。

    與此同時，城市的快速擴張使得線路走廊的選擇越來越困難，高壓輸電線路逐步走進人們的視野。所以，工頻電磁場也成為社會關注的熱點^[2]。國家電網公司于2005年開展了與特高壓輸電工程有關的技術研究和可行性研究^[3]。這些研究在特高壓電磁環境問題方面取得了許多成果：研究發現只要設計合理，可以使特高壓輸電工程的工頻電場強度、工頻磁感應強度和可聽噪聲水平與超高壓輸電工程相當^[2]；提出了我國特高壓輸電線路的工頻電場強度、工頻磁感應強度和可聽噪聲的限值的建議^[4]；對陜北—晉東南—南陽—荊州—武漢和淮南—皖南—浙北—上海1 000 kV交流輸電示范工程進行了環境試驗，一致認為該工程符合環境保護要求，輸電線路和變電站不會對區域生態環境造成不利影響，但可能對沿線景觀有所影響^[5]；對單回路和雙回路同相序、逆相序布置方式下的特高壓輸電線路周圍的工頻電場強度、工頻磁感應強度進行了研究，提出了線路最小離地高度等。目前國內對特高壓輸電線路工頻電場強度強度的研究基本上是基于試驗數據，而且試驗是在實驗室理想狀態下進行的，因此，開展特高壓輸電線路對近地面電場強度的影響研究是十分必要的。

    試驗表明，工頻電場強度的監測值也隨著環境要素變化而變化。其中，彭繼文等發現，當線路在相對濕度較大的空間時，工頻電場強度測量值與計算值相差較大，工頻電場強度的測量值與相對濕度呈現正相關^[6]。彭一琦對相對濕度較大情況下的工頻電場強度計算值進行了理論修正^[7]。張廣洲等理論分析后認為工頻電場強度的分布與濕度具有無關性，并通過試驗驗證認為，同一電場情況下，支架的濕度對工頻電場的實際測量值影響較大^[8]。孫濤等對輸電線路下方的工頻電場分布進行了理論分析，分析認為儀器絕緣支架絕緣性能發生變化導致探頭附近電場產生畸變是使測量數據偏大的主要原因，為說明潮濕或雨水等氣象條件不會直接改變輸電線路附近的工頻電場強度的電場大小和分布特性，理論分析了電場強度的分布特征，并設計了模擬電位分布，利用不同絕緣狀態的測試儀器對相同電場進行了測試和驗證^[9]。陳其顥選取110 kV、220 kV、500 kV交流輸電線路的典型斷面作為研究對象，分析了溫度、濕度以及下墊面等環境因素對工頻電場的影響，認為溫度對近地面工頻電場強度影響顯著，濕度則影響較小^[10]。雖然線路周圍環境要素的變化對工頻電場強度的影響機理存在爭議，但是對監測值有影響是確定的，在室外環境下，同一天的不同時間的溫度和濕度均會變化，特別是不同天氣狀況下環境溫度、濕度變化較大，所以忽略環境因素而對輸電線路近地面的電場強度進行預測在實際應用匯總存在很大局限性，需要開展計及環境因素的輸電線路對近地面電場強度影響的研究，對原有預測模型進行修正以提高預測的準確性，更好地為電網建設服務。

1  研究方法

1.1  模型構建

    令神經網絡輸入為X_i，輸出（工頻電場強度的預測值）為Y_i。把基于等效電荷法模型計算結果（E₁）及現場監測數據組成的數據集，對神經網絡模型進行訓練，其中理論計算值（E₁）、環境要素（H、T…）、線路工況（U、I、AP、RP）作為模型輸入（X），現場測量值作為模型輸出（Y），構成多輸入單輸出的神經網絡模型。

    因為神經網絡對網絡結構、訓練方法過于敏感, 本研究選擇一種自適應的神經網絡模型及其訓練方法^[11]。

1.1.1  自適應神經網絡原理

    該研究中模型預測以檢驗誤差最小為目標，因為最小檢驗誤差是未知，需逐步試湊，從而需要較長時間。如果能夠事先估算最小檢驗誤差（本文稱其為期望誤差），則可根據當前誤差與期望誤差的差異判斷模型的優化方向和需要調整的步幅, 從而可以達到顯著提高建模效率的目的。所以本研究利用一種基于期望誤差的自適應神經網絡結構，可定義模型的檢驗誤差為：

    若MSEL<MSE_O<MSE_V且差距較大，則說明網絡結構冗余，應減少隱層節點數；若MSEL和MSEV均大于MSEO且差距較大，則說明網絡結構過于簡單，應增加隱層節點數。因此，通過比較期望誤差、實際訓練誤差以及實際檢驗誤差的大小關系，能夠大致估計隱含節點數是否合適，優化網絡結構。

1.1.2  自適應神經網絡的建模過程如下：

    步驟1：模型的初始化。估算MSE_O，將訓練集分為規模相當的兩個子集DA和DB，構造如圖1所示的神經網絡，憑經驗設定隱層神經元數。

    步驟2：模型結構自適應優化調整，以DA為學習集，DB為檢驗集，利用提前終止法訓練NNA。比較NNA的MSE_L，MSE_V和MSE_O，若相差不大，則繼續下一步（步驟3）；否則，調整隱層節點數，重復步驟2。

    步驟3：模型優化訓練。以DA為學習集，DB為檢驗集，選擇合適的方法訓練NNA。隨機設定權重初值，多次訓練后，選取與MSE_L， MSE_V和MSE_O接近的模型作為NNA的訓練結果。以DB為學習集，DA為檢驗集，以同樣方法訓練NN??。最后，以兩次網絡訓練值的平均值作為此次訓練的輸出值。

    步驟4：終止訓練過程，完成建模。

    在步驟3中采用多次訓練是為了降低建模效果對權重初值的敏感性。事實上，因為采用了雙網結構，與一般的單網模型相比，本方法的建模效果對權重初值的敏感性明顯減小。

1.2  模型訓練和測試

    按照上述方法構建一個多層的神經網絡模型，先對數據進行歸一化處理，再進行網絡訓練和測試，訓練后得到的迭代誤差變化過程如圖2所示。

    輸入集為等效電荷法的計算值、電壓、電流、有功功率、無功功率、線路對地高度、溫度、濕度構成的向量集、輸出集為實際測量值，共100個數據，選擇其中50個作為訓練集，后50個作為測試集，測試誤差為0.000 1，由圖所示經過三次迭代就可以達到誤差要求。

2  結果分析

    對模型進行檢驗，通過結果分析可得，該模型表現良好，相對誤差最大值為0.708 0，最小值為0.008 0，平均相對誤差是0.195 0，在工程應用中，此誤差達到精度要求。最大誤差出現在線路中心線下，因特高壓線路線下一般不會有民房等環境敏感目標，該處影響不大。由圖3可知，在邊導線外，特別是對變化趨勢的追蹤有較好效果。

    最大值處（邊導線處）的預測結果對比如圖4所示，相對誤差最大值為0.213 7，最小值為0.001 9，平均相對誤差是0.092，模型表現良好，特別是對變化較大點的追蹤與預測。

    對樣本數據訓練的神經網絡可以得到濕度、溫度與工頻電場之間的關系，給出不同信息就可以利用訓練網絡得出線路下距離地面高度為1.5 m處的工頻電場強度值。

    經過網絡訓練后，溫度、濕度與工頻電場強度關系如圖5、圖6所示，隨著溫度、濕度的變化，工頻電場強度變化較大。但是總體上還是呈現上升趨勢，特別是溫度、濕度在上升區間內變化明顯，溫度在[15℃,20℃]、[20℃，30℃]、[30℃，38℃]的研究區間內，工頻電場強度的平均值分別是3 347 V/m、3 345 V/m、4 240 V/m；濕度在[20%,35%)、[35%，45%)、[45%，55%]區間之間變化時，工頻電場強度平均值分別是3 782 V/m、3 938 V/m、4 042 V/m。

    通過分析可得，進行多源信息的采集，基于多源信息融合的工頻電場強度預測較單一的理論計算有較高的精度，能夠滿足特高壓輸電線路的環境影響評價以及現場環保管理的需要。

3  結論與展望

    本研究開展了基于多源信息融合的特高壓輸電線路近地面工頻電場強度的分布規律及預測研究，通過研究發現同塔雙回線路近地面工頻電場強度呈“M”型分布，在邊導線附近達到最大值；通過理論計算發現，導線對地距離對近地面工頻電場強度影響較大；通過對實際測量的數據分析，發現溫度、濕度對工頻電場強度的測量值有較大影響；現有設計條件下，特高壓線路附近工頻電場強度有超標現象（國家控制限值4 kV/m），在規劃和設計中應該引起重視。

    通過分析可得，基于多源信息融合的工頻電場強度預測較單一的理論計算有較高的精度，能夠滿足特高壓輸電線路的環境影響評價以及現場環保管理的需要。

    本研究提出了計及特征環境要素的多源信息融合神經網絡預測模型對近地面工頻電場強度有較好的預測效果，與傳統的理論模型對比，預測精度有很大提高，能夠滿足工程需要。

    通過分析可得，線路周圍環境中的溫度、濕度對工頻電場強度的監測值有很大影響，其他要素不變的情況下總體上呈現正相關關系。

    本文通過實際測量積累了大量數據，分別分析了溫度和濕度對工頻電場強度的測量帶來的影響，但是缺少兩者的交互性研究，下一步應進一步積累數據，對數據進行多源分析，研究多源信息對特高壓線路近地面工頻電場強度測量的影響以及各信息之間的交互性影響。

參考文獻

[1] 牛林.特高壓交流輸電線路電磁環境參數預測研究[D]. 濟南: 山東大學, 2008.

[2] 胡白雪. 超高壓及特高壓輸電線路的電磁環境研究[D]. 杭州: 浙江大學, 2006.

[3] 舒印彪,劉澤洪,袁駿,等. 2005年國家電網公司特高壓輸電論證工作綜述[J]. 電網技術, 2006, 30(5): 1-12.

[4] 吳桂芳,李光范,崔鼎新. 1000 kV級輸電工程對生態環境影響研究綜述[J]. 中國電力, 2006, 39(10): 29-32.

[5] 劉麗娜,陶加祥,張業茂,等. 特高壓交流示范工程輸電線路電磁環境實測分析[J]. 中國電力, 2017, 50(10): 46-51.

[6] 彭繼文,周建飛,周年光,等. 濕度對500 kV超高壓交流架空送電線路區域電磁環境的影響研究[J]. 電網技術, 2008, 32(增刊2): 236-239.

[7] 彭一琦. 考慮氣象條件的輸電導線工頻電場計算新方法[J]. 高電壓技術, 2010, 36(10): 2507-2512.

[8] 張廣洲,朱銀軍,張業茂,等. 輸電線路工頻電場分布特性與計算方法辨析[J]. 高電壓技術, 2011, 37(10): 2581-2586.

[9] 孫濤,何旺齡,萬保權,等. 濕度對高壓輸電線路工頻電場測量的影響[J]. 高電壓技術, 2014, 40(6): 112-118.

[10] 陳其顥. 高壓交流輸電線下工頻電場分布及環境因素影響研究[D]. 南京: 南京信息工程大學, 2013.

[11] 宋彥坡，彭小奇. 一種結構自適應神經網絡及其訓練方法[J]. 控制與決策, 2010, 25(8): 1265-1268.

作者信息:

尹建光，劉  輝，張  永，謝連科，馬新剛，張國英，臧玉魏，江  紅，鞏泉泉

（國網山東省電力公司  電力科學研究院，山東 濟南 250002）