基于星地融合的输电线路覆冰预警优化方法研究

杨知，赵彬，李闯，汉京善，高洁，黄杰

(1.中国电力科学研究院有限公司，北京 100192； 2.国网安徽省电力有限公司，合肥 230000)

0 引 言

架空输电线路是能源输送的重要基础设施。随着新型电力系统持续推进，架空输电线路建设规模持续增大。近年来，极端天气日趋增多，气象条件复杂多变，雨雪冰冻灾害对架空输电线路安全稳定运行造成巨大挑战。据统计，2017年至今冰害造成的架空输电线路故障停运占总体故障的约37%。因此，输电线路覆冰预测预警、监测评估和融冰处置成为每年冬季各级相关管理部门的工作重点。其中，输电线路覆冰预测预警作为提前处置与防治的基础，如何优化覆冰预警精度一直是行业研究热点。

输电线路覆冰形成机理较为复杂[1-3]，与局地气象条件紧密相关。从历史资料看，覆冰与气象条件(如温度、湿度、风速、风向、液态含水量等)和结构参数(如导线直径和材料表面性能等)有关，大多发生在雨凇气象条件下，且环境温度小于0 ℃。覆冰多发地区为我国的华中和西南地区，多发季节为每年冬季的11月到次年春季3月份期间[4-5]。海拔变化很大的山区，如山巅、垭口、分水岭等垂直挡距很大的微气象区域，容易发生覆冰和倒塔事故[6]。

目前，国内外学者先后开发了多种覆冰预测模型，认可度较高的包括Imai、Lenhard和Goodwin等模型[7-9]。其中，Imai模型考虑了环境温度和导线半径因素，而且假设覆冰形成过程中，表面最外层为液态，保持湿增长；Lenhard模型则重点考虑了覆冰过程前后，导线周围的总降水量；Goodwin模型则假设导线覆冰是干增长过程，过冷却水滴在接触导线-覆冰体之前，已全部冻结，结合降水量、水密度和风速等计算覆冰厚度。文献[10]对四川东部输电线路历史覆冰案例和记录数据进行了分析和梳理，建立了雾凇厚度增长和覆冰载荷预测评估模型。近年来，随着人工智能(机器学习和深度学习)方法的兴起，通过引入包括神经网络、模糊理论、灰色理论、粗糙集理论等算法，结合输电线路地面传感数据建立了导线覆冰厚度预测模型，提升了输电线路覆冰灾害预测预警精度[11-15]。然而，在实际应用过程中，研究人员发现输电线路跨度长，地面气象观测数据分布较少且监测范围有限，无法全面反映局地气象信息。因此，单纯利用地面气象观测数据作为覆冰预测模型的输入数据难以保证模型训练质量，不同条件下的覆冰厚度预测精度波动较大，导致现有覆冰模型泛化能力较差，结果差异较大，实用性不强。

鉴于此，为满足在地面观测数据不足的情况下提升覆冰预报预警能力的迫切需求，文中尝试在已有覆冰预测模型的基础上，重点通过提升覆冰预测模型的气象输入数据来提高覆冰预测的准确性。通过加入卫星遥感观测数据，将卫星和地面观测数据进行融合同化，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。结果表明本文方法对温度和降水的预报效果提升较为明显，进而提升了24 h和72 h的覆冰预测准确性，为满足覆冰预测预警能力的需求提供支撑。

1 基本思路

数值预报属于微分方程的初值问题，初始场的正确性对预报有决定性的影响。星地数据融合或者资料同化本质上就是利用卫星监测数据和地面观测数据修正模式的预报使其更接近实况大气状态的过程，从而为预报提供更准确的初始场。

输电线路沿线往往会部署自动气象观测站，同时气象局的常规业务观测体系中，自动观测站点分布也非常密集，融合自动观测站数据可以有效地改善数值结果。但是自动站实际高度和气象预报模式中的地形高度往往并不匹配，与其它资料如卫星等三维场资料相配合进行同化分析效果会更加理想[16-18]。

气象卫星遥感数据具有时空上的高分辨率和覆盖范围广的特点，弥补了常规观测资料在地形复杂区域或者野外区域分布不足的缺点。利用美国新一代环境卫星数据进行同化可以改善温度、湿度和风场的预报能力[19]。不同的卫星数据进行资料同化时，对气象要素的优化效果并不一致，需要通过多次试验进行优化以及组合，从而改进气象要素的模拟效果[20]。

目前，卫星数据应用仍存在相当多的困难，卫星数据的误差分析、偏差订正、快速辐射传输模式以及大气透过率回归模型都是技术上的难点。本文在采用成熟同化系统的基础上，加入了欧美卫星探测数据以及风云三号卫星数据。欧美卫星数据技术成熟，资料应用广泛，但是对我国的覆盖不足，风云三号极轨卫星数据是很好的补充。风云三号卫星上携带有先进的微波探测仪器和红外垂直探测仪，实现了我国气象卫星从二维遥感成像到三维大气探测的跨越，其中MWTS、MWHS是风云3卫星上首次搭载的微波遥感器件。因此，在欧美气象卫星数据的基础上加入风云卫星MWTS、MWHS数据，有效地弥补卫星观测资料不足的情况，可以更好地提升数值预报精度和输电线路覆冰预测水平。

文章总体技术路线主要是在传统地面站点数据的基础上，充分考虑地形因素，全面利用了地面观测数据，并加入卫星红外高光谱探测数据、微波探测数据、微波扫描数据、红外高光谱扫描数据以及GPS掩星数据，进行多源数据同化融合，改善气象要素实测和预报场的准确性。然后，将精度改善后的气象预报数据作为覆冰预测模型的输入，提升覆冰预报预警的及时性、快速性以及有效性，降低电网运营安全风险。基本技术路线如图1所示。

图1 基于星地数据融合的覆冰预测优化基本思路

2 材料和方法

2.1 数据资料

文章以浙江省为例，基于地面资料和卫星资料对浙江省的气温、降水、风速和降水类型进行数据融合同化，将融合前后地面要素的变化以及覆冰预测结果的变化进行对比分析。

控制试验的边界条件和背景场数据来源于美国国家环境预报中心(NCEP)的全球预报系统(Global Forecast System，GFS)资料，水平分辨率为0.25°×0.25°，时间分辨率为6 h。

同化的常规观测资料包括浙江省的3 123个国家站和自动气象站(分布图如图2所示)，经过质量控制，实际使用1 176个国家站和自动气象站数据，其中国家站102个，自动气象站1 074个。选取10个国家站数据作为验证，剩余站点作为融合数据来源。

图2 浙江省自动气象站分布图

卫星辐射资料来自NCEP的全球资料同化系统(Global Data Assimilation System，GDAS)以及国产风云3卫星。使用的主要资料有温度微波探测仪AMSU-A、湿度微波探测仪MHS、高光谱红外探测器HIRS/4、GPSRO掩星数据等。微波探测仪和红外探测仪有不同波长的辐射通道，可以提供高分辨率的三维温度、压力、湿度的廓线。实验数据使用清单如表1所示。

表1 数据使用清单

2.2 气象要素优化

为了实现更准确的覆冰预测，文章采用WRF4.2版本的区域数值气象预报模式，融合NOAA18、NPP、Metop和FY3四类气象卫星数据与地面站点数据，通过参数调优改进模式对浙江省区域的气象要素(覆冰模型关键输入参数温度T0、降水P和风速V)优化预测效果。

星地数据同化系统采用GSI(Grid point Statistical Interpolation)系统。GSI是由NCEP开发的新一代变分同化系统[21]。基本原理就是根据背景场信息、观测信息和各自的误差特征，将同化分析问题归结为所定义的一个反映分析场与模式预报结果之间及分析场与实际观测值之间距离的目标函数的最优化问题，即求解代价函数(J)的极小值。

J(x)=Jb+J0

(1)

式中x为模式状态变量构成的分析向量，在文章中是温度T0、降水P和风速V组成的向量，用于后续覆冰模型输入。

Jb为背景场(分析场)信息对目标函数构成的贡献，表示为：

(2)

式中xb表示x的先验估计，也就是背景场状态向量，通常由预报模式结果来提供第一猜场；B为背景误差协方差矩阵，用来表达背景场的误差统计特征。背景协方差矩阵的元素是格点间的协方差：

(3)

式中n为分析变量x的要素个数。文中主要关注温度T0、降水P和风速V，因此n=3。

J0表示观测场对目标函数构成的贡献，表示为：

(4)

式中y0代表观测向量，同化卫星资料时，y0是同化时间窗口内所有同化通道内卫星辐射率数据构成的向量。在实际计算中通常将卫星辐射率先转化为等效黑体亮温，然后进行同化计算。H代表观测算子，将模式格点位置上的变量插值和通过辐射传输模式转换为等效黑体亮温。R为观测误差协方差矩阵，用来表达观测的误差统计特征。R表示为：

(5)

式中E为观测误差，表示由于仪器、云干扰等因素引起的观测误差；F为代表性误差，表示观测算子的插值和转换时空间代表性不足引起的误差。这种误差主要又两方面引起，一是观测算子从模式空间向观测空间转换时产生的近似误差，二是观测算子假设为线性算子时带来的误差。

卫星载荷并不能直接探测大气物理量(温度T0、降水P、臭氧O3、云等)，它测到的是在指定的频率v下到达卫星观测点的辐射量[21]。一般情况下，通过辐射传播方程建立卫星直接探测得到的辐射量与最终大气物理量之间的联系。

(6)

式中v为指定频率；θ为探测角度；τs为地表的大气透过率；εs为地表发射率;B(v,x)为Planck函数项;l为大气高度。

基于快速辐射传输模式，该模型沿着卫星扫描角方向，通过获取云参数、地表发射率等初始输入参数，根据给定的大气温湿度廓线以及各个光谱的快速透过率系数，能够快速模拟出各通道在大气顶的向上辐射率。GSI资料同化系统中用到的辐射传输模式是CRTM (Community Radiative Transfer Model)。基于米散射机理，该模式考虑了雨、雪、云水、云冰和冰雹等粒子及对应的降水粒子散射效应。

(7)

综上，将式(1)转化为式(7)的目标函数的极小化问题。通过现有的共轭梯度和准牛顿迭代法[22]，实现式(7)的求解，得到优化后的T0、降水P和风速V三类气象要素预测数据。

2.3 覆冰预测模型

在梳理分析多种真型导线相关覆冰数据、历年再分析气象资料和气象观测资料、输电线路运行经验数据的基础上，建立对数形式的导线覆冰厚度计算公式[23]：

(8)

式中Req表示导线覆冰厚度初步估算值;单位为mm；k为气象覆冰修正系数，取值范围为0.1～6；N为覆冰过程的时间，单位为 h；a为订正系数，参考环境温度T0，按照表4插值选取；P表示覆冰过程降水率，单位为mm/h；ρ0表示水的密度，为常量(1 g/cm3)；ρ表示雨凇的密度，为常量(0.9 g/cm3)；V表示风速，单位为m/s；W表示液态水含量，单位为g/m3。

由表2可以看出，订正系数a(受温度T0影响)、降水P和风速V是该覆冰预测模型的核心输入参数。通过提升订正系数a、降水P和风速V预测精度和准确度，可以提升输电线路覆冰的预测精度和准确度。公式(8)所示的覆冰预测模型中除经验系数k外，a、P和V三个重要输入参数均可通过2.2节进行优化得到。

表2 线径订正系数拟合系数a

3 实验方案设计

浙江省山区地形复杂，冬季雨雪冰冻天气较为严重，为了评估星地数据融合对预报精度和准确度的影响，以2020年12月29日20时作为目标预报时间，分别选取12月26日和12月28日为起始时间，将地面自动站数据和卫星数据进行融合优化，然后进行24 h预报和72 h预报，并与国家站实测数据进行对比分析。数值模拟空间精度为 3 km×3 km，时间精度为1 h。

将欧洲数值预报中心0.25°×0.25°的确定性预报作为参照组，对比资料同化后数值预报的优化效果。

4 结果分析

4.1 24小时预报结果对比

首先以2020年12月28日20时为初始时间，经数据融合后，对比24 h气象要素的预报结果，从图3～图5中温度、风速和降水的对比可以发现，由于经过了WRF模式降尺度计算，数据融合后的空间精细程序明显高于欧洲中心的预报结果。可以看出，在地形复杂的区域，加入高精度地形方案进行模拟可以提升预报的空间分辨率，从而发现更多细节。

图3 温度24 h预报

图4 风速24 h预报

图5 降水24 h预报

具体来看，历史气象站数据显示2020年12月29日20时，浙江经历了一次寒潮过程，出现了大范围的降雪天气，。但欧洲中心预报数据(图5(a))的预报降水基本可以忽略不计，而融合预报显示(图5(b))1 h降水预报的极值中心在浙北山区，这与图4((b))的风速极值预报大值区相吻合，更加符合寒潮带来的大风降温降水过程的特征。可见数据融合后，温度、风速和降水预报的精度得到了有效的提升，有助于提高覆冰模型的预测能力。

图3～图5中黑色线段为杭州周边的输电线路，为了定量分析气象要素预报精度的提升效果，提取输电线路附近站点和杭州周边的自动气象站的实际观测数据进行对比。从图6可以看出，在温度预报方面，数据融合预报结果比欧洲预报结果更接近实测状况，反应出了寒潮带来的温度随空间的变化。在风速方面，风速预报结果在各站表现不一，有些站点预报风速更接近观测，有些站点预报存在较大偏差，但整体预报能力与欧洲中心预报结果相当。在降水方面，欧洲中心预报结果几乎没有产生降水，但观测和融合数据显示输电线路附近存在明显降水，这对于覆冰产生的预报十分重要。从表3的预报效果对比看，卫星数据和地面观测数据融合预报相对于欧洲预报结果，MAE和RMSE都有比较明显的下降。对于24 h预报而言，融合预报对温度和降水预报精度改善比较明显，其主要原因是输电线路沿线气象站点对温度、降水的监测比较准确，通过融合卫星气象的温度降水观测数据实现精度提升。就风速预报而言，融合预报结果与欧洲预报结果差异不大，其主要原因在于本文研究过程中，输电线路沿线气象站点风速监测数据异常值较多，有效值较少。因此融合预报中主要引入了温湿度观测信息，风速信息的星地融合同化不足，从而模型对风速预报的能力改进不大，但从图4可以看出，融合预报对风速的空间刻画能力提高很多，很好的反映出浙江省山区地形多变导致的风速变化，这主要得益于融合预报模型对卫星遥感高精度三维地形和少量风速信息的融合。

图6 站点24 h预报结果对比

表3 24 h预报效果对比

4.2 72小时预报结果对比

以2020年12月26日20时为初始时间，经数据融合后，对比72 h气象要素的预报结果，从图7～图9中温度、风速和降水的对比可以发现，欧洲中心预报温度明显偏高，风速也偏小，同时降水偏弱，没有重现出杭州及其周边区域的大风降雪过程，先比24 h预报结果，长期预报的准确性下降比较快。而融合预报的温度、降水和风速的分布与24 h的分布形态基本一致，表明了数据融合之后的预报稳定性较高，长期预报的准确性有所提升。

图7 温度72 h预报

图8 风速72 h预报

图9 降水72 h预报

从图10可以看出，数据融合预报结果基本上比欧洲中心预报结果更接近实测状况，尤其是在输电线沿线区域，这与24 h的预报结果是一致的。

图10 站点72 h预报结果对比

从表4的预报效果对比看，对于72 h预报而言，融合预报相对于欧洲中心预报结果从偏差比较可以看出，MAE和RMSE都有显著的下降。相比于24 h预报结果，数据融合预报在72 h的预报偏差上呈现略微增加，说明了系统的稳定性，欧洲中心预报效果恶化明显，系统波动较大。

表4 72 h预报效果对比

4.3 覆冰预报结果对比

运用2.3节所述的导线覆冰厚度计算公式，将融合预报的温度、降水和风速预测值作为输入，计算得到杭州周边输电线路近600个输电线路杆塔的覆冰厚度情况，如图11和图12所示。从图11(横坐标：输电线路杆塔编号，纵坐标：覆冰厚度)可以看出，24 h和72 h预报结果趋势一致，在部分输电线路预测出较严重的覆冰增长趋势，说明经过星地数据融合，气象要素预报时效提高比较明显，覆冰有效预测的周期可以提前到72 h以上，为电网安全运行提供强有力的保障。

图11 输电线路星地融合预报覆冰厚度结果对比

图12 基于星地融合的输电线路覆冰标准厚度增量预测结果对比

5 结束语

覆冰预测预警是电网安全运行的重要课题，在观测数据较少的条件下，结合气象环境条件以及覆冰预测模型对覆冰进行预报预警是可行的方法。因此，对气象环境条件的准确预测成为了覆冰准确预测的前提。由于输电线路大多位于偏远地区，基于卫星观测数据覆盖范围广和时空高分辨率的特点，融合气象卫星与地面观测数据，不仅可以得到更接近实际状态的大气背景场，同时也可以作为数值预报的初始场，提升中长期覆冰预报的准确性。经过对比分析，数据融合后的温度和降水预报精度和准确度均得到有效的提升，风速的准确度提升不大。同时，预报的有效性也得到了提升，72 h的预报准确性和24 h预报的准确性差异较小。因此，通过覆冰预警模型计算得到的覆冰厚度预测预警时间可以从24 h提升到72 h，为电网安全运行提供了充分的预警时间。

后续研究将持续开展卫星资料融合的对比分析，加入其他多源数据，提升相关地面要素如风速等的准确性，进一步提升覆冰预测预警水平。