0  引言

    随着我国国民经济的飞速发展，能源消耗增加，对电力的需求快速增长，电网建设步伐也在突飞猛进^[1]。以特高压工程为骨干网架的大电网快速发展，一大批特高压交、直流输电线路相继建设成网。至今为止，多条特高压线路已落地投运，同时有多条线路在开工建设，预计到2020年国家电网有限公司将建成“五横五纵一环网”的特高压交流电网以及27回直流特高压输电线路工程。

    与此同时，城市的快速扩张使得线路走廊的选择越来越困难，高压输电线路逐步走进人们的视野。所以，工频电磁场也成为社会关注的热点^[2]。国家电网公司于2005年开展了与特高压输电工程有关的技术研究和可行性研究^[3]。这些研究在特高压电磁环境问题方面取得了许多成果：研究发现只要设计合理，可以使特高压输电工程的工频电场强度、工频磁感应强度和可听噪声水平与超高压输电工程相当^[2]；提出了我国特高压输电线路的工频电场强度、工频磁感应强度和可听噪声的限值的建议^[4]；对陕北—晋东南—南阳—荆州—武汉和淮南—皖南—浙北—上海1 000 kV交流输电示范工程进行了环境试验，一致认为该工程符合环境保护要求，输电线路和变电站不会对区域生态环境造成不利影响，但可能对沿线景观有所影响^[5]；对单回路和双回路同相序、逆相序布置方式下的特高压输电线路周围的工频电场强度、工频磁感应强度进行了研究，提出了线路最小离地高度等。目前国内对特高压输电线路工频电场强度强度的研究基本上是基于试验数据，而且试验是在实验室理想状态下进行的，因此，开展特高压输电线路对近地面电场强度的影响研究是十分必要的。

    试验表明，工频电场强度的监测值也随着环境要素变化而变化。其中，彭继文等发现，当线路在相对湿度较大的空间时，工频电场强度测量值与计算值相差较大，工频电场强度的测量值与相对湿度呈现正相关^[6]。彭一琦对相对湿度较大情况下的工频电场强度计算值进行了理论修正^[7]。张广洲等理论分析后认为工频电场强度的分布与湿度具有无关性，并通过试验验证认为，同一电场情况下，支架的湿度对工频电场的实际测量值影响较大^[8]。孙涛等对输电线路下方的工频电场分布进行了理论分析，分析认为仪器绝缘支架绝缘性能发生变化导致探头附近电场产生畸变是使测量数据偏大的主要原因，为说明潮湿或雨水等气象条件不会直接改变输电线路附近的工频电场强度的电场大小和分布特性，理论分析了电场强度的分布特征，并设计了模拟电位分布，利用不同绝缘状态的测试仪器对相同电场进行了测试和验证^[9]。陈其颢选取110 kV、220 kV、500 kV交流输电线路的典型断面作为研究对象，分析了温度、湿度以及下垫面等环境因素对工频电场的影响，认为温度对近地面工频电场强度影响显著，湿度则影响较小^[10]。虽然线路周围环境要素的变化对工频电场强度的影响机理存在争议，但是对监测值有影响是确定的，在室外环境下，同一天的不同时间的温度和湿度均会变化，特别是不同天气状况下环境温度、湿度变化较大，所以忽略环境因素而对输电线路近地面的电场强度进行预测在实际应用汇总存在很大局限性，需要开展计及环境因素的输电线路对近地面电场强度影响的研究，对原有预测模型进行修正以提高预测的准确性，更好地为电网建设服务。

1  研究方法

1.1  模型构建

    令神经网络输入为X_i，输出（工频电场强度的预测值）为Y_i。把基于等效电荷法模型计算结果（E₁）及现场监测数据组成的数据集，对神经网络模型进行训练，其中理论计算值（E₁）、环境要素（H、T…）、线路工况（U、I、AP、RP）作为模型输入（X），现场测量值作为模型输出（Y），构成多输入单输出的神经网络模型。

    因为神经网络对网络结构、训练方法过于敏感, 本研究选择一种自适应的神经网络模型及其训练方法^[11]。

1.1.1  自适应神经网络原理

    该研究中模型预测以检验误差最小为目标，因为最小检验误差是未知，需逐步试凑，从而需要较长时间。如果能够事先估算最小检验误差（本文称其为期望误差），则可根据当前误差与期望误差的差异判断模型的优化方向和需要调整的步幅, 从而可以达到显著提高建模效率的目的。所以本研究利用一种基于期望误差的自适应神经网络结构，可定义模型的检验误差为：

    若MSEL<MSE_O<MSE_V且差距较大，则说明网络结构冗余，应减少隐层节点数；若MSEL和MSEV均大于MSEO且差距较大，则说明网络结构过于简单，应增加隐层节点数。因此，通过比较期望误差、实际训练误差以及实际检验误差的大小关系，能够大致估计隐含节点数是否合适，优化网络结构。

1.1.2  自适应神经网络的建模过程如下：

    步骤1：模型的初始化。估算MSE_O，将训练集分为规模相当的两个子集DA和DB，构造如图1所示的神经网络，凭经验设定隐层神经元数。

    步骤2：模型结构自适应优化调整，以DA为学习集，DB为检验集，利用提前终止法训练NNA。比较NNA的MSE_L，MSE_V和MSE_O，若相差不大，则继续下一步（步骤3）；否则，调整隐层节点数，重复步骤2。

    步骤3：模型优化训练。以DA为学习集，DB为检验集，选择合适的方法训练NNA。随机设定权重初值，多次训练后，选取与MSE_L， MSE_V和MSE_O接近的模型作为NNA的训练结果。以DB为学习集，DA为检验集，以同样方法训练NN??。最后，以两次网络训练值的平均值作为此次训练的输出值。

    步骤4：终止训练过程，完成建模。

    在步骤3中采用多次训练是为了降低建模效果对权重初值的敏感性。事实上，因为采用了双网结构，与一般的单网模型相比，本方法的建模效果对权重初值的敏感性明显减小。

1.2  模型训练和测试

    按照上述方法构建一个多层的神经网络模型，先对数据进行归一化处理，再进行网络训练和测试，训练后得到的迭代误差变化过程如图2所示。

    输入集为等效电荷法的计算值、电压、电流、有功功率、无功功率、线路对地高度、温度、湿度构成的向量集、输出集为实际测量值，共100个数据，选择其中50个作为训练集，后50个作为测试集，测试误差为0.000 1，由图所示经过三次迭代就可以达到误差要求。

2  结果分析

    对模型进行检验，通过结果分析可得，该模型表现良好，相对误差最大值为0.708 0，最小值为0.008 0，平均相对误差是0.195 0，在工程应用中，此误差达到精度要求。最大误差出现在线路中心线下，因特高压线路线下一般不会有民房等环境敏感目标，该处影响不大。由图3可知，在边导线外，特别是对变化趋势的追踪有较好效果。

    最大值处（边导线处）的预测结果对比如图4所示，相对误差最大值为0.213 7，最小值为0.001 9，平均相对误差是0.092，模型表现良好，特别是对变化较大点的追踪与预测。

    对样本数据训练的神经网络可以得到湿度、温度与工频电场之间的关系，给出不同信息就可以利用训练网络得出线路下距离地面高度为1.5 m处的工频电场强度值。

    经过网络训练后，温度、湿度与工频电场强度关系如图5、图6所示，随着温度、湿度的变化，工频电场强度变化较大。但是总体上还是呈现上升趋势，特别是温度、湿度在上升区间内变化明显，温度在[15℃,20℃]、[20℃，30℃]、[30℃，38℃]的研究区间内，工频电场强度的平均值分别是3 347 V/m、3 345 V/m、4 240 V/m；湿度在[20%,35%)、[35%，45%)、[45%，55%]区间之间变化时，工频电场强度平均值分别是3 782 V/m、3 938 V/m、4 042 V/m。

    通过分析可得，进行多源信息的采集，基于多源信息融合的工频电场强度预测较单一的理论计算有较高的精度，能够满足特高压输电线路的环境影响评价以及现场环保管理的需要。

3  结论与展望

    本研究开展了基于多源信息融合的特高压输电线路近地面工频电场强度的分布规律及预测研究，通过研究发现同塔双回线路近地面工频电场强度呈“M”型分布，在边导线附近达到最大值；通过理论计算发现，导线对地距离对近地面工频电场强度影响较大；通过对实际测量的数据分析，发现温度、湿度对工频电场强度的测量值有较大影响；现有设计条件下，特高压线路附近工频电场强度有超标现象（国家控制限值4 kV/m），在规划和设计中应该引起重视。

    通过分析可得，基于多源信息融合的工频电场强度预测较单一的理论计算有较高的精度，能够满足特高压输电线路的环境影响评价以及现场环保管理的需要。

    本研究提出了计及特征环境要素的多源信息融合神经网络预测模型对近地面工频电场强度有较好的预测效果，与传统的理论模型对比，预测精度有很大提高，能够满足工程需要。

    通过分析可得，线路周围环境中的温度、湿度对工频电场强度的监测值有很大影响，其他要素不变的情况下总体上呈现正相关关系。

    本文通过实际测量积累了大量数据，分别分析了温度和湿度对工频电场强度的测量带来的影响，但是缺少两者的交互性研究，下一步应进一步积累数据，对数据进行多源分析，研究多源信息对特高压线路近地面工频电场强度测量的影响以及各信息之间的交互性影响。

参考文献

[1] 牛林.特高压交流输电线路电磁环境参数预测研究[D]. 济南: 山东大学, 2008.

[2] 胡白雪. 超高压及特高压输电线路的电磁环境研究[D]. 杭州: 浙江大学, 2006.

[3] 舒印彪,刘泽洪,袁骏,等. 2005年国家电网公司特高压输电论证工作综述[J]. 电网技术, 2006, 30(5): 1-12.

[4] 吴桂芳,李光范,崔鼎新. 1000 kV级输电工程对生态环境影响研究综述[J]. 中国电力, 2006, 39(10): 29-32.

[5] 刘丽娜,陶加祥,张业茂,等. 特高压交流示范工程输电线路电磁环境实测分析[J]. 中国电力, 2017, 50(10): 46-51.

[6] 彭继文,周建飞,周年光,等. 湿度对500 kV超高压交流架空送电线路区域电磁环境的影响研究[J]. 电网技术, 2008, 32(增刊2): 236-239.

[7] 彭一琦. 考虑气象条件的输电导线工频电场计算新方法[J]. 高电压技术, 2010, 36(10): 2507-2512.

[8] 张广洲,朱银军,张业茂,等. 输电线路工频电场分布特性与计算方法辨析[J]. 高电压技术, 2011, 37(10): 2581-2586.

[9] 孙涛,何旺龄,万保权,等. 湿度对高压输电线路工频电场测量的影响[J]. 高电压技术, 2014, 40(6): 112-118.

[10] 陈其颢. 高压交流输电线下工频电场分布及环境因素影响研究[D]. 南京: 南京信息工程大学, 2013.

[11] 宋彦坡，彭小奇. 一种结构自适应神经网络及其训练方法[J]. 控制与决策, 2010, 25(8): 1265-1268.

作者信息:

尹建光，刘  辉，张  永，谢连科，马新刚，张国英，臧玉魏，江  红，巩泉泉

（国网山东省电力公司  电力科学研究院，山东 济南 250002）