1.一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,包括以下步骤:S1.构建输电线路耐雷水平整体仿真模型:获取输电线路相关参数,根据输电线路相关参数构建输电线路耐雷水平整体仿真模型;
S2.模拟多重雷电流模型:获取任意时段内所研究地区的多重雷击条件下的雷电参数,根据雷电参数分析出每频次雷击的雷电流幅值的比例关系,并根据雷电流相关参数分别模拟每频次雷击的雷电流波形;
S3.分析重雷击的耐雷水平:将S2模拟的每频次雷击的雷电流波形分别单独进行仿真分析,得出各频次雷击的耐雷水平,通过每频次雷击的雷电流幅值的比例关系推导出首次雷击雷电流幅值,从而进行比较并确定重雷击下输电线路的耐雷水平;
S3的具体内容包括:
输入第次雷击的雷电流波形、雷电流幅值和重雷击下线路的耐雷水平,逐次改变雷电流幅值,通过观察雷击杆塔三相绝缘子两端电压波形,测试使绝缘子发生雷击闪络的临界雷电流幅值,从而确定第次雷击下该杆塔的耐雷水平;
通过S2中计算得到的每频次雷击的雷电流幅值的比例关系,依据第次雷击下该杆塔的耐雷水平反推出首次雷击雷电流幅值,并将与重雷击下线路的耐雷水平进行比较,得到重雷击的耐雷水平的取值:如果大于或等于重雷击下线路的耐雷水平,则重雷击的耐雷水平的取值为;如果小于重雷击下线路的耐雷水平,则重雷击的耐雷水平的取值为;
其中的耐雷水平为反击耐雷水平或绕击耐雷水平;
S4.计算重雷击下输电线路的雷击跳闸率:根据耐雷水平得到反击跳闸率和绕击跳闸率,根据反击跳闸率和绕击跳闸率计算重雷击下输电线路的雷击跳闸率。
2.根据权利要求1所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,S1中输电线路耐雷水平整体仿真模型包括:输电线路模型、杆塔模型、绝缘子串模型和避雷器模型;
输电线路模型:采用JMarti频率特性架空线模型模拟输电线路及避雷线;
杆塔模型:采用多波阻抗模型进行杆塔的仿真,将杆塔分为主体、支架和横担三个部分,分别计算各部分的波阻抗;其中主体包括竖直主体和底部主体,横担水平设置于竖直主体两侧,竖直方向上的个横担将竖直主体分为段;
绝缘子串模型:采用压控开关模拟绝缘子串闪络模型,当绝缘子串两端的电压达到绝缘子串的50%冲击放电电压U50%,压控开关动作使开关闭合短路,模拟绝缘子闪络的情况;
避雷器模型:通过避雷器的伏安特性曲线参数仿真绘制避雷器伏安特性曲线。
3.根据权利要求2所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,在杆塔模型中,第段竖直主体的波阻抗的计算方法为:,
其中,为第个横担的高度,指杆塔横担部分与地面的高度差;
,
式中,为第段竖直主体的半径;为两竖直主体之间的水平距离;为底部主体半径;为两底部主体之间的水平距离;为杆塔主体的等效计算半径;
横担部分的波阻抗的计算公式方法为:
,
式中,为第个横担的等值计算半径,取值为单个横担长度的四分之一;
第个横担与第个横担之间支架的波阻抗计算方法为:。
4.根据权利要求1所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,S2中,以每频次雷击的雷电流幅值中位数作为雷电参数,雷电流相关参数包括:雷电流幅值、时间间隔、雷击频次和后续雷击波形;
S2的具体内容包括:
针对每次雷击分别添加单独的雷击通道,进行独立的仿真分析;根据统计得到的负极性多重雷击各频次雷电流的中位数数据,计算得出各频次雷电流的幅值比例。
5.根据权利要求1所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,S4的具体内容包括:重雷击下的线路总跳闸率包括反击跳闸率和绕击跳闸率:,
式中,为每百公里线路在D个雷电日下,雷击杆塔的次数;为击杆率,即雷击杆塔的次数与雷击线路总数的比例;为建弧率,是指冲击闪络转化为稳定工频电弧的概率;为雷电流幅值超过杆塔的反击耐雷水平的概率;为绕击率;为雷电流幅值超过绕击耐雷水平的概率。
6.根据权利要求5所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,的计算方法为:,
式中,为地面落雷密度;为雷电日数;为上导线平均高度;为避雷线间距离;
和的计算方法为:
,
式中,为或;为或;
的计算方法为:
,
式中,为绝缘子串的平均运行电压梯度:
,
式中,为系统额定电压,为绝缘子串长度,为杆塔横担的相间距离,对于铁横担和钢筋混凝土横担线路,。
7.根据权利要求5所述的一种多重雷击条件下的输电线路跳闸率计算方法,其特征在于,还包括:S5.利用lightGBM算法构建多重雷击重数概率分布模型,获取包括不同雷击重数的输电线路的加权跳闸率,具体方法为:(1)数据收集:获取历史雷电事件的雷击数据及其对应的气象数据作为数据集;
(2)数据预处理:采用K-最邻近插补法对数据集进行插补和清洗后,对雷击数据和气象数据均进行归一化处理;
(3)模型训练:将预处理后的数据集划分为训练集、测试集和验证集,经过训练调参和交叉验证方式优化LightGBM模型,通过样本集对优化后的LightGBM模型进行检验评估,得到最终LightGBM模型;
(4)雷击重数概率分布预测:使用最终LightGBM模型,输入任意一段历史时间段内的雷击数据和气象数据,输出得到雷击重数的概率分布:,
其中,为重雷击的概率分布;
(5)针对高重数雷击的跳闸率,即大于等于3的情况下,引入基于注意力机制的概率修正模块,修正后的概率为:,
其中,为经验参数;
将修正后的概率替换中大于等于3的概率,得到替换后的概率分布;
(6)动态更新机制:新增雷击数据时,以增量训练更新模型参数,保持预测实时性;结合实时气象预警数据,通过在线学习动态调整模型参数,确保雷击重数的概率分布随天气动态变化,确保计算结果更符合实际情况;并每隔一个预设时间段重新训练模型,避免概念漂移;
(7)加权跳闸率计算框架:将替换后的概率分布作为权重,对重雷击下的线路总跳闸率进行加权求和,得到输电线路的加权跳闸率:。