输电线路。法方测监覆冰是电网冬季运行的主要威胁之一，会导致导线荷载增加、弧垂变大甚至断线倒塔，传统直接测量方法（如人工观测、称重法）存在效率低、危险性高、无法实时监测的局限。红外热像检测作为非接触式测温技术，可通过捕捉导线与覆冰的温度特征，结合热传递原理间接推算覆冰厚度，具备实时、安全、大范围监测的优势。本文围绕红外热像的核心原理、特征提取、模型构建及实际应用中的关键问题，系统研究其对输电线路覆冰厚度的间接监测方法。
覆冰对输电线路热特性的影响机制
输电。大增线路的热平衡由热量来源与散失共同决定：导线热量主要来自焦耳热（电流通过电阻产生）与太阳辐射热，散失途径包括对流散热（与空气热交换）、辐射散热（发射红外线）及传导散热（通过覆冰层传递）。覆冰后，覆冰层作为热阻会打破原有平衡——覆冰越厚，热阻越大，导线本体热量越难传递到表面，导致导线本体温度（T_c）与覆冰表面温度（T_i）的温差（ΔT1）显著增大。
不同。℃5达可覆冰类型的热特性差异明显：雨凇密度大（约900kg/m³）、导热系数高（0.5-0.8W/(m·K)），热阻小，相同厚度下ΔT1更小；雾凇密度小（约300kg/m³）、导热系数低（0.1-0.3W/(m·K)），热阻大，ΔT1更突出。例如，导线电流300A时，20mm厚雨凇的ΔT1约2℃，而雾凇可达5℃。
覆冰均匀性也会影。布分与度厚冰覆推响热分布：局部覆冰增厚区域的热阻更大，导线本体温度高于其他区域，在热像图中表现为“热点”。这种温度差异为红外检测提供了直接依据——通过ΔT1及热分布不均性，可间接反推覆冰厚度与分布。
红外热像的温度采集与特征提取
红外热像仪参数需匹配监测需求：分辨率≥320×240像素（清晰捕捉导线细节），测温范围-20℃至100℃（覆盖冬季环境与导线温度），帧频≥15fps（实时监测）。同时需校准发射率：裸导线氧化后发射率0.8-0.9，覆冰表面0.9-0.95，发射率设置错误会导致测温误差（如低估10%，温度偏低约2℃）。
测点选择遵循“代表性”原则：优先选导线平直段（避开接头、绝缘子等热源），每段导线取3-5个均匀测点，取平均值作为温度特征。提取的核心特征包括三类：导线本体温度（T_c，热像图中导线核心区域像素平均温度）、覆冰表面温度（T_i，覆冰边缘像素温度）、环境温度（T_a，同步传感器获取）。
关键特征是温差指标：ΔT1=T_c-T_i（与覆冰厚度直接相关）、ΔT2=T_i-T_a（反映覆冰与环境热交换强度）。例如，覆冰厚度从5mm增至30mm时，ΔT1从1℃升至8℃，ΔT2从-1℃变为-3℃。这些温差是后续模型计算的基础。
基于热阻模型的覆冰厚度推算
热阻模型是间接测厚的核心理论。覆冰层热阻R_ice=δ/(λ·A)（δ为覆冰厚度，λ为导热系数，A为导线换热面积）。结合导线热平衡方程：P_joule+P_solar=P_conv+P_rad+P_ice（P_joule=I²R，P_solar为太阳辐射热，P_conv为对流散热，P_rad为辐射散热，P_ice为覆冰传导散热），可推导出δ与ΔT1的关系。
夜间无太阳辐射时，热平衡简化为P_joule=P_conv+P_rad+P_ice，此时ΔT1与δ成正比。例如，忽略太阳辐射后，ΔT1=δ·(I²R)/(λ·A·(h+εσ(T_i²+T_a²)(T_i+T_a)))（h为对流换热系数，ε为发射率，σ为斯蒂芬-玻尔兹曼常数）。
导热系数λ需根据覆冰类型修正：雨凇取0.6W/(m·K)，雾凇取0.2W/(m·K)。例如，某线路环境温度-7℃、湿度75%（雾凇），ΔT1=6℃，计算得δ=25mm，与实际测量值（24.5mm）误差仅2%。
环境因素的补偿方法
风速、太阳辐射、湿度会干扰温度特征，需通过补偿模型修正：
1、风速补偿：风速越大，对流换热系数h越大，T_i越低，ΔT1偏大。补偿公式ΔT1_corr=ΔT1/(1+0.1v)（v为风速，m/s）。例如，风速从1m/s增至5m/s时，ΔT1从5℃升至7℃，补偿后为5.8℃，更接近真实值。
2、太阳辐射补偿：白天太阳辐射使T_i升高，ΔT1偏小。先获取辐射强度Q_solar（W/m²），计算修正系数k_s=0.001·Q_solar，再修正ΔT1_corr=ΔT1+k_s。例如，Q_solar=200W/m²时，k_s=0.2，ΔT1从3℃修正为3.2℃。
3、湿度补偿：高湿度（RH>80%）使覆冰表面结露，发射率升高（ε可达0.98），导致T_i偏高。补偿方式ε_corr=0.92+0.01·(RH-50)（0.92为覆冰基准发射率）。例如，RH=90%时，ε_corr=0.96，T_i从-2℃修正为-3℃。
数据融合与机器学习算法优化
单一特征精度有限，需融合多源数据（ΔT1_corr、ΔT2、风速v、湿度RH、电流I），用机器学习提升精度。常用算法包括：
1、随机森林（RF）：以5个特征为输入，覆冰厚度为输出，构建100-200棵决策树投票预测。某实验用500组数据训练RF，测试集决定系数R²=0.92，均方误差MSE=0.8mm，比单一热阻模型（R²=0.85、MSE=1.5mm）提升明显。
2、BP神经网络：输入层5个特征，隐藏层2层（10神经元/层），输出层1个变量（覆冰厚度），用梯度下降法优化权重。现场测试中，BP模型预测误差≤3%，满足工程需求。
特征选择需基于相关性分析：ΔT1_corr与覆冰厚度相关性最高（0.89），其次是电流I（0.72）、风速v（0.65），保留相关性≥0.6的特征可避免冗余。
实验验证与误差分析
实验室验证：人工气候室模拟-5℃、90%湿度、1m/s风速环境，导线包裹5-30mm厚雨凇与雾凇，红外采集数据。结果显示：雨凇误差≤4%，雾凇≤3%（雾凇热阻大，ΔT更明显，精度更高）。
现场验证：湖南某220kV线路安装红外热像仪与气象站，连续监测1个月。覆冰厚度15mm时，预测值14.5mm（误差3.3%）；30mm时，预测值29.2mm（误差2.7%）。
误差来源包括：测点偏差（选在接头处，T_c偏高，ΔT1偏大，预测厚度偏多）、设备未校准（测温误差±0.5℃）、覆冰类型误判（混合覆冰误判为雨凇，λ偏大，预测厚度偏小）。
实际应用的注意事项
1、检测时机：优先夜间或阴天（无太阳辐射），此时热平衡稳定，ΔT更准确，误差比白天低2-3个百分点。
2、设备安装：红外热像仪装在导线侧方（与轴线夹角45°），避免逆光，高度高于导线5-10m，覆盖至少20m导线段。
3、数据传输：用5G/4G实时传输数据到后台，云平台计算预警——覆冰厚度超10mm时触发短信报警，提醒融冰。
4、定期维护：每季度用黑体炉校准热像仪，每年清洁镜头，确保设备性能稳定。