融入a tten tion機制的臺風風險預警模型

李曉帆

（昆明能訊科技有限責任公司，昆明 650217）

0 前言

臺風是一種可以給沿海地區(qū)電網(wǎng)造成巨大破壞的自然災害，中國東南沿海地區(qū)正是臺風災害頻發(fā)的地區(qū)。對于強臺風環(huán)境下的地區(qū)電網(wǎng)，臺風的強風可導致輸配電網(wǎng)中的電氣設(shè)備產(chǎn)生結(jié)構(gòu)性損傷，影響供電穩(wěn)定性。在電網(wǎng)設(shè)備中，桿塔是最易被臺風影響的大型設(shè)備，從中國東南沿海電網(wǎng)歷史臺風災損統(tǒng)計結(jié)果來看，絕大多數(shù)的倒塔與斷桿主要發(fā)生在強風圈內(nèi)，顯然風速對桿塔的影響是巨大的。現(xiàn)在的絕大部分臺風預警型都是以臺風的預測風速為基礎(chǔ)進行預警，但是顯然輸電桿塔的故障并不只取決于風速這一個特征，可是由于其他的特征數(shù)據(jù)太少且數(shù)據(jù)質(zhì)量不高，難以和臺風故障相關(guān)聯(lián)，所以很難進行分析和建模，那么如何從這些復雜數(shù)據(jù)中提取出有用的信息，用來進一步完善臺風預警模型就很值得研究。

1 主要影響因素分析

電網(wǎng)設(shè)備臺風預警相關(guān)的數(shù)據(jù)特征主要分布于三個維度：氣象、地形、設(shè)備。

由于臺風路徑的隨機性，風圈半徑的變化以及對電網(wǎng)組件損害的不確定性等，需要充分考慮到臺風破壞風險的事故前預備程度。

通過對臺風相關(guān)資料的查詢以及獲取到的數(shù)據(jù)分析，臺風對電網(wǎng)的影響主要體現(xiàn)在幾個方面，輸電線路斷線，倒塔以及水淹，伴隨著各種故障引起的線路跳閘事故則是最多的，而這些情況自然和臺風自身的風速以及降雨量有極強的相關(guān)性。從氣象臺可以得到實時以及預測的臺風風速，臺風風圈以及臺風移動路徑，降雨等數(shù)據(jù)，也可以在GIS 系統(tǒng)中獲得相應位置的地理環(huán)境數(shù)據(jù)，結(jié)合電網(wǎng)內(nèi)部的設(shè)備狀態(tài)數(shù)據(jù)，可以使用機器學習模型給出臺風到達之前的電網(wǎng)災害預警，以及臺風經(jīng)過時的電網(wǎng)實時狀態(tài)評估。

1.1 數(shù)據(jù)處理與分析

通過對海南電網(wǎng)2014 年至今設(shè)備缺陷和故障的統(tǒng)計分析，電網(wǎng)設(shè)備在臺風期間受臺風的影響主要包括設(shè)備的地形環(huán)境、設(shè)備參數(shù)、氣象環(huán)境的影響。然而由于電網(wǎng)對臺風的損失統(tǒng)計都是在臺風過后進行，因此數(shù)據(jù)僅有一個大概的統(tǒng)計結(jié)果，時效性很差，并且不夠細致，并不能作為建立模型的可用數(shù)據(jù)。因此我們另辟蹊徑，從95598 的故障單來尋找信息。

95598 的故障單是根據(jù)用戶的實時電話進行記錄，因此在時效性上很強，且自帶地點信息，雖然地點不夠準確，但是也可以確定所在的縣市等。但是工單報的故障是否和臺風有強相關(guān)性就需要進一步分析了。

以下是從2016 年到現(xiàn)在海南省各地區(qū)95598 在正常日收到的日平均故障報告與臺風日收到的日平均故障報告的對比圖如表1 所示：

表1 正常天與臺風天故障報告次數(shù)對比

從上表中我們可以看到，在臺風經(jīng)過的日期中，日平均故障報告要明顯多于沒有臺風時的日平均故障報告，因此可以確定，95598 的故障報告單數(shù)據(jù)與臺風故障有著很強的關(guān)聯(lián)性，以此數(shù)據(jù)為標準建立模型是可以反應真實情況的。

由于各地區(qū)的桿塔數(shù)量不同，所以不能簡單的以報故障次數(shù)的多少來評判危險程度，那么我們可以分開來看每一個地區(qū)，用每一個地區(qū)平時的報故障次數(shù)和臺風期間的報故障次數(shù)來做歸一化處理，這樣就可以得到比較合理的故障危險程度了。

數(shù)據(jù)歸一化就是按一定方式將所有數(shù)據(jù)縮放到0-1 之間，歸一化方法：

1.2 氣象特征

通常情況氣象特征有很多，例如溫度、濕度、風速、風向、降雨等，跟臺風相關(guān)的大概有風速、風向、降雨，但是風向和降雨只有在特定情況下才會對輸電桿塔造成影響，比如風向和輸電線路形成一定角度的時候，降雨在某些特定的地形條件下可以對輸電設(shè)備造成淹沒或侵泡的時候，這些數(shù)據(jù)很難做進一步處理，與其他相關(guān)數(shù)據(jù)進行關(guān)聯(lián)，成為可以進行桿塔風險模型建設(shè)的結(jié)構(gòu)化數(shù)據(jù)。

風速是對電網(wǎng)設(shè)備造成破壞的第一因素，風速越高破壞力越強，強風會導致主網(wǎng)和配網(wǎng)的桿塔倒塌，傾斜。風速數(shù)據(jù)根據(jù)氣象局的預測風圈決定。那么如何確定不同風力下輸電桿塔的危險程度呢，我們使用一個通用的指數(shù)型曲線函數(shù)擬合算法公式：

其中：V 是目前風速，Vmin為桿塔設(shè)計風速，Vex為桿塔的極限風速，K 為一個待定系數(shù)，在此次建模中，通過各種嘗試，我們?nèi)?.15。這樣就可以計算出風速對桿塔的影響系數(shù)，也就是風速危險系數(shù)，系數(shù)越大則代表桿塔越危險。

1.3 地形特征

由于配電網(wǎng)桿塔與架空線經(jīng)常需要貫穿一些復雜地形，從平原地區(qū)到高山地區(qū)，經(jīng)常伴隨著幾千米的海拔變化，而隨著海拔的變化，臺風經(jīng)過該地區(qū)時的風速也會受到相應的影響，因此對配電網(wǎng)所在地區(qū)微地形對臺風的影響進行分析和評估就對輸電線路在臺風經(jīng)過時的危險程度的評定有重大價值。

電網(wǎng)設(shè)備所處的地形也至關(guān)重要，在高坡或者山地等高海拔地區(qū)的設(shè)備受到風力的影響會更大，遠大于平原和洼地，然而由于高山地形也會對臺風的強度造成影響，導致臺風減弱，但是我們無法從具體地形去分析。從設(shè)備臺賬數(shù)據(jù)中，我們觀察到有桿塔所在的微地形數(shù)據(jù)，并且可以和所在區(qū)域關(guān)聯(lián)起來，那么通過剛才得到的每一區(qū)域的危險系數(shù)，可以把地形的特征加入建立一個線性回歸模型，來看每一種地形對不同危險的貢獻程度。

多元線性回歸就是用多個數(shù)據(jù)特征來線性擬合另一個特征，其公式如下：

建立了特征之間的對應關(guān)系之后，通過最小二乘法來尋找每個特征的最佳系數(shù)。普通最小二乘法通過最小化誤差的平方和尋找最佳參數(shù)，優(yōu)化公式如下：

我們從桿塔臺賬數(shù)據(jù)表中，找出四種最常見的地形：平原、丘陵、山地、高山，并建立線性回歸模型，地形線性回歸模型特征對照表如表2 所示：

表2 地形危險系數(shù)線性回歸對應表

最后，我們得到這四種地形對于臺風的危險系數(shù)如表3 所示：

表3 地形危險系數(shù)

1.4 設(shè)備特征

輸電桿塔的類型也對臺風經(jīng)過時桿塔的危險程度有很大影響，通常來說，輸電網(wǎng)中最多的輸電桿塔為耐張桿塔和直線桿塔，耐張塔需要承受架空線的拉力，所以在結(jié)構(gòu)設(shè)計上更為堅固；直線桿塔只需要承受架空線的自重，所以相比耐張塔來說，直線桿塔在自身的結(jié)構(gòu)強度上要弱一些。

我們同樣使用多元線性回歸擬合的方法，去得到桿塔類型的臺風危險系數(shù)。我們同樣選取最常見的四種類型桿塔：普通直線塔、普通耐張塔、普通直線桿、普通耐張桿，如表4 所示：

表4 桿塔類型危險系數(shù)線性回歸對應表

最后，我們得到這四種地形對于臺風的危險系數(shù)：

表5 桿塔類型危險系數(shù)

2 臺風危險區(qū)域預警模型

根據(jù)之前所做的地形危險系數(shù)、桿塔類型危險系數(shù)和臺風風速危險系數(shù)等特征的臺風危險系數(shù)結(jié)果進行線性疊加得到臺風對電網(wǎng)的不同的影響，建立預警模型，其中地形危險系數(shù)和桿塔類型危險系數(shù)是固定值，而臺風風速危險系數(shù)可以通過氣象臺所預報的臺風位置以及風速，對相關(guān)區(qū)域的桿塔設(shè)備進行風速危險系數(shù)計算，最后在做一次歸一化，后得到預警模型結(jié)果。

通過這樣的建模方法得到的危險系數(shù)有一個問題，就是通過歸一化后，無法看出每種特征對最后的危險系數(shù)的貢獻程度，而使用統(tǒng)一的系數(shù)。而這并不符合客觀情況，現(xiàn)實情況中或許在一些區(qū)域只有風速對結(jié)果產(chǎn)生影響，地形和桿塔類型的貢獻可以忽略不計，而由于地形和桿塔類型危險系數(shù)是固定值，會穩(wěn)定的對模型產(chǎn)生影響貢獻，我們嘗試引入attention 機制，對臺風預警模型不同特征的貢獻程度根據(jù)實際數(shù)據(jù)做一下調(diào)整。

2.1 attention機制融合

A ttention 機制實際上是一個編碼再解碼的過程，編碼算法和解碼算法可以根據(jù)情況自行選擇，最后，通過中間碼的大小來確定每一個特征的貢獻程度。這里我們選擇編碼和解碼都使用多層BP 神經(jīng)網(wǎng)絡。

深層人工神經(jīng)網(wǎng)絡（DNN，M LP），除了輸入輸出層，它中間可以有多個隱層。最簡單的MLP 需要有一層隱層，即輸入層、隱層和輸出層才能稱為一個簡單的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是仿生物神經(jīng)網(wǎng)絡而來的一種技術(shù)，通過連接多個特征值，經(jīng)過線性和非線性的組合，最終達到一個目標。如圖1 所示：

圖1 深層神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖

前向傳播指的是信息從第一層逐漸地向高層進行傳遞的過程。假設(shè)第一層為輸入層，輸入的信息為[x1,x2,x3]。對于層l，用Ll表示該層的所有神經(jīng)元，其輸出為yl, 其中第j個節(jié)點的輸出為yl(j),該節(jié)點的輸入為ul(j)，連接第l層與第（l-1）層的權(quán)重矩陣為Wl，上一層的第i個節(jié)點到第l層第j個節(jié)點的權(quán)重為wl ji。結(jié)合之前定義的字母標記，對于第二層的三個神經(jīng)元的輸出則有：

將上述的式子轉(zhuǎn)換為矩陣表達式：

將第二層的前向傳播計算過程推廣到網(wǎng)絡中的任意一層，則：

其中f(.)為激活函數(shù)，bl(j)為第l層第j個節(jié)點的偏置。

由于深層網(wǎng)絡的特殊性，普通的激活函數(shù)，例如sigmoid 容易在層與層間傳播時有梯度彌散，導致信息丟失，因此這里選擇leaky relu 作為激活函數(shù)，如圖2 所示：

圖2 relu激活函數(shù)圖

基本的模型搭建完成后，訓練的時候所做的就是完成模型參數(shù)的更新。由于存在多層的網(wǎng)絡結(jié)構(gòu)，因此無法直接對中間的隱層利用損失來進行參數(shù)更新，但可以利用損失從頂層到底層的反向傳播來進行參數(shù)的估計。對于網(wǎng)絡的最后一層第k層——輸出層，現(xiàn)在定義損失函數(shù)：

為了極小化損失函數(shù)，通過梯度下降來進行推導：

那么則有：

另有，下一層所有結(jié)點的輸入都與前一層的每個結(jié)點輸出有關(guān)，因此損失函數(shù)可以認為是下一層的每個神經(jīng)元結(jié)點輸入的函數(shù)。那么： 此處定義節(jié)點的靈敏度為誤差對輸入的變化率，即：

注意到上式中表達的是前后兩層的靈敏度關(guān)系，而對于最后一層，也就是輸出層來說，并不存在后續(xù)的一層，因此并不滿足上式。但輸出層的輸出是直接和誤差聯(lián)系的，因此可以用損失函數(shù)的定義來直接求取偏導數(shù)。那么：

至此，損失函數(shù)對各參數(shù)的梯度為：

2.2 建模并預測

建模使用多層BP 神經(jīng)網(wǎng)絡分類算法，通過隨機數(shù)來隨機生成風速數(shù)據(jù)，暫定風速區(qū)間為0-50m/s，得到不同的風速危險系數(shù)，最后將風速、桿塔類型、地形等數(shù)據(jù)作為分類模型特征，將得到的臺風危險系數(shù)作為目標值，建立多層神經(jīng)網(wǎng)絡，多層神經(jīng)網(wǎng)絡的中間層輸出就是我們得到的特征貢獻權(quán)重向量，最后我們根據(jù)這個特征權(quán)重，對響應的地形危險系數(shù)，或者桿塔類型危險系數(shù)，或者臺風風速危險系數(shù)做相應的加減，并再次做歸一化，最后得到最終的臺風危險系數(shù)。當然在實際預測中，風速數(shù)據(jù)來源于氣象臺的預報，最終得到的臺風風險系數(shù)經(jīng)過歸一化后是一個0-1 之間的值，我們可以根據(jù)需求來定制預警的閾值。