基于神經網絡的電力系統設備安全風險評估

李東有

摘 要：電力系統作為國民生活的重要部分，其設備安全風險評估意義重大。電力系統設備如果頻繁發生故障，可能會引起事故發生，給國家和人民造成巨大的損失。本文闡述了電力系統設備安全風險評估指標的選擇原則以及電力系統設備安全風險評估體系的構造方法。將硬件設備、軟件設備、信息系統安全、網絡系統安全以及供配電質量作為評估體系的指標，利用主成分分析法對這6項指標進行提取，提取結果將作為硬件設備的一項特征指標，其他因素作為一項綜合指標。以BP神經網絡為理論基礎，在設定電力系統設備安全風險特征值的前提下，給出了電力系統設備安全風險的評估方法。

關鍵詞：電力系統;安全風險評估;主成分分析;神經網絡

中圖分類號：TM732文獻標識碼：A文章編號：1003-5168（2021）25-0057-03

Safety Risk Assessment of Power System Equipment Based on Neural Network

LI Dongyou

（State Grid Changchun Power Supply Company， Changchun Jilin 130012）

Abstract： As an important part of national life， power system equipment safety risk assessment is of great significance. If power system equipment fails frequently， it can cause accidents and property losses to the country and people. This paper expounds the selection principle of power system equipment safety risk assessment index and the construction method of power system equipment safety risk assessment system. Hardware equipment， software equipment， information system security， network system security and power supply and distribution quality are taken as the indicators of the evaluation system. The six indicators are extracted by principal component analysis. The extraction result is that hardware equipment is taken as a characteristic index and other factors are taken as a comprehensive index. Based on BP neural network theory， the evaluation method of power system equipment safety risk is given on the premise of setting the characteristic value of power system equipment safety risk.

Keywords： power system;security risk assessment;principal component analysis;neural network

20世紀以來，安全科學不斷發展，各項理論體系不斷完善[1]。安全風險主要是指事故出現的可能性，其包括影響因素、風險事件以及事件損失[2]。因此，在現實生活中，風險評估具有十分重要的意義。風險評估的主要手段是將定量方法與定性方法相結合，對整個系統的狀況進行評估，并將評估結果應用到實際生產中，從而保證生產安全。就電力系統而言，安全風險包括以專家經驗為基礎和以特定評估算法為基礎的評估原理。以專家經驗為基礎的評估是指在風險評估體系建成之后，相關部門組織電力專家針對體系中的各項指標及權重進行評價，根據評價結果計算各項風險的發生率，最終確定風險值[3]。層次分析法等模糊數學理論以及熵權系數法是應用較為廣泛的評估方法。層次分析法是將評估對象的結構關系進行層次結構化，構造判斷矩陣使兩兩因素之間進行比較，考慮相對值[4];在確定某一準則層的比重后，再綜合考慮準則層對目標層的影響。熵權系數法是在各項指標權重的計算中加入信息熵的概念，當系統發生事故的概率越接近于50%時，熵值便會越大[5]。之后，判斷指標之間的相對權重，綜合計算各項指標對目標層的權重，進而得到精確的評估模型。除此之外，作為交叉學科理論的神經網絡也是電力系統安全風險評估的重要應用理論。神經網絡模型包括感知器、反傳網絡等30多種模型[6]。本文將以BP（Back Propagation）神經網絡為基礎，評估電力系統設備的安全風險。

1 相關概念

電力系統裝備安全風險評估的意義在于了解該系統設備當前或將來發生問題的位置，并對這些問題提出合理的應對措施[7]。評估過程比較復雜，大致可分為三部分：一是電力系統設備安全風險評估指標的確定;二是電力系統設備安全風險評估體系的構造;三是電力系統設備安全風險評估方法的確定。

1.1 電力系統設備安全風險評估指標

電力系統設備安全風險評估指標必須能夠全面反映電力系統的信息[8]。因此，在挑選電力系統設備安全風險評估指標時，需要遵循以下原則：①科學性，所選的設備指標反映評價內涵和目標;②通用性，由于所建立的評估模型需要適用于不同地區，因此所選的設備指標應滿足多個區域的評估要求;③可操作性，所選擇的設備指標應該易于量化，便于模型的計算及操作;④獨立性，若指標之間存在一定的聯系，則會造成錯誤的評價結果，因此，為使得結果合理，應保持指標的獨立性;⑤前瞻性，所選設備的指標應符合電力系統的發展方向，順應其發展潮流[9]。

1.2 電力系統設備安全風險評估體系

電力系統設備安全風險評估體系應具有層次化的結構，同時能夠合理反映該系統設備的風險水平。不同的電力系統應該對應不同的層次結構。

2 電力系統設備安全風險評估過程

2.1 評估指標的確定

根據評估指標的確定原則，將硬件設備、軟件設備、信息系統、網絡系統及供配電質量作為該模型中的評估指標。采集相關數據，并利用主成分分析法，將5種指標進行分類，如圖1所示。

圖1中橫坐標“1～5”分別代表硬件設備、軟件設備、信息系統、網絡系統以及供配電質量，縱坐標代表影響系數。從圖1中折線的斜率變化可以看出，第1項可作為一類指標，第2、3、4、5項可作為一項綜合評估指標。據此，可將第1項和綜合評估指標作為參考量，依據BP神經網絡模型進行評價。

2.2 神經網絡模型

神經網絡模型[10]起源于神經生物學。它的計算過程類似于生物學中的神經元的反應過程。神經元數學模型如圖2所示，圖中的符號說明如表1所示。其中，f[u]₁決定了在輸入x_1，x₂，…，x_n的共同作用下，達到閾值[θi]的輸出形式。

圖3是兩種激發函數的圖像[11]。本文采用的模型使用第二種激發函數。

其中，單個神經元的完整數學模型表達式為

BP神經網絡是一種多層前向網絡，以最小均方誤差計算為基礎。當反向傳播算法應用至前饋多層網絡時，將Sigmoid當作激發函數，并根據以下步驟對w_ij進行遞歸求取計算。對于每層具有n個神經元時，對于第[k]層第i個神經元，則有n個權系數w_i1，w_i2，…，w_jn。此外，選取多一個w_jn+1用來表示θ_i。在輸入樣本[x]時，取x=x₁，x₂，…，x_n，1。

①對w_ij賦值。對各層的w_ij賦一個比較小的非零隨機數，同時w_jn+1=-θ_i。因為本模型利用MATLAB運行，所以該賦值過程是計算機的隨機過程。正因如此，不同運行階段，相同的程序代碼所得結果可能會出現差異。

②輸入樣本值x=x₁，x₂，…，x_n，1，對應期望輸出y=y₁，y₂，…，y_n，1。

③計算各層的輸出，對于第k層第i個神經元的輸出x_ik，有

⑥當求出各層各個權系數之后，可以按照既定標準判斷是否符合要求。如果不符合，則返回第③步，反之結束計算。

3 評估結果

依據實際情況進行特征值設置。針對相關的電力專家進行問卷調查，為電力系統安全風險設定評價標準。經處理，調查結果如表2和表3所示。

利用MATLAB依據BP神經網絡的計算步驟，編寫程序獲得特征值的平面分布圖，結果如圖4所示。圖4中，“*”代表電力系統設備安全風險較高的區域，“〇”代表電力系統設備安全風險較低的區域。將被測對象的指標參數對應特征值的分布區域，即可判斷出被測對象的風險等級。

4 結語

將BP神經網絡模型應用到電力系統設備安全風險的評估中，在主成分分析計算步驟的基礎上，以實際調查的方式進行數據采集，從數據的角度客觀反映評估情況。與其他電力系統設備安全風險評估方案相比，該評估模型適用范圍更廣，操作更方便。雖然在實際生活中BP神經網絡在風險評估上的應用比較廣泛，但是一旦訓練誤差估算不合理，就可能出現計算結果不正確的現象，因此需要合理估算誤差。

參考文獻：

[1]羅義釗，梁海濤，柳玉鑾，等.電力通信網風險評估系統的研究[J].通信電源技術，2020（7）：41-45.

[2]文佳.人工智能算法的船舶電力系統安全風險評價[J].艦船科學技術，2020（20）：71-73.

[3]戴祖峰.基于BS7799的安全風險評估系統的研究及設計實現[D].西安：西安電子科技大學，2004：56.

[4]周孝信，史東宇，陳勇，等.基于卷積神經網絡的電力系統暫態穩定預防控制方法[J].電力系統保護與控制，2020（18）：1-8.

[5]周亮，袁烈偉，向堯.基于模糊神經網絡的配電網空間負荷預測方法研究[J].通信電源技術，2020（4）：32-33.

[6]何永貴，劉江.基于組合賦權–云模型的電力物聯網安全風險評估[J].電網技術，2020（11）：8.

[7]許偉強.基于ISM的電力事故安全風險評價研究[J].機電信息，2020（14）：142-143.

[8]熊蕾.GA-BP神經網絡在船舶供電網絡評價中的應用[J].艦船科學技術，2020（16）：113-115.

[9]蔣航，劉進，熊俊，等.基于線路二次設備實時信息的保護定值風險評估研究[J].電力系統保護與控制，2020（4）：103-109.

[10]于文滔，楊芳.基于BP神經網絡的架空輸電線路樹障隱患預測技術研究[J].通信電源技術，2020（2）：15-18.

[11]郭昊，何小蕓，孫學潔，等.國家電網邊緣計算應用安全風險評估研究[J].計算機工程與科學，2020（9）：1563-1571.