基于云模型的輸電線路運維檢修風險評估

宋麗，李鵬，許文韜，喬明明，周洵，饒果

（1.新疆大學，烏魯木齊 830046；2.國網湖南省電力有限公司超高壓輸電公司，湖南 衡陽 421002；3.湖南省電網建設有限公司，湖南 衡陽 421002）

0 引言

電力安全可靠供應對社會經濟發展意義重大，“十三五”期間我國建成一大批“西電東送”“北電南供”電力能源大動脈，打造了世界上電壓等級最高、安全運行紀錄最長的特大型電網，預計“十四五”期間全社會用電量將達9.85萬億kWh，成為名副其實的電力強國［1］。以華中某省級電網為例，該省作為華中地區能源資源匱乏省份和能源輸送的末端，能源供應長期存在壓力，隨著1 000 kV南陽-荊門-長沙特高壓線路的投運，進一步完善了華中電網“日”字型主網架，顯著提升了省間電力交換能力，保障華中電網系統安全運行，為該地區地區增加200萬～300萬kW供電能力，結合2017年投運的祁韶±800 kV特高壓直流工程，組成“一交一直”特高壓網架，電網進入交直流混聯電網新階段［2］。

超/特高壓輸電線路在能源大范圍跨區域配置中作用顯著，一般跨越短則數百公里、長則數千公里的地域進行電能輸送，需要途徑高原、森林、丘陵等不同地貌，長年累月經受風霜雨雪和雷暴山火的考驗［3］。為了確保輸電線路安全可靠運行，大量的電力工人工作在輸電線路運維檢修一線，時刻關注線路運行安全。隨著華中某地區現階段超/特高壓輸電線路密集投運，輸電線路運行維護檢修的電網、設備、人員各類安全風險逐年攀升，有必要對該地區輸電線路運維檢修過程中的風險進行評估，提出有效的風險管控措施［4-5］。

目前，國內外學者針對輸電線路運維檢修過程中的風險從不同角度進行了研究。基于研究對象不同，風險評估方法可大致分為輸電線路在線監測法［6］、氣象環境分析法［7］、層次分析法［8］等。文獻［9］構建了輸電線路覆冰在線監測實時預警及趨勢預警的雙動態預警模型，為輸電線路覆冰預警監測提供了良好的基礎。文獻［10］研究了祁韶直流特高壓輸電線路線夾組件概率疲勞脆性曲線，為輸電線路金具的易損位置及破壞機理分析提供了參考。部分學者針對雷擊、山火、覆冰和臺風等不同氣象條件下的輸電線路災害風險展開研究，建立相關事故預警模型，提出了一系列不同地理氣象條件下風險評估控制方法［11-14］。上述文獻從不同專業角度對輸電線路進行風險評估，并提出了專業性的控制策略。然而輸電線路運維檢修是一項涉及電網、設備、人員多方面安全風險管理的綜合工作，因此考慮輸電線路運維檢修全生命周期風險控制管理，降低線路運維檢修風險概率變得十分重要。

云模型風險評估方法［15］是一類應用廣泛的風險評估算法，具有風險分布云圖直觀可視以及風險嚴重程度量化評估的雙重優勢。為了進一步提高當前華中某地區超/特高壓輸電線路運維檢修過程中的關鍵風險因素識別能力，本文提出一種基于云模型的輸電線路運維檢修風險評估策略，梳理目前超/特高壓輸電線路運維檢修中的關鍵安全風險因素，進行風險因素組合權重賦權，基于云模型繪制關鍵風險因素云圖進行風險評估。

1 關鍵風險因素識別

工作風險結構分解法常用于工程項目的風險因素識別［16］。本文對華中某地區輸電線路從投運到正式運維檢修的各類工作任務進行分解，包括日常運維“六防”、專項停電檢修、應急帶電作業三部分。

1.1 工作任務分解

基于上述風險識別范圍，對華中某地區輸電線路運維檢修項目進行分解，將“項目”作為第一層，將日常運維“六防”、專項停電檢修、應急帶電作業作為第二層，再根據各部分涉及的工作流程、施工工藝逐步劃分第三層。輸電線路運維檢修項目工作任務分解如圖1所示。

圖1 輸電線路運維檢修項目工作任務分解Fig.1 Tasks breakdown for a transmission line operation and maintenance project

1.2 風險分解

對該地區輸電線路運維檢修工作的各類風險因素進行分解，涉及組織與管理風險、設備風險、環境風險三個專業領域，再按照各專業領域的內容和特征，依次劃分出第三層風險。風險分解如圖2所示。

圖2 輸電線路運維檢修項目風險分解Fig.2 Risk breakdown of a transmission line operation and maintenance project

1.3 關鍵風險因素篩選

輸電運維檢修項目全部工作過程涉及的風險點十分龐雜，為保證風險評價的有效性，利用模糊拓展集［17］計算專家投票得到的風險因素排序值。

式中：tA(xi)為贊成第i個指標納入關鍵風險因素的專家人數占專家總人數的比值；fA(xi)為反對第i個指標納入關鍵風險因素的專家人數占專家總人數的比值；πA(xi)為猶豫度函數，表示投棄權票的人數占比。

式中：SA(xi)為計算得到的風險因素排序值。

本文選取SA(xi)≥0.4作為篩選標準，表示贊成減去反對的票數占總樣本人數四成以上則認定該風險因素為關鍵風險因素，得到16項輸電線路關鍵風險因素排序如表1所示。

表1 關鍵風險因素排序Table 1 Ranking of key risk factors

2 組合權重計算

篩選出的16項關鍵風險因素排序是一類偏主觀的定性排序，客觀性體現不足，需要另外計算其客觀權重，用以得到關鍵風險因素組合權重，使得后續風險評價與風險應對策略更加科學。

本文采用熵權法進行風險因素組合賦權權重計算。

步驟1：計算主觀權重ωAi。

以“運維管理制度風險”為例，可得該風險因素主觀權重為0.086。同理，計算剩余評價指標的主觀權重，得到16項風險因素主觀權重如表2所示。

表2 關鍵風險因素主觀權重Table 2 Subjective weights of key risk factors

步驟2：再次邀請專家學者對16項關鍵風險因素進行風險等級打分，收集評分結果形成風險因素打分表，對應的評分分值區間如表3所示［18］。

表3 風險評分分值Table 3 Risk score

步驟3：計算各關鍵風險因素在專家打分所形成的風險評價值比重rij。

式中：rij為專家打分所形成的風險評價值比重；Qij為各個關鍵風險因素專家打分值。根據專家打分得到“運維管理制度風險”分值比重為0.078。

步驟4：計算評分信息熵值Hij。

根據專家打分可得“運維管理制度風險”信息熵值為0.998。

步驟5：計算客觀權重ωBi。

“運維管理制度風險”客觀權重計算算例如式（7）所示。

同理可得其他關鍵風險因素的客觀權重如表4所示。

表4 關鍵風險因素客觀權重Table 4 Objective weight of key risk factors

步驟6：通過對比表2和表4，可以看出16項關鍵風險因素的主、客觀權重差異較大。線性加權法［20］側重于對多類權重差異較大的指標進行權重組合，因此本文選用線性加權法計算組合權重。

式中：γ和σ分別為主、客觀賦權的賦值加權系數；ωCi為組合權重。

考慮到風險識別對象是電力特種行業，主觀權重重點體現人身和設備安全效益，客觀權重更多體現社會經濟效益，主觀權重的重要性應大于客觀權重，因此設定賦值加權系數γ≥σ，這也更符合本文研究對象的實際情況。定義主、客觀權重值差異函數為d(ωAi，ωBi)，與賦值加權系數滿足如下關系式［18］：

計算可得各個關鍵風險因素組合權重，以二級風險因素“運維管理制度風險”為例，其組合權重風險值為：

對應的一級風險風險因素“管理風險”的組合權重風險值為：

同理可計算出全部16項關鍵風險因素的組合權重，結果如表5所示。

表5 關鍵風險因素組合權重Table 5 Portfolio weights of key risk factors

3 基于云模型的輸電線路運維風險評估

在進行輸電線路運維風險評估之前，首先要建立風險評價標準云，計算風險評價標準云參數(Ex1，En1，He1)。以表3中的“低風險”標準云模型參數B∈[0，2)為例，可得標準云參數如下：

式中：Ex1為云模型期望；En1為熵；He1為超熵，一般取值0.15［15］。同理可得標準云模型參數如表6所示，風險評價標準云圖如圖3所示。

表6 標準云模型參數Table 6 Standard cloud model parameters

圖3 風險評價標準云圖Fig.3 Cloud chart of risk assessment criteria

3.1 云模型參數求解

求解二級風險因素和一級風險因素的云模型參數，而后進一步求解得到研究對象綜合整體風險云模型參數。以二級風險因素“運維管理制度風險”為例，根據式（13）可求解得到其樣本均值和樣本方差S211：

該二級風險因素的云參數為：

因此二級風險因素“運維管理制度風險”的評價云參數為（6.9，0.68，0.3）。

再以一級風險因素“管理風險”為例，已知其組合權重為0.507，則對應的一級風險因素“管理風險”云參數計算如下：

同理可以求得所有風險因素的整體云模型參數如表7所示。

表7 整體云模型參數Table 7 Overall cloud model parameters

3.2 云模型風險評估

根據計算得到的16類關鍵風險因素的云參數計算結果，分別對3類風險進行云圖風險評估。

1）“管理風險”云圖參數為（2.75，0.71，0.34），在標準云圖中的對比如圖4所示，分析可知“管理風險”云圖大部分處于較低風險區間，為較低風險水平。

圖4 管理風險對比云圖Fig.4 Cloud chart of management risk comparison

2）設備風險云圖參數為（4.72，0.73，0.31），在標準云圖中的對比如圖5所示，分析可知設備風險云圖大部分處于標準云圖的中度風險區間，為中度風險水平。

圖5 設備風險對比云圖Fig.5 Cloud chart of equipment risk comparison

3）環境風險云圖參數為（4.9，0.8，0.23），在標準云圖中的對比如圖6所示，分析可知環境風險云圖大部分處于標準云圖的中度風險區間，為中度風險水平。

圖6 環境風險對比云圖Fig.6 Cloud chart of environment risk comparison

4）總體風險云圖參數為（3.79，0.74，0.31），在標準云圖中的對比如圖7所示，分析可知總體風險云圖處于標準云圖的較低風險與中度風險區間。

3.3 歸一化評估風險相似度

風險云圖可對研究對象風險屬性進行較為直觀的定性分析，但是各種風險因素在不同風險區間的符合程度需要歸一化為相似度百分比，從而定量評估安全風險。在云圖對比分析的基礎上，計算得出評價風險云與標準云的量化相似度，實現風險云圖量化評價。

3.3.1 云相似度計算

云相似度δi計算方法如下：

1）計算評價云正態分布數xk。

式中：Enk表示以En為期望、H2e為方差的隨機正態分布數；xk表示以Ex為期望、E2nk為方差的隨機正態分布數。

2）計算標準云正態分布數E'nk。

式中：E'nk表示以Enq為期望、H2eq為方差的隨機正態分布數。

3）計算xk在E'nk中的隸屬度μkq。

式中：Exq為不同風險區間標準云的期望值。

4）評價云與標準云相似度計算。

式中：N為歸一化計算程序循環計算符合評估精度的次數。

3.3.2 風險相似度結果分析

由于歸一化計算量較大，本文采用MATLAB仿真軟件進行計算，單輪歸一化循環次數為5 000，歸一化計算得到華中某地區輸電線路運維檢修總體風險和一級風險相似度百分比如表8所示，二級風險相似度百分比如表9所示。

表8 總體風險和一類風險相似度百分比Table 8 Percentage of similarity of overall risk and class-1 risk

表9 二類風險相似度百分比Table 9 Percentage of similarity of class-2 risk

由表8、表9可知，通過云模型評估得到華中某地區輸電線路運維檢修總體風險為較低風險。

1）一級風險因素“管理風險”為較低風險。其中，“運維管理制度風險”二級風險因素為較高風險，“高空作業風險”二級風險因素為中度風險，均需要采取有效風險控制措施。

2）一級風險因素“設備風險”為中度風險。其中，“施工材料質量風險”為較高風險，“線路桿塔施工工藝風險”“金具銹蝕斷裂風險”和“桿塔基礎損傷風險”均為中度風險，需要采取有效風險控制措施。

3）一級風險因素“環境風險”為中度風險。其中，“線路通道速生樹竹跳閘風險”為較高風險，“運維項目資金安全風險”“輸電線路導地線覆冰跳閘風險”和“線路雷擊跳閘風險”和“線路保護區范圍內山火風險”均為中度風險，需要采取相應風險控制措施。

3.4 風險控制效果評估

為了更好地評估風險控制效果，對施加控制決策后的各個風險因素進行云模型參數調整，調整規則如下：內部重要風險因素在采取一系列有效控制措施后，各風險因素云模型參數期望值減少2；外部重要風險因素在采取有效控制措施后，各風險因素云模型參數期望值減少1［18-20］。

施加控制措施后的華中某地區輸電線路運維檢修總體風險因素對比云圖如圖8所示，可以看出，采取風險控制措施后，風險云圖由原先的中度風險向較低風險移動明顯，穩定在較低風險左側，總體風險云圖基本落在標準云圖的較低風險區間，風險控制效果較為理想。

圖8 施加控制措施后總體風險對比云圖Fig.8 Cloud chart of overall risk after control measures applied

此外，對施加控制措施后的總體風險評價云參數與標準評價云參數進行相似度百分比計算，結果顯示該地區某輸電線路運維檢修的總體風險呈現較低風險的概率由原先的73.7%提升至98.2%，中度風險發生概率由原先的26%降至0.9%。

4 結語

本文基于云模型對華中某地區輸電線路運維檢修關鍵風險因素進行風險評估，得到了3類一級風險因素和16類關鍵風險的云模型參數，通過繪制風險因素云圖并與標準云圖進行比對，識別出重點風險因素11項，采取風險控制措施后，對各風險因素進行再評估，結果顯示中度風險發生概率由原來的26%降至0.9%。研究成果為華中某地區輸電線路運維檢修風險控制提供了可行思路。