智能电网脆弱性综合评价模型的构建方法研究

刘自南

(重庆机场集团有限公司,重庆 401120)

电网脆弱性指电网的结构或状态等范畴内的故障可能性,用于标定电网的设计、运行等过程的故障可能。当电网脆弱性出现显著表达时,电网可能出现部分连锁故障或者衍生故障,给电网的稳定性、可靠性带来消极影响。早期研究中,会就电网的结构、状态、环境、管理、设备、信息等范畴进行脆弱性评价,而随着智能电网的逐渐部署,全面构建电网脆弱性模型成为当前的研究重点。特别是在智能电网条件下,构建以信息脆弱性为核心的电网脆弱性指标,将其他脆弱性要素向信息脆弱性进行指标统一,成为最新研究热点。

张至美等[1]基于合作博弈方法,对电网支路的脆弱性评价指标进行了设计研究。孙春红等[2]构建了电网脆弱性评价指标,并在气象灾害扰动下,对电网灾害性事故进行了预测分析。孙亮等[3]针对智能电网运行环境,对电网脆弱性指标进行了构建研究。周依希等[4]基于反熵算法,在采用层次分析法(analytic hierarchy process,AHP)分析的基础上,对电网特定节点的脆弱性评价模型进行了研究。

1 智能电网脆弱性的评价目标及评价需求

1.1 基本评价需求

对智能电网的脆弱性指标进行AHP分析,可以分为环境、状态、管理、结构、设备、信息6个分类,每个分类下还有若干子分类[5]。其中结构脆弱性、设备脆弱性属于系统结构状态脆弱性,并且在系统运行过程中,除非出现严重故障或更换配件等情况,这些评价指标基本保持不变。管理脆弱性与结构脆弱性、设备脆弱性的原理是一致的,除非发生管理流程或组织结构变革,否则评价指标保持不变。管理脆弱性受管理体系影响,相对于设备和结构,管理体系的变更难度更小、变更频率更高。环境脆弱性通常通过结构、设备和状态进行推算,推算过程基于系统在面对各种环境威胁时的自愈能力确定。如图1所示。

图1 智能电网脆弱性的AHP分析

综合上述分析可知,电网结构和设备等脆弱性评价主要依赖于电力建造信息模型(BIM)系统提供的数据;而信息和状态等脆弱性评价主要依赖于电力监测系统提供的数据;管理脆弱性则主要依赖于企业资源计划(ERP)系统和办公自动化(OA)系统提供的数据;环境脆弱性则主要依赖于其他脆弱性评估结果。如图2所示。

图2 智能电网脆弱性的评价指标数据来源

1.2 6个指标的评价需求

前面的6个指标包括管理、结构、设备、信息、状态和环境,如果应用于机器学习,则应投影在[0,1]区间上。而最终的智能电网脆弱性指标,也应投影在[0,1]区间上。当相应脆弱性评价结果低于0.600时,认为该项存在较显著的脆弱性风险。而当最终智能电网脆弱性评价结果低于0.850时,即认为电网的脆弱性表现显著。

将神经网络输出值整定到[0,1]区间上的输出节点模式有两种:

其一是直接在输出节点上进行二值化处理,即

(1)

式中:Y为节点输出值;Xi为节点输入值;A、B为待回归变量;e为自然常数,此处e取近似值2.718 28。

其二是在解模糊过程中使用去量纲投影算法(minmax)进行长数列投影整合:

(2)

式中:xmin、xmax为系统输出值的稳定长数列的最小值和最大值,Mi为当前输入值对应的经过[0,1]投影的输出值。

经过二值化处理的[0,1]区间的结果更接近0.000或者1.000,输出数据的投影关系会出现二值化结果。而采用去量纲投影算法得到的[0,1]区间投影,虽然可以保持基本线性的投影关系,但需要在输出端解模糊过程中存储较长时间得到的输出值构成长数列,此数列的元素个数直接关系到最终输出结果的稳定性。本文使用后者进行[0,1]区间投影,且通过合理的平权算法确保该值的稳定性[6]。

因为该理论长数列中仅最大值和最小值对最终输出结果有效,所以可以在系统运行周期内保持一个最大值寄存和最小值寄存,并使用该寄存值构成投影算法。如图3所示。

图3 输出值的解模糊方案

因为本文所提算法中神经网络模块会提供6个指标的输出数值,且有后置神经元网络模块对该6个输出数值进行综合神经网络深度迭代回归分析,并提供第7个输出数值,所以上述解模糊方案应独立运行7次,以获得7个不同的脆弱性评价结果。

2 针对脆弱性评价的模糊神经元网络算法设计

2.1 管理脆弱性的模糊神经元网络算法设计

之前的研究中,管理脆弱性评价过程偏主观,一般由专家组主观评价管理流程和管理体系,然后将主观评价指标综合得出管理脆弱性评价结果。本文拟研究一种基于机器辅助实时评价的方案,以提供纯客观的管理脆弱性评价过程。

该方案使用ERP系统和OA系统中的电网调控流程数量、流程完整度和流程完成效率等客观分析数据。其中,电网调控流程数量是指ERP系统和OA系统中与操作票编制、调控日志提交确认、值班数据提交确认等相关流程的总数,以及每天相应流程的发起数。流程完整度是指完成所有相关节点电子戳确认的流程占总流程的比例,用于分析所有相关流程的执行情况。流程完成效率为考察时间区域内,所有发起流程至流程完成经历的时间周期。

由此可知,管理脆弱性的神经网络输入端共3个输入变量,分别为1个Integer变量和2个Double变量(如图4所示)。将ERP系统和OA系统内部大数据转化为该3个神经网络输入变量的过程,即该模糊神经元的数据模糊过程。

图4 管理脆弱性评价的软件架构图

该神经元网络设定为3个输入量(1个Integer变量和2个Double变量)、1个输出量(1个Double变量),内部隐藏层设计为4层,分别为第1层5个节点、第2层11个节点、第3层5个节点、第4层1个节点。具体隐藏层分层的节点函数将在后面集中讨论。

2.2 结构脆弱性和设备脆弱性评价模糊神经元算法设计

本文从客观角度分析系统结构脆弱性评价结果如图2所示。目前,系统结构脆弱性评价结果基于BIM系统提供的系统结构数据,包括每个设备节点的拓扑学量化数据,如节点的运行电压、相关的物理连接设备和数据连接设备。而设备脆弱性数据则需要综合考虑电力监测系统中该节点在一定数据周期内的录波图数据。通过分析发现,结构脆弱性和设备脆弱性的评价都需要大量的数据输入和一个Double变量的评价结果输出。由于不同电网的网络拓扑学量化输入矩阵规模不同,并且录波图的数据量也不同,因此在并行输入所有数据时,需要充分整合这两组数据。整合方案采用TOPSIS归一化方案进行数据归一化处理,如图5所示。

图5 TOPSIS归一化模糊方案图

因为最终输出变量本质上是一个Double变量,所以用于分析结构脆弱性的神经网络B的输入值为1个Double变量,同时接收设备脆弱性的输出值(1个Double变量)作为辅助输入变量,而用于分析设备脆弱性的神经网络C的输入变量为3个Double变量(如图6所示)。神经网络B和C的隐藏层结构设计为4层,分别为第1层5个节点、第2层11个节点、第3层5个节点、第4层1个节点。具体隐藏层分层的节点函数将在后面集中讨论。

图6 结构脆弱性及设备脆弱性评价的软件架构图

2.3 信息脆弱性与状态脆弱性评价模糊神经网络算法设计

因为信息脆弱性和状态脆弱性的输入数据均为各节点的录波图数据,所以应用卷积神经网络算法在同一个神经网络架构中给出两个指标输出。其前置录波图归一化算法详见图5,神经网络采用3模块卷积的方式给予管理,如图7所示。

图7 信息脆弱性及状态脆弱性评价的软件架构图

图7中,神经网络模块D、E、F构成一个卷积神经元网络,其中D模块用于电流录波图的归一化数据输入,E模块用于电压录波图的归一化数据输入,D、F模块输出值导向输出模块A用作信息脆弱性的解模糊输出,E、F模块输出值导向输出模块B用作状态脆弱性的解模糊输出。具体隐藏层分层的节点函数将在后面集中讨论。

2.4 环境脆弱性评价模糊神经元网络算法设计

环境脆弱性评价的模糊神经元网络取之于上述5个指标的神经网络输出值,而非其解模糊输出后的值,如图8所示。

图8 环境脆弱性评价的软件架构图

该神经网络G的隐藏层结构设计为4层,分别为第1层5个节点、第2层11个节点、第3层5个节点、第4层1个节点。具体隐藏层分层的节点函数将在后面集中讨论。

2.5 智能电网整体脆弱性神经元网络算法设计

将图4、图6、图7、图8的算法架构进行整合,发现输出模块A、输出模块B、神经网络C、神经网络B、神经网络A、神经网络G等6个神经网络输出模块的输出值均对智能电网整体脆弱性提供数据支持,即神经网络H从上述6个神经网络模块中读入6个Double变量,最终输出1个Double变量,经过解模糊后,形成智能电网整体脆弱性的评价结果。如图9所示。

图9 智能电网整体脆弱性评价算法总架构图

由图9可以看到,整个网络的输入量共有4组,包括网络内各节点的电压录波图矩阵、电流录波图矩阵、经BIM系统的拓扑量化矩阵、经ERP系统和OA系统的数据模糊结果等。输出结果主要包括信息、状态、设备、结构、管理、环境等6个Double数据,能准确代表智能电网的整体脆弱性评价结果。

该神经网络H的隐藏层结构设计为4层,分别为第1层5个节点、第2层11个节点、第3层5个节点、第4层1个节点。具体隐藏层分层的节点函数将在后面集中讨论。

3 神经元网络节点设计

上述每个神经元网络模块的功能各不相同,但其统计学意义基本一致,且虽然其输入节点数有所不同,但其隐藏层设计受到统计学意义的影响,均为第1层5个节点、第2层11个节点、第3层5个节点、第4层1个节点。

其中,第1层、第2层按照6阶多项式回归函数进行设计,用于充分发掘数据细节,避免离群数据对最终结果的影响,其节点函数为:

(3)

式中:t为输入量总计数量,f为多项式阶数,Af为不同阶数多项式项中的待回归变量,Xt为节点输入变量集的第t个输入值。

第3层采用对数回归函数进行设计,用于放大靠近投影0点的数据,使数据细节得到充分体现,其节点函数为:

Y=∑(A·lnXi+B)

(4)

第4层采用线性函数进行设计,用于构建线性状态空间,使前面3层分析结果在统一状态空间中得到汇总,其节点函数为:

Y=∑(A·Xi+B)

(5)

综合上述隐藏层的节点设计,神经元网络A、B、C、D、E、F、G、H及输出模块A、B共10个神经元网络模块的隐藏层设计可统一汇总,详见表1。

表1 神经网络模块的输入输出参数设计表

4 结束语

本文通过模糊神经网络算法,针对4个数据来源采用不同的数据模糊方案,采用10个神经网络模块、7个相同算法的解模糊方案,最终得到7个[0,1]区间上的解模糊输出值。目前,该评价方法是一种最客观的智能电网评价方法,能实时评价智能电网脆弱性数据。较以往涉及到诸多主观评价的评价方案,该方案的客观性更强、实时性更强,与其他大数据挖掘系统相比,其评价数据结果更准确。