基于支持向量機(jī)的大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估

湯 偉, 王京景, 楊 鋮, 張大波, 劉 輝, 劉路登

(1.國網(wǎng)安徽省電力公司 電力調(diào)度控制中心,安徽 合肥 230022; 2.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院,安徽 合肥 230009)

基于支持向量機(jī)的大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估

湯 偉1, 王京景1, 楊 鋮1, 張大波2, 劉 輝1, 劉路登1

(1.國網(wǎng)安徽省電力公司 電力調(diào)度控制中心,安徽 合肥 230022; 2.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院,安徽 合肥 230009)

文章建立了綜合考慮電網(wǎng)結(jié)構(gòu)、運(yùn)行方式、設(shè)備工況、運(yùn)行環(huán)境和保電需求的電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估指標(biāo)體系。基于風(fēng)險(xiǎn)誘因、發(fā)生概率、影響對象、風(fēng)險(xiǎn)后果、持續(xù)時(shí)間等方面因素從電網(wǎng)的安全、經(jīng)濟(jì)、優(yōu)質(zhì)3個方面對電網(wǎng)運(yùn)行風(fēng)險(xiǎn)進(jìn)行全面分析。利用支持向量機(jī)(support vector machine,SVM)在有限樣本下能較好地對非線性模型進(jìn)行映射的優(yōu)點(diǎn),構(gòu)建了大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估模型,并利用專家層次分析法自適應(yīng)調(diào)整SVM決策函數(shù)的精度。算例結(jié)果驗(yàn)證了該方法的合理性。

運(yùn)行風(fēng)險(xiǎn);支持向量機(jī)(SVM);層次分析法;定量評估;自適應(yīng)

隨著特高壓輸電、交直流混聯(lián)以及分布式新能源的發(fā)展,電力系統(tǒng)的網(wǎng)絡(luò)拓?fù)浜瓦\(yùn)行方式日趨復(fù)雜,電網(wǎng)內(nèi)在和外在多種不確定因素導(dǎo)致的潛在風(fēng)險(xiǎn)如不能得到及時(shí)監(jiān)視和控制,將會對系統(tǒng)可靠性造成極大危害。影響大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的因素眾多,電網(wǎng)結(jié)構(gòu)、運(yùn)行方式、設(shè)備工況、運(yùn)行環(huán)境和保電需求等各種因素相互交織,使得風(fēng)險(xiǎn)的定量評估困難重重,學(xué)術(shù)界[1-2]和工業(yè)界[3]分別從不同角度對此展開了研究和實(shí)踐探索。

文獻(xiàn)[1]研究了涉及發(fā)電、輸電、變電、配電各個環(huán)節(jié)的電力系統(tǒng)風(fēng)險(xiǎn)評估模型,通過統(tǒng)計(jì)元件的故障率，結(jié)合網(wǎng)絡(luò)拓?fù)淠Ｐ驮u估系統(tǒng)故障后果及其概率。但是故障率主要是通過長期的歷史統(tǒng)計(jì)數(shù)據(jù)得到,因而評估結(jié)果主要反映電網(wǎng)的結(jié)構(gòu)風(fēng)險(xiǎn),不能反映設(shè)備工況、運(yùn)行環(huán)境以及保電需求對系統(tǒng)運(yùn)行風(fēng)險(xiǎn)的影響。鑒于這一問題,文獻(xiàn)[2]采用模糊數(shù)學(xué)方法研究了考慮氣象因素的架空線停運(yùn)模型,并應(yīng)用于輸電網(wǎng)風(fēng)險(xiǎn)評估中。由于造成電網(wǎng)潛在風(fēng)險(xiǎn)的因素眾多,只考慮氣象因素在實(shí)際大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估中還存在局限性。為了全面考慮各種因素對大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的影響,多種指標(biāo)體系被提出[3-4]。文獻(xiàn)[3]將風(fēng)險(xiǎn)指標(biāo)分為實(shí)時(shí)平衡、預(yù)防控制、事故程度、支持系統(tǒng)、運(yùn)行人員5類,從不同角度分別反映運(yùn)行風(fēng)險(xiǎn),但由于指標(biāo)分散,難以定量判斷電網(wǎng)整體狀況。

為構(gòu)建能反映大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的整體指標(biāo),評估出風(fēng)險(xiǎn)等級,有2種方法被提出。第1種通過評估電網(wǎng)事件的危害值和概率值的乘積作為風(fēng)險(xiǎn)指標(biāo),并以所有電網(wǎng)事件風(fēng)險(xiǎn)指標(biāo)的最大值做為大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級的定級依據(jù)。第2種利用層次分析法計(jì)算各種因素對電網(wǎng)風(fēng)險(xiǎn)影響的權(quán)重,然后加權(quán)平均來確定電網(wǎng)風(fēng)險(xiǎn)定級[4]。然而前一種最大值法無法反映多種因素在電網(wǎng)風(fēng)險(xiǎn)中的累積作用,后一種加權(quán)平均法則有可能淹沒風(fēng)險(xiǎn)嚴(yán)重的指標(biāo),從而低估電網(wǎng)風(fēng)險(xiǎn)。注意到這一問題,文獻(xiàn)[5]綜合考慮風(fēng)險(xiǎn)指標(biāo)的木桶效應(yīng)、異常個體效應(yīng)、平均值效應(yīng)設(shè)計(jì)了一種變權(quán)重層次分析法,當(dāng)風(fēng)險(xiǎn)指標(biāo)接近風(fēng)險(xiǎn)臨界值時(shí)人為提高其權(quán)重,這種方法不但臨界值難以確定而且變權(quán)機(jī)制還有待商榷。大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級與各影響因素之間存在復(fù)雜的非線性關(guān)系,線性加權(quán)平均難以對風(fēng)險(xiǎn)進(jìn)行有效評估。文獻(xiàn)[6]利用支持向量機(jī)(support vector machine,SVM)具備有限樣本識別和非線性建模的優(yōu)勢構(gòu)建了電網(wǎng)故障風(fēng)險(xiǎn)模型。由于故障后果采用平均故障損失電量指標(biāo),因此無法實(shí)時(shí)評估大電網(wǎng)運(yùn)行風(fēng)險(xiǎn),并且訓(xùn)練樣本獲取困難。

本文基于風(fēng)險(xiǎn)誘因、發(fā)生概率、影響對象、風(fēng)險(xiǎn)后果、持續(xù)時(shí)間等方面因素，從電網(wǎng)的安全、經(jīng)濟(jì)、優(yōu)質(zhì)3個方面構(gòu)建反映大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的指標(biāo)體系,并提出了SVM自適應(yīng)調(diào)整的風(fēng)險(xiǎn)評估定量評估方法,不但解決了SVM訓(xùn)練樣本獲取的問題,而且在實(shí)際應(yīng)用時(shí)可以自適應(yīng)調(diào)整SVM決策精度,擬合各風(fēng)險(xiǎn)因素與風(fēng)險(xiǎn)等級之間的復(fù)雜非線性關(guān)系。

1 大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估指標(biāo)

大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估是一個綜合的評價(jià)決策過程,按照“五要素”風(fēng)險(xiǎn)閉環(huán)管控機(jī)制劃分電網(wǎng)風(fēng)險(xiǎn),分為風(fēng)險(xiǎn)誘因、發(fā)生概率、持續(xù)時(shí)間、影響對象、風(fēng)險(xiǎn)后果5類,指標(biāo)體系見表1所列。

表1 大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估指標(biāo)體系

續(xù)表

(1) 風(fēng)險(xiǎn)后果是造成大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的可能后果,包括安全、經(jīng)濟(jì)、優(yōu)質(zhì)3個方面子指標(biāo)。安全運(yùn)行風(fēng)險(xiǎn)指標(biāo)又包含全網(wǎng)電力平衡、局部供電風(fēng)險(xiǎn)、事故/事件風(fēng)險(xiǎn)3個大類,根據(jù)電力需求和《國家電網(wǎng)公司安全事故調(diào)查規(guī)程》對風(fēng)險(xiǎn)的規(guī)定來量化電網(wǎng)風(fēng)險(xiǎn)后果[7];經(jīng)濟(jì)風(fēng)險(xiǎn)包括網(wǎng)損指標(biāo)、電網(wǎng)負(fù)荷率指標(biāo)和大機(jī)組利用小時(shí)數(shù)指標(biāo);優(yōu)質(zhì)風(fēng)險(xiǎn)包括電網(wǎng)頻率指標(biāo)、電壓偏差指標(biāo)和諧波畸變率指標(biāo)。按照風(fēng)險(xiǎn)后果的嚴(yán)重程度不同分別給予0～100的評分,后果越嚴(yán)重分值越高。

(2) 風(fēng)險(xiǎn)誘因是造成電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的原因,包括故障形式和電網(wǎng)運(yùn)行方式兩類,按照風(fēng)險(xiǎn)誘因的影響程度分別賦予0～1之間的數(shù)值,對風(fēng)險(xiǎn)影響越大分值越低。當(dāng)某一風(fēng)險(xiǎn)后果受多種誘因影響時(shí),總的風(fēng)險(xiǎn)誘因因子等于各風(fēng)險(xiǎn)誘因因子的乘積。

(3) 發(fā)生概率是某些因素對電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的可能性影響,包括設(shè)備工況、運(yùn)行操作、通道環(huán)境、氣象條件和重疊風(fēng)險(xiǎn)。按照因素的影響程度分別賦予0～1之間的數(shù)值,對風(fēng)險(xiǎn)影響越大分值越高。當(dāng)某一風(fēng)險(xiǎn)后果受多種因素影響時(shí),其發(fā)生概率等于1加上各因素概率之和。

(4) 持續(xù)時(shí)間是對電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的可能時(shí)間長短的衡量因子,按照時(shí)間長短分別賦予1～2之間的數(shù)值。

(5) 影響對象是風(fēng)險(xiǎn)后果的可能影響范圍,包括用戶性質(zhì)、所在地域和敏感程度,按照影響程度大小分別賦予1～2之間的數(shù)值。當(dāng)某一風(fēng)險(xiǎn)后果影響多種對象時(shí),總的影響對象因子等于各影響對象因子的乘積。

在以上評估大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的5種要素中,風(fēng)險(xiǎn)后果是核心要素,風(fēng)險(xiǎn)誘因、發(fā)生概率、持續(xù)時(shí)間和影響對象分別從不同方面對風(fēng)險(xiǎn)后果有所影響,進(jìn)而形成全方位的大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估。每種風(fēng)險(xiǎn)后果形成的風(fēng)險(xiǎn)指標(biāo)為:

影響對象

(1)

2 大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估模型

由(1)式計(jì)算出的各風(fēng)險(xiǎn)子指標(biāo)與大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級之間存在復(fù)雜的非線性映射關(guān)系,為利用SVM來評估大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級,首先需要解決訓(xùn)練樣本問題。層次分析法[8]是一種定性和定量相結(jié)合的、系統(tǒng)化、層次化的分析方法,能借助專家經(jīng)驗(yàn)來評估各風(fēng)險(xiǎn)子指標(biāo)與風(fēng)險(xiǎn)等級之間的關(guān)系。

2.1 基于專家層次分析的大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估

傳統(tǒng)的層次分析法主要借助專家判斷比較各因素之間的相互重要程度,而大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)各子指標(biāo)與風(fēng)險(xiǎn)等級之間是非線性關(guān)系,不能簡單在因素之間判定,應(yīng)該根據(jù)大電網(wǎng)運(yùn)行子風(fēng)險(xiǎn)指標(biāo)的數(shù)值大小來進(jìn)行判斷,不同大小的數(shù)值對電網(wǎng)風(fēng)險(xiǎn)的影響程度不同。這種評估方法既可以體現(xiàn)各因素對電網(wǎng)風(fēng)險(xiǎn)的累積效應(yīng),又不會在個別因素突變時(shí)被其他因素所淹沒。具體步驟如下:

(1) 在確定了指標(biāo)體系的基礎(chǔ)上,根據(jù)風(fēng)險(xiǎn)后果結(jié)合(1)式構(gòu)造大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估指標(biāo)的遞階層次結(jié)構(gòu)模型，如圖1所示,其中子指標(biāo)可以根據(jù)地區(qū)電網(wǎng)的實(shí)際情況進(jìn)行調(diào)整。

圖1 大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)指標(biāo)遞階層次結(jié)構(gòu)模型

(2) 由(1)式根據(jù)電網(wǎng)運(yùn)行狀態(tài)計(jì)算出最底層各子指標(biāo)的風(fēng)險(xiǎn)評估值,由電力風(fēng)險(xiǎn)評估專家分別構(gòu)造每層的兩兩比較判斷矩陣,即

(2)

其中,aij表示對于上層指標(biāo)Sk來說,將大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)子指標(biāo)評估值ri和rj相比較得到的相對重要程度的標(biāo)度。aij的值由電力風(fēng)險(xiǎn)評估專家根據(jù)資料、統(tǒng)計(jì)數(shù)據(jù)、運(yùn)行經(jīng)驗(yàn)來確定,使用1-9標(biāo)度法,見表2所列。

表2 1-9標(biāo)度法及含義

對得到的判斷矩陣進(jìn)行一致性檢驗(yàn),計(jì)算一致性比率CI為:

(3)

其中,λmax為判斷矩陣A的最大特征值;n為A的階數(shù);RI為平均隨機(jī)一致性指標(biāo)。當(dāng)CI<0.1時(shí)認(rèn)為判斷矩陣A符合一致性要求,否則需要進(jìn)行調(diào)整。

(3) 計(jì)算被比較指標(biāo)之間的相對權(quán)重。先計(jì)算向量W*=(w1*,w2*,…,wn*)T,其中

(4)

然后歸一化變換即得權(quán)重向量W=(w1,w2,…,wn)T,其中

(5)

(4) 利用前述方法分別計(jì)算最底層指標(biāo)對于上層安全風(fēng)險(xiǎn)S1、優(yōu)質(zhì)風(fēng)險(xiǎn)S2、經(jīng)濟(jì)風(fēng)險(xiǎn)S3的權(quán)重,并計(jì)算中間層S1、S2、S3對于最上層大電網(wǎng)風(fēng)險(xiǎn)指標(biāo)R的權(quán)重,然后計(jì)算底層指標(biāo)相對于總指標(biāo)R的組合權(quán)重{wr1,wr2,…,wrn}。

(5) 計(jì)算大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估指標(biāo)R，計(jì)算公式為:

(6)

其中,N為最底層風(fēng)險(xiǎn)子指標(biāo)的個數(shù);wri為指標(biāo)ri的權(quán)重;Cri為指標(biāo)ri的評估值。

(6) 大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級劃分。大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)指標(biāo)R值越大表示風(fēng)險(xiǎn)越大,根據(jù)R的大小劃分為4個等級,一級風(fēng)險(xiǎn)表示電網(wǎng)運(yùn)行進(jìn)入了危險(xiǎn)區(qū),必須采取緊急應(yīng)對措施;二級風(fēng)險(xiǎn)表示電網(wǎng)風(fēng)險(xiǎn)超過了警戒值,需在一定時(shí)間內(nèi)采取措施;三級風(fēng)險(xiǎn)表示電網(wǎng)風(fēng)險(xiǎn)在平均值和警戒值之間,需密切監(jiān)視風(fēng)險(xiǎn)的變化趨勢;四級風(fēng)險(xiǎn)表示低于電網(wǎng)長期平均風(fēng)險(xiǎn)值,電網(wǎng)處于安全范圍。風(fēng)險(xiǎn)等級劃分如下:一級風(fēng)險(xiǎn)R≥Rurgt;二級風(fēng)險(xiǎn)Rwarn≤R

其中,Ravg為大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)長期歷史平均值;Rwarn為大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)警戒限值;Rurgt為大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)緊急限值。

2.2 SVM風(fēng)險(xiǎn)評估模型

專家層次分析法在專家經(jīng)驗(yàn)的基礎(chǔ)上可以很好地映射各因素與大電網(wǎng)風(fēng)險(xiǎn)等級之間的非線性關(guān)系,但是每次評估都需借助專家打分,難以適用于大電網(wǎng)實(shí)時(shí)運(yùn)行風(fēng)險(xiǎn)評估?？梢越柚鷮＜覍哟畏治龇ㄌ峁┮欢〝?shù)量的訓(xùn)練樣本,由SVM擬合其中復(fù)雜的非線性關(guān)系,從而實(shí)現(xiàn)對大電網(wǎng)運(yùn)行的實(shí)時(shí)定量評估。

SVM本質(zhì)上是針對二分類問題,核心是構(gòu)造最優(yōu)超平面[9]。通過某種事先選擇的非線性映射(核函數(shù))將輸入向量映射到一個高維特征空間,然后在特征空間中尋找最優(yōu)分類超平面,使得它能夠盡可能多地將兩類數(shù)據(jù)點(diǎn)正確分開,同時(shí)使分開的兩類數(shù)據(jù)點(diǎn)距離分類面最遠(yuǎn)。

假設(shè)存在訓(xùn)練樣本{xi,yi},i=1,2,…,l;xi∈RN,為圖1中最底層風(fēng)險(xiǎn)子指標(biāo)的狀態(tài)值;yi∈{-1,+1}為大電網(wǎng)風(fēng)險(xiǎn)評估等級的標(biāo)識;l為樣本數(shù)；N為輸入維數(shù),即底層風(fēng)險(xiǎn)子指標(biāo)的個數(shù)。建立如下回歸模型:

y=〈g·x〉+b

(7)

其中,g=(g1,g2,…,gm)為權(quán)向量;x=(x1,x2,…,xm)T;b為閥值。將訓(xùn)練誤差作為約束條件,最優(yōu)化問題可以表示為:

(8)

在尋優(yōu)目標(biāo)函數(shù)中,采用適當(dāng)?shù)膬?nèi)積函數(shù)K〈xi,xj〉就可以實(shí)現(xiàn)某一非線性變換后的線性回歸,引入松弛變量將目標(biāo)函數(shù)轉(zhuǎn)換為:

(9)

其中,αi、αi*≥0(i=1,2,…,l)為拉格朗日乘子;C>0為懲罰系數(shù),其值越大表示對超出ε的數(shù)據(jù)點(diǎn)懲罰越大。根據(jù)最優(yōu)化的充要條件,可求得分類決策函數(shù)如下:

(10)

其中,SV為支持向量集。當(dāng)f(X)>0時(shí),y=1；當(dāng)f(X)<0時(shí),y=-1,f(X)的符號決定分類的結(jié)果。

經(jīng)典的SVM只能處理二分類問題,為了評估出大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的4個風(fēng)險(xiǎn)等級,可針對4個等級構(gòu)造3個SVM子分類器,在構(gòu)造第i個SVM子分類器時(shí),將屬于第i等級風(fēng)險(xiǎn)的樣本數(shù)據(jù)標(biāo)記為正類,不屬于i等級風(fēng)險(xiǎn)的樣本數(shù)據(jù)標(biāo)記為負(fù)類。對輸入數(shù)據(jù)利用(10)式分別計(jì)算各個子分類器的決策函數(shù)值,并選取函數(shù)值最大所對應(yīng)的類別為電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級。

2.3 SVM自適應(yīng)調(diào)整策略

為了利用專家層次分析法獲取SVM的訓(xùn)練樣本,采用蒙特卡洛抽樣法來選擇各輸入量樣本集,均勻分布的隨機(jī)樣本具備廣泛的代表性。訓(xùn)練之后將SVM決策函數(shù)應(yīng)用于實(shí)際電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評估中,由專家層次分析法來校驗(yàn)SVM決策函數(shù)的精度并對其修正。SVM自適應(yīng)調(diào)整策略如圖2所示。

(1) 利用蒙特卡洛隨機(jī)抽樣法將表1中的每個指標(biāo)分別抽取[0,1]區(qū)間均勻分布的隨機(jī)數(shù),風(fēng)險(xiǎn)后果指標(biāo)為隨機(jī)數(shù)乘以100,其他指標(biāo)則直接以隨機(jī)數(shù)為初始值,然后用(1)式來計(jì)算風(fēng)險(xiǎn)評估輸入樣本值。

(2) 按照2.1節(jié)中所述方法,組織專家對風(fēng)險(xiǎn)子指標(biāo)進(jìn)行評分,并利用層次分析法計(jì)算出對應(yīng)的大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級。

(3) 通過前2個步驟得到訓(xùn)練樣本集,利用2.2節(jié)所述方法代入SVM進(jìn)行訓(xùn)練,計(jì)算出SVM決策函數(shù)。

(4) 將電網(wǎng)運(yùn)行數(shù)據(jù)分別利用SVM決策函數(shù)和專家層次分析方法來判斷電網(wǎng)運(yùn)行風(fēng)險(xiǎn)等級,若結(jié)果一致則表示SVM決策函數(shù)與專家經(jīng)驗(yàn)相符合,將此結(jié)果輸出;若結(jié)果不一致,則按照專家評估的結(jié)果保存樣本,并補(bǔ)充到訓(xùn)練樣本集中重新訓(xùn)練SVM決策函數(shù)。

圖2 SVM自適應(yīng)調(diào)整策略

專家層次分析風(fēng)險(xiǎn)評估方法雖然能夠比較客觀地反映電網(wǎng)實(shí)際風(fēng)險(xiǎn),但是每次組織專家費(fèi)時(shí)費(fèi)力,并且不能對電網(wǎng)運(yùn)行風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)評估。進(jìn)行步驟(4)校驗(yàn)時(shí),可以每年組織1次專家對年度運(yùn)行風(fēng)險(xiǎn)數(shù)據(jù)按照一定比例抽樣,校驗(yàn)SVM決策函數(shù)正確與否,將不一致的數(shù)據(jù)補(bǔ)充到樣本集中重新訓(xùn)練SVM并進(jìn)行更新。經(jīng)過若干年的自適應(yīng)調(diào)整,當(dāng)SVM決策函數(shù)達(dá)到足夠精度之后就可以不再使用專家層次分析法進(jìn)行校驗(yàn)。

3 算例分析

專家層次分析法既可以考慮大電網(wǎng)運(yùn)行的累積效應(yīng),又不會淹沒突變值。假設(shè)Ravg、Rwarn、Rurgt分別為40、60、80,2組算例的風(fēng)險(xiǎn)等級見表3所列。第1組子風(fēng)險(xiǎn)指標(biāo)r1=20、r2=120、r3=60表示安全風(fēng)險(xiǎn)的3個子指標(biāo),專家利用(2)式和表2對其進(jìn)行兩兩比較。r2=120表示大電網(wǎng)某“局部供電能力”風(fēng)險(xiǎn)較高,在3個指標(biāo)中最重要,與其他2個指標(biāo)比較時(shí)標(biāo)度取9,r3比r1略微高些但是數(shù)值都不是太大,因此標(biāo)度取2表示“事故/事件風(fēng)險(xiǎn)”比“全網(wǎng)電力平衡”稍顯重要,從而得到安全風(fēng)險(xiǎn)的判斷矩陣A1。同樣的方法計(jì)算出經(jīng)濟(jì)風(fēng)險(xiǎn)的判斷矩陣A2和優(yōu)質(zhì)風(fēng)險(xiǎn)的判斷矩陣A3,并全部用(3)式進(jìn)行一致性檢驗(yàn)。由判斷矩陣?yán)?4)～(6)式可計(jì)算出安全風(fēng)險(xiǎn)指標(biāo)為105.980 6、經(jīng)濟(jì)風(fēng)險(xiǎn)指標(biāo)為39.834 0、優(yōu)質(zhì)風(fēng)險(xiǎn)指標(biāo)為31.881 0,再由專家對3個指標(biāo)進(jìn)行比較得到總風(fēng)險(xiǎn)的判斷矩陣A。

由以上指標(biāo)計(jì)算出底層風(fēng)險(xiǎn)指標(biāo)對總風(fēng)險(xiǎn)指標(biāo)R的組合權(quán)重，見表3所列,r2在大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)指標(biāo)中所占權(quán)重為0.663 0,占絕對優(yōu)勢,總風(fēng)險(xiǎn)指標(biāo)為93.120 3，可知大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)為一級風(fēng)險(xiǎn),必須采取緊急措施消除局部供電緊張的情況。第2組子風(fēng)險(xiǎn)指標(biāo)值比較均勻,相互之間差別不大,因而主要反映風(fēng)險(xiǎn)的累積效應(yīng),大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)指標(biāo)46.637 8為三級風(fēng)險(xiǎn),已經(jīng)超過電網(wǎng)日常運(yùn)行風(fēng)險(xiǎn)的平均值,需密切監(jiān)視風(fēng)險(xiǎn)的趨勢。

表3 專家層次分析風(fēng)險(xiǎn)評估算例

利用蒙特卡洛隨機(jī)抽樣的方法選擇1 000組樣本輸入數(shù)據(jù),通過專家層次分析法逐個評估出對應(yīng)的風(fēng)險(xiǎn)等級,形成完整的訓(xùn)練樣本集和檢驗(yàn)樣本集。分別用自適應(yīng)SVM和增加樣本的SVM對比誤差,結(jié)果如圖3所示。自適應(yīng)SVM隨著樣本的補(bǔ)充調(diào)整,決策函數(shù)的誤差越來越小,而無選擇地增加相同數(shù)量的訓(xùn)練樣本并不能增加SVM的精度,甚至有可能使誤差增加。這是由于樣本增加過擬合會干擾SVM的分類效果。而自適應(yīng)SVM所補(bǔ)充的樣本全部都是預(yù)測錯誤的樣本,這些樣本能夠提供有效信息,改善新訓(xùn)練SVM決策函數(shù)的精度。

圖3 SVM風(fēng)險(xiǎn)評估訓(xùn)練誤差對比

4 結(jié) 論

本文在深入研究大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)定量評估方法的基礎(chǔ)上,基于風(fēng)險(xiǎn)誘因、發(fā)生概率、影響對象、風(fēng)險(xiǎn)后果、持續(xù)時(shí)間等方面因素從電網(wǎng)的安全、經(jīng)濟(jì)、優(yōu)質(zhì)3個方面建立了電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估指標(biāo)體系。提出了改進(jìn)的專家層次分析法,可以充分考慮底層指標(biāo)體系與風(fēng)險(xiǎn)總指標(biāo)之間的非線性關(guān)系,既不會淹沒突變指標(biāo)還能很好地兼顧風(fēng)險(xiǎn)的累積效應(yīng)。利用SVM在有限樣本下能較好地對非線性模型進(jìn)行映射的優(yōu)點(diǎn),構(gòu)建了大電網(wǎng)運(yùn)行風(fēng)險(xiǎn)量化評估模型,并給出了SVM決策函數(shù)的自適應(yīng)調(diào)整策略。

[1] 李文沅.電力系統(tǒng)風(fēng)險(xiǎn)評估模型、方法和應(yīng)用[M].北京:科學(xué)出版社,2006.

[2] LI Wenyuan,ZHOU Jiaqi,XIONG Xiaofu.Fuzzy models of overhead power line weather-related outages[J].IEEE Transactions on Power Systems,2008,23(3):1529-1531.

[3] 顧軍,章淵,沈柳菁,等.上海電網(wǎng)運(yùn)行指標(biāo)體系研究[J].華東電力,2012,40(5):764-767.

[4] 楊太華,胡翔,劉亨銘.區(qū)域電網(wǎng)安全風(fēng)險(xiǎn)評價(jià)體系的構(gòu)建[J].華東電力,2010,38(4):572-576.

[5] 徐鵬,楊勝春,李峰,等.基于層次分析和變權(quán)重機(jī)制的電網(wǎng)安全指標(biāo)計(jì)算及展示方法[J].電力系統(tǒng)自動化,2015,39(8):133-140.

[6] 湯昶烽,衛(wèi)志農(nóng),李志杰,等.基于因子分析和支持向量機(jī)的電網(wǎng)故障風(fēng)險(xiǎn)評估[J].電網(wǎng)技術(shù),2013,37(4):1039-1044.

[7] 國家電網(wǎng)公司.國家電網(wǎng)公司安全事故調(diào)查規(guī)程[M].北京:中國電力出版社,2011.

[8] 林齊寧.決策分析教程[M].北京:清華大學(xué)出版社,2013.

[9] CORTES C,VAPNIK V.Support vector networks[J].Machine Learning,1995，20(3):273-297.

(責(zé)任編輯 張 镅)

Quantitative assessment of large power grid operation risk based on support vector machine

TANG Wei1, WANG Jingjing1, YANG Cheng1, ZHANG Dabo2, LIU Hui1, LIU Ludeng1

(1.Dispatch and Control Center， State Grid Anhui Electric Power Company, Hefei 230022, China; 2.School of Electric Engineering and Automation, Hefei University of Technology, Hefei 230009, China)

The risk assessment index system of power network is established, which considers the structure, operation mode, operating environment, equipment condition and power demand. Based on the risk factors including the risk incentives, occurrence probability, impact object, risk consequence, duration and so on, the comprehensive analysis of the power network operation risk is carried out in view of the network security, economy and high quality. The support vector machine(SVM) is used to map the nonlinear model in finite sample, the model of risk assessment for large power grid is constructed, and the expert-analytic hierarchy process(AHP) is used to adaptively adjust the accuracy of decision function of SVM. The results of numerical examples show the rationality of the proposed method.

operation risk; support vector machine(SVM); analytic hierarchy process(AHP); quantitative assessment; adaptive

2015-11-23

國家自然科學(xué)基金青年科學(xué)基金資助項(xiàng)目(51407056);中國博士后科學(xué)基金面上資助項(xiàng)目(2014M561819)和中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2013HGXJ0623;2013HGBZ0184;2013HGBH0044;2014HGQC0011)

湯 偉(1978-),男,安徽含山人,國網(wǎng)安徽省電力公司電力調(diào)度控制中心高級工程師; 張大波(1979-),男,河南溫縣人,博士,合肥工業(yè)大學(xué)講師,碩士生導(dǎo)師.

10.3969/j.issn.1003-5060.2017.04.011

TM714.2

A

1003-5060(2017)04-0486-06