基于改進(jìn)云模型和Eclat算法的輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估

杜平，張小軍，許永新，王永強(qiáng)，王立福，董新勝

（1. 國(guó)網(wǎng)新疆電力有限公司，新疆維吾爾自治區(qū) 烏魯木齊市 830000；2. 國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，新疆維吾爾自治區(qū) 烏魯木齊市 830011；3. 河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，河北省 保定市 071003）

0 引言

近年來，我國(guó)電網(wǎng)發(fā)展迅速，對(duì)電網(wǎng)實(shí)施狀態(tài)檢修已經(jīng)成為保障電網(wǎng)安全性和經(jīng)濟(jì)性的重要方式。架空輸電線路作為電力系統(tǒng)的大動(dòng)脈，其分布范圍較廣且地處自然環(huán)境復(fù)雜，是電網(wǎng)中的薄弱環(huán)節(jié)[1-3]。文獻(xiàn)[4-5]指出自然災(zāi)害是導(dǎo)致我國(guó)電網(wǎng)發(fā)生缺陷以及故障的主要因素，架空線路處于惡劣的自然環(huán)境中，經(jīng)常會(huì)遭遇雷擊、風(fēng)害、山火、冰害等極端災(zāi)害。所以，對(duì)處于極端條件中的輸電線路進(jìn)行全面、科學(xué)地風(fēng)險(xiǎn)評(píng)估，制定有針對(duì)性的檢修策略，有助于保障電網(wǎng)的安全穩(wěn)定運(yùn)行。

目前，國(guó)內(nèi)外眾多學(xué)者針對(duì)輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估問題進(jìn)行了深入的研究。文獻(xiàn)[6]采用統(tǒng)計(jì)分析方法，得到了輸電線路年故障率分布，對(duì)輸電線路冰害故障進(jìn)行了綜合分析；文獻(xiàn)[7]提出了一種基于層次分析法的輸電線路山火預(yù)警模型，提高了山火防治效率；為了能夠進(jìn)行全方位的評(píng)價(jià)，文獻(xiàn)[8-10]分別采用層次分析法、多元數(shù)據(jù)融合理論、灰色聚類的差異化運(yùn)維策略等方法，考慮電網(wǎng)運(yùn)行方式、輸電線路設(shè)計(jì)信息、氣象情況等在內(nèi)的多維度因素對(duì)輸電線路進(jìn)行全方位的綜合評(píng)價(jià)，并通過智能算法對(duì)輸電線路進(jìn)行故障診斷與狀態(tài)分析，在工程實(shí)踐中也取得了一定的效果；文獻(xiàn)[11]通過動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)和馬爾科夫鏈模型構(gòu)建基于衛(wèi)星及氣象信息的輸電線路災(zāi)害監(jiān)測(cè)與風(fēng)險(xiǎn)評(píng)估平臺(tái)；文獻(xiàn)[12]通過構(gòu)建支持向量機(jī)的輸電線路覆冰狀態(tài)評(píng)估模型，對(duì)覆冰故障進(jìn)行干預(yù)和排查。

雖然已取得了上述成果，這些方法仍具有一定的局限性：一是評(píng)估閾值的確定受人為主觀因素影響較大；二是評(píng)價(jià)指標(biāo)之間具有較強(qiáng)的關(guān)聯(lián)性，基于多重技術(shù)因素的關(guān)聯(lián)規(guī)則挖掘仍待研究。

本文中提出基于改進(jìn)云模型和Eclat算法的輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法，該方法結(jié)合聚類模型、云模型和關(guān)聯(lián)規(guī)則理論，實(shí)現(xiàn)了數(shù)據(jù)的量化整合與規(guī)則挖掘，可提高災(zāi)害風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性。

1 極端災(zāi)害特征因子云處理

風(fēng)災(zāi)、覆冰等極端災(zāi)害會(huì)對(duì)線路造成嚴(yán)重影響，根據(jù)“重要輸電通道風(fēng)險(xiǎn)評(píng)估導(dǎo)則”，輸電線路易遭受的災(zāi)害主要包括火災(zāi)、舞動(dòng)、冰害等共11個(gè)風(fēng)險(xiǎn)技術(shù)要素。本文中選取11個(gè)技術(shù)要素中的冰害、風(fēng)害、舞動(dòng)3種對(duì)電網(wǎng)危害較大且具有關(guān)聯(lián)特征的極端災(zāi)害作為研究對(duì)象，對(duì)多重風(fēng)險(xiǎn)技術(shù)要素的評(píng)估方法進(jìn)行類比。引發(fā)以上極端災(zāi)害因素眾多，采用單一指標(biāo)監(jiān)測(cè)數(shù)據(jù)無法對(duì)災(zāi)害等級(jí)進(jìn)行精確評(píng)估與預(yù)測(cè)。本文選取氣溫、濕度、風(fēng)速、導(dǎo)線溫度、光照強(qiáng)度、氣壓、降雨量和降雪量等8個(gè)因素作為極端災(zāi)害特征因子。

由于在線監(jiān)測(cè)數(shù)據(jù)和氣象數(shù)據(jù)量較大，且各指標(biāo)間的影響關(guān)系復(fù)雜，在進(jìn)行風(fēng)險(xiǎn)關(guān)聯(lián)分析之前需要對(duì)各特征因子的監(jiān)測(cè)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)等級(jí)量化。由于云模型在處理數(shù)據(jù)的過程中兼顧了數(shù)據(jù)的模糊性與隨機(jī)性，可以較準(zhǔn)確地表達(dá)定量指標(biāo)到定性指標(biāo)之間的轉(zhuǎn)換，因此，本文以云模型對(duì)各指標(biāo)進(jìn)行等級(jí)量化。具體地，將風(fēng)險(xiǎn)等級(jí)分為I、II、III、IV級(jí)，級(jí)數(shù)越高代表該指標(biāo)引起某災(zāi)害的風(fēng)險(xiǎn)越大。當(dāng)風(fēng)險(xiǎn)等級(jí)處于I級(jí)時(shí)，采用右半云模型；當(dāng)風(fēng)險(xiǎn)等級(jí)為IV級(jí)時(shí)，采用左半云模型。標(biāo)準(zhǔn)云模型示意圖如圖1所示。

圖1 標(biāo)準(zhǔn)云模型Fig. 1 Diagram of standard cloud model

云模型可用期望Ex、熵En以及超熵He來描述。其中：

式中：cmax和cmin分別代表某等級(jí)下災(zāi)害特征因子及各風(fēng)險(xiǎn)技術(shù)要素的最大值和最小值，該閾值的選取由專家根據(jù)相關(guān)導(dǎo)則確定；He根據(jù)各指標(biāo)的不確定性來確定，經(jīng)多次仿真驗(yàn)證，本文He取0.02。

云由云滴組成，每一個(gè)云滴是某一評(píng)價(jià)指標(biāo)的定量實(shí)現(xiàn)[13]。得到云模型的數(shù)字特征后，生成一定數(shù)量的云滴，計(jì)算每個(gè)云滴屬于某一評(píng)估等級(jí)的關(guān)聯(lián)度y[14]：

式中：Ex為該云滴在某風(fēng)險(xiǎn)等級(jí)下的均值；En'是以En為均值，He為標(biāo)準(zhǔn)差所產(chǎn)生的正態(tài)隨機(jī)數(shù)；x為以Ex為期望，En為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)，即云滴。

2 改進(jìn)的云模型

2.1 基于FCM聚類的客觀云

云模型計(jì)算的關(guān)鍵是對(duì)災(zāi)害等級(jí)閾值的劃分，而傳統(tǒng)云模型是依據(jù)專家經(jīng)驗(yàn)或?qū)t閾值進(jìn)行選取，專家經(jīng)驗(yàn)或?qū)t雖具有一定的普適性，但對(duì)于特定地區(qū)的特征因子及災(zāi)害風(fēng)險(xiǎn)技術(shù)要素閾值需要根據(jù)當(dāng)?shù)厍闆r進(jìn)行客觀修正，若閾值不準(zhǔn)，會(huì)對(duì)Ex和En造成影響，使標(biāo)準(zhǔn)云精度下降，影響等級(jí)量化。因此，本文對(duì)云模型進(jìn)行改進(jìn)，基于待評(píng)估地區(qū)的歷史數(shù)據(jù)進(jìn)行閾值的客觀劃分。

單個(gè)特征因子的歷史數(shù)據(jù)為一維數(shù)據(jù)，本文采用FCM算法對(duì)一維數(shù)據(jù)進(jìn)行聚類，在風(fēng)險(xiǎn)等級(jí)數(shù)確定為4個(gè)的情況下，應(yīng)用FCM聚類算法，獲取4個(gè)聚類中心，目標(biāo)函數(shù)是4個(gè)聚類中心到歷史數(shù)據(jù)中的所有點(diǎn)的距離之和最小，以4個(gè)聚類中心作為云模型中的4個(gè)風(fēng)險(xiǎn)等級(jí)的期望Ex，從而得到客觀云模型。計(jì)算客觀云的步驟如下：

步驟1）對(duì)單一特征因子歷史數(shù)據(jù)進(jìn)行去重處理，得到包含有特征因子歷史極大值和極小值的一維數(shù)據(jù)序列Xobj={xo1、xo2、···、xon}；

步驟2）隨機(jī)選擇4個(gè)樣本為聚類中心，分別為ci(0)，i=[1,2,3,4]；隨機(jī)初始化每一個(gè)數(shù)據(jù)xoj對(duì)于ci(0)的隸屬度uij(0)，形成隸屬度矩陣，滿足：

步驟3）當(dāng)?shù)螖?shù)iter小于最大迭代次數(shù)itermax時(shí)，根據(jù)下式對(duì)聚類中心ci和隸屬度uij進(jìn)行更新：

式中：m為模糊度的權(quán)重系數(shù)，一般取[1.25，2.5]，本文取m=2。

步驟4）判斷是否滿足終止條件，即：

或迭代次數(shù)為最大迭代次數(shù)；ε為誤差精度；

步驟5）若不滿足步驟4終止條件，則繼續(xù)進(jìn)行迭代；最終輸出4個(gè)聚類中心，并依據(jù)指標(biāo)風(fēng)險(xiǎn)從小到大進(jìn)行排序，得到C=[c1、c2、c3、c4]；

步驟6）分別計(jì)算每個(gè)數(shù)據(jù)與4個(gè)聚類中心的距離，將數(shù)據(jù)分類至與其距離最小的類別中，取同一類別所有指標(biāo)的最大值和最小值作為云模型對(duì)應(yīng)等級(jí)的閾值。按照式（1）形成客觀云模型的數(shù)字特征Exobj和Enobj。

2.2 動(dòng)態(tài)風(fēng)險(xiǎn)修正

相同的災(zāi)害對(duì)不同的線路造成的影響后果是不同的。輸電線路在遭受極端災(zāi)害天氣后故障風(fēng)險(xiǎn)程度與外部環(huán)境風(fēng)險(xiǎn)有關(guān)外，還與線路自身的防災(zāi)減災(zāi)能力有關(guān)[15]，輸電線路的防災(zāi)能力是指輸電線路抵抗災(zāi)害所造成的損失和破壞的能力，與自身因素有關(guān)。

在進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)，應(yīng)充分考慮輸電線路整體設(shè)備的健康程度，本文根據(jù)Q/GDW1173—2014架空輸電線路狀態(tài)評(píng)價(jià)導(dǎo)則中的線路單元狀態(tài)量評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行扣分[16]，結(jié)合權(quán)重得到線路的評(píng)分值C1，將分?jǐn)?shù)C1除以滿分CS轉(zhuǎn)換為最終的輸電線路防災(zāi)能力指數(shù)C。

考慮風(fēng)險(xiǎn)造成的后果嚴(yán)重程度，本文采用停運(yùn)時(shí)間修正指數(shù)τ來描述該地區(qū)對(duì)風(fēng)險(xiǎn)的綜合處理能力，即災(zāi)害風(fēng)險(xiǎn)造成的經(jīng)濟(jì)性后果，指數(shù)τ是在災(zāi)害發(fā)生后對(duì)線路的搶修能力、交通能力等綜合能力的反映，計(jì)算公式為：

式中：Tl為某種災(zāi)害造成的總停運(yùn)時(shí)間；NL表示停運(yùn)的總次數(shù)；TL為所有災(zāi)害發(fā)生造成的總停運(yùn)時(shí)間；Nl為某種災(zāi)害發(fā)生造成停運(yùn)次數(shù)。

輸電線路在有效投運(yùn)年限內(nèi)，面對(duì)相同的災(zāi)害，其風(fēng)險(xiǎn)會(huì)隨著服役年限的增加而增加。而相同服役年限的桿塔，災(zāi)害累積次數(shù)越多，風(fēng)險(xiǎn)會(huì)越大[17]，因此需考慮風(fēng)險(xiǎn)累積效應(yīng)，計(jì)算風(fēng)險(xiǎn)累積指數(shù)h0：

式中：t為評(píng)估時(shí)，線路服役時(shí)間，單位為天；Te為線路設(shè)計(jì)運(yùn)行時(shí)間，單位為天；α為有效災(zāi)害指數(shù)，通過采用參數(shù)估計(jì)獲得；nIII為某災(zāi)害超過云模型III級(jí)風(fēng)險(xiǎn)最小閾值的次數(shù)，認(rèn)為該災(zāi)害為極其惡劣，會(huì)造成風(fēng)險(xiǎn)積累。

對(duì)輸電線路進(jìn)行風(fēng)險(xiǎn)動(dòng)態(tài)修正，得到風(fēng)險(xiǎn)動(dòng)態(tài)修正指數(shù)β：

2.3 主客觀組合云模型

得到客觀云模型的數(shù)字特征后，為了使閾值劃分更加合理，需要結(jié)合主客觀數(shù)字特征。假設(shè)組合前主、客觀云模型數(shù)字特征分別是(Exsub,Ensub)和(Exobj,Enobj)，用主、客觀數(shù)字特征的平均值作為組合標(biāo)準(zhǔn)云模型的數(shù)字特征Exs和Ens。

隨后對(duì)所有指標(biāo)正向歸一化處理：

式中：x為某指標(biāo)的實(shí)際值；xmax為該指標(biāo)組合云模型中最大等級(jí)閾值；xmin為該指標(biāo)組合云模型中最小等級(jí)閾值；x′為指標(biāo)歸一化化后的值；（a）用于計(jì)算值越大，風(fēng)險(xiǎn)越大的指標(biāo)；（b）用于計(jì)算值越大，風(fēng)險(xiǎn)越小的指標(biāo)。

得到數(shù)字特征后，計(jì)算輸電線路待量化分級(jí)指標(biāo)數(shù)據(jù)x0在不同等級(jí)風(fēng)險(xiǎn)下的隸屬度：

式中：x′0為歸一化后的指標(biāo)數(shù)據(jù)；β為該線路的風(fēng)險(xiǎn)修正指數(shù)；uη為指標(biāo)在第η個(gè)風(fēng)險(xiǎn)等級(jí)下的隸屬度；Exsη為第η個(gè)風(fēng)險(xiǎn)等級(jí)的均值；表示以Ens為期望、He為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)。

根據(jù)隸屬度最大原則，得到每個(gè)特征因子和技術(shù)要素的量化等級(jí)風(fēng)險(xiǎn)。

3 基于Eclat算法的風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則挖掘

3.1 Eclat算法描述

由于歷史數(shù)據(jù)積累的規(guī)模越來越大，各風(fēng)險(xiǎn)特征因子和技術(shù)要素之間包含復(fù)雜的內(nèi)在聯(lián)系。若能夠?qū)?zāi)害特征因子量化后的數(shù)據(jù)之間的相關(guān)性進(jìn)行充分挖掘，得到災(zāi)害特征因子與風(fēng)險(xiǎn)技術(shù)要素間的映射關(guān)系，根據(jù)在線監(jiān)測(cè)數(shù)據(jù)和預(yù)報(bào)數(shù)據(jù)對(duì)未來可能發(fā)生的風(fēng)險(xiǎn)進(jìn)行評(píng)估預(yù)測(cè)，可提高效率、節(jié)省人工。因此尋找一種既能處理大數(shù)據(jù)又能滿足數(shù)據(jù)挖掘的算法至關(guān)重要。

Elcat算法是一種數(shù)據(jù)挖掘算法，它采用垂直數(shù)據(jù)結(jié)構(gòu)形式，在讀取一次數(shù)據(jù)庫中的項(xiàng)目(Item)、事務(wù)標(biāo)識(shí)符（Tid）數(shù)據(jù)的基礎(chǔ)上遍歷整個(gè)數(shù)據(jù)庫[18]，對(duì)數(shù)據(jù)進(jìn)行挖掘。文獻(xiàn)[19]的研究表明該算法較經(jīng)典數(shù)據(jù)挖掘算法Apriori效率高。

在該算法中，采用垂直數(shù)據(jù)表示的數(shù)據(jù)庫定義為Tidset。對(duì)于數(shù)據(jù)集中的事務(wù)，對(duì)任意的項(xiàng)目X，把包含項(xiàng)目X的所有事務(wù)的ID放入一個(gè)新的集合，即項(xiàng)目X的Tidset。對(duì)數(shù)據(jù)庫中的所有事物進(jìn)行重新排列，每一記錄由一個(gè)項(xiàng)目及所有事物記錄的列表構(gòu)成。以A、B、C為例的水平數(shù)據(jù)集合垂直數(shù)據(jù)集見表1和表2。

表1 水平數(shù)據(jù)集Table 1 Horizontal dataset

表2 垂直數(shù)據(jù)集Table 2 Vertical dataset

Eclat算法中所有單個(gè)項(xiàng)目的集合稱之為1項(xiàng)集，取1項(xiàng)集中任意兩個(gè)元素的交集作為2項(xiàng)集的元素，以此類推，產(chǎn)生κ項(xiàng)集。在各項(xiàng)集中每個(gè)元素的事務(wù)數(shù)稱之為該項(xiàng)目的支持度sup。

Eclat算法的實(shí)現(xiàn)過程：

1）通過掃描數(shù)據(jù)集，把水平格式的數(shù)據(jù)庫轉(zhuǎn)化成為垂直格式的數(shù)據(jù)庫；

2）計(jì)算第1項(xiàng)集中各項(xiàng)目的支持度，根據(jù)需要設(shè)置最小支持度minsup，當(dāng)項(xiàng)集中的某項(xiàng)目小于minsup，會(huì)在項(xiàng)集中刪除，其他項(xiàng)目重新構(gòu)成第1項(xiàng)集L1；

3）將各個(gè)項(xiàng)目分別與后面的項(xiàng)目取交集，得到新的項(xiàng)集，計(jì)算各個(gè)項(xiàng)目的支持度，小于minsup的項(xiàng)目會(huì)在項(xiàng)目中刪除；

4）以此類推，計(jì)算第κ個(gè)項(xiàng)集，直至不能再找到新的項(xiàng)集為止；

5）輸出每一階項(xiàng)集列表F[I]。

3.2 極端災(zāi)害風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則挖掘

輸電線路的風(fēng)險(xiǎn)評(píng)估過程中，記X→Y的過程為關(guān)聯(lián)規(guī)則蘊(yùn)含式，當(dāng)X、Y同時(shí)出現(xiàn)在集合T中時(shí)，X與Y同時(shí)出現(xiàn)的次數(shù)記為該規(guī)則絕對(duì)關(guān)聯(lián)系數(shù)cor（X→Y），定義規(guī)則X→Y的相對(duì)關(guān)聯(lián)系數(shù)[20]：

定義規(guī)則X→Y的置信度：

式中：|D|為數(shù)據(jù)集的數(shù)量；cor（X）表示包含事務(wù)X的數(shù)據(jù)集總數(shù)。

風(fēng)險(xiǎn)關(guān)聯(lián)規(guī)則挖掘過程中，設(shè)定rcor和conf的閾值，刪除小于閾值的數(shù)據(jù)集，可得到關(guān)聯(lián)度較大的規(guī)則，從而提高計(jì)算效率。

3.3 極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法

輸電線路極端氣象災(zāi)害風(fēng)險(xiǎn)評(píng)估目的在于能夠更準(zhǔn)確地認(rèn)識(shí)風(fēng)險(xiǎn)，合理選擇風(fēng)險(xiǎn)對(duì)策，形成最佳的風(fēng)險(xiǎn)應(yīng)對(duì)策略。本文提出的基于改進(jìn)云模型和Eclat算法的輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法整體流程如圖2所示，根據(jù)風(fēng)險(xiǎn)評(píng)估結(jié)果安排相應(yīng)的檢修策略如表3所示。

表3 檢修策略Table 3 Maintenance strategy

圖2 輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法流程Fig. 2 Flowchart of extreme disaster risk assessment of transmission line

4 算例分析

4.1 模型建立與計(jì)算

為了具體說明文中所提出的基于改進(jìn)云模型和Eclat算法的輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法，本文選取了新疆某地750 kV某線路中的10個(gè)易發(fā)生極端災(zāi)害風(fēng)險(xiǎn)的桿塔單元為研究對(duì)象，設(shè)定標(biāo)號(hào)為1?10號(hào)，對(duì)其極端災(zāi)害風(fēng)險(xiǎn)進(jìn)行評(píng)估，驗(yàn)證模型的合理性。

對(duì)于單一桿塔單元，調(diào)取在線監(jiān)測(cè)數(shù)據(jù)并獲取氣象部門信息，得到待評(píng)價(jià)線路指標(biāo)在某時(shí)間段的歷史信息。本文選取了750 kV線路楚喀I線1號(hào)桿塔所在區(qū)域2019—2020年的實(shí)測(cè)數(shù)據(jù)，根據(jù)本文所述方法建立了主觀云模型和客觀云模型，為方便說明本文所述改進(jìn)的云模型，以“風(fēng)速”指標(biāo)為例，采用FCM模型聚類后的結(jié)果如圖3所示，“*”代表聚類中心，其值在圖3中標(biāo)出。

圖3 聚類結(jié)果Fig. 3 Results of clustering

對(duì)于其他特征因子和技術(shù)要素，采用相同方法得到客觀云模型；參考該地區(qū)歷史資料、相關(guān)標(biāo)準(zhǔn)，邀請(qǐng)專家確定標(biāo)準(zhǔn)云模型的等級(jí)閾值，將指標(biāo)歸一化后建立標(biāo)準(zhǔn)組合云模型，得到各等級(jí)組合云模型的數(shù)字特征見表4所示。

表4 標(biāo)準(zhǔn)云模型數(shù)字特征Table 4 Digital characteristics of standard cloud model

依據(jù)該桿塔的設(shè)計(jì)資料，計(jì)算得到線路防災(zāi)能力指數(shù)，歸一化后C等于0.89；歷史數(shù)據(jù)，冰害共造成停運(yùn)時(shí)間183.78h、風(fēng)害共造成停運(yùn)時(shí)間163.45h、輸電線路舞動(dòng)造成停運(yùn)時(shí)間100.68h；該桿塔設(shè)計(jì)運(yùn)行時(shí)間18250d，參數(shù)α等于1.005。根據(jù)評(píng)估時(shí)間不同，分別計(jì)算風(fēng)險(xiǎn)動(dòng)態(tài)修正指數(shù)β；計(jì)算待評(píng)估數(shù)據(jù)各個(gè)指標(biāo)修正后的風(fēng)險(xiǎn)，并在組合標(biāo)準(zhǔn)云模型中計(jì)算隸屬度，選取“風(fēng)害”評(píng)估后的模型如圖4所示，“*”為當(dāng)天待評(píng)估的數(shù)據(jù)點(diǎn)。

圖4 “風(fēng)害”等級(jí)量化云模型Fig. 4 Quantitative cloud model of 'Wind Damage'

4.2 模型評(píng)價(jià)結(jié)果

MATLAB中導(dǎo)入歷史數(shù)據(jù)集，根據(jù)上述極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法編制云模型程序，計(jì)算每個(gè)指標(biāo)在云模型中的隸屬度，得到歷史災(zāi)害量化等級(jí)，共619852條數(shù)據(jù)如表5所示。

表5 歷史災(zāi)害量化等級(jí)數(shù)據(jù)集Table 5 Quantified grade data set of historical disasters

為驗(yàn)證改進(jìn)云模型的正確率，以人工巡檢評(píng)估結(jié)果作為風(fēng)險(xiǎn)等級(jí)標(biāo)準(zhǔn)，選取與人工巡檢評(píng)估相同時(shí)間段內(nèi)傳統(tǒng)云模型和改進(jìn)云模型的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比，結(jié)果如圖5所示。

圖5 改進(jìn)云模型與傳統(tǒng)云模型對(duì)比Fig. 5 Comparison between improved cloud model and traditional cloud model

結(jié)果表明，該桿塔30次歷史評(píng)估過程中，傳統(tǒng)云模型的準(zhǔn)確率為80%，改進(jìn)后的云模型準(zhǔn)確率為93%，改進(jìn)后的模型更接近實(shí)際輸電線路風(fēng)險(xiǎn)。

將上述經(jīng)改進(jìn)云模型量化后的數(shù)據(jù)在Windows環(huán)境中，應(yīng)用Elcat算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘，多次試驗(yàn)并不斷調(diào)整算法參數(shù)，設(shè)定置信度閾值0.5，相對(duì)關(guān)聯(lián)系數(shù)閾值0.25，最終，選取部分含有風(fēng)險(xiǎn)技術(shù)要素的數(shù)據(jù)樣本如表6所示。

表6的規(guī)則1表示當(dāng)氣溫在II級(jí)風(fēng)險(xiǎn)、風(fēng)速在II級(jí)風(fēng)險(xiǎn)時(shí)，線路會(huì)有II級(jí)冰害風(fēng)險(xiǎn)的概率為92.2%；規(guī)則2表示當(dāng)相對(duì)濕度在III級(jí)風(fēng)險(xiǎn)、氣溫在II級(jí)風(fēng)險(xiǎn)、且有降雪時(shí)，發(fā)生II級(jí)冰害風(fēng)險(xiǎn)的概率為89.8%；規(guī)則3表示當(dāng)風(fēng)速風(fēng)險(xiǎn)在II級(jí)，且降雪風(fēng)險(xiǎn)等級(jí)為II級(jí)時(shí)，線路發(fā)生舞動(dòng)的風(fēng)險(xiǎn)等級(jí)為II級(jí)，概率為88.6%；規(guī)則4表示當(dāng)線路所在地區(qū)氣壓風(fēng)險(xiǎn)等級(jí)為II級(jí)、風(fēng)速等級(jí)為II級(jí)時(shí)，線路會(huì)有95.3%的概率發(fā)生風(fēng)害，風(fēng)害等級(jí)為II級(jí)。

表6 部分關(guān)聯(lián)規(guī)則Table 6 Partial association rules

得到關(guān)聯(lián)規(guī)則后，運(yùn)維人員可以根據(jù)該規(guī)則，在獲取氣象監(jiān)測(cè)數(shù)據(jù)和預(yù)報(bào)數(shù)據(jù)的基礎(chǔ)上，對(duì)線路災(zāi)害風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估預(yù)測(cè)未來可能發(fā)生的災(zāi)害，做好災(zāi)害預(yù)防準(zhǔn)備。

將本文模型應(yīng)用于該線路的10級(jí)桿塔中，選取2020年某天的最終得到的該線路10級(jí)桿塔的災(zāi)害風(fēng)險(xiǎn)等級(jí)如圖6所示。

圖6 桿塔風(fēng)險(xiǎn)評(píng)估結(jié)果Fig. 6 Risk assessment results of tower

從圖6中可以看出，該線路第2、3、4、8號(hào)在同一天出現(xiàn)冰、風(fēng)、舞動(dòng)等災(zāi)害風(fēng)險(xiǎn)，其中第8號(hào)桿塔的風(fēng)害風(fēng)險(xiǎn)等級(jí)達(dá)到III級(jí)，查閱資料可知，當(dāng)天為大風(fēng)天氣，并伴有降雨，平均風(fēng)速達(dá)到12.5 m/s，極大風(fēng)速為30.3 m/s（11級(jí)），大風(fēng)導(dǎo)致導(dǎo)線與鐵塔間安全距離不足，造成風(fēng)偏故障，導(dǎo)致線路跳閘。

從結(jié)果看，本文提出的基于改進(jìn)云模型和Eclat算法的輸電線路極端災(zāi)害風(fēng)險(xiǎn)評(píng)估方法能夠較傳統(tǒng)云模型提高了單一桿塔量化等級(jí)的評(píng)估準(zhǔn)確度，通過Eclat關(guān)聯(lián)規(guī)則挖掘，能夠得到多災(zāi)害特征因子和風(fēng)險(xiǎn)技術(shù)要素間的關(guān)聯(lián)關(guān)系，從而依據(jù)該規(guī)則并根據(jù)現(xiàn)有數(shù)據(jù)對(duì)風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確評(píng)估和預(yù)測(cè)，可減少人工工作量，該方法適用于輸電線路的風(fēng)險(xiǎn)評(píng)估。

5 結(jié)論

1）本文基于FCM聚類算法根據(jù)災(zāi)害特征因子指標(biāo)歷史數(shù)據(jù)尋找聚類中心，結(jié)合專家主觀評(píng)價(jià)得到風(fēng)險(xiǎn)評(píng)估等級(jí)閾值，考慮輸電線路的抗災(zāi)害能力、災(zāi)害造成的平均停運(yùn)時(shí)間以及風(fēng)險(xiǎn)的累積效應(yīng)，對(duì)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)修正，對(duì)云模型進(jìn)行改進(jìn)，改進(jìn)后的模型評(píng)估準(zhǔn)確率較傳統(tǒng)模型得到提升；

2）對(duì)云模型量化后的災(zāi)害風(fēng)險(xiǎn)等級(jí)應(yīng)用Elcat算法充分挖掘關(guān)聯(lián)規(guī)則，得到了線路災(zāi)害特征因子風(fēng)險(xiǎn)等級(jí)與風(fēng)險(xiǎn)技術(shù)要素間的內(nèi)在聯(lián)系；

3）基于新疆某地750 kV線路的實(shí)例分析，結(jié)果表明，本文提出的風(fēng)險(xiǎn)評(píng)估策略可基于歷史數(shù)據(jù)進(jìn)行評(píng)估，風(fēng)險(xiǎn)評(píng)估結(jié)果準(zhǔn)確，較合理。