基于改進(jìn)SVM的智能電網(wǎng)調(diào)控系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估與預(yù)警技術(shù)

王 寧， 田家英， 董 寧， 韓 盟， 陳艷霞

(1. 中國(guó)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院， 北京 100083； 2. 國(guó)網(wǎng)北京市電力公司 a. 電力科學(xué)研究院， b. 電力調(diào)度控制中心， 北京 100031)

隨著社會(huì)信息化水平的不斷提高，電網(wǎng)智能化也逐步成為重要的發(fā)展趨勢(shì)[1].高度集成和智能化的電網(wǎng)調(diào)控系統(tǒng)為電網(wǎng)的穩(wěn)定運(yùn)行提供了重要保障，但同時(shí)也伴隨著一些潛藏的風(fēng)險(xiǎn)，尤其在調(diào)控系統(tǒng)通信與數(shù)據(jù)安全等環(huán)節(jié)較為薄弱[2-3]，因此，有必要深入研究電網(wǎng)調(diào)控系統(tǒng)的實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估和預(yù)警技術(shù).

殷加玞等[4]提出了一種基于全概率風(fēng)險(xiǎn)度量的電力系統(tǒng)備用風(fēng)險(xiǎn)評(píng)估方法，對(duì)源荷雙側(cè)預(yù)測(cè)誤差所引起的電力系統(tǒng)備用缺額風(fēng)險(xiǎn)進(jìn)行了評(píng)估；商皓鈺等[5]針對(duì)包含風(fēng)電和光伏等新能源的電力系統(tǒng)提出了一種運(yùn)行風(fēng)險(xiǎn)評(píng)估模型，并全方位考慮風(fēng)險(xiǎn)指標(biāo)，從而有效提高電網(wǎng)的運(yùn)行安全性；何曉峰等[6]針對(duì)連鎖故障對(duì)電力系統(tǒng)帶來(lái)的安全風(fēng)險(xiǎn)，在完善連鎖故障模型的基礎(chǔ)上，引入多種系統(tǒng)級(jí)的風(fēng)險(xiǎn)評(píng)估指標(biāo)，并從宏觀層面評(píng)估了目標(biāo)系統(tǒng)運(yùn)行風(fēng)險(xiǎn).

但上述研究較多偏向于電力系統(tǒng)整體，而針對(duì)電網(wǎng)調(diào)控系統(tǒng)實(shí)時(shí)運(yùn)行風(fēng)險(xiǎn)的評(píng)估與預(yù)警研究較少.因此，基于改進(jìn)的支持向量機(jī)技術(shù)，本文提出了一種智能電網(wǎng)調(diào)控系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估與預(yù)警方法.其將系統(tǒng)數(shù)據(jù)信息輸入卷積神經(jīng)網(wǎng)絡(luò)(CNN)以得到數(shù)據(jù)特征，并將其估值輸入支持向量機(jī)(SVM)分類器完成風(fēng)險(xiǎn)等級(jí)的劃分，從而采取相應(yīng)的預(yù)警措施.

1 改進(jìn)SVM模型

所提算法基于傳統(tǒng)CNN，分別從全聯(lián)通層、匯聚層、激活層、卷積層以及嵌入層5個(gè)部分對(duì)該模型進(jìn)行了優(yōu)化[7].首先，針對(duì)數(shù)據(jù)集對(duì)每個(gè)詞的嵌入進(jìn)行訓(xùn)練，并作為特征輸入CNN模型完成迭代訓(xùn)練.同時(shí)在其他網(wǎng)絡(luò)參數(shù)共同訓(xùn)練作用下，將得到新的訓(xùn)練特征作為SVM分類器輸入繼續(xù)訓(xùn)練，并輸出最終結(jié)果[8].

1.1 原始SVM算法

支持向量機(jī)是一種基于線性模型的經(jīng)典機(jī)器學(xué)習(xí)算法，其輸入空間通過(guò)非線性變換成為高維特征空間，以求解最優(yōu)的線性界面.通常維數(shù)越高，計(jì)算復(fù)雜度越高，而在SVM算法中引入核函數(shù)解決了這一問(wèn)題，降低了計(jì)算復(fù)雜度.

線性可分樣本為(Xi，yi)，i=1，2，…，n，Xi為樣本矩陣，yi∈{-1，1}為樣本標(biāo)簽.在多維空間中，線性判別函數(shù)的一般形式為h(X)=αX+b，則分類面可表示為αX+b=0.對(duì)其進(jìn)行歸一化，并用等比的方法來(lái)調(diào)整系數(shù)矢量系數(shù)α和b，因此，分類曲面問(wèn)題可描述轉(zhuǎn)化為

s.t.yi[(αXi)+b]-1≥0

(1)

根據(jù)描述的優(yōu)化問(wèn)題可得到最優(yōu)決策函數(shù)為

(2)

式中：sgn()為符號(hào)函數(shù)；?i為每個(gè)樣本的拉格朗日乘數(shù)；B為分類閾值.

基于SVM基本思想，將非目標(biāo)問(wèn)題通過(guò)非線性變換轉(zhuǎn)化為高維空間的線性問(wèn)題進(jìn)行求解；而核空間理論通過(guò)非線性函數(shù)將數(shù)據(jù)從低維空間映射到高維空間，因此，分類問(wèn)題可轉(zhuǎn)化為屬性空間，向量?jī)?nèi)積可以用核函數(shù)K(Xi，Xj)代替，則優(yōu)化問(wèn)題表示為

(3)

相應(yīng)的決策函數(shù)為

(4)

1.2 基本CNN算法概述

CNN是一種典型的人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)將上一層輸出作為下一層神經(jīng)元輸入.通過(guò)多層卷積運(yùn)算，完成從輸入層到輸出層的逐層非線性變換[9-10].通常CNN結(jié)構(gòu)包含嵌入層、卷積層、池化層和全連接層，如圖1所示.

圖1 CNN的網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of CNN

其中，嵌入層是一個(gè)矩陣，將樣本中的數(shù)據(jù)狀態(tài)向量按從上到下的順序排列；然后通過(guò)卷積層的卷積運(yùn)算得到多個(gè)特征映射，并輸入池化層減小輸入數(shù)據(jù)的大??；最終池化層連接到一個(gè)或多個(gè)全連接層，并輸出數(shù)據(jù)特征量.

CNN具備空間采樣、局部連接和權(quán)值共享三個(gè)顯著特征.CNN中局部鏈接的神經(jīng)元結(jié)構(gòu)會(huì)明顯影響神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)大小，卷積操作后得到的特征數(shù)據(jù)可用于訓(xùn)練與分類，但卻存在計(jì)算量大的缺點(diǎn)[11-12]，因此，對(duì)于卷積特征數(shù)據(jù)需要進(jìn)行降維處理.空間采樣方法作為常用降維方法，不僅降低了上隱層的計(jì)算復(fù)雜度，且增強(qiáng)了對(duì)時(shí)移的魯棒性[3].此外，CNN的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使其更接近于生物神經(jīng)網(wǎng)絡(luò)，避免傳統(tǒng)機(jī)器學(xué)習(xí)算法中復(fù)雜的特征提取與數(shù)據(jù)重構(gòu)過(guò)程.

1.3 深度神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)模型

所提技術(shù)中采用CNN網(wǎng)絡(luò)改進(jìn)SVM，以得到深度神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)模型(CNN-SVM)[13-14].將CNN輸出的數(shù)據(jù)特征輸入SVM分類器完成數(shù)據(jù)分類，并判定其風(fēng)險(xiǎn)等級(jí)，繼而進(jìn)行風(fēng)險(xiǎn)預(yù)警，其模型結(jié)構(gòu)如圖2所示.

圖2 CNN-SVM模型結(jié)構(gòu)Fig.2 Model structure of CNN-SVM

CNN-SVM模型的第1層是數(shù)據(jù)輸入層；第2層用于數(shù)據(jù)預(yù)處理；第3層為5個(gè)并行的CNN模型，每個(gè)模型均由一個(gè)雙卷積組成，即卷積層與最大池化層的組合.為了充分考慮每個(gè)數(shù)據(jù)前后時(shí)刻的信息，提取不同大小的局部特征，從而改變窗口長(zhǎng)度，于是將5個(gè)卷積結(jié)構(gòu)的大小設(shè)置為5×100、6×100、7×100、8×100和9×100.經(jīng)過(guò)卷積層的處理后，模型分類特性更為優(yōu)越，且每個(gè)并行的CNN模型均連接一個(gè)Flatten層，進(jìn)而完成多維數(shù)據(jù)降維處理.

在長(zhǎng)度為l的窗口中，卷積核K完成卷積運(yùn)算后的輸出特征為

oi=σ(ωXi∶i+l-1+d′)

(5)

式中：Xi∶i+l-1為濾波器滑動(dòng)窗口內(nèi)輸入矩陣X的信息；ω為權(quán)重矩陣；d′為偏置因子；σ()為激活函數(shù).神經(jīng)網(wǎng)絡(luò)中有眾多激活函數(shù)，如Sigmod函數(shù)、Tanh函數(shù)等，所提模型中采用Tanh函數(shù).之后，采用兩個(gè)全連接層，一個(gè)是對(duì)以前的數(shù)據(jù)進(jìn)行特征加權(quán)，另一個(gè)是提取輸出的特征.輸出向量具體計(jì)算表達(dá)式為

U′=δ(ωU+b)

(6)

式中，U與δ()分別為上層輸出向量和高級(jí)激活函數(shù)Leaky ReLU.通過(guò)引入包含非線性因素的Leaky ReLU函數(shù)，在增強(qiáng)模型表達(dá)的基礎(chǔ)上去除冗余數(shù)據(jù)，最大限度地保留數(shù)據(jù)特征.此外，為了加快特征數(shù)據(jù)的收斂速度并防止過(guò)擬合，設(shè)置了批量標(biāo)準(zhǔn)化層.

最終，電力數(shù)據(jù)在滑動(dòng)窗口中被轉(zhuǎn)換成固定長(zhǎng)度的向量U″，然后用Softmax函數(shù)對(duì)提取的特征U″進(jìn)行處理，輸入SVM分類器進(jìn)行訓(xùn)練，并輸出分類結(jié)果.

2 系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估與預(yù)警技術(shù)

隨著“大運(yùn)行”體系建設(shè)的推進(jìn)，智能電網(wǎng)調(diào)控業(yè)務(wù)高度集約，接入廠站數(shù)據(jù)量急劇增加.對(duì)智能電網(wǎng)調(diào)控系統(tǒng)的數(shù)據(jù)交互實(shí)時(shí)性、業(yè)務(wù)響應(yīng)及時(shí)性、運(yùn)行可靠性與健壯性提出了更高的要求，因此，采用CNN-SVM模型評(píng)估系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)并作出預(yù)警.

2.1 系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

智能電網(wǎng)調(diào)控系統(tǒng)的硬件架構(gòu)是由大量服務(wù)器搭建構(gòu)成的，服務(wù)器的健康與否直接影響系統(tǒng)整體安全.而負(fù)責(zé)發(fā)、輸、變、配電業(yè)務(wù)的調(diào)控系統(tǒng)也同等重要，其健康度同樣關(guān)乎系統(tǒng)安全，尤其是調(diào)控過(guò)程中數(shù)據(jù)傳輸質(zhì)量對(duì)系統(tǒng)業(yè)務(wù)所產(chǎn)生的干擾不容忽視，故這也是系統(tǒng)安全的又一個(gè)影響因素.因此，系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系中包含了服務(wù)器、業(yè)務(wù)與數(shù)據(jù)質(zhì)量3種狀態(tài)因素.該評(píng)估系統(tǒng)結(jié)構(gòu)如圖3所示.

系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估體系采用層次分析法(AHP)自下而上分層計(jì)算，結(jié)合專家經(jīng)驗(yàn)確定的指標(biāo)權(quán)重和各個(gè)評(píng)價(jià)標(biāo)準(zhǔn)得到系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)等級(jí).

系統(tǒng)評(píng)價(jià)指標(biāo)體系主要由3層構(gòu)成.第1層為CPU、網(wǎng)絡(luò)I/O等，通過(guò)監(jiān)測(cè)系統(tǒng)獲取運(yùn)行數(shù)據(jù).在該層次中，對(duì)定量指標(biāo)如CPU使用率等進(jìn)行量化評(píng)定.而進(jìn)程、網(wǎng)卡狀態(tài)等指標(biāo)則經(jīng)常進(jìn)行定性評(píng)定，通常優(yōu)先級(jí)較高.若存在風(fēng)險(xiǎn)，則分值為0；若不存在風(fēng)險(xiǎn)，則進(jìn)行定量指標(biāo)評(píng)定.

圖3 系統(tǒng)風(fēng)險(xiǎn)評(píng)估架構(gòu)Fig.3 Architecture of system risk-assessment

第2層為中間層，主要構(gòu)建包含進(jìn)程、硬件健康度等在內(nèi)的數(shù)據(jù)指標(biāo).在該層，根據(jù)第1層指標(biāo)的分?jǐn)?shù)與專家權(quán)重計(jì)算系統(tǒng)風(fēng)險(xiǎn)狀態(tài)值.系統(tǒng)部分指標(biāo)的評(píng)價(jià)等級(jí)和評(píng)分標(biāo)準(zhǔn)如表1所示.

表1 部分指標(biāo)的評(píng)價(jià)等級(jí)和評(píng)分標(biāo)準(zhǔn)Tab.1 Evaluation grades and scoring standards of some indicators

第3層為最頂層，可以直接影響調(diào)控系統(tǒng)安全的風(fēng)險(xiǎn)數(shù)據(jù)指標(biāo)，如Scada應(yīng)用狀態(tài)等.該層次結(jié)合前兩個(gè)層次定性定量指標(biāo)的計(jì)算方法依次向上層指標(biāo)計(jì)算，直至得到系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)分值.

2.2 基于CNN-SVM的系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估與預(yù)警

將電網(wǎng)業(yè)務(wù)數(shù)據(jù)流、服務(wù)器工作狀態(tài)等輸入實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估系統(tǒng)，并利用CNN-SVM不斷深入分析系統(tǒng)數(shù)據(jù)，根據(jù)計(jì)算得到的風(fēng)險(xiǎn)分值進(jìn)行相應(yīng)預(yù)警，整個(gè)過(guò)程如圖4所示.

電網(wǎng)調(diào)控系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估流程主要包括：數(shù)據(jù)采集、風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)評(píng)估及定級(jí)、風(fēng)險(xiǎn)預(yù)警等.其中，采集的數(shù)據(jù)主要有6個(gè)輸入指標(biāo)：磁盤I/O、網(wǎng)絡(luò)I/O、網(wǎng)絡(luò)連接數(shù)、進(jìn)程占用CPU、進(jìn)程占用內(nèi)存及線程個(gè)數(shù).將采集數(shù)據(jù)輸入CNN進(jìn)行特征提取，并結(jié)合AHP計(jì)算系統(tǒng)的實(shí)時(shí)風(fēng)險(xiǎn)值；然后將系統(tǒng)風(fēng)險(xiǎn)值輸入SVM，并結(jié)合動(dòng)態(tài)的系統(tǒng)信息，完成風(fēng)險(xiǎn)等級(jí)的劃分，其分為完好、正常、異常、崩潰4個(gè)等級(jí)；最終根據(jù)系統(tǒng)風(fēng)險(xiǎn)等級(jí)采取相應(yīng)的預(yù)警措施，保證系統(tǒng)的安全、穩(wěn)定運(yùn)行.

圖4 電網(wǎng)調(diào)度系統(tǒng)風(fēng)險(xiǎn)評(píng)估及預(yù)警流程Fig.4 Flow chart of risk-assessment and early-warning of power grid dispatching system

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證所提方法的可行性與有效性，模擬實(shí)際運(yùn)行場(chǎng)景，搭建如圖5所示的電網(wǎng)調(diào)控系統(tǒng)閉環(huán)仿真測(cè)試系統(tǒng).

圖5 系統(tǒng)配置圖Fig.5 System configuration diagram

系統(tǒng)由3臺(tái)雙網(wǎng)工作站構(gòu)成.在實(shí)驗(yàn)中，智能電網(wǎng)調(diào)度控制系統(tǒng)為D5000，其基礎(chǔ)平臺(tái)為V3.0，金倉(cāng)數(shù)據(jù)庫(kù)管理系統(tǒng)為V7.0，凝思安全操作系統(tǒng)為V4.2.

3.1 系統(tǒng)并發(fā)能力測(cè)試

典型場(chǎng)景并發(fā)規(guī)模測(cè)試中，輸入數(shù)據(jù)規(guī)模為：廠站數(shù)642個(gè)、通道數(shù)1 712條、模擬量44萬(wàn)(441 070)點(diǎn)、狀態(tài)量82萬(wàn)(829 104)點(diǎn)、遙控量5萬(wàn)(52 300)點(diǎn)、遙調(diào)量1 800點(diǎn)，數(shù)據(jù)量為遙測(cè)量達(dá)到2 000點(diǎn)/s、遙信變位10點(diǎn)/s、帶SOE的遙信變位5點(diǎn)/s.

在線并發(fā)用戶數(shù)根據(jù)實(shí)際場(chǎng)景確定，由最初的10戶逐漸增至100戶.根據(jù)接口分析及日志數(shù)據(jù)整理編寫測(cè)試用接口腳本，創(chuàng)建測(cè)試的使用變量，這些測(cè)試變量驅(qū)動(dòng)接口動(dòng)態(tài)鏈接庫(kù)完成測(cè)試活動(dòng)，并收集測(cè)試動(dòng)態(tài)鏈接庫(kù)返回的數(shù)據(jù).分析這些數(shù)據(jù)可以得出，系統(tǒng)是否可對(duì)用戶請(qǐng)求做出正確的響應(yīng)，從而記錄響應(yīng)時(shí)間.最終計(jì)算開(kāi)始時(shí)間與結(jié)束時(shí)間得出系統(tǒng)的響應(yīng)時(shí)間，并計(jì)算整個(gè)測(cè)試過(guò)程中系統(tǒng)的正確響應(yīng)測(cè)試和錯(cuò)誤響應(yīng)測(cè)試，得出系統(tǒng)的錯(cuò)誤率.調(diào)度系統(tǒng)并發(fā)能力測(cè)試結(jié)果如圖6所示.

圖6 并發(fā)用戶數(shù)與傳輸響應(yīng)時(shí)間及CPU利用率的關(guān)系曲線

從圖6可以看出，系統(tǒng)響應(yīng)時(shí)間隨著并發(fā)用戶數(shù)的增加而增長(zhǎng)，兩者成正相關(guān)關(guān)系.當(dāng)并發(fā)數(shù)到80時(shí)，系統(tǒng)正確響應(yīng)時(shí)間顯著增加至20 s，超過(guò)專家經(jīng)驗(yàn)評(píng)價(jià)所得的響應(yīng)時(shí)間臨界值；CPU平均利用率也躍升至60%，臨近日常狀態(tài)CPU占用率的異常指標(biāo).當(dāng)并發(fā)數(shù)達(dá)到100時(shí)，絕大部分并發(fā)用戶響應(yīng)超時(shí)并呈現(xiàn)較高錯(cuò)誤率，且CPU平均利用率處于異常狀態(tài).因此調(diào)控系統(tǒng)的合理并發(fā)用戶數(shù)應(yīng)小于80戶，此時(shí)測(cè)試性能最佳.

3.2 風(fēng)險(xiǎn)評(píng)估精度分析

為消除評(píng)價(jià)等級(jí)差異對(duì)評(píng)估精度造成的影響，實(shí)驗(yàn)針對(duì)所有等級(jí)的風(fēng)險(xiǎn)評(píng)價(jià)精度、召回率和F1值進(jìn)行了計(jì)算，并將所提技術(shù)與文獻(xiàn)[5]進(jìn)行對(duì)比，結(jié)果如表2所示.

表2 不同評(píng)價(jià)等級(jí)的測(cè)試結(jié)果Tab.2 Test results of different evaluation grades %

由表2可以看出，當(dāng)系統(tǒng)處于異常或更優(yōu)的狀態(tài)時(shí)，各個(gè)風(fēng)險(xiǎn)等級(jí)的分類精度均在0.90以上，召回率和F1值也表現(xiàn)較好.因此可以排除評(píng)價(jià)等級(jí)間的差異對(duì)系統(tǒng)評(píng)估誤差的影響，且所提技術(shù)的分類精度、召回率和F1分?jǐn)?shù)的均值分別為92%、86%、90%，均優(yōu)于對(duì)比方法.但當(dāng)風(fēng)險(xiǎn)等級(jí)處于崩潰狀態(tài)時(shí)，所提技術(shù)的性能出現(xiàn)了明顯下降，如分類精度僅為84%.由于數(shù)據(jù)量急劇增加，對(duì)系統(tǒng)造成了較大壓力，響應(yīng)時(shí)間增長(zhǎng)且錯(cuò)誤率上升，因此系統(tǒng)整體分類性能降低.而相比文獻(xiàn)[5]中技術(shù)的分類準(zhǔn)確率為71%，所提技術(shù)仍具有較明顯的優(yōu)勢(shì).

3.3 風(fēng)險(xiǎn)預(yù)警可靠性分析

智能電網(wǎng)調(diào)控系統(tǒng)對(duì)可靠性要求極高，因此不光要保證風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性，還應(yīng)保證風(fēng)險(xiǎn)預(yù)警系統(tǒng)的可靠性.通過(guò)故障模擬，將所提CNN-SVM技術(shù)用于實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估，利用故障數(shù)據(jù)驗(yàn)證實(shí)時(shí)風(fēng)險(xiǎn)評(píng)價(jià)系統(tǒng)的可靠性.系統(tǒng)風(fēng)險(xiǎn)等級(jí)分為完好、正常、異常和崩潰4種，其中完好和正常狀態(tài)說(shuō)明系統(tǒng)運(yùn)行風(fēng)險(xiǎn)較低，因此本實(shí)驗(yàn)驗(yàn)證系統(tǒng)在異常和崩潰狀態(tài)下的預(yù)警可靠性，文中采用正評(píng)率評(píng)估系統(tǒng)可靠性，其計(jì)算表達(dá)式為

(7)

圖7 可靠性驗(yàn)證實(shí)驗(yàn)結(jié)果Fig.7 Experiment results for reliability verification

從圖7中可以看出，當(dāng)系統(tǒng)數(shù)據(jù)不超過(guò)600 MB時(shí)，應(yīng)用所提技術(shù)所得的PΩ值不低于90%，且文獻(xiàn)[5]所得PΩ值大約為88%.當(dāng)系統(tǒng)數(shù)據(jù)超過(guò)700 MB時(shí)，PΩ值急劇下降，且應(yīng)用文獻(xiàn)[5]技術(shù)的下降幅度更大.最終，應(yīng)用本文所提技術(shù)系統(tǒng)的PΩ值未低于60%，符合要求；而文獻(xiàn)[5]僅為52%，已失去準(zhǔn)確預(yù)警的性能.文獻(xiàn)[5]采用運(yùn)行風(fēng)險(xiǎn)評(píng)估模型，其技術(shù)較為傳統(tǒng)，在處理海量數(shù)據(jù)時(shí)效果不佳.綜合來(lái)看，所提技術(shù)的預(yù)警可靠性更優(yōu)，且全面考慮了各個(gè)影響因素，并利用CNN-SVM進(jìn)行分類處理，提高了調(diào)控系統(tǒng)的穩(wěn)定性.

4 結(jié) 論

調(diào)控系統(tǒng)作為電網(wǎng)的核心，其安全穩(wěn)定地運(yùn)行至關(guān)重要.為此，本文提出了一種基于改進(jìn)SVM的智能電網(wǎng)調(diào)控系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估與預(yù)警技術(shù)，構(gòu)建出了一個(gè)包含各種影響因素的風(fēng)險(xiǎn)評(píng)估體系，并利用CNN模型獲得影響因素的特征.計(jì)算系統(tǒng)實(shí)時(shí)風(fēng)險(xiǎn)值，同時(shí)輸入SVM分類器模型完成風(fēng)險(xiǎn)劃分.基于構(gòu)建的電網(wǎng)調(diào)控系統(tǒng)對(duì)所提技術(shù)進(jìn)行實(shí)驗(yàn)的結(jié)果表明，并發(fā)用戶數(shù)小于80戶時(shí)，系統(tǒng)測(cè)試性能最佳.即使當(dāng)系統(tǒng)處于崩潰狀態(tài)，其評(píng)估可靠性也未低于60%，滿足系統(tǒng)實(shí)際運(yùn)行的要求.在接下來(lái)的研究中，將考慮更多的影響因素，如天氣變化等，以實(shí)現(xiàn)智能電網(wǎng)調(diào)控系統(tǒng)更高可靠性的風(fēng)險(xiǎn)評(píng)估和預(yù)警.