Apriori-AHP算法在电力通信网业务风险评估中的研究及应用∗

吕顺利 杨济海 邓 伟施 健 陆 涛

（1.南瑞集团公司（国网电力科学研究院） 南京 210003）（2.国网江西省电力公司 南昌 330077）

1 引言

2015年12月23日的乌克兰电网停电事故获得广泛关注，同时也将电力系统的信息通信安全问题摆在了人们面前，成为建设与完善电力系统乃至未来的全球能源互联网不可回避的重要挑战［1］。电力通信网作为基础承载实体网络，不仅为各类电力信息系统提供通道支撑，同时还直接负责电网继电保护、安稳控制、调度自动化等重要业务的实时、可靠传输，为电网生产安全控制提供通信基础［2］。

随着电力通信网络规模的不断扩大，网络层次的逐渐增多，网络结构的日趋复杂，对电力通信网及其承载重要业务的安全运行提出了新的挑战。研究发现，国内电力通信网业务风险评估体系和方法很不完备，存在如下问题：

1）指标零碎，缺乏有效的数据分析能力。电力通信网业务的风险评估涉及电力通信网光缆层、传输层、业务层等各层级的多源异构信息，导致评估多而杂，尚未形成系统的体系，不同网省公司有各自的手段和指标，信息不能有效共享，未形成电力系统统一、高效的风险评估体系和方法；

2）风险评估准确性较低，事前预警能力较差。目前风险评估指标的选择大多通过专家咨询法和层次分析法来确定，使得评估结果在很大程度上受到专家权威和个人偏好等主观因素影响，降低了评估的客观性，导致隐患和风险未能及时发现，事前预警能力较差。

为解决上述问题，本文提出一种融合Apriori关联规则分析和层次分析法（AHP）的风险评估方法Apriori-AHP：针对当前现状，基于多源异构的海量数据构建初始指标集，采用改进的Apriori算法确定多种因素与目标的关联度，实现指标筛选；采用AHP算法完成对各因素的权重测算，从而建立统一、高效的评估体系和方法，加权求得综合风险评估指标，降低了单纯依赖层次分析法的主观因素影响，提高了评估的准确性和有效性。

2 电力通信网业务风险评估的数学模型

电力信息通信作为能源与信息通信技术的交叉与融合点［3］，在保障电网正常运行中发挥着巨大的作用，也承担着重要的责任。电力通信网是电力系统安全、稳定运行的重要支柱，而电力通信网承载的继电保护、安稳控制等电力业务的可靠性直接关系着电力系统的稳定可靠运行［4～6］。本文将电力通信网业务风险评估作为研究对象，电力通信网络模型如图1所示。

由图中可以看出，从模型层次上分析，电力通信网络可分为光缆层、传输层、业务层。其中光缆层涉及敷设方式、光缆类型、途经地域的环境和气象条件、是否包含三跨等因素；传输层涉及设备厂家、设备类型、设备型号、家族缺陷、传输拓扑结构、时隙占用情况、保护方式等因素；业务层涉及业务承载情况、业务开通方式、历史故障和检修情况、运维人员管理水平等因素。

图1 电力通信网络分层模型

电力通信网业务风险评估是利用电力通信网的层级结构及其承载业务的运行特点和相关理论技术，特别是大数据分析挖掘相关的算法，对电力通信网业务可靠性是否达到一定安全要求所做出的价值判断，目的是提前发现系统存在的隐患，指导电力通信网的主动预警与智能检修，提高电力业务运行的安全性和稳定性。

电力通信网承载业务受不同层级诸多因素影响，且各因素影响程度也不相同，导致风险评估的输入和输出之间呈现复杂的非线性关系，难以建立用一个合理、精确的数学解析式。

本文首先构建电力通信网业务风险评估模型的初始指标集，设为｛x1，x2，…，xn｝，那么风险评估的数学模型为

式（1）中，y为风险评估函数。电力通信网业务风险评估的建模，就是要找到一个最适合的风险评估函数y，该函数能很好地反应电力通信网业务风险评估系统的输入和输出之间复杂的非线性关系。风险评估函数y为连续值，取值范围经过归一化后为0～1，其中风险阈值是根据生产厂家推荐的性能参数值及历史运行数据计算出的，根据实际计算得到的值同风险阈值对比，判断电力通信网及其承载业务所处的健康状态，并采取适当的检修策略。

影响通信网络可靠性的因素众多，且很复杂，如果不加以分析、简化，即使是经验丰富的专家处理起来也很困难，为便于评价，引入层次分析法将影响通信网络的各因素条理化、层次化，把对某个状态影响程度相近或联系比较紧密的因素放在一起，形成一层，建立起多层次关系结构模型；但是单纯依靠专家经验选择基础指标，存在一定的局限性，为了降低人为选择指标的主观性和随意性，使筛选的指标更加合理，故引入Apriori关联规则算法，先基于Apriori分析筛选出关联指标，然后再应用AHP算法完成权重测算，从而建立统一、高效的评估体系和方法，可大大提高模型的准确性和有效性。基于上述考虑，本文提出一种融合关联规则分析和层次分析法的电力通信网业务风险评估方法Apriori-AHP算法。

3 Apriori-AHP风险评估模型

3.1 构建初始指标集

结合当前现状，建立电力通信网业务风险评估模型的第一步是构建初始指标集。电力通信网业务可靠运行评价，涉及不同层级的海量原始数据，包括资源台账数据、设备运行状态、历史故障、性能数据、运行维护数据和专业管理数据等，结合实际情况及各网省公司多年的指标分析经验，梳理得到图2所示的初始指标集，其中文档、日志、视频、图片等半/非结构化数据，需通过聚类、分词、特征提取、机器学习等处理手段，先行转化为结构化数据。

图2所示初始指标集，基于多源异构的海量原始数据得到，但由于这些指标杂而多、较为零碎，需要经过指标筛选和权重测算两个关键步骤，建立统一高效的评估模型，才能得到最终准确可靠的综合风险评估结果。

图2 电力通信网业务风险评估初始指标集

3.2 基于Apriori的指标筛选设计

Apriori算法［7～8］是布尔关联规则挖掘频繁项集算法。采取逐层搜索的迭代方法生成所有的频繁项集。

针对构建的电力通信网业务风险评估初始指标集，本文提出一种改进的Apriori关联分析，实现对电力通信网业务有影响的强关联指标的筛选，主要的步骤为：

1）依据支持度找出所有频繁项集（频度），找出初始指标集的所有频繁项集；

2）依据置信度产生关联规则（强度），找出对电力通信网业务可靠性有影响的强关联指标。

步骤1算法实现：

首先，通过扫描所有初始指标集，累计每个项的计数，并收集满足最小支持度的项，找出频繁1-项集的集合，即集合L1；然后，L1用于找频繁2-项集的集合L2，L2用于找L3，如此下去，直到不能再找到频繁k-项集，找每个需要一次初始指标集全扫描，该步骤依据支持度找出初始指标集的所有频繁项集。

步骤2算法实现：

依据置信度，找出对电力通信网业务可靠性有影响的强关联指标。

为提高关联规则分析的效率，本文对Apriori算法做了如下改进：

1）通过构建支持度计算支撑数组来简化支持度的计算，减少读取数据库的次数；

2）通过构建邻接字典链表，动态发现满足支持度要求的二项频繁集。

3）通过分支筛选优化策略，动态删除无效分支，快速生成二项频繁集。

通过Apriori算法，筛选出对评估结果有重要影响的指标，用于确定AHP的基础指标。通过Aprio⁃ri指标筛选，可降低单纯依赖人工选择的主观性和随意性，提高其选择的合理性。

3.3 基于AHP的权重测算设计

AHP算法［9～10］本质上是一种决策思维方式，它把复杂的问题分解为各个组成因素，将这些因素按支配关系分组形成有序的递阶层次结构，通过两两比较方式确定层次中诸因素的相对重要性，然后综合人们的判断以决定诸因素相对重要性的顺序。

一个复杂的问题可分解为它的目标，约束准则和方案等因素，按照不同属性把这些因素分组形成互不相交的层次，上一层的因素对相邻下一层的全部或部分因素起着支配作用，形成按层次自上而下的逐层支配关系，而每一层都要通过两两比较，导出它们包含因素的相对重要性排序权重，具有这种性质的层次称为递阶层次结构。

AHP权重测度是通过两两比较判断给出的。比较的依据是标度，用整数1～9及其倒数来表示，也叫比例标度，如表1所示。在同一准则下对元素进行两两比较，并不要求对被比较元素的属性有专门知识，标度结果进一步组成判断矩阵，一般不具有一致性。比例标度法便于在判断不一致或相互矛盾的情况下对被比较元素进行标度。

表1 AHP测度方法

单一准则下的排序问题实质上是由一组元素两两比较得到重要性测度组成的判断矩阵A(aij)n*n，其具有正值、互反性和基本一致性，并且和排序测度W之间具有AW=nW的关系：

从矩阵代数Perron-Frobineus理论可知，正矩阵的实特征根所对应的归一化特征向量是唯一的，而最大的特征根λmax可通过求解：

得到。因此，单一准则下的排序问题化为对上式的求解。特征根法是解决从比较测度求出排序全值的一种方法。

算法实现：首先基于Apriori筛选得到的对电力通信网业务可靠性有影响的强关联指标，确定AHP的层次模型及基础指标；然后对底层的各指标进行两两比较判断，构造判断矩阵A(aij)n*n；通过对判断矩阵的计算，进行层次单排序和一致性校验；最后进行层次总排序，得到各因素的权重，建立电力通信网业务风险评估模型后，即可对待评价的电力通信网业务风险进行评估，输出评价结果。

3.4 Apriori-AHP风险评估流程

Apriori-AHP风险评估流程含两个步骤，步骤一基于Apriori完成指标筛选；步骤二基于AHP完成权重测算，生成最优风险评估模型，并对待评价对象进行评估，输出评估结果。

步骤一包括：

1）搜集数据，并依据业务专家、经验积累及实际要求，建立电力通信网业务风险评估的初始指标集；

2）基于Apriori关联规则分析，筛选出对电力通信网业务有影响的关键指标。

步骤二包括：

1）根据Apriori筛选得到对电力通信网业务有影响的关联指标，从而确定AHP的层次模型及基础指标；

2）对底层的各指标进行两两比较判断，构造判断矩阵；

3）通过对判断矩阵的计算，进行层次单排序和一致性校验；

4）进行层次总排序，得到各因素的权重，建立电力通信网业务风险评估模型

5）采用建立的评估模型对待评价电力通信网络业务进行评估，输出评价结果，使得运维人员能够及时发现存在的隐患和风险，并对潜在故障类型和影响范围做进一步分析，指导主动预警和智能检修。

Apriori-AHP的风险评估流程如图3所示。

图3 Apriori-AHP风险评估流程

4 算例分析

4.1 数据来源

为了验证Apriori-AHP风险评估方法的性能，在RStudio 0.99平台下进行仿真实验。实验数据来自某省电力公司的电力通信网络风险评估数据库，该库包含了近五年电力通信网业务风险评估及实际运行情况记录，从中选取900条记录作为模型的训练及测试验证数据，其中600条数据作为训练样本集，剩余300条数据作为测试样本集。

4.2 Apriori-AHP风险评估模型实现

基于原始数据构建初始的指标体系，采用改进Apriori算法对初始风险评估指标集进行关联规则分析，过程如图3步骤一所示，分析得到敷设方式，环境温度，传输拓扑，保护方式，历史故障，设备运行状态、光缆衰耗等强关联的基础指标，对数据进行处理得到新的数据集，并确定AHP的层次模型及基础指标；通过AHP完成权重评价及测算，得到最终的电力通信网业务风险评估模型。

利用测试集进行验证，模型输出同实际值对比如图4所示，两者相关系数为0.9028，评价精度达到89.93%，其中评价精度用来衡量预测值与实际值的拟合程度，计算公式为（|预测值-实际值|/实际值）*100%，评价结果的精度相当高。结果表明，融合了关联规则分析和层次分析法的Apriori-AHP评估方法是准确、可行的。

图4 Apriori-AHP模型输出与实际值相关性

4.3 同传统层次分析法的对比

传统的电力通信网业务风险评估指标多而杂，尚未形成系统的体系，不同网省公司有各自的手段和指标，基础指标选择的随意性较大；而Aprio⁃ri-AHP方法则建立了统一、高效的评估体系和方法，为了进一步评价Apriori-AHP模型的优劣，选择传统层次分析法进行对比实验，采用评价精度和相关系数作为模型的衡量标准，对比结果如表2所示。

表2 两种算法的对比

AHP模型输出与实际值相关性见图5。

对图4、图5和表2的仿真结果进行对比和分析，可以得到如下结论：

Apriori-AHP的评价精度更高，采用关联规则分析筛选出对评估结果有重要影响的指标，然后采用AHP完成权重测算形成最终模型进行风险评估，充分结合两者的优势，提高了评估的精度和准确性，是一种有效、可行的电力通信网业务风险评估方法。

图5 AHP模型输出与实际值相关性

4.4 实际应用效果对比

根据该省电力公司历年运维故障记录统计分析，63.7%～80.5%的电力通信网业务故障可提前预警。基于Apriori-AHP分析风险评估方法在该省电力公司实际应用一年以来，25项在运电力通信网业务的隐患被及时发现，未能及时预警的5个故障，是由于系统外临时施工挖断光缆等突发的人为破坏导致，实际预警率达到了83.33%。为对比分析，借助传统层次分析法也同步开展了风险评估，实际情况如表3所示。

从表中可看出，采用Apriori-AHP方法后，实际的预警效果得到明显提升，避免了电力通信网业务潜在的隐患和风险，极大降低了故障造成的损失及运维人力成本，提高了电力业务运行的安全性及稳定性。

表3 算法实际效果对比

5 结语

为解决“海量数据”和“有限知识”之间的矛盾，提高电力通信网业务风险评估的准确性和有效性，提出一种基于Apriori-AHP分析的风险评估方法。

仿真结果和实际应用效果均表明，相较于传统的层次分析方法，Apriori-AHP有效提高了风险评估的准确性和有效性，使运维人员能及时发现存在的隐患和风险，提高了电力重要业务运行的安全性和稳定性。成果具有显著的经济效益、社会效益和管理效益，对电网安全稳定运行及管理具有重大意义。

［1］ 郭庆来.由乌克兰停电事件看信息能源系统综合安全评估［J］.电力系统自动化，2016，40（5）：145-147.GUO Qinglai.Comprehensive Security Assessment for a Cyber Physical Energy System：a Lesson from Ukraine's Blackout［J］.Automation of Electric Power Sys-tems，2016，40（5）：145-147.

［2］赵子岩，刘建明.基于业务风险均衡度的电力通信网可靠性评估算法［J］.电网技术，2011，35（10）：209-213.ZHAO Ziyan，LIU Jianming.A New Service Risk Bal⁃anc-ing Based Method to Evaluate Reliability of Electric Power Communication Network ［J］.Power System Tech-nology，2011，35（10）：209-213.

［3］赵俊华，文福拴，薛禹胜，等.电力CPS的架构及其实现技术与挑战［J］.电力系统自动化，2010（16）：1-7.ZHAO Junhua，WEN Fushuan，XUE Yusheng，et al.Cy⁃ber Physical Power Systems：Architecture，Implementation Techniques and Challenges［J］.Automation of Electric Power Systems，2010（16）：1-7.

［4］曾瑛.电力通信网可靠性分析评估方法研究［J］.电力系统通信，2011，32（8）：13-16.ZENG Ying.Power Communication Network Reliability Analysis and Evaluation Methods［J］.Telecommunications for Electric Power System，2011，32（8）：13-16.

［5］缪巍巍，何迎利，朱斌.基于IP网络的电力远动传输通道监测方法［J］.电力系统自动化，2003，27（24）：59-62.MIAO Weiwei，HE Yingli，ZHU Bin.An IP-based Method for Supervising the Electric Power Telecontrol Transm Is⁃sion Channel［J］.Automation of Electric Power Systems，2003，27（24）：59-62.

［6］闫生超，张天兵，张春平.基于组合规则的电力通信网故障分析方法［J］.电力系统通信，2011，32（3）：34-38.YAN Shengchao，ZHANG Tianbing，ZHANG Chunping.Analysis on The Fault of Power Communication Network Based on Combined Rules［J］.Telecommunications for Electric Power System，2011，32（3）：34-38.

［7］Agrawal R，Imielinski T，Swami A.Mining asaz～ation rules between sets of items in large databases［J］.ACM SIGMOD Record，1993，22（2）：207-216.

［8］Agrawal R，Imielinski T，Swami A.Databasemining：a peaorriiRrlce perspective［J］.Knowledge and Data Engi⁃neering，IEEE Transactions，1993，5（6）：914-925.

［9］冯莹莹，于干，周红志.层次分析法和神经网络相融合的教学质量评价［J］.计算机工程与应用，2013，49（17）：235-245.FENG Yingying，YU Gan，ZHOU Hongzhi.Teaching quali⁃ty evaluation model based on neural network and analytic hi-erarchy process［J］.Computer Engineering and Appli⁃ca-tions，2013，49（17）：235-238.

［10］DunhamM H.数据挖掘教程［M］.郭崇慧，田凤占，靳晓明译.北京：清华大学出版社，2005：79-88.DunhamM H.Data Mining Tutorial［M］.GUO Chonghui，TAN Zhanfeng，JIN Xiaoming translation.Beijing：Tsing⁃hua University Press，2005：79-88.