电力企业安全评估系统的设计与实现
2022-05-11齐彩娟韦冬妮唐梦媛张玮琪张泽龙
齐彩娟， 韦冬妮， 唐梦媛， 张玮琪， 张泽龙
(国网宁夏电力有限公司经济技术研究院， 宁夏， 银川 750000)
0 引言
电力企业安全生产和国民经济、人们生活存在密切关系。我国有关部门在分析电力安全管理经验之际，也对电力企业安全生产提出了新的要求，出台了相关的法律法规[1]。一大批学者也对此开展了研究。邓彦军等[2]提出了供电企业安全生产管理的创新思路，通过对电力安全高度重视，完善电力施工安全管理体制，加强电力员工安全培训和电力安全监督，做好施工设备安全管理工作，不断提高电力施工安全管理水平，促进电力企业更好地发展。宋祉明等[3]提出了将人、物、管理和环境进行结合，建立一套电力企业安全能力评估系统。刘道远等[4]提出了模糊综合评判法在电力企业网络信息安全评估中的应用，通过采用二级模糊综合评判法对一种基于PDRR模型的电力企业网络信息安全系统进行安全等级评估，并采用Delphi法对评估过程中电力影响企业网络安全的各项因素的权重系数进行确定，通过对评估结果的客观分析，找出电力企业网络信息安全系统中存在的突出问题，做出相应的安全加固。以上方法虽对电力企业安全评估能起到一定的推动作用，但是并未建立起一套特别完整的电力企业安全评估系统，未能实现电力企业内部评估的信息化和规范化。因此，提出一种全新的电力企业安全评估系统。
该系统基于支持向量机进行开发，采用B/S分布式结构，通过电力企业安全评估模块、统计查询模块、系统维护模块、评价结果输出模块来实现电力企业的安全性评估[5]，并通过实验验证本研究所设计系统评估值与实际故障损失电量的差值大小，同时测定不同评估样本数量下的评估精度，从而确定本研究所设计系统的适应性和可靠性。
1 电力企业安全评估系统的设计
1.1 系统结构设计
基于支持向量机的电力企业安全评估系统属于B/S分布式结构，B/S分布式结构属于浏览器与服务器相辅相助式管理结构。系统由3层结构组成，用户能够在浏览器中访问服务器，此分层结构灵敏性较好。基于支持向量机的电力企业安全评估系统的结构示意图如图1所示。系统分为数据层、业务逻辑层、表示层。数据层可保存电力企业业务数据，为实现电力企业业务数据安全，本研究采用Microsoft SQL Server 2000数据库；数据层主要使用基于模糊聚类分析的电力企业信息样本聚类方法、基于因子分析的评价变量预处理方法实现电力企业安全评价时的样本聚类与变量预处理。业务逻辑层通过数据库仿真结构将业务逻辑进行封装，构建基于支持向量机的电力企业安全评估模型。表示层为最终评估结果的展示界面。
图1 电力企业安全评估系统结构示意图
系统的功能模块如图2所示，基于支持向量机的电力企业安全评估系统主要分为电力企业安全评估模块、统计查询模块、系统维护模块以及评价结果输出模块。各个模块的性能具有交叉重叠性，相互协作，构建可全面评估电力企业安全的评估系统[6]。电力企业安全评估模块、统计查询模块、系统维护模块设计在系统的业务逻辑层，统计查询模块的功能主要为用户提供电力企业不同类型运营信息的统计查询。评估结果输出模块属于表示层的核心模块，可输出电力企业安全评估最终结果。
图2 系统的功能模块结构图
1.2 数据层应用方法设计
电力企业安全评估通常是安全评估指定类型的电力企业信息，所以，需要聚类电力企业信息样本里性质差异不大的电力企业信息样本数据。具体步骤如下。
(1) 构建电力企业信息样本矩阵
聚类n种电力企业信息样本，构建电力企业信息样本矩阵。矩阵的行表示一种电力企业信息样本的全部数据，矩阵的列是电力企业信息所有样本的等项指标。
设置电力企业信息样本矩阵是E，则：
(1)
式中，n表示电力企业信息样本矩阵中样本数量。
(2) 模糊相容矩阵
计算电力企业信息样本间近似度，建立模糊相容矩阵，将其设成W。将W的每个单元设定为wy：
(2)
式中，j、i表示第j组第i个样本。
隶属度属于模糊数学里核心内容，隶属度值为1时表示2种电力企业信息样本内容相似，隶属度值为0时表示2种电力企业信息样本内容不相似。
(3) 模糊等价矩阵
将第(2)步中得到的模糊相容矩阵做相乘计算，若近邻几次获取的电力企业信息合成矩阵均具有重叠性才停止相乘，此时得到的结果即为电力企业信息样本的模糊等价矩阵。
将电力企业信息模糊等价矩阵的惩罚法则设成行Wjt、列Wti相乘后求和，构建电力企业信息新的矩阵单元。得到式(3)所示的电力企业信息样本新得矩阵单元：
(3)
且通过逻辑乘与逻辑加表示新矩阵单元与原单元差异，如式(4)：
(4)
式中，∨、∧分别为逻辑乘与逻辑加的表达符号。
(4) 聚类
电力企业信息聚类的截集标准设成σ，当σ的值高于0.8，则隶属度大于0.8的电力企业信息样本属于相同类型，完成电力企业信息样本聚类。
1.3 业务逻辑层应用方法设计
以往使用的专家层次分析法是基于专家经验的每个评估变量和电力企业安全等级间的非线性关系的表达，但是每次评估均需专家打分，该方法仅适用于小电网，且存在较多约束。本研究构建基于支持向量机的电力企业安全评估模型，通过支持向量机拟合电力企业安全的非线性关系，以此完成大电网企业安全的实时定量评估。
支持向量机属于二分类问题，应用核心为最优超平面。使用某种提前选取的非线性映射(核函数)把输入向量映射至高维特征空间，之后在特征空间里检索电力企业安全评估的最佳分类超平面，充分分类2种数据点。
将电力企业安全评估所用的训练样本设定为{ej,ei}，ej、ei分别表示电力企业安全最底层风险变量的状态值、电力企业安全评价结果的标识。将样本数设成n，输入维数是M，M属于底层风险变量的数量。构建式(5)所示回归模型b：
b=
(5)
式中，权向量与阈值依次是h、c。把训练误差设成约束条件，最优化问题能够描述成：
(6)
基于寻优目标函数里，通过合理的内积函数便可以完成某一非线性转换后的线性回归，导进松弛变量把目标函数变换成：
(7)
(8)
式中，支持向量集是RU，T
传统的支持向量机仅可以解决二分类问题，为对电力企业安全系统进行评估，建立多种支持向量机子分类器，在建立第j个支持向量机子分类器时，将隶属j等级风险的电力企业安全评估样本数据设成负类。将输入数据通过式(8)运算分类器的决策函数值，并使用最大函数值所属种类设成电力企业安全等级。
为通过专家层次分析法得到支持向量机的训练样本，通过蒙特卡洛抽样法选取电力企业安全评估时，逐个输入样本集。训练后把支持向量机决策函数使用在电力企业安全评估系统里，通过专家层次分析法来分析支持向量机决策函数的精度。支持向量机自适应调节方案如图3所示。
这次五单元测试，当我念到80分左右的同学留下来改错时，他居然跑来问我，老师，怎么没我的卷子？看着他疑惑的认真傻样，我忍不住笑了。告诉他考了95分，他不敢相信，随即憨态可鞠地笑了！这是他语文测试第一次超过90分，以前总是班上的后腿分，也难怪他会问。
图3 支持向量机自适应调节方案
(1) 通过蒙特卡洛随机抽样法抽样选取电力企业安全评估的输入数据。
(2) 通过专家评价电力企业安全评估时评估变量的分数。
(3) 使用第(1)步与第(2)步获取电力企业安全评估所用的训练样本集，并通过支持向量机进行训练，运算获取支持向量机决策函数。
(4) 把电力企业安全评估数据导进支持向量机决策函数中，对电力企业安全进行判断。
2 实验结果
使用本研究所设计系统对某电力企业的电网故障风险进行评估，该电力企业的电网故障风险运行评估指标体系如表1所示。
表1 电力企业的电网故障风险评估指标体系
将该电力企业2013—2018年的16个评估变量设成输入，将故障损失电量设成期望输出，将该电力企业2019年的实际故障损失电量设成检验样本。
使用本研究所设计系统对该电力企业的电网故障风险进行评估，并与2019年实际故障损失电量做对比分析，结果如表2所示。
表2 本研究所设计系统评估值与实际故障损失电量 单位：万kW·h
使用本研究所设计系统对该电力企业2013—2018年的电网故障风险进行评估，设定评估样本数量分别是20组、40组、60组、80组、100组，测试本研究所设计系统评估精度结果如图4所示。
图4 不同样本数量下本研究所设计系统评估精度测试结果
由图4可知，评估样本数量分别是20组、40组、60组、80组、100组时，本研究所设计系统所评估的电网故障损失电量均值与实际故障损失电量均值相差极小，评估精度较高。
3 总结
本研究针对电力企业安全评估问题，设计基于支持向量机的电力企业安全评估系统，并利用所设计系统对某电力企业的电网故障风险运行评估。评估结果显示，本研究所设计系统的故障风险评估值和实际故障损失电量的差值最大值是0.18万kW·h，评估样本数量分别是20组、40组、60组、80组、100组时，本研究所设计系统所评估的电网故障损失电量均值与实际故障损失电量均值间的差值极小。实验数据表明了本研究所设计系统对电力企业安全评估具有较强应用性，评估精度较高。由于本系统基于支持向量机进行开发，考虑的算法相对单一，在以后的研究中，可考虑基于粒子群算法、人工神经网络算法等其他方法进行电力企业安全评估系统的设计，对比评估精度，从而推动电力企业安全评估系统的发展。
