考虑异常事件约束的配网故障风险智能预判方法

阳 浩，向 真，张 林，余 英，魏恩伟

(1.深圳供电局有限公司，广东 深圳 518001)(2.南方电网深圳数字电网研究院有限公司，广东 深圳 518053)

电力公司的管理方式非常重要，细致入微地管理配电网络有利于减少线损异常现象。异常事件可归纳为三大类：误操作造成的事故事件、恶意破坏造成的事故事件、麻痹大意和侥幸心理造成的事故事件。在管理过程中要减少线损异常现象，控制异常事件的发生。控制异常事件的发生则要规范处理和解决困难的方式，提高办事的效率，有效地解决各种问题，保障事件发生的可控性。

早期研究文献中，对异常事件的控制方法来自对电网运行数据的深度挖掘，即在电网运行基本参数(电压电流负荷、设备运行状态等)中发现异常事件在系统运行状态中的数据表达。如史文博等[1]以云南电网为例，论证了异步电网调频备用指标在机器学习中如何进行统计分析以及应用；郑福民等[2]以缅北为例，针对电网故障的诊断通过大数据分析，提前对故障进行判断，解决了故意诊断的问题。但是该数据挖掘方案信噪比较低，相关研究敏感度只能保持在70%～85%，难以对所有异常事件做出有效预警。直接反映人为因素的数据来自人事系统、调度发令系统等，相关研究文献认为此类数据的异构化水平较高，数据归一化难度较大，因此该研究方向难以获得有效突破。本文通过引入模糊神经网络，使用模糊矩阵对数据强制归一化后导入多列模糊神经网络，最终在有针对性的加权规则下实现基于调度发令系统原始大数据的数据预警。

1 调度发令系统与异常事件的数据逻辑关系

本文通过开发配网发令系统数据的多列模糊神经网络机器学习算法来实现异常事件约束及预警，该系统在仿真环境下测得更高的敏感度和特异度，且具有更高的响应效率。这证明在异常事件约束人工智能算法中，使用法令系统数据具有更高的数据挖掘效率。发令系统中直接反映管理效率和人员工作状态的数据包括复诵错误率、执行错误率，同时还应考察调度令的重复次数[3]。早期的发令系统并不能比较调度令的重复度，因此本文并不考察该指标，仅对调度令发令、复诵、回复3个时间节点的2个时间周期进行控制，同时对调度令复诵、执行和回复错误的概率进行控制，本文使用上述5项指标实现对异常事件风险的约束。其数据逻辑如图1所示。

图1中，使用9列模糊神经网络配合二值化模块输出9个结果，每个结果均为充分二值化的介于[0,1]区间的输出结果，当结果接近1.000时，认为存在对应异常事件的风险，当结果接近0.000时，认为不存在对应异常事件的风险。其中5项控制指标分别归纳为以下2点：

图1 基于模糊神经网络的异常事件约束算法

1)回复时间周期为调度令执行完成并回复上级调度的时间点(回复时间)与调度发令复诵确认完成的时间点(复诵时间)的时间差；复诵时间周期为调度令首次发令时间点(发令时间)与复诵确认完成的时间点(复诵时间)的时间差。2列数据均为时间型变量(date-time型)，这两个变量需要进行强制归一化后转化为浮点型变量(double型)，归一化方法为Z-score算法，其基函数如式(1)所示：

(1)

2)复诵错误率为因为复诵与调度令不一致导致上级调度单位重复下达调度令并要求复诵的次数与调度令总次数的比值；执行错误率为调度令执行阶段因为任何原因被上级调度单位叫停的调度令数量与调度令总次数的比值；回复错误率为因任何原因导致回复调度令不被上级调度单位接受而要求重新整改或重新回复的调度令数量与调度令总数的比值。上述3列数据均为浮点型变量(double型)，所以无需归一化即可被模糊神经网络接收并利用。

2 多列模糊神经网络在异常事件约束中的应用

模糊神经网络指使用深度迭代回归函数，将多个数据进行卷积压缩，最终输出1个双精度变量的统计算法[4]。上述5列数据均为一定周期内的一维矩阵数据，根据深圳供电局有限公司日常运行日志可知，地级市一级配网管理单位的调度令总量为每天80～150条，调度令执行时间长度各异，多处于1～45 h，该算法的统计窗口设定为最近300条已完成回复归档的调度令。算法执行过程中显示的5列数据向每列模糊神经网络的输入节点量均为5×300条数据，数据节点总量为1 500节点，将该5列输入节点卷积成1个浮点型变量来完善算法过程。虽然9列模糊神经网络的内部结构相同，但却使用不同的数据进行训练，实现机器学习过程中模糊神经网络的构建。

如图1所示，模糊神经网络分为两段，前段使用多项式迭代回归函数作为节点基函数，如式(2)所示，后段使用二值化函数作为节点基函数，如式(3)所示。

(2)

(3)

式中：A,B为回归系数;Xi为前一层神经网络的第i个输入数据的元素值。

多项式数据调试中，使用2018年—2020年深圳供电局有限公司管辖的全市6个县、市、区全部配网调度节点在调度发令系统中的全部数据作为调试数据，在MATLAB仿真环境中按照上述算法对整个多列模糊神经网络机器学习系统进行训练调试，并利用2021年的数据进行算法效能验证。异常事件相关数据来自调度系统中的事故追查记录数据，采用的是人工统计的方法，对所有相关调度令进行手工标记，作为训练结果。上述算法输出的9个评估值，分别对应国家电网《异常事件管理规定》中9类异常事件[5]。

3 算法效能的仿真测试

3.1 预警算法特异度及敏感度仿真测试结果对比

在MATLAB仿真环境中构建该算法模型，并按照前文所述的调试方法获得充分收敛的机器学习模块，利用较新的2021年数据进行仿真验证[6]。因为所有数据均为往期数据，调度令执行过程中是否出现对应的异常事件均有显著且高置信度的标记，所以可以实现对该算法支持的软件系统进行敏感度和特异度的有效标记。仿真中，同时构建以往基于电网负荷和设备运行状态的机器学习算法，观察其对异常事件预警特异度和敏感度的预警效能，作为对比组数据。

神经网络模拟人脑神经元功能，具有强大的数据处理能力和模拟学习能力，而模糊逻辑方法则是模拟人脑的逻辑思维方式进行模糊综合判断，推理解决常规方法难于应付的结构性知识表达问题[7]。模糊神经网络将人脑的结构和思维方法结合起来，取长补短，克服了传统神经网络边界模糊数据不好处理的问题。模糊神经网络算法可以根据不完备数据的隐藏规律，建立被统计数据和控制策略之间的隐藏逻辑关系。

表1、表2分别为机器学习算法和模糊神经网络算法的特异度、敏感度表达结果统计表。

表1 预警算法特异度仿真测试结果

表2 预警算法敏感度仿真测试结果

表中，敏感度指所有真阳性预警结果在所有阳性状态中的比例，特异度指所有真阴性结果在所有阴性状态中的比例，领先度是该算法对应的敏感度或特异度与两种算法的统计值差与机器学习算法统计值之间的比值[8]。t值与P值来自数据分析软件SPSS中的双变量t校验结果，双变量为机器学习算法统计值与该算法统计值，t值为双变量t校验输出结果中的value值，当t<10.000时认为两列数据存在统计学差异，且t值越小，统计学差异越显著，P值为双变量t校验输出结果中的对数值，当P<0.050时，认为统计学结果处于置信空间内，当P<0.010时，认为统计学结果具有显著的统计学差异，且P值越小，认为统计学意义越显著。

由表可知，第3类异常事件(因人为恶意破坏造成的异常事件)差异性最大，其次为第4类异常事件(因操作者麻痹大意造成的异常事件)。机器学习算法的这两类异常事件的预警敏感度分别为42.3%和49.6%，经过模糊神经网络算法变更数据源并使用新型机器学习架构后，预警敏感度提升至85.6%和88.7%；机器学习算法的预警特异度分别为35.2%和52.7%，模糊神经网络算法将预警特异度提升至86.3%和91.8%。9项预警中，机器学习算法的特异度和敏感度除第3类和第4类外，均稳定在90%以上，而使用模糊神经网络算法后将除第3类和第4类外的异常事件的敏感度和特异度均提升到95%以上，且两组数据的双变量t校验结果均存在t值小于10.000、P值小于0.010的显著统计学差异。

3.2 预警算法响应效率的仿真测试结果对比

算法响应效率指问题数据出现后至系统预警发出时间点的时间差。该响应效率受到物联网、云计算硬件的制约，在仿真环境下，模拟完全支持相应系统运行的硬件环境，即在假定响应效率不受制于硬件的前提下仿真计算两套算法的响应效率[9]。机器学习算法的数据源是电网配网系统中的设备运行状态，以电能质量监测系统的远程抄表数据为原始数据，所以数据源并非由调度令触发，其特点为数据量较大、数据间隔周期较短。相关文献排除使用基于调度令的机器学习算法的重要原因是，认为调度令驱动的预警系统因为数据量较小且数据间隔周期较长，影响了预警算法的响应效率。而根据安全管理基本原则，故障、隐患发展为事故需要一定时间，越早发现故障和隐患，越有充分时间在故障、隐患发展为事故之前解决问题[10]。基于上述假设，对两套系统的响应效率进行仿真，得到表3。

表3 预警算法响应效率的仿真测试结果

对比上述两种算法的两列数据，发现与预警特异度和敏感度表现相同，两种算法对第3类和第4类异常事件的预警过程占用较大算力或数据量，机器学习算法对第3类和第4类异常事件的耗时约为其他类型异常事件的18～21倍，模糊神经网络算法对第3类和第4类异常事件的耗时约为其他类型异常事件的9～12倍。但模糊神经网络算法并未如同相关文献中提出的，因为以调度令执行情况等小规模、大间隔数据作为分析数据源而带来更大响应周期。从统计因果论角度分析，机器学习算法虽然使用了高密度数据，但其元数据与分析目标之间缺少直接逻辑关系，即其运行在极端不完备数据体系下，数据信噪比极低，所以机器学习统计分析过程中运算量较大，从而导致其算法响应周期更长[11]。模糊神经网络算法以出现问题的调度令为预警激发条件，而机器学习算法不存在明显的激发条件，所以机器学习算法可能存在激发条件的模糊性与滞后性。

4 结束语

本文将传统的异常事件约束算法的原始数据从配网系统运行数据(电能质量监测数据、设备状态监测数据)转向更贴近人为因素的调度发令系统数据，使数据逻辑关系更为直接，数据信噪比更高[12]。因此本文设计的异常事件约束算法拥有更高的敏感度和特异度、更短的响应周期(更高的响应效率)。但是，机器学习算法中特异度与敏感度较低的第3类异常事件和第4类异常事件预警结果，在模糊神经网络算法系统中虽然有较大幅度的算法效力提升，但敏感度与特异度仍未达到较为理想的95%以上。后续研究中将进一步优化相关算法，实现更高效的异常事件预警结果。