電網(wǎng)安全風險防控監(jiān)督平臺創(chuàng)新研究

國網(wǎng)重慶市電力公司 陳莉波 李虹果 秦煜森 周統(tǒng)剛 王 宇

目前，電力系統(tǒng)不斷提高對安全督查管理重要性的認識，將其和電力系統(tǒng)日常運行維護緊密結(jié)合起來，有效發(fā)揮安全監(jiān)控效能。電網(wǎng)安全督查的技術(shù)革新主要聚焦在三個方面：一是通過構(gòu)建作業(yè)現(xiàn)場可視化安全監(jiān)控中心，對每日電力施工現(xiàn)場作業(yè)情況及電網(wǎng)運行線路等情況進行實時監(jiān)控，并通過完善安全監(jiān)控工作機制，確保提高安全管理和應(yīng)急處置水平；二是通過加強對安全監(jiān)察數(shù)據(jù)信息管理，不斷優(yōu)化和改進安全監(jiān)控流程；三是加強安全督查大數(shù)據(jù)的建設(shè)，構(gòu)建相應(yīng)的模型，搭建安全督查違章數(shù)據(jù)庫，做好數(shù)據(jù)管理系統(tǒng)的應(yīng)用、設(shè)計、開發(fā)和推廣，從而構(gòu)建完善強大的安全督查信息網(wǎng)絡(luò)[1]。

針對當下電網(wǎng)企業(yè)安全風險防控監(jiān)督方面評估不合理、預(yù)測不準確的問題，本文提出了以主成分分析法和支持向量機為核心的電網(wǎng)安全風險防控評估模型，并以此為基礎(chǔ)建立電網(wǎng)安全風險防控監(jiān)督平臺。電網(wǎng)安全風險防控監(jiān)督平臺的架構(gòu)包括接口層、數(shù)據(jù)層、系統(tǒng)層、功能層、接入層五部分，各部分建立了與之匹配的功能。同時，本文從電網(wǎng)安全防控措施的及時性、規(guī)范性、真實性、系統(tǒng)性、完整性五維度建立電網(wǎng)安全風險管理因子指標體系，用于對電網(wǎng)安全風險防控措施分類和評價。

1 電網(wǎng)安全風險綜合防控監(jiān)督平臺

電網(wǎng)安全風險綜合防控監(jiān)督平臺的框架結(jié)構(gòu)由接口層、數(shù)據(jù)層、系統(tǒng)層、功能層、接入層五部分組成[2]。接口層是電網(wǎng)安全風險綜合防控監(jiān)督平臺與國網(wǎng)現(xiàn)有安全風險監(jiān)督平臺、經(jīng)法系統(tǒng)、e基建等電網(wǎng)信息管理聯(lián)通的門戶，通過接口層從電網(wǎng)各信息平臺收集、匯總安全風險相關(guān)的數(shù)據(jù)內(nèi)容；數(shù)據(jù)層負責對接口層獲取的數(shù)據(jù)進行整理、分析，是電網(wǎng)安全風險綜合防控監(jiān)督平臺統(tǒng)一的數(shù)據(jù)統(tǒng)計與訪問模塊。在獲取到各電網(wǎng)信息平臺的相關(guān)數(shù)據(jù)后，根據(jù)數(shù)據(jù)性質(zhì)，按照設(shè)定好的分類標準，將數(shù)據(jù)歸類為作業(yè)計劃數(shù)據(jù)、風險辨識和評估數(shù)據(jù)、安全風險應(yīng)對方案等。

系統(tǒng)層是電網(wǎng)安全風險綜合防控監(jiān)督平臺的核心，對數(shù)據(jù)的分析應(yīng)用、平臺各項功能的實現(xiàn)、平臺運行的穩(wěn)定都有賴于系統(tǒng)層代碼的構(gòu)建。系統(tǒng)層共設(shè)置了三類系統(tǒng)，負責三個方向的功能實現(xiàn)，分別是安全控制系統(tǒng)、異常處理系統(tǒng)、日常管理系統(tǒng)。安全控制系統(tǒng)負責應(yīng)用安全控制、主機系統(tǒng)安全控制、網(wǎng)絡(luò)安全控制、邊界安全控制以及數(shù)據(jù)安全控制五項功能目標的實現(xiàn)；異常處理系統(tǒng)負責信息異常處理、系統(tǒng)異常處理、網(wǎng)絡(luò)異常處理三項功能目標的事項；日常管理系統(tǒng)負責用戶管理、日志管理、運行參數(shù)管理以及數(shù)據(jù)統(tǒng)計分析等功能的實現(xiàn)。

功能層是電網(wǎng)安全風險綜合防控監(jiān)督平臺功能行使的模塊，功能層的工作包括兩個方向，一是信息獲取，二是風險管控成效評估。“信息獲取”功能的發(fā)揮是基于風險督查理論，依據(jù)安全風險防控督查資料，在對所需信息進行提煉和分析后，從及時性、規(guī)范性、真實性、系統(tǒng)性、完整性五個維度提取安全風險管理因子，共提取20項電網(wǎng)安全風險管理因子，形成電網(wǎng)安全風險管理因子指標體系。風險管控成效評估是在電網(wǎng)歷史數(shù)據(jù)資料基礎(chǔ)上，設(shè)定合適的數(shù)據(jù)模型，將電網(wǎng)安全風險因子指標數(shù)據(jù)輸入到模型中，分析電網(wǎng)安全風險管控措施對安全風險水平的成效關(guān)系。在模型對安全風險的成效評估的準確性、合理性達到預(yù)期水平后，確定模型參數(shù)，從而構(gòu)建起安全風險綜合防控評估模型。

接入層將具體的電網(wǎng)安全風險與對應(yīng)的防控措施相匹配。在功能層對電網(wǎng)安全風險進行管控成效評估后，以評估結(jié)果為參考，與實際的防控措施管控成效相對比，分析實際成效與評估結(jié)果的差距。接入層實施以提升管理水平為目標的事后督查溯源機制，建立“查、分、改”三步溯源法：對照違章問題清單，梳理管理失控的要點；追溯作業(yè)前置的管理環(huán)節(jié)缺失與管理要求執(zhí)行偏差，分析具體成因并形成報告；以問題原因為單位，差異化制定管理整改和提升措施。

2 電網(wǎng)安全風險綜合防控評估模型

采用主成分分析法對輸入指標數(shù)據(jù)降維，提取主成分因子，消除多重共線性。再將主成分因子數(shù)據(jù)作為輸入值，采用支持向量機模型進行訓(xùn)練、擬合和評估預(yù)測。

2.1 主成分分析法

主成分分析法（Principal Component Analysis，PCA）的原理是，將數(shù)量較多的指標通過降維的方式轉(zhuǎn)變?yōu)樯贁?shù)幾個主成分指標，所有主成分指標都是對原有指標彼此獨立的線性組合。

2.1.1 主成分的確定

通過尋找數(shù)據(jù)標準化線性組合中方差最大的線性組合，確定第一主成分X1,X2,…,Xp。通過標準化操作構(gòu)造第一主成分如下：Z1=φ11X1+φ21X2+…+φp1Xp，其中：Z1即為第一主成分，φ11，φ21，…，φp1是第一主成分的載荷，并且。首先要對各個指標維度的數(shù)據(jù)進行中心化處理，使得各指標的均值為0；在此基礎(chǔ)上，對指標數(shù)據(jù)按照如下的關(guān)系方式進行擬合，并確定相應(yīng)系數(shù)值：zi1=φ11Xi1+φ21Xi2+...+φp1Xip，可以轉(zhuǎn)化為如下的最優(yōu)化問題：

通過求解上述目標函數(shù)的最優(yōu)解，依次確定第一主成分Z1、第二主成分Z2……直到第n主成分Zn。其中，第一主成分的得分最高，其他主成分得分依次減少，Z1,Z2,…,Zn的各主成分之間互不相關(guān)。在數(shù)據(jù)集中存在多個數(shù)據(jù)變化的方向，其中在向量空間上數(shù)據(jù)變化最快的方向就是載荷向量，可定義為φn=（φ11，φ21，…，φpn）T。載荷向量可以看作一個特定的線性組合方向，將n個數(shù)據(jù)點x1,x2,…,xn投影到該方向上，即可得到主成分的分值z11,z21,…，zn1。

2.1.2 主成分的選取

數(shù)據(jù)集中的每一類指標作為主成分分析中的一類成分，其中一部分是主成分，將主成分的方差加總，計算其占所有成分指標方差總和，即可得到方差解釋比率（Proportion of Variance Explained，PVE）已中心化的數(shù)據(jù)集總方差為：，通過對上述總方差計算變形，得到第m個主成分的方差解釋比率：，并計算第m個主成分的PVE為：

一共有min（n-1,p）個主成分，其和為1。對主成分數(shù)量的確定，一是能夠依據(jù)具體研究方向的經(jīng)驗判斷，二是也可以通過交叉驗證法等方法進行。

2.2 支持向量機

支持向量機（Support Vetor Machine）方法是一種以監(jiān)督學習的方式針對數(shù)據(jù)進行分類的學習方法，也可以用于回歸和預(yù)測。支持向量機的原理是利用核心函數(shù)進行基礎(chǔ)學習，通過學習構(gòu)建出一條超平面進行數(shù)據(jù)分類。支持向量機對線性數(shù)據(jù)和非線性數(shù)據(jù)都可以通過構(gòu)造超平面實現(xiàn)對數(shù)據(jù)分類，通過以下幾個部分闡述支持向量機原理。

2.2.1 最大間隔分類器

定義為X=（X1,X2,…,Xp）的數(shù)據(jù)點，其p維空間的超平面定義為：β0+β1X1+β2X2+…+βpXp=0，如果β0+β1X1+β2X2+…+βpXp＞0，那么X位于超平面的一側(cè)。如果β0+β1X1+ β2X2+…+βpXp＜0，說明X位于超平面的另一側(cè)。超平面若存在則不止一個，從所有的超平面中，選取間隔最大的超平面作為分類的依據(jù)，則超平面的兩側(cè)的數(shù)據(jù)分屬兩類。假設(shè)在訓(xùn)練數(shù)據(jù)集中存在一個超平面，所有的數(shù)據(jù)到超平面都有一個或者數(shù)個垂直距離，其中最小的那個垂直距離就是間隔。以間隔最大的超平面對數(shù)據(jù)進行分類，就是最大間隔分類器。

2.2.2 支持向量分類器

通常，分割超平面并不存在，在這種情況下根據(jù)超平面進行分類的最大間隔分類器就失效了，但可以使用“軟間隔”進行推廣。只要存在一種決策界面能夠保證大部分的觀測點落在正確的一側(cè)，則認為可以接受此決策邊界，這個界面就是支持向量分類器。超平面通過求解下述最大化問題得到：maxβ0,β1,…,βp,ε0,ε1,…，εnM，滿足，，，其中：C是非負的調(diào)節(jié)參數(shù)；M是間隔的寬度；ε是松弛變量。

2.2.3 支持向量機

如果數(shù)據(jù)的決策邊界是非線性的，在支持向量機的分類器是對線性函數(shù)分類的條件下，模型的分類結(jié)果是不能夠滿足要求的。因此為了擴大支持向量機的特征空間，采用核函數(shù)的方法對支持向量機進行修正。支持向量機的形式如下：，其中：K表示的是核函數(shù)，能夠?qū)?shù)據(jù)從更低的維度向更高的維度轉(zhuǎn)換；S是支持向量的數(shù)據(jù)集合，是衡量支持向量機中各數(shù)據(jù)間的距離差異。在自由度為D的條件約束下，采用多項式的方式表達的核函數(shù)可以表述為：，徑向核函數(shù)為：，γ是一個正常數(shù)。

對測試觀測值與訓(xùn)練觀測值的差異進行判斷，往往采取歐幾里得度量法，也稱為歐式距離測量法。如果測試值x＊=（x＊1…x＊p）T與訓(xùn)練值xi的距離差異非常大，就會導(dǎo)致的計算結(jié)果也會相應(yīng)變大，進而K（x＊,xi）就會變小。這說明了xi對f（x＊）的作用不明顯。換言之，徑向核函數(shù)的計算方法并不是一種全局的算法，實際上是一種局部的算法。也就是說，在模型中訓(xùn)練的觀測值數(shù)據(jù)一定歐式距離范圍的觀測的進行才會影響類別劃分。

3 模型實證分析

在實證分析環(huán)節(jié)，首先采用主成分分析法對電網(wǎng)安全風險管理因子指標進行分類，簡化指標體系，提取主成分指標；其次，將主成分指標以及電網(wǎng)安全風險綜合防控成效的歷史數(shù)據(jù)，輸入到支持向量機模型進行訓(xùn)練模擬，最終構(gòu)建電網(wǎng)安全風險綜合防控評估模型。基于KMO和巴特利特檢驗（KMO取樣適切性量數(shù)0.802、近似卡方532.764、自由度45、顯著性0.042）的所示的電網(wǎng)安全風險管理因子指標體系，搜集2018—2022年的指標數(shù)據(jù)，使用SPSS平臺進行主成分分析。主成分的分析主要包括適宜性檢驗和主成分提取兩個環(huán)節(jié)，在確定好主成分之后，構(gòu)建支持向量機的算法機制，并構(gòu)建相應(yīng)評估模型。

主成分分析的適宜性檢驗：KMO和巴特利特檢驗的適宜性檢驗結(jié)果表示，指標樣本的KMO值為0.802＞0.7，根據(jù)Bartlett球形度檢驗的原理，對模型分析結(jié)果進行檢驗，其檢驗方式為卡方檢驗，檢驗值為532.764，通過了檢驗要求。P值為0.042小于0.05。由檢驗結(jié)果可知，選取的指標樣本適合進行主成分分析。一般要求指標的提取率在60%以上，才能保證提取的指標信度較高。20項指標書中有18項指標的提取率在80%以上，說明提取的結(jié)果比較滿意，指標的信度非常高。

主成分提取：以主成分分析法對電網(wǎng)安全風險管理因子指標體系的20項指標進行主成分提取。總共提取到6個主成分，6個主成分的特征值分別是5.439、3.867、2.814、2.737、1.910、1.467，特征值大于1的6個主成分可以解釋原始指標的信息91.17%的信息。這說明原有的20項指標之間具有較強的相互關(guān)聯(lián)性，而通過主成分分析法提取的六個主要指標通過對其他指標的線性組合，形成簡練且較為全面的表述原有信息。

基于支持向量機構(gòu)建評估模型：基于上文的SVM算法原理，通過MATLAB編程進行機器學習。由于指標體系中指標的完成需要基于期間的各類項目數(shù)據(jù)得出，考慮到項目周期的時長，采用年度數(shù)據(jù)進行訓(xùn)練。由于輸出預(yù)測數(shù)據(jù)僅為電網(wǎng)安全風險防控成效的數(shù)據(jù)，是低緯度的預(yù)測變量，選擇MATLAB中的firstsvm函數(shù)進行。fitrsvm支持使用內(nèi)核函數(shù)映射預(yù)測變量數(shù)據(jù)，并支持通過二次編程實現(xiàn)目標函數(shù)最小化。

綜上所述，本文以電網(wǎng)安全風險防控為主題進行了兩方面的創(chuàng)新：一是構(gòu)建了電網(wǎng)安全風險防控監(jiān)督平臺的框架結(jié)構(gòu)，并制定了各功能層的作用；二是基于主成分分析及支持向量機理論，建立了電網(wǎng)安全風險防控成效評估模型。模型基于歷史數(shù)據(jù)進行迭代訓(xùn)練，對電網(wǎng)安全風險防控成效評估的準確率可以保證在90%以上，平均誤差為5.62%，能夠滿足成效評估工作開展的要求。研究成果對于完善電網(wǎng)安全風險防控機制、優(yōu)化防控措施成效評估及預(yù)測、提高電網(wǎng)安全防控監(jiān)督平臺建設(shè)具有極大的參考價值。同時，由于電網(wǎng)安全防控監(jiān)督歷史數(shù)據(jù)存在缺失，電網(wǎng)風險防控管理因子覆蓋有所不全，研究還存在進一步加深的空間。