王鳳芹

（國家能源集團國源電力有限公司，北京 100033）

智能算法通過構(gòu)建集合[1]、相似度、插值等方式[2]，獲得電廠安全性數(shù)據(jù)[2]，并對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，降低數(shù)據(jù)的復(fù)雜度[3]、剔除無關(guān)屬性，形成電廠安全性數(shù)據(jù)集合[3]。同時，智能算法能減少電廠安全性分析的數(shù)據(jù)量[4]，實現(xiàn)對電廠的實時監(jiān)測，并深入挖掘安全隱患出現(xiàn)的原因[5]。另外，智能算法能主動進行安全性分析[6]，對安全風(fēng)險數(shù)據(jù)進行插值，實現(xiàn)電廠的持續(xù)性監(jiān)測[7]。智能算法對不同監(jiān)測點的仿真分析，計算信息的安全性[8]、數(shù)據(jù)異常性以及時滯性等[9]。智能算法對各時間點的信息量、信息復(fù)雜度進行分析，并記錄分析結(jié)果，能夠減少冗余信息量，驗證信息的時滯性，加強對電網(wǎng)、潮流、電壓等指標(biāo)監(jiān)測，為電廠預(yù)警奠定基礎(chǔ)。但是，以往的算法無法處理海量數(shù)據(jù)，不能進行實時監(jiān)測，而且占用大量的系統(tǒng)資源。因此，尋找一種有效的安全性評估方法，是電廠安全分析需要解決的問題。有學(xué)者提出將模糊理論應(yīng)用到電廠安全性評估中，該方法不僅能減少數(shù)據(jù)處理的流程，而且通過模糊分析理論對安全性評價進行高效評估，以提高電廠安全性的評估效果。由此，該文以電廠安全性數(shù)據(jù)為基礎(chǔ)，利用模糊分析方法的優(yōu)勢，進行電廠安全性仿真評估，旨在提高電廠安全水平。

1 電廠安全性評價的數(shù)學(xué)描述

為了更好地進行電廠安全仿真評估，需要對相關(guān)數(shù)據(jù)進行數(shù)學(xué)描述，并引入安全性評估函數(shù)。電廠安全評價分析主要包括安全性評價內(nèi)容、安全性預(yù)警描述以及安全因子的調(diào)節(jié)設(shè)置等，具體內(nèi)容如下。

1.1 電廠安全性描述

假設(shè)A：監(jiān)測點為xi，i值為監(jiān)測點所處的設(shè)備，分別為發(fā)電設(shè)備=1，傳輸設(shè)備=2，儲能設(shè)備=3，管理設(shè)備=4，預(yù)警設(shè)備=5，...，等記錄；j值為設(shè)備信息發(fā)送原因，分別為持續(xù)性差=1，數(shù)據(jù)丟失=2，超出閾值=3，…，等原因。電廠的安全性評估結(jié)果為yj，j值為評估方式，分別為單指標(biāo)評估=1，多指標(biāo)評估=2，跨設(shè)備評估=3，整體評估=4，預(yù)警為zk，k值為預(yù)警方式，分別為局部預(yù)警=1，整體預(yù)警=2。安全性評估函數(shù)為H（x，y，z|p），計算過程如公式（1）所示。

式中：choice{}為安全性計算函數(shù)，對電廠安全性進行綜合評價；p為安全性預(yù)警約束。

1.2 安全性預(yù)警描述

假設(shè)2：預(yù)警狀況為Di，數(shù)據(jù)完整程度為Oi，安全性評價指標(biāo)為Oi。其中，i值為預(yù)警等級，分別為I 級=1、II級=2、III 級=3，…等。在電廠安全性評價中，安全性與預(yù)警原因之間的關(guān)系為rei，分別為獨立=1、相關(guān)=2、顯著相關(guān)=3，…等。在安全性標(biāo)準(zhǔn)一定的情況下，其各設(shè)備的安全系數(shù)也是固定的，所以設(shè)置設(shè)備安全性標(biāo)準(zhǔn)為Bi，設(shè)備出現(xiàn)故障概率為pi，計算過程如公式（2）所示。

其中，Bi相對固定，與設(shè)備發(fā)生故障的概率，安全等級相關(guān)。利用模糊分析法對電廠設(shè)備進行監(jiān)控，測試設(shè)備的運行性能以及設(shè)備出現(xiàn)異常數(shù)據(jù)量，并將相關(guān)信息存入日志中。

1.3 安全調(diào)節(jié)因子的描述

安全調(diào)節(jié)因子是評價的關(guān)鍵，所以要引入安全調(diào)節(jié)因子。安全因子要協(xié)調(diào)不同指標(biāo)和不同參數(shù)之間的關(guān)系，調(diào)節(jié)參數(shù)之間的影響程度，來保證安全調(diào)節(jié)因子分析的準(zhǔn)確性。同時，要對安全調(diào)節(jié)因子的指標(biāo)進行深入判斷，確定不同參數(shù)之間的關(guān)系，保證參數(shù)的獨立性，以此來保證后期分析的準(zhǔn)確。假設(shè)3：將安全閾值為A，發(fā)送設(shè)備為Aa，預(yù)警信息為Ba，安全調(diào)節(jié)函數(shù)為T（Aa，Ba|A），安全調(diào)節(jié)因子的計算如公式（3）所示。

1.4 安全互動因子的描述

安全互動因子是不同指標(biāo)、不同設(shè)備之間的互動因子分析，主要是保證電廠安全性能的分析有效性，可以對電廠安全性能進行綜合性的評價，從全局的角度分析相關(guān)的數(shù)據(jù)和指標(biāo)變化。安全互動因子是電廠安全性能評價中的重要內(nèi)容，也是電廠安全綜合評價結(jié)果的重要指標(biāo)。在電廠設(shè)備正常運行情況下，監(jiān)測信息與反饋信息為1 ∶1 的關(guān)系，安全互動信息相等，安全率一定，而且安全系數(shù)隨設(shè)備不同而不同。由于安全系數(shù)相對固定，因此互動因子發(fā)送的設(shè)備信息相互獨立，可以進行獨立分析。安全互動因子一旦出現(xiàn)差值，電廠設(shè)備存在一定風(fēng)險，需要進一步進行安全信息挖掘。假設(shè)4：互動差值為ΔAa，安全性評價時間為T，雙向安全閾值為dt，那么安全互動函數(shù)為TH（ΔAa|At），計算過程如公式（4）所示。

其中，在安全閾值一定的情況下，互動差值越小，安全性越高。同時，利用模糊分析法對電廠安全性數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，并挖掘所有信息數(shù)據(jù)，判斷是否達到預(yù)警要求。然后，對預(yù)警信息進行驗證，進行安全互動。

1.5 電廠安全性綜合評估

結(jié)合上述分析，對電廠安全性進行綜合評價，從電廠角度篩查異常信息，并對異常信息進行挖掘，找出異常信息出現(xiàn)的原因。假設(shè)5：不確定性干擾發(fā)生概率為ξ，電廠設(shè)備出現(xiàn)安全性問題的概率為pv，電廠負荷為Lod、安全信息的穩(wěn)定性為Wd，安全等級為gri，電廠安全性綜合評估函數(shù)為Zon（di），其計算過程如公式（5）所示。

2 110 kV 電廠安全性評價案例

2.1 110 kV 電廠安全性概述

電廠安全性評價指標(biāo)包括電壓、電流、功率、潮流以及相關(guān)數(shù)據(jù)的正態(tài)性。當(dāng)電廠設(shè)備出現(xiàn)異常值時，相關(guān)指標(biāo)將會出現(xiàn)較大波動，而且大于相應(yīng)閾值。采用模糊分析法對電廠設(shè)備數(shù)據(jù)進行監(jiān)測，對部分不完整信息，通過模糊插入方法進行補充，具體參數(shù)見表1。

根據(jù)表1 中的數(shù)據(jù)可知，電壓、電流和功率等安全指標(biāo)參數(shù)在不同階段、不同模糊程度的要求下，均未出現(xiàn)大幅度的變化，說明各數(shù)據(jù)之間無顯著性的差異，可以進行后期的進一步分析。雖然處理階段、模糊程度等算法存在小幅度的變化，但是變化幅值相對較小，統(tǒng)計學(xué)分析顯示無顯著相關(guān)性，進一步說明各數(shù)據(jù)在不同階段和不同模糊程度下出于獨立，可以進行深入的安全性評價分析。

2.2 安全性評估的穩(wěn)定性、準(zhǔn)確性

電廠安全性評價要具有一定的穩(wěn)定性，否則會導(dǎo)致“誤報”，影響后期措施的制定。對比模糊分析法和遺傳算法判斷安全性評價結(jié)果，以驗證該文方法的有效性，具體結(jié)果見表2。

表2 電廠安全性評價的穩(wěn)定性、準(zhǔn)確性（單位：%）

由表2 可知，兩種方法的干擾程度無顯著差異（T=0.324，P=0.742），但是，模糊分析法的穩(wěn)定性、準(zhǔn)確性顯著優(yōu)于遺傳算法（T=10.851，21.652，P=0.032，0.022）。同時，4 項指標(biāo)的準(zhǔn)確性大于90%，穩(wěn)定性大于80%，大于遺傳算法的80%，75%。而且，模糊分析法的誤差幅值為3~4 小于遺傳算法的5~7。究其原因，模糊分析法在電廠安全性評價中增加了安全調(diào)節(jié)因子、安全互動因子對安全性指標(biāo)進行調(diào)整。相對來說，遺傳算法在對電廠安全性評價時，由于持續(xù)監(jiān)測產(chǎn)生大量的冗余數(shù)據(jù)，導(dǎo)致分析結(jié)果存在較大誤差。為了進一步驗證表2 中的結(jié)果，將兩種方法進行對比并持續(xù)監(jiān)測，結(jié)果如圖1 所示。

由圖1 可知，模糊分析法的結(jié)果更加集中，結(jié)果為93%~98%，而遺傳算法的結(jié)果為82%~86%，而且結(jié)果比較分散。參照平滑線可知，模糊分析法更加平滑，顯著優(yōu)于遺傳算法，說明前者更加平穩(wěn)，安全性評價更加。其原因是模糊分析法通過插值函數(shù)進行模糊值插入，保證分析的穩(wěn)定性，持續(xù)進行安全監(jiān)測。同時，擬合度曲線顯示，遺傳算法的擬合度相對較好，但模糊算法的擬合度比較平順，所以遺傳算法的擬合度比模糊算法略差。模糊算法通過模糊理論對數(shù)據(jù)進行分析，減少數(shù)據(jù)之間的變化幅度，并對關(guān)鍵性的數(shù)據(jù)進行提取，不僅減少了數(shù)據(jù)之間的差異性，而且提高了數(shù)據(jù)計算的整體穩(wěn)定性。遺傳算法的數(shù)據(jù)相對來說比較凌亂，而且呈現(xiàn)分散式分布，模糊算法的周邊數(shù)據(jù)分布比較均勻，中間數(shù)據(jù)相對較為集中，進一步證明了模糊算法的整體結(jié)構(gòu)優(yōu)于遺傳算法。

圖1 兩種方法的準(zhǔn)確性和穩(wěn)定性比較

2.3 安全性評估時間

評估時間是安全性評估的重要內(nèi)容，該文對安全性指標(biāo)進行評價分析，并將不同算法的計算時間進行對比，結(jié)果見表3。

表3 不同方法的安全性評估時間（單位：s）

根據(jù)表3 可知，模糊分析法對電廠安全性評價的時間較短，優(yōu)于遺傳算法。同時，在電廠安全性評價的1/2、1/4和1/6 階段，各安全性評價指標(biāo)的評價時間均比遺傳算法要短。其中，功率和潮流的計算時間雖然較長，但是模糊分析法的時間優(yōu)于遺傳算法。另外，模糊分析法的誤差小于0.3，而遺傳算法的誤差大于0.5。究其原因，模糊分析法中利用相似性對電廠安全性數(shù)據(jù)進行分類，并對不同類的值進行閾值比較，不僅減少計算的數(shù)據(jù)量，而且提高數(shù)據(jù)的處理效率，大幅提高安全性評估時間。將電壓、電流和功率等參數(shù)進行比較發(fā)現(xiàn)，模糊分析法在不同監(jiān)測階段的數(shù)據(jù)值比較穩(wěn)定，誤差率相對較少。但是，遺傳算法的不同階段監(jiān)測數(shù)據(jù)變化幅度較大，而且呈現(xiàn)較大的波動趨勢，甚至在1/4 階段出現(xiàn)了負向波動，進一步說明遺傳算法在持續(xù)監(jiān)測過程中存在數(shù)據(jù)不穩(wěn)定或數(shù)據(jù)異常的問題。在誤差方面，遺傳算法的誤差為0.5~0.6，整體的計算結(jié)果均大于模糊分析法。其原因主要是模糊分析法對數(shù)據(jù)進行歸類，減少無關(guān)數(shù)據(jù)對結(jié)果的影響，并對關(guān)鍵數(shù)值進行深入挖掘，在分析各項指標(biāo)的過程中，都存在指標(biāo)變化準(zhǔn)確和指標(biāo)綜合分析性強的優(yōu)勢。整體來說，模糊算法在各項指標(biāo)的分析中，均優(yōu)于遺傳算法并且顯著提高了算法的整體性能。

3 結(jié)論

模糊分析法是一種基于模糊理論的分析方法，對電廠安全性數(shù)據(jù)進行預(yù)處理，剔除無關(guān)數(shù)據(jù)屬性。同時，將電壓、電流、潮流和功率等指標(biāo)數(shù)據(jù)進行相似分析，簡化安全性評估流程。同時，融入安全調(diào)節(jié)因子、安全互動因子，對電廠安全性進行持續(xù)監(jiān)測，及時調(diào)整安全系數(shù)，發(fā)現(xiàn)異常數(shù)據(jù)。MATLAB 仿真結(jié)果顯示如下：1）2 種方法的干擾程度無顯著差異（T=0.324，P=0.742），但是模糊分析法的穩(wěn)定性、準(zhǔn)確性顯著優(yōu)于遺傳算法（T=10.851，21.652，P=0.032，0.022）。同時，4 項指標(biāo)的準(zhǔn)確性大于90%，穩(wěn)定性大于80%，大于遺傳算法的80%，75%。而且，模糊分析法的誤差幅值為3~4 小于遺傳算法的5~7。2）模糊分析法的結(jié)果更加集中，處于93%~98%，而遺傳算法的結(jié)果處于82%~86%，而且結(jié)果比較分散。參照平滑線可知，模糊分析法更平滑，顯著優(yōu)于遺傳算法，說明前者更加平穩(wěn)，安全性評價更加。3）模糊分析法對電廠安全性評價的時間較短，優(yōu)于遺傳算法。同時，在電廠安全性評價的1/2、1/4 和1/6 階段，各安全性評價指標(biāo)的評價時間均短于遺傳算法。