國(guó)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(duì)安全督查管理重要性的認(rèn)識(shí)，將其和電力系統(tǒng)日常運(yùn)行維護(hù)緊密結(jié)合起來(lái)，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(gè)方面：一是通過(guò)構(gòu)建作業(yè)現(xiàn)場(chǎng)可視化安全監(jiān)控中心，對(duì)每日電力施工現(xiàn)場(chǎng)作業(yè)情況及電網(wǎng)運(yùn)行線路等情況進(jìn)行實(shí)時(shí)監(jiān)控，并通過(guò)完善安全監(jiān)控工作機(jī)制，確保提高安全管理和應(yīng)急處置水平；二是通過(guò)加強(qiáng)對(duì)安全監(jiān)察數(shù)據(jù)信息管理，不斷優(yōu)化和改進(jìn)安全監(jiān)控流程；三是加強(qiáng)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(kù)，做好數(shù)據(jù)管理系統(tǒng)的應(yīng)用、設(shè)計(jì)、開(kāi)發(fā)和推廣，從而構(gòu)建完善強(qiáng)大的安全督查信息網(wǎng)絡(luò)[1]。

針對(duì)當(dāng)下電網(wǎng)企業(yè)安全風(fēng)險(xiǎn)防控監(jiān)督方面評(píng)估不合理、預(yù)測(cè)不準(zhǔn)確的問(wèn)題，本文提出了以主成分分析法和支持向量機(jī)為核心的電網(wǎng)安全風(fēng)險(xiǎn)防控評(píng)估模型，并以此為基礎(chǔ)建立電網(wǎng)安全風(fēng)險(xiǎn)防控監(jiān)督平臺(tái)。電網(wǎng)安全風(fēng)險(xiǎn)防控監(jiān)督平臺(tái)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(shí)，本文從電網(wǎng)安全防控措施的及時(shí)性、規(guī)范性、真實(shí)性、系統(tǒng)性、完整性五維度建立電網(wǎng)安全風(fēng)險(xiǎn)管理因子指標(biāo)體系，用于對(duì)電網(wǎng)安全風(fēng)險(xiǎn)防控措施分類和評(píng)價(jià)。

1 電網(wǎng)安全風(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)

電網(wǎng)安全風(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)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(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)與國(guó)網(wǎng)現(xiàn)有安全風(fēng)險(xiǎn)監(jiān)督平臺(tái)、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(guò)接口層從電網(wǎng)各信息平臺(tái)收集、匯總安全風(fēng)險(xiǎn)相關(guān)的數(shù)據(jù)內(nèi)容；數(shù)據(jù)層負(fù)責(zé)對(duì)接口層獲取的數(shù)據(jù)進(jìn)行整理、分析，是電網(wǎng)安全風(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)統(tǒng)一的數(shù)據(jù)統(tǒng)計(jì)與訪問(wèn)模塊。在獲取到各電網(wǎng)信息平臺(tái)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(biāo)準(zhǔn)，將數(shù)據(jù)歸類為作業(yè)計(jì)劃數(shù)據(jù)、風(fēng)險(xiǎn)辨識(shí)和評(píng)估數(shù)據(jù)、安全風(fēng)險(xiǎn)應(yīng)對(duì)方案等。

系統(tǒng)層是電網(wǎng)安全風(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)的核心，對(duì)數(shù)據(jù)的分析應(yīng)用、平臺(tái)各項(xiàng)功能的實(shí)現(xiàn)、平臺(tái)運(yùn)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(fù)責(zé)三個(gè)方向的功能實(shí)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(fù)責(zé)應(yīng)用安全控制、主機(jī)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(xiàng)功能目標(biāo)的實(shí)現(xiàn)；異常處理系統(tǒng)負(fù)責(zé)信息異常處理、系統(tǒng)異常處理、網(wǎng)絡(luò)異常處理三項(xiàng)功能目標(biāo)的事項(xiàng)；日常管理系統(tǒng)負(fù)責(zé)用戶管理、日志管理、運(yùn)行參數(shù)管理以及數(shù)據(jù)統(tǒng)計(jì)分析等功能的實(shí)現(xiàn)。

功能層是電網(wǎng)安全風(fēng)險(xiǎn)綜合防控監(jiān)督平臺(tái)功能行使的模塊，功能層的工作包括兩個(gè)方向，一是信息獲取，二是風(fēng)險(xiǎn)管控成效評(píng)估?！靶畔@取”功能的發(fā)揮是基于風(fēng)險(xiǎn)督查理論，依據(jù)安全風(fēng)險(xiǎn)防控督查資料，在對(duì)所需信息進(jìn)行提煉和分析后，從及時(shí)性、規(guī)范性、真實(shí)性、系統(tǒng)性、完整性五個(gè)維度提取安全風(fēng)險(xiǎn)管理因子，共提取20項(xiàng)電網(wǎng)安全風(fēng)險(xiǎn)管理因子，形成電網(wǎng)安全風(fēng)險(xiǎn)管理因子指標(biāo)體系。風(fēng)險(xiǎn)管控成效評(píng)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(fēng)險(xiǎn)因子指標(biāo)數(shù)據(jù)輸入到模型中，分析電網(wǎng)安全風(fēng)險(xiǎn)管控措施對(duì)安全風(fēng)險(xiǎn)水平的成效關(guān)系。在模型對(duì)安全風(fēng)險(xiǎn)的成效評(píng)估的準(zhǔn)確性、合理性達(dá)到預(yù)期水平后，確定模型參數(shù)，從而構(gòu)建起安全風(fēng)險(xiǎn)綜合防控評(píng)估模型。

接入層將具體的電網(wǎng)安全風(fēng)險(xiǎn)與對(duì)應(yīng)的防控措施相匹配。在功能層對(duì)電網(wǎng)安全風(fēng)險(xiǎn)進(jìn)行管控成效評(píng)估后，以評(píng)估結(jié)果為參考，與實(shí)際的防控措施管控成效相對(duì)比，分析實(shí)際成效與評(píng)估結(jié)果的差距。接入層實(shí)施以提升管理水平為目標(biāo)的事后督查溯源機(jī)制，建立“查、分、改”三步溯源法：對(duì)照違章問(wèn)題清單，梳理管理失控的要點(diǎn)；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(bào)告；以問(wèn)題原因?yàn)閱挝?，差異化制定管理整改和提升措施?/p>

2 電網(wǎng)安全風(fēng)險(xiǎn)綜合防控評(píng)估模型

采用主成分分析法對(duì)輸入指標(biāo)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(jī)模型進(jìn)行訓(xùn)練、擬合和評(píng)估預(yù)測(cè)。

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(biāo)通過(guò)降維的方式轉(zhuǎn)變?yōu)樯贁?shù)幾個(gè)主成分指標(biāo)，所有主成分指標(biāo)都是對(duì)原有指標(biāo)彼此獨(dú)立的線性組合。

2.1.1 主成分的確定

通過(guò)尋找數(shù)據(jù)標(biāo)準(zhǔn)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(guò)標(biāo)準(zhǔn)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(duì)各個(gè)指標(biāo)維度的數(shù)據(jù)進(jìn)行中心化處理，使得各指標(biāo)的均值為0；在此基礎(chǔ)上，對(duì)指標(biāo)數(shù)據(jù)按照如下的關(guān)系方式進(jìn)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(wèn)題：

通過(guò)求解上述目標(biāo)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(gè)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(gè)特定的線性組合方向，將n個(gè)數(shù)據(jù)點(diǎn)x1,x2,…,xn投影到該方向上，即可得到主成分的分值z(mì)11,z21,…，zn1。

2.1.2 主成分的選取

數(shù)據(jù)集中的每一類指標(biāo)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(jì)算其占所有成分指標(biāo)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(guò)對(duì)上述總方差計(jì)算變形，得到第m個(gè)主成分的方差解釋比率：，并計(jì)算第m個(gè)主成分的PVE為：

一共有min（n-1,p）個(gè)主成分，其和為1。對(duì)主成分?jǐn)?shù)量的確定，一是能夠依據(jù)具體研究方向的經(jīng)驗(yàn)判斷，二是也可以通過(guò)交叉驗(yàn)證法等方法進(jìn)行。

2.2 支持向量機(jī)

支持向量機(jī)（Support Vetor Machine）方法是一種以監(jiān)督學(xué)習(xí)的方式針對(duì)數(shù)據(jù)進(jìn)行分類的學(xué)習(xí)方法，也可以用于回歸和預(yù)測(cè)。支持向量機(jī)的原理是利用核心函數(shù)進(jìn)行基礎(chǔ)學(xué)習(xí)，通過(guò)學(xué)習(xí)構(gòu)建出一條超平面進(jìn)行數(shù)據(jù)分類。支持向量機(jī)對(duì)線性數(shù)據(jù)和非線性數(shù)據(jù)都可以通過(guò)構(gòu)造超平面實(shí)現(xiàn)對(duì)數(shù)據(jù)分類，通過(guò)以下幾個(gè)部分闡述支持向量機(jī)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(diǎn)，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(shuō)明X位于超平面的另一側(cè)。超平面若存在則不止一個(gè)，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(gè)超平面，所有的數(shù)據(jù)到超平面都有一個(gè)或者數(shù)個(gè)垂直距離，其中最小的那個(gè)垂直距離就是間隔。以間隔最大的超平面對(duì)數(shù)據(jù)進(jìn)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(jìn)行分類的最大間隔分類器就失效了，但可以使用“軟間隔”進(jìn)行推廣。只要存在一種決策界面能夠保證大部分的觀測(cè)點(diǎn)落在正確的一側(cè)，則認(rèn)為可以接受此決策邊界，這個(gè)界面就是支持向量分類器。超平面通過(guò)求解下述最大化問(wèn)題得到：maxβ0,β1,…,βp,ε0,ε1,…，εnM，滿足，，，其中：C是非負(fù)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(jī)

如果數(shù)據(jù)的決策邊界是非線性的，在支持向量機(jī)的分類器是對(duì)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(kuò)大支持向量機(jī)的特征空間，采用核函數(shù)的方法對(duì)支持向量機(jī)進(jìn)行修正。支持向量機(jī)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(jī)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(xiàng)式的方式表達(dá)的核函數(shù)可以表述為：，徑向核函數(shù)為：，γ是一個(gè)正常數(shù)。

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

3 模型實(shí)證分析

在實(shí)證分析環(huán)節(jié)，首先采用主成分分析法對(duì)電網(wǎng)安全風(fēng)險(xiǎn)管理因子指標(biāo)進(jìn)行分類，簡(jiǎn)化指標(biāo)體系，提取主成分指標(biāo)；其次，將主成分指標(biāo)以及電網(wǎng)安全風(fēng)險(xiǎn)綜合防控成效的歷史數(shù)據(jù)，輸入到支持向量機(jī)模型進(jìn)行訓(xùn)練模擬，最終構(gòu)建電網(wǎng)安全風(fēng)險(xiǎn)綜合防控評(píng)估模型?；贙MO和巴特利特檢驗(yàn)（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(fēng)險(xiǎn)管理因子指標(biāo)體系，搜集2018—2022年的指標(biāo)數(shù)據(jù)，使用SPSS平臺(tái)進(jìn)行主成分分析。主成分的分析主要包括適宜性檢驗(yàn)和主成分提取兩個(gè)環(huán)節(jié)，在確定好主成分之后，構(gòu)建支持向量機(jī)的算法機(jī)制，并構(gòu)建相應(yīng)評(píng)估模型。

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

主成分提?。阂灾鞒煞址治龇▽?duì)電網(wǎng)安全風(fēng)險(xiǎn)管理因子指標(biāo)體系的20項(xiàng)指標(biāo)進(jìn)行主成分提取?？偣蔡崛〉?個(gè)主成分，6個(gè)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(gè)主成分可以解釋原始指標(biāo)的信息91.17%的信息。這說(shuō)明原有的20項(xiàng)指標(biāo)之間具有較強(qiáng)的相互關(guān)聯(lián)性，而通過(guò)主成分分析法提取的六個(gè)主要指標(biāo)通過(guò)對(duì)其他指標(biāo)的線性組合，形成簡(jiǎn)練且較為全面的表述原有信息。

基于支持向量機(jī)構(gòu)建評(píng)估模型：基于上文的SVM算法原理，通過(guò)MATLAB編程進(jìn)行機(jī)器學(xué)習(xí)。由于指標(biāo)體系中指標(biāo)的完成需要基于期間的各類項(xiàng)目數(shù)據(jù)得出，考慮到項(xiàng)目周期的時(shí)長(zhǎng)，采用年度數(shù)據(jù)進(jìn)行訓(xùn)練。由于輸出預(yù)測(cè)數(shù)據(jù)僅為電網(wǎng)安全風(fēng)險(xiǎn)防控成效的數(shù)據(jù)，是低緯度的預(yù)測(cè)變量，選擇MATLAB中的firstsvm函數(shù)進(jìn)行。fitrsvm支持使用內(nèi)核函數(shù)映射預(yù)測(cè)變量數(shù)據(jù)，并支持通過(guò)二次編程實(shí)現(xiàn)目標(biāo)函數(shù)最小化。

綜上所述，本文以電網(wǎng)安全風(fēng)險(xiǎn)防控為主題進(jìn)行了兩方面的創(chuàng)新：一是構(gòu)建了電網(wǎng)安全風(fēng)險(xiǎn)防控監(jiān)督平臺(tái)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(jī)理論，建立了電網(wǎng)安全風(fēng)險(xiǎn)防控成效評(píng)估模型。模型基于歷史數(shù)據(jù)進(jìn)行迭代訓(xùn)練，對(duì)電網(wǎng)安全風(fēng)險(xiǎn)防控成效評(píng)估的準(zhǔn)確率可以保證在90%以上，平均誤差為5.62%，能夠滿足成效評(píng)估工作開(kāi)展的要求。研究成果對(duì)于完善電網(wǎng)安全風(fēng)險(xiǎn)防控機(jī)制、優(yōu)化防控措施成效評(píng)估及預(yù)測(cè)、提高電網(wǎng)安全防控監(jiān)督平臺(tái)建設(shè)具有極大的參考價(jià)值。同時(shí)，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(fēng)險(xiǎn)防控管理因子覆蓋有所不全，研究還存在進(jìn)一步加深的空間。