李东有

摘 要：电力系统作为国民生活的重要部分，其设备安全风险评估意义重大。电力系统设备如果频繁发生故障，可能会引起事故发生，给国家和人民造成巨大的损失。本文阐述了电力系统设备安全风险评估指标的选择原则以及电力系统设备安全风险评估体系的构造方法。将硬件设备、软件设备、信息系统安全、网络系统安全以及供配电质量作为评估体系的指标，利用主成分分析法对这6项指标进行提取，提取结果将作为硬件设备的一项特征指标，其他因素作为一项综合指标。以BP神经网络为理论基础，在设定电力系统设备安全风险特征值的前提下，给出了电力系统设备安全风险的评估方法。

关键词：电力系统;安全风险评估;主成分分析;神经网络

中图分类号：TM732文献标识码：A文章编号：1003-5168（2021）25-0057-03

Safety Risk Assessment of Power System Equipment Based on Neural Network

LI Dongyou

（State Grid Changchun Power Supply Company， Changchun Jilin 130012）

Abstract： As an important part of national life， power system equipment safety risk assessment is of great significance. If power system equipment fails frequently， it can cause accidents and property losses to the country and people. This paper expounds the selection principle of power system equipment safety risk assessment index and the construction method of power system equipment safety risk assessment system. Hardware equipment， software equipment， information system security， network system security and power supply and distribution quality are taken as the indicators of the evaluation system. The six indicators are extracted by principal component analysis. The extraction result is that hardware equipment is taken as a characteristic index and other factors are taken as a comprehensive index. Based on BP neural network theory， the evaluation method of power system equipment safety risk is given on the premise of setting the characteristic value of power system equipment safety risk.

Keywords： power system;security risk assessment;principal component analysis;neural network

20世紀以来，安全科学不断发展，各项理论体系不断完善[1]。安全风险主要是指事故出现的可能性，其包括影响因素、风险事件以及事件损失[2]。因此，在现实生活中，风险评估具有十分重要的意义。风险评估的主要手段是将定量方法与定性方法相结合，对整个系统的状况进行评估，并将评估结果应用到实际生产中，从而保证生产安全。就电力系统而言，安全风险包括以专家经验为基础和以特定评估算法为基础的评估原理。以专家经验为基础的评估是指在风险评估体系建成之后，相关部门组织电力专家针对体系中的各项指标及权重进行评价，根据评价结果计算各项风险的发生率，最终确定风险值[3]。层次分析法等模糊数学理论以及熵权系数法是应用较为广泛的评估方法。层次分析法是将评估对象的结构关系进行层次结构化，构造判断矩阵使两两因素之间进行比较，考虑相对值[4];在确定某一准则层的比重后，再综合考虑准则层对目标层的影响。熵权系数法是在各项指标权重的计算中加入信息熵的概念，当系统发生事故的概率越接近于50%时，熵值便会越大[5]。之后，判断指标之间的相对权重，综合计算各项指标对目标层的权重，进而得到精确的评估模型。除此之外，作为交叉学科理论的神经网络也是电力系统安全风险评估的重要应用理论。神经网络模型包括感知器、反传网络等30多种模型[6]。本文将以BP（Back Propagation）神经网络为基础，评估电力系统设备的安全风险。

1 相关概念

电力系统装备安全风险评估的意义在于了解该系统设备当前或将来发生问题的位置，并对这些问题提出合理的应对措施[7]。评估过程比较复杂，大致可分为三部分：一是电力系统设备安全风险评估指标的确定;二是电力系统设备安全风险评估体系的构造;三是电力系统设备安全风险评估方法的确定。

1.1 电力系统设备安全风险评估指标

电力系统设备安全风险评估指标必须能够全面反映电力系统的信息[8]。因此，在挑选电力系统设备安全风险评估指标时，需要遵循以下原则：①科学性，所选的设备指标反映评价内涵和目标;②通用性，由于所建立的评估模型需要适用于不同地区，因此所选的设备指标应满足多个区域的评估要求;③可操作性，所选择的设备指标应该易于量化，便于模型的计算及操作;④独立性，若指标之间存在一定的联系，则会造成错误的评价结果，因此，为使得结果合理，应保持指标的独立性;⑤前瞻性，所选设备的指标应符合电力系统的发展方向，顺应其发展潮流[9]。

1.2 电力系统设备安全风险评估体系

电力系统设备安全风险评估体系应具有层次化的结构，同时能够合理反映该系统设备的风险水平。不同的电力系统应该对应不同的层次结构。

2 电力系统设备安全风险评估过程

2.1 评估指标的确定

根据评估指标的确定原则，将硬件设备、软件设备、信息系统、网络系统及供配电质量作为该模型中的评估指标。采集相关数据，并利用主成分分析法，将5种指标进行分类，如图1所示。

图1中横坐标“1～5”分别代表硬件设备、软件设备、信息系统、网络系统以及供配电质量，纵坐标代表影响系数。从图1中折线的斜率变化可以看出，第1项可作为一类指标，第2、3、4、5项可作为一项综合评估指标。据此，可将第1项和综合评估指标作为参考量，依据BP神经网络模型进行评价。

2.2 神经网络模型

神经网络模型[10]起源于神经生物学。它的计算过程类似于生物学中的神经元的反应过程。神经元数学模型如图2所示，图中的符号说明如表1所示。其中，f[u]₁决定了在输入x_1，x₂，…，x_n的共同作用下，达到阈值[θi]的输出形式。

图3是两种激发函数的图像[11]。本文采用的模型使用第二种激发函数。

其中，单个神经元的完整数学模型表达式为

BP神经网络是一种多层前向网络，以最小均方误差计算为基础。当反向传播算法应用至前馈多层网络时，将Sigmoid当作激发函数，并根据以下步骤对w_ij进行递归求取计算。对于每层具有n个神经元时，对于第[k]层第i个神经元，则有n个权系数w_i1，w_i2，…，w_jn。此外，选取多一个w_jn+1用来表示θ_i。在输入样本[x]时，取x=x₁，x₂，…，x_n，1。

①对w_ij赋值。对各层的w_ij赋一个比较小的非零随机数，同时w_jn+1=-θ_i。因为本模型利用MATLAB运行，所以该赋值过程是计算机的随机过程。正因如此，不同运行阶段，相同的程序代码所得结果可能会出现差异。

②输入样本值x=x₁，x₂，…，x_n，1，对应期望输出y=y₁，y₂，…，y_n，1。

③计算各层的输出，对于第k层第i个神经元的输出x_ik，有

⑥当求出各层各个权系数之后，可以按照既定标准判断是否符合要求。如果不符合，则返回第③步，反之结束计算。

3 评估结果

依据实际情况进行特征值设置。针对相关的电力专家进行问卷调查，为电力系统安全风险设定评价标准。经处理，调查结果如表2和表3所示。

利用MATLAB依据BP神经网络的计算步骤，编写程序获得特征值的平面分布图，结果如图4所示。图4中，“*”代表电力系统设备安全风险较高的区域，“〇”代表电力系统设备安全风险较低的区域。将被测对象的指标参数对应特征值的分布区域，即可判断出被测对象的风险等级。

4 结语

将BP神经网络模型应用到电力系统设备安全风险的评估中，在主成分分析计算步骤的基础上，以实际调查的方式进行数据采集，从数据的角度客观反映评估情况。与其他电力系统设备安全风险评估方案相比，该评估模型适用范围更广，操作更方便。虽然在实际生活中BP神经网络在风险评估上的应用比较广泛，但是一旦训练误差估算不合理，就可能出现计算结果不正确的现象，因此需要合理估算误差。

参考文献：

[1]罗义钊，梁海涛，柳玉銮，等.电力通信网风险评估系统的研究[J].通信电源技术，2020（7）：41-45.

[2]文佳.人工智能算法的船舶電力系统安全风险评价[J].舰船科学技术，2020（20）：71-73.

[3]戴祖峰.基于BS7799的安全风险评估系统的研究及设计实现[D].西安：西安电子科技大学，2004：56.

[4]周孝信，史东宇，陈勇，等.基于卷积神经网络的电力系统暂态稳定预防控制方法[J].电力系统保护与控制，2020（18）：1-8.

[5]周亮，袁烈伟，向尧.基于模糊神经网络的配电网空间负荷预测方法研究[J].通信电源技术，2020（4）：32-33.

[6]何永贵，刘江.基于组合赋权–云模型的电力物联网安全风险评估[J].电网技术，2020（11）：8.

[7]许伟强.基于ISM的电力事故安全风险评价研究[J].机电信息，2020（14）：142-143.

[8]熊蕾.GA-BP神经网络在船舶供电网络评价中的应用[J].舰船科学技术，2020（16）：113-115.

[9]蒋航，刘进，熊俊，等.基于线路二次设备实时信息的保护定值风险评估研究[J].电力系统保护与控制，2020（4）：103-109.

[10]于文滔，杨芳.基于BP神经网络的架空输电线路树障隐患预测技术研究[J].通信电源技术，2020（2）：15-18.

[11]郭昊，何小芸，孙学洁，等.国家电网边缘计算应用安全风险评估研究[J].计算机工程与科学，2020（9）：1563-1571.