李曉帆

（昆明能訊科技有限責(zé)任公司，昆明 650217）

0 前言

臺風(fēng)是一種可以給沿海地區(qū)電網(wǎng)造成巨大破壞的自然災(zāi)害，中國東南沿海地區(qū)正是臺風(fēng)災(zāi)害頻發(fā)的地區(qū)。對于強(qiáng)臺風(fēng)環(huán)境下的地區(qū)電網(wǎng)，臺風(fēng)的強(qiáng)風(fēng)可導(dǎo)致輸配電網(wǎng)中的電氣設(shè)備產(chǎn)生結(jié)構(gòu)性損傷，影響供電穩(wěn)定性。在電網(wǎng)設(shè)備中，桿塔是最易被臺風(fēng)影響的大型設(shè)備，從中國東南沿海電網(wǎng)歷史臺風(fēng)災(zāi)損統(tǒng)計結(jié)果來看，絕大多數(shù)的倒塔與斷桿主要發(fā)生在強(qiáng)風(fēng)圈內(nèi)，顯然風(fēng)速對桿塔的影響是巨大的?，F(xiàn)在的絕大部分臺風(fēng)預(yù)警型都是以臺風(fēng)的預(yù)測風(fēng)速為基礎(chǔ)進(jìn)行預(yù)警，但是顯然輸電桿塔的故障并不只取決于風(fēng)速這一個特征，可是由于其他的特征數(shù)據(jù)太少且數(shù)據(jù)質(zhì)量不高，難以和臺風(fēng)故障相關(guān)聯(lián)，所以很難進(jìn)行分析和建模，那么如何從這些復(fù)雜數(shù)據(jù)中提取出有用的信息，用來進(jìn)一步完善臺風(fēng)預(yù)警模型就很值得研究。

1 主要影響因素分析

電網(wǎng)設(shè)備臺風(fēng)預(yù)警相關(guān)的數(shù)據(jù)特征主要分布于三個維度：氣象、地形、設(shè)備。

由于臺風(fēng)路徑的隨機(jī)性，風(fēng)圈半徑的變化以及對電網(wǎng)組件損害的不確定性等，需要充分考慮到臺風(fēng)破壞風(fēng)險的事故前預(yù)備程度。

通過對臺風(fēng)相關(guān)資料的查詢以及獲取到的數(shù)據(jù)分析，臺風(fēng)對電網(wǎng)的影響主要體現(xiàn)在幾個方面，輸電線路斷線，倒塔以及水淹，伴隨著各種故障引起的線路跳閘事故則是最多的，而這些情況自然和臺風(fēng)自身的風(fēng)速以及降雨量有極強(qiáng)的相關(guān)性。從氣象臺可以得到實(shí)時以及預(yù)測的臺風(fēng)風(fēng)速，臺風(fēng)風(fēng)圈以及臺風(fēng)移動路徑，降雨等數(shù)據(jù)，也可以在GIS 系統(tǒng)中獲得相應(yīng)位置的地理環(huán)境數(shù)據(jù)，結(jié)合電網(wǎng)內(nèi)部的設(shè)備狀態(tài)數(shù)據(jù)，可以使用機(jī)器學(xué)習(xí)模型給出臺風(fēng)到達(dá)之前的電網(wǎng)災(zāi)害預(yù)警，以及臺風(fēng)經(jīng)過時的電網(wǎng)實(shí)時狀態(tài)評估。

1.1 數(shù)據(jù)處理與分析

通過對海南電網(wǎng)2014 年至今設(shè)備缺陷和故障的統(tǒng)計分析，電網(wǎng)設(shè)備在臺風(fēng)期間受臺風(fēng)的影響主要包括設(shè)備的地形環(huán)境、設(shè)備參數(shù)、氣象環(huán)境的影響。然而由于電網(wǎng)對臺風(fēng)的損失統(tǒng)計都是在臺風(fēng)過后進(jìn)行，因此數(shù)據(jù)僅有一個大概的統(tǒng)計結(jié)果，時效性很差，并且不夠細(xì)致，并不能作為建立模型的可用數(shù)據(jù)。因此我們另辟蹊徑，從95598 的故障單來尋找信息。

95598 的故障單是根據(jù)用戶的實(shí)時電話進(jìn)行記錄，因此在時效性上很強(qiáng)，且自帶地點(diǎn)信息，雖然地點(diǎn)不夠準(zhǔn)確，但是也可以確定所在的縣市等。但是工單報的故障是否和臺風(fēng)有強(qiáng)相關(guān)性就需要進(jìn)一步分析了。

以下是從2016 年到現(xiàn)在海南省各地區(qū)95598 在正常日收到的日平均故障報告與臺風(fēng)日收到的日平均故障報告的對比圖如表1 所示：

表1 正常天與臺風(fēng)天故障報告次數(shù)對比

從上表中我們可以看到，在臺風(fēng)經(jīng)過的日期中，日平均故障報告要明顯多于沒有臺風(fēng)時的日平均故障報告，因此可以確定，95598 的故障報告單數(shù)據(jù)與臺風(fēng)故障有著很強(qiáng)的關(guān)聯(lián)性，以此數(shù)據(jù)為標(biāo)準(zhǔn)建立模型是可以反應(yīng)真實(shí)情況的。

由于各地區(qū)的桿塔數(shù)量不同，所以不能簡單的以報故障次數(shù)的多少來評判危險程度，那么我們可以分開來看每一個地區(qū)，用每一個地區(qū)平時的報故障次數(shù)和臺風(fēng)期間的報故障次數(shù)來做歸一化處理，這樣就可以得到比較合理的故障危險程度了。

數(shù)據(jù)歸一化就是按一定方式將所有數(shù)據(jù)縮放到0-1 之間，歸一化方法：

1.2 氣象特征

通常情況氣象特征有很多，例如溫度、濕度、風(fēng)速、風(fēng)向、降雨等，跟臺風(fēng)相關(guān)的大概有風(fēng)速、風(fēng)向、降雨，但是風(fēng)向和降雨只有在特定情況下才會對輸電桿塔造成影響，比如風(fēng)向和輸電線路形成一定角度的時候，降雨在某些特定的地形條件下可以對輸電設(shè)備造成淹沒或侵泡的時候，這些數(shù)據(jù)很難做進(jìn)一步處理，與其他相關(guān)數(shù)據(jù)進(jìn)行關(guān)聯(lián)，成為可以進(jìn)行桿塔風(fēng)險模型建設(shè)的結(jié)構(gòu)化數(shù)據(jù)。

風(fēng)速是對電網(wǎng)設(shè)備造成破壞的第一因素，風(fēng)速越高破壞力越強(qiáng)，強(qiáng)風(fēng)會導(dǎo)致主網(wǎng)和配網(wǎng)的桿塔倒塌，傾斜。風(fēng)速數(shù)據(jù)根據(jù)氣象局的預(yù)測風(fēng)圈決定。那么如何確定不同風(fēng)力下輸電桿塔的危險程度呢，我們使用一個通用的指數(shù)型曲線函數(shù)擬合算法公式：

其中：V 是目前風(fēng)速，Vmin為桿塔設(shè)計風(fēng)速，Vex為桿塔的極限風(fēng)速，K 為一個待定系數(shù)，在此次建模中，通過各種嘗試，我們?nèi)?.15。這樣就可以計算出風(fēng)速對桿塔的影響系數(shù)，也就是風(fēng)速危險系數(shù)，系數(shù)越大則代表?xiàng)U塔越危險。

1.3 地形特征

由于配電網(wǎng)桿塔與架空線經(jīng)常需要貫穿一些復(fù)雜地形，從平原地區(qū)到高山地區(qū)，經(jīng)常伴隨著幾千米的海拔變化，而隨著海拔的變化，臺風(fēng)經(jīng)過該地區(qū)時的風(fēng)速也會受到相應(yīng)的影響，因此對配電網(wǎng)所在地區(qū)微地形對臺風(fēng)的影響進(jìn)行分析和評估就對輸電線路在臺風(fēng)經(jīng)過時的危險程度的評定有重大價值。

電網(wǎng)設(shè)備所處的地形也至關(guān)重要，在高坡或者山地等高海拔地區(qū)的設(shè)備受到風(fēng)力的影響會更大，遠(yuǎn)大于平原和洼地，然而由于高山地形也會對臺風(fēng)的強(qiáng)度造成影響，導(dǎo)致臺風(fēng)減弱，但是我們無法從具體地形去分析。從設(shè)備臺賬數(shù)據(jù)中，我們觀察到有桿塔所在的微地形數(shù)據(jù)，并且可以和所在區(qū)域關(guān)聯(lián)起來，那么通過剛才得到的每一區(qū)域的危險系數(shù)，可以把地形的特征加入建立一個線性回歸模型，來看每一種地形對不同危險的貢獻(xiàn)程度。

多元線性回歸就是用多個數(shù)據(jù)特征來線性擬合另一個特征，其公式如下：

建立了特征之間的對應(yīng)關(guān)系之后，通過最小二乘法來尋找每個特征的最佳系數(shù)。普通最小二乘法通過最小化誤差的平方和尋找最佳參數(shù)，優(yōu)化公式如下：

我們從桿塔臺賬數(shù)據(jù)表中，找出四種最常見的地形：平原、丘陵、山地、高山，并建立線性回歸模型，地形線性回歸模型特征對照表如表2 所示：

表2 地形危險系數(shù)線性回歸對應(yīng)表

最后，我們得到這四種地形對于臺風(fēng)的危險系數(shù)如表3 所示：

表3 地形危險系數(shù)

1.4 設(shè)備特征

輸電桿塔的類型也對臺風(fēng)經(jīng)過時桿塔的危險程度有很大影響，通常來說，輸電網(wǎng)中最多的輸電桿塔為耐張桿塔和直線桿塔，耐張塔需要承受架空線的拉力，所以在結(jié)構(gòu)設(shè)計上更為堅(jiān)固；直線桿塔只需要承受架空線的自重，所以相比耐張塔來說，直線桿塔在自身的結(jié)構(gòu)強(qiáng)度上要弱一些。

我們同樣使用多元線性回歸擬合的方法，去得到桿塔類型的臺風(fēng)危險系數(shù)。我們同樣選取最常見的四種類型桿塔：普通直線塔、普通耐張塔、普通直線桿、普通耐張桿，如表4 所示：

表4 桿塔類型危險系數(shù)線性回歸對應(yīng)表

最后，我們得到這四種地形對于臺風(fēng)的危險系數(shù)：

表5 桿塔類型危險系數(shù)

2 臺風(fēng)危險區(qū)域預(yù)警模型

根據(jù)之前所做的地形危險系數(shù)、桿塔類型危險系數(shù)和臺風(fēng)風(fēng)速危險系數(shù)等特征的臺風(fēng)危險系數(shù)結(jié)果進(jìn)行線性疊加得到臺風(fēng)對電網(wǎng)的不同的影響，建立預(yù)警模型，其中地形危險系數(shù)和桿塔類型危險系數(shù)是固定值，而臺風(fēng)風(fēng)速危險系數(shù)可以通過氣象臺所預(yù)報的臺風(fēng)位置以及風(fēng)速，對相關(guān)區(qū)域的桿塔設(shè)備進(jìn)行風(fēng)速危險系數(shù)計算，最后在做一次歸一化，后得到預(yù)警模型結(jié)果。

通過這樣的建模方法得到的危險系數(shù)有一個問題，就是通過歸一化后，無法看出每種特征對最后的危險系數(shù)的貢獻(xiàn)程度，而使用統(tǒng)一的系數(shù)。而這并不符合客觀情況，現(xiàn)實(shí)情況中或許在一些區(qū)域只有風(fēng)速對結(jié)果產(chǎn)生影響，地形和桿塔類型的貢獻(xiàn)可以忽略不計，而由于地形和桿塔類型危險系數(shù)是固定值，會穩(wěn)定的對模型產(chǎn)生影響貢獻(xiàn)，我們嘗試引入attention 機(jī)制，對臺風(fēng)預(yù)警模型不同特征的貢獻(xiàn)程度根據(jù)實(shí)際數(shù)據(jù)做一下調(diào)整。

2.1 attention機(jī)制融合

A ttention 機(jī)制實(shí)際上是一個編碼再解碼的過程，編碼算法和解碼算法可以根據(jù)情況自行選擇，最后，通過中間碼的大小來確定每一個特征的貢獻(xiàn)程度。這里我們選擇編碼和解碼都使用多層BP 神經(jīng)網(wǎng)絡(luò)。

深層人工神經(jīng)網(wǎng)絡(luò)（DNN，M LP），除了輸入輸出層，它中間可以有多個隱層。最簡單的MLP 需要有一層隱層，即輸入層、隱層和輸出層才能稱為一個簡單的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是仿生物神經(jīng)網(wǎng)絡(luò)而來的一種技術(shù)，通過連接多個特征值，經(jīng)過線性和非線性的組合，最終達(dá)到一個目標(biāo)。如圖1 所示：

圖1 深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

前向傳播指的是信息從第一層逐漸地向高層進(jìn)行傳遞的過程。假設(shè)第一層為輸入層，輸入的信息為[x1,x2,x3]。對于層l，用Ll表示該層的所有神經(jīng)元，其輸出為yl, 其中第j個節(jié)點(diǎn)的輸出為yl(j),該節(jié)點(diǎn)的輸入為ul(j)，連接第l層與第（l-1）層的權(quán)重矩陣為Wl，上一層的第i個節(jié)點(diǎn)到第l層第j個節(jié)點(diǎn)的權(quán)重為wl ji。結(jié)合之前定義的字母標(biāo)記，對于第二層的三個神經(jīng)元的輸出則有：

將上述的式子轉(zhuǎn)換為矩陣表達(dá)式：

將第二層的前向傳播計算過程推廣到網(wǎng)絡(luò)中的任意一層，則：

其中f(.)為激活函數(shù)，bl(j)為第l層第j個節(jié)點(diǎn)的偏置。

由于深層網(wǎng)絡(luò)的特殊性，普通的激活函數(shù)，例如sigmoid 容易在層與層間傳播時有梯度彌散，導(dǎo)致信息丟失，因此這里選擇leaky relu 作為激活函數(shù)，如圖2 所示：

圖2 relu激活函數(shù)圖

基本的模型搭建完成后，訓(xùn)練的時候所做的就是完成模型參數(shù)的更新。由于存在多層的網(wǎng)絡(luò)結(jié)構(gòu)，因此無法直接對中間的隱層利用損失來進(jìn)行參數(shù)更新，但可以利用損失從頂層到底層的反向傳播來進(jìn)行參數(shù)的估計。對于網(wǎng)絡(luò)的最后一層第k層——輸出層，現(xiàn)在定義損失函數(shù)：

為了極小化損失函數(shù)，通過梯度下降來進(jìn)行推導(dǎo)：

那么則有：

另有，下一層所有結(jié)點(diǎn)的輸入都與前一層的每個結(jié)點(diǎn)輸出有關(guān)，因此損失函數(shù)可以認(rèn)為是下一層的每個神經(jīng)元結(jié)點(diǎn)輸入的函數(shù)。那么： 此處定義節(jié)點(diǎn)的靈敏度為誤差對輸入的變化率，即：

注意到上式中表達(dá)的是前后兩層的靈敏度關(guān)系，而對于最后一層，也就是輸出層來說，并不存在后續(xù)的一層，因此并不滿足上式。但輸出層的輸出是直接和誤差聯(lián)系的，因此可以用損失函數(shù)的定義來直接求取偏導(dǎo)數(shù)。那么：

至此，損失函數(shù)對各參數(shù)的梯度為：

2.2 建模并預(yù)測

建模使用多層BP 神經(jīng)網(wǎng)絡(luò)分類算法，通過隨機(jī)數(shù)來隨機(jī)生成風(fēng)速數(shù)據(jù)，暫定風(fēng)速區(qū)間為0-50m/s，得到不同的風(fēng)速危險系數(shù)，最后將風(fēng)速、桿塔類型、地形等數(shù)據(jù)作為分類模型特征，將得到的臺風(fēng)危險系數(shù)作為目標(biāo)值，建立多層神經(jīng)網(wǎng)絡(luò)，多層神經(jīng)網(wǎng)絡(luò)的中間層輸出就是我們得到的特征貢獻(xiàn)權(quán)重向量，最后我們根據(jù)這個特征權(quán)重，對響應(yīng)的地形危險系數(shù)，或者桿塔類型危險系數(shù)，或者臺風(fēng)風(fēng)速危險系數(shù)做相應(yīng)的加減，并再次做歸一化，最后得到最終的臺風(fēng)危險系數(shù)。當(dāng)然在實(shí)際預(yù)測中，風(fēng)速數(shù)據(jù)來源于氣象臺的預(yù)報，最終得到的臺風(fēng)風(fēng)險系數(shù)經(jīng)過歸一化后是一個0-1 之間的值，我們可以根據(jù)需求來定制預(yù)警的閾值。