范強，呂黔蘇，萬金金，肖寧，肖書舟，張迅，古庭赟

(1.貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，貴州 貴陽，550002；2.貴州創(chuàng)星電力科學(xué)研究院有限責(zé)任公司，貴州 貴陽，550002；3.貴州電網(wǎng)有限責(zé)任公司，貴州 貴陽，550002)

電網(wǎng)用電負(fù)荷逐年增加，當(dāng)處于用電高峰或環(huán)境惡劣時，電網(wǎng)容易發(fā)生各種突發(fā)性故障，導(dǎo)致頻繁停電和嚴(yán)重傷亡。因此，對電網(wǎng)主變壓器的負(fù)荷風(fēng)險進行評估是非常重要的[1]。

針對上述問題，文獻[2]根據(jù)遺傳算法的功能特點，設(shè)計了全新的風(fēng)險評估模型。該模型全方位實時監(jiān)控系統(tǒng)，利用粗糙集和分辨函數(shù)求解最優(yōu)結(jié)果，完成風(fēng)險評估。但該模型由于評估過程較為復(fù)雜，很難評估所有風(fēng)險數(shù)據(jù)。文獻[3]研究的風(fēng)險評估模型，預(yù)先歸納了不同的故障類型，然后從系統(tǒng)保護層信息流和物理電網(wǎng)能量流兩個角度，建立能夠自動評估風(fēng)險的方法。但該模型對風(fēng)險數(shù)據(jù)的搜索模式較為煩瑣，導(dǎo)致風(fēng)險評估結(jié)果不夠準(zhǔn)確可靠。文獻[4]提出了配電網(wǎng)饋線負(fù)載預(yù)測及風(fēng)險預(yù)警模型，分析電網(wǎng)歷史負(fù)載特性，采用聚類法細(xì)分負(fù)載類別，進行負(fù)載分布預(yù)測，評估饋線負(fù)載風(fēng)險并進行預(yù)警，該方法通過歷史數(shù)據(jù)預(yù)測負(fù)載風(fēng)險，在實際負(fù)載風(fēng)險評估過程中效果不佳，不能評估所有風(fēng)險。

基于以上研究成果與不足，進一步提高風(fēng)險評估結(jié)果的可靠性，此次研究利用改進灰狼算法進行創(chuàng)新，提出基于改進灰狼算法的電網(wǎng)主變負(fù)載自動風(fēng)險評估模型，改進灰狼算法是對基本灰狼算法的改進，加強算法自身的搜索能力和迭代能力，為電網(wǎng)相關(guān)領(lǐng)域的風(fēng)險評估提供更加有效的技術(shù)。

1 基于改進灰狼算法計算主變負(fù)載因子

1.1 設(shè)置關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則

自動化獲取電網(wǎng)主變負(fù)載風(fēng)險節(jié)點，需要依靠可靠的規(guī)則，因此，在預(yù)先獲得基本監(jiān)測數(shù)據(jù)的基礎(chǔ)上，設(shè)置關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則，依靠有序的規(guī)則找出各個節(jié)點數(shù)據(jù)之間的關(guān)聯(lián)性。

已知目前大多數(shù)數(shù)據(jù)庫只具備錄入、查詢等基本功能，單純地存儲數(shù)據(jù)無法發(fā)現(xiàn)其中包含的有用信息，因此，利用Apriori-algorithm技術(shù)，設(shè)置模型的關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則。假設(shè)數(shù)據(jù)庫中存在兩個不同的集合，分別為集合U和集合V，則兩項事件同時發(fā)生的概率，就可以默認(rèn)為數(shù)據(jù)關(guān)聯(lián)規(guī)則的相對支持度，公式為：

support(U=≥V)=P(U∩V)

(1)

當(dāng)集合U發(fā)生變化時，則集合V發(fā)生的概率，可以表示數(shù)據(jù)關(guān)聯(lián)規(guī)則的置信度，即存在：

confidence(U=≥V)=P(V|U)

(2)

而數(shù)據(jù)庫中的項集可以分為兩個大類，分別為頻繁項集和非頻繁項集，因此在設(shè)置挖掘規(guī)則時[5]，需要針對不同屬性的項集區(qū)分挖掘方式。利用選擇的Apriori-algorithm技術(shù)，找出數(shù)據(jù)庫中的所有頻繁項集，篩選其中的最大頻繁項集Wmax。圖1為Apriori-algorithm技術(shù)下獲得的頻繁項集與非頻繁項集。

圖1 頻繁項集與非頻繁項集示意圖Fig.1 Schematic diagram of frequent itemsets and infrequent itemsets

需要遵循上述設(shè)置的關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則，獲取影響電網(wǎng)主變負(fù)載的因素。

1.2 改進灰狼算法搜索主變負(fù)載影響因素

按照設(shè)置的挖掘規(guī)則，采用改進灰狼算法搜索主變負(fù)載影響因素。

該算法以獨立的灰狼個體為基礎(chǔ)，劃分兩種不同的搜索模式：跟蹤搜索和自主搜索。因此假設(shè)每頭狼都能使用跟蹤搜索和自主搜索模式；每頭狼都按照設(shè)置的關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則，確定自身的搜索模式。當(dāng)狼群采用跟蹤搜索模式時，依據(jù)原始灰狼算法更新灰狼個體位置，指引自己進入最優(yōu)解區(qū)域；當(dāng)狼群采用自主探索模式時，此時該算法獲取等級高于自身和自身的所在位置信息，同時以隨機變向的方式[6-7]，實時更新自身位置。

由于灰狼算法會根據(jù)自身的等級來轉(zhuǎn)換搜索模式，為此，本文改進的灰狼算法通過上述四組位置更新規(guī)則，搜索主變負(fù)載影響因素，也就是說，按主變負(fù)載影響因素適應(yīng)度值的優(yōu)劣，為構(gòu)建自動風(fēng)險評估模型提供原始數(shù)據(jù)，將候選解按照4個等級進行劃分，其中最優(yōu)解記為a，且該解的等級為1；次優(yōu)解記為b，該解的等級為2；第三優(yōu)的解記為c，等級為3；最后的選解為d，設(shè)置其等級為4。假設(shè)算法共使用了i頭狼，則當(dāng)搜索時間為t時，第i頭狼的等級為wi(t)，則存在下列方程組：

wi(t)=1,wi(t)=2,wi(t)=3,wi(t)=4

(3)

上述四組計算公式，分別表示t時刻下，第i頭狼在群體中的所屬等級為分別為1級、2級、3級以及4級。利用決策因子QFi(t)標(biāo)記所有灰狼個體的等級，則：

(4)

公式中：D表示狼群的總等級，也就是4。根據(jù)上述公式可知，當(dāng)灰狼的等級為1時，則決策因子的值同樣為1；當(dāng)灰狼等級為2時，則決策因子的值為0.67；當(dāng)灰狼等級分別為3和4時，此時的決策因子分別為0.33和0。在算法的整個迭代任務(wù)中，一個候選解都會都存在一個隨機數(shù)λ0，該值的取值范圍在(0,1)之間。當(dāng)存在λ0≤QGi(t)的條件時，該算法在第t時刻就會轉(zhuǎn)換成自主探索模式[8-11]，若不滿足上述條件，則算法會一直維持跟蹤搜索模式。由于λ0的值恒小于或等于1，所以a灰狼只能采用自主探索模式；而d灰狼的決策因子為0，所以d灰狼只能采用跟蹤搜索模式。針對上述分析設(shè)置不同等級灰狼的位置更新方式，其中a灰狼的位置更新通過下列公式實現(xiàn)：

(5)

(6)

(7)

(8)

公式中：H3s來源于公式(7)，即t與n為3時。依次迭代，可獲取灰狼的實時位置。

1.3 計算負(fù)載相關(guān)因子

根據(jù)獲得的主變負(fù)載影響因素發(fā)現(xiàn)，電網(wǎng)在主變重載以及過載過程中，會出現(xiàn)告警或故障現(xiàn)象，因此模型為了監(jiān)測主變負(fù)載風(fēng)險的變化情況[12-16]，計算各個負(fù)載相關(guān)因子。負(fù)載相關(guān)因子的計算公式如下：

F=∏ifi

(9)

公式中：F表示負(fù)載相關(guān)因子；fi表示不同的因子類型，包括老化因子、缺陷因子、告警因子、歷史重載以及過載因子等。當(dāng)電網(wǎng)主變設(shè)備投運年限不斷增加時，老化因子的取值可按照0～5年、5～10年、10～20年、20～30年以及30年以上進行劃分。

缺陷因子產(chǎn)生于本體、繞組、鐵芯、箱殼等與電網(wǎng)設(shè)備相關(guān)的部位，不同的缺陷表象，可根據(jù)一般、重大、緊急、其他四個類別，劃分為不同的缺陷等級；告警因子主要包括油色譜、油溫和繞溫等[17-19]，其中油色譜可以通過四比值法獲得，產(chǎn)生此項告警的原因包括正常劣化、導(dǎo)線過熱、懸浮電位引起的連續(xù)火花、繞組環(huán)流、有工頻續(xù)流的閃絡(luò)以及局部放電等；而導(dǎo)致油溫和繞溫告警因子各包括四類，分比為上層油溫、繞溫低于85℃；上層油溫、繞溫大于等于85℃小于95℃；上層油溫、繞溫大于等于95℃小于105℃；上層油溫、繞溫大于等于105℃；歷史重載以及過載因子是過去發(fā)生的影響因子值，按照不同的統(tǒng)計數(shù)據(jù)，可劃分成歷史過載總次數(shù)小于50、歷史平均負(fù)載率小于40%；歷史過載總次數(shù)大于等于50小于200、歷史平均負(fù)載率大于等于40%小于60%；以及歷史過載總次數(shù)大于等于200、歷史平均負(fù)載率大于等于60%，以此類推劃分負(fù)載率等級。利用公式(9)計算上述提到的負(fù)載相關(guān)因子，為構(gòu)建評估模型提供衡量指標(biāo)[20-24]。

2 基于負(fù)載相關(guān)因子的自動化風(fēng)險評估模型

已知電網(wǎng)主變負(fù)載事件發(fā)生概率，與造成的嚴(yán)重程度，是模型評價風(fēng)險的基本要素[25]，而兩個參數(shù)的乘積就是評價事件風(fēng)險的指標(biāo)，模型根據(jù)指標(biāo)自動化評價電網(wǎng)的安全性[26-27]。因此假設(shè)事件風(fēng)險指標(biāo)為Risk，風(fēng)險事件發(fā)生的概率以及導(dǎo)致的后果嚴(yán)重程度分別為Probability和Severity，則風(fēng)險指標(biāo)的取值通過下列公式獲得：

Risk=Probability×Severity

(10)

而其中的Probability作為負(fù)載風(fēng)險發(fā)生的概率，可通過下列計算公式獲得：

(11)

公式中：T表示主變負(fù)載率的時間區(qū)間；β(t)表示t時點的負(fù)載率，F(xiàn)t表示t時點的相關(guān)負(fù)載因子。根據(jù)RBSA(基于風(fēng)險理論的電力系統(tǒng)安全評估方法)的研究成果可知，構(gòu)建的評估模型需要具備如下性能：均衡分析安全性、指示電網(wǎng)工作系統(tǒng)狀態(tài)、組合風(fēng)險、累加風(fēng)險。因此，綜合考慮上述分析結(jié)果，根據(jù)負(fù)載風(fēng)險發(fā)生概率Probability，構(gòu)建自動化風(fēng)險評估模型：

(12)

公式中：Xt、Xt+1分別表示t時刻以及下一時刻，電網(wǎng)系統(tǒng)的運行狀態(tài)；Ei表示可能發(fā)生的第i個事件。根據(jù)模型得到的風(fēng)險值評估結(jié)果R(Xt)，確定電網(wǎng)主變負(fù)載風(fēng)險程度[28-29]。至此，基于改進灰狼算法，實現(xiàn)電網(wǎng)主變負(fù)載自動風(fēng)險評估模型的構(gòu)建。

3 仿真實驗

3.1 算法測試

為了驗證改進灰狼算法在電網(wǎng)主變負(fù)載自動風(fēng)險評估模型中的穩(wěn)定性，以某供電局110kV某變電站電網(wǎng)主變電器#1變壓器為例，評估其2021年8月份的負(fù)載風(fēng)險值，其96點時間序列的負(fù)載率數(shù)據(jù)，數(shù)據(jù)樣例如圖2：

圖2 負(fù)載率時間序列數(shù)據(jù)Fig.2 Load rate time series data

設(shè)備缺陷將影響主變負(fù)載風(fēng)險值，因此需要查詢#1主變當(dāng)前所有未消缺的缺陷數(shù)據(jù)1條，數(shù)據(jù)如表1所示：

表1 主變實際未消缺數(shù)據(jù)Tab.1 Actual uncancelled data of main transformer

該主變的計算風(fēng)險值R為49.54，各負(fù)載風(fēng)險因子值如表2：

表2 負(fù)載風(fēng)險因子值Tab.2 Load riskfactor value

根據(jù)表2綜合考慮該設(shè)備的風(fēng)險特點，投運年限較長，存在未消缺的缺陷，低水平運行風(fēng)險值處于正常范圍，但在運行過程中應(yīng)重點關(guān)注其負(fù)載變化，可能會由于負(fù)載變大導(dǎo)致風(fēng)險快速升高。

基于以上實際數(shù)據(jù)，通過6組電網(wǎng)主變負(fù)載風(fēng)險測試函數(shù)，檢驗改進灰狼算法與灰狼算法、三組常規(guī)模型算法(文獻[2]模型、文獻[3]模型、文獻[4]模型)之間的差異性。設(shè)置文中模型算法為實驗組，三組常規(guī)模型算法分別為對照A組、B組以及C組，灰狼算法模型為D組。為了防止測試結(jié)果存在唯一性，讓五組算法分別運行50次，計算平均值得到如下表3、表4、表5、表6及表7所示的測試結(jié)果。

表3 改進灰狼算法函數(shù)測試結(jié)果Tab.3 Test result of improved gray wolf algorithm function

表4 對照A組算法函數(shù)測試結(jié)果Tab.4 Compared with the test result of Group A algorithm function

表5 對照B組算法函數(shù)測試結(jié)果Tab.5 Compared with the test result of Group B algorithm function

表6 對照C組算法函數(shù)測試結(jié)果Tab.6 Control Group C algorithm function test results

表7 對照D組算法函數(shù)測試結(jié)果Tab.7 Compared with the test result of D group algorithm function

根據(jù)表4-表7中顯示的測試結(jié)果可知，五組算法均可以解決有約束條件和無約束條件的問題。與對照A組、對照D組和對照C組模型算法相比，對照B組模型算法的均值，更接近測試函數(shù)真值，且準(zhǔn)差上更小，平均迭代次數(shù)最少。根據(jù)不同測試數(shù)據(jù)可知，對照組模型算法容易陷入局部極值，而根據(jù)表3中改進灰狼算法函數(shù)測試結(jié)果可知，該算法與其他四組模型算法相比，該算法的收斂速度更快、更穩(wěn)定，且不容易出現(xiàn)局部極值的情況。

3.2 搜索路徑測試

根據(jù)上述分析結(jié)果，在同樣的測試環(huán)境中，利用四組模型搜索某供電局110kV電網(wǎng)主變負(fù)載風(fēng)險數(shù)據(jù)。

利用現(xiàn)有的實際柵格模型，構(gòu)建一個規(guī)格為10*10的測試環(huán)境，一共有100個獨立的小柵格。設(shè)置每個柵格的邊長均為1，保證獨立小柵格規(guī)格完全相同后，設(shè)置每一個小柵格的編號，按照1～100的順序排列。實驗測試任務(wù)在下圖3所示的環(huán)境中進行。

圖3 實驗測試環(huán)境Fig.3 Experimental test environment

負(fù)載風(fēng)險評估模型基于對異常負(fù)載數(shù)據(jù)的搜索，因為異常負(fù)載即是風(fēng)險，搜索出異常數(shù)據(jù)，即為評估電網(wǎng)風(fēng)險。因此驗證五組模型的負(fù)載風(fēng)險評估效果，可以通過對異常負(fù)載風(fēng)險數(shù)據(jù)的搜索效果體現(xiàn)。為了便于比較搜索線路與影響因子，對負(fù)載風(fēng)險評估模型評估效果的影響，測試環(huán)境中利用淺色柵格表示電網(wǎng)所有正常主變負(fù)載數(shù)據(jù)，利用深色柵格表示異常負(fù)載數(shù)據(jù)。分別利用五組模型搜索圖3中的異常負(fù)載數(shù)據(jù)，以評估負(fù)載風(fēng)險，得到的測試結(jié)果，如圖4所示。

(a)實驗組(a) Experimental group

(c)對照B組(c) Reference group B

(d)對照C組(d) Reference group C

(e)對照D組(e) Reference group D圖4 模型搜索路徑對比Fig.4 Model search path comparison

根據(jù)圖4顯示的測試結(jié)果可知，面對同樣的測試環(huán)境時，實驗組模型搜索到了每一個異常柵格；綜合上述實驗測試結(jié)果，可以看出，對照A組、對照C組、對照D組模型只得到了部分存在風(fēng)險的柵格；對照B組模型盡管擴大了搜索范圍，但并沒有獲得全部存在風(fēng)險的柵格。

基于灰狼改進算法的模型，自動化評價風(fēng)險時，能夠獲得電網(wǎng)主變負(fù)載全部異常數(shù)據(jù)，即獲得電網(wǎng)主變的全部負(fù)載風(fēng)險，證明了模型風(fēng)險評估的有效性。而其他三組模型的搜索線路不是最優(yōu)，導(dǎo)致風(fēng)險評估結(jié)果受到影響。

4 結(jié)束語

此次研究利用改進灰狼算法加強模型自動化搜索能力，根據(jù)相對支持度和置信度建立關(guān)聯(lián)數(shù)據(jù)挖掘規(guī)則?；诟倪M的灰狼算法，設(shè)置跟蹤搜索和獨立搜索兩種模式，計算相關(guān)負(fù)荷因素，定義風(fēng)險指標(biāo)以完成自動風(fēng)險評估，其評估過程的收斂速度更快更穩(wěn)定，且不容易出現(xiàn)局部極值的情況，且搜索到了每一個異常柵格，為風(fēng)險評估提供更加可靠的數(shù)據(jù)。

所提方法針對數(shù)據(jù)質(zhì)量、多源數(shù)據(jù)融合等問題，該方法沒有過多說明，因此在使用該模型評估電網(wǎng)主變負(fù)載風(fēng)險時，可能存在一些計算誤差，因此，今后將研究重點放到數(shù)據(jù)質(zhì)量檢測以及多源數(shù)據(jù)融合上，為其提供更可靠的技術(shù)支持。