基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法

曹世龍，蔡穎凱，王一哲，付瀚臣，劉鑫

（國網(wǎng)遼寧省電力有限公司營銷服務(wù)中心，遼寧沈陽 110000）

風(fēng)險(xiǎn)數(shù)據(jù)感知是指在對(duì)風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行深度挖掘和評(píng)估的基礎(chǔ)上，感知某個(gè)領(lǐng)域的安全數(shù)據(jù)。風(fēng)險(xiǎn)數(shù)據(jù)感知不僅在互聯(lián)網(wǎng)、金融、移動(dòng)通信等領(lǐng)域得到了廣泛應(yīng)用，在電力系統(tǒng)中也引起了高度關(guān)注。電力系統(tǒng)在運(yùn)行過程中會(huì)產(chǎn)生一定的風(fēng)險(xiǎn)，這些風(fēng)險(xiǎn)一部分屬于運(yùn)行風(fēng)險(xiǎn)，一部分屬于生產(chǎn)安全風(fēng)險(xiǎn)，與電力系統(tǒng)的供電能力、配電網(wǎng)拓?fù)涞陌踩?、作業(yè)環(huán)境、電力設(shè)備的運(yùn)行狀態(tài)等因素密切相關(guān)。由于電力系統(tǒng)中風(fēng)險(xiǎn)數(shù)據(jù)感知能力有限，導(dǎo)致風(fēng)險(xiǎn)數(shù)據(jù)在預(yù)測(cè)和感知中存在較大局限性[1-2]。

為了提升風(fēng)險(xiǎn)數(shù)據(jù)的預(yù)測(cè)和感知能力，國內(nèi)學(xué)者對(duì)其進(jìn)行了深入研究。其中，有學(xué)者提出基于數(shù)據(jù)分析的風(fēng)險(xiǎn)數(shù)據(jù)感知方法，構(gòu)建電力系統(tǒng)風(fēng)險(xiǎn)數(shù)據(jù)感知模型，通過該模型進(jìn)行風(fēng)險(xiǎn)數(shù)據(jù)感知；并將其與多維數(shù)據(jù)進(jìn)行融合，通過融合后的風(fēng)險(xiǎn)數(shù)據(jù)，識(shí)別電力系統(tǒng)中存在的安全風(fēng)險(xiǎn)。以上風(fēng)險(xiǎn)數(shù)據(jù)感知方法雖在預(yù)測(cè)系統(tǒng)中存在的風(fēng)險(xiǎn)，但風(fēng)險(xiǎn)數(shù)據(jù)感知能力和風(fēng)險(xiǎn)趨勢(shì)分析能力較差，風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別范圍較大[3-4]。

為了解決以上出現(xiàn)的問題，該文提出了基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法，對(duì)多渠道風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行提取、挖掘和判斷，最后通過實(shí)驗(yàn)研究驗(yàn)證了該文方法的應(yīng)用效果。

1 多渠道風(fēng)險(xiǎn)數(shù)據(jù)提取

采用空間重構(gòu)法對(duì)多渠道風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行特征信息提取，在異構(gòu)數(shù)據(jù)分布結(jié)構(gòu)中，風(fēng)險(xiǎn)數(shù)據(jù)在儲(chǔ)存系統(tǒng)中節(jié)點(diǎn)間隔為d，風(fēng)險(xiǎn)數(shù)據(jù)的特征信息結(jié)構(gòu)可以用模型表示為：

其中，G1表示特征結(jié)構(gòu)；表示α對(duì)應(yīng)的采樣特征點(diǎn)；表示β對(duì)應(yīng)的采樣特征點(diǎn)；Y1表示特征終止點(diǎn)；G2表示信息結(jié)構(gòu)；表示α對(duì)應(yīng)的信息特征點(diǎn)；表示β對(duì)應(yīng)的信息特征點(diǎn)；Y2表示信息終止點(diǎn)[5-6]。

上述風(fēng)險(xiǎn)數(shù)據(jù)分布的關(guān)聯(lián)規(guī)則集合滿足式（2）：

基于空間異構(gòu)條件，對(duì)風(fēng)險(xiǎn)因素?cái)?shù)據(jù)檢測(cè)評(píng)估，得到風(fēng)險(xiǎn)數(shù)據(jù)的分布結(jié)構(gòu)模型如圖1 所示。

根據(jù)圖1 可知，風(fēng)險(xiǎn)狀態(tài)數(shù)據(jù)儲(chǔ)存節(jié)點(diǎn)是風(fēng)險(xiǎn)數(shù)據(jù)劃分的重要依據(jù)。采用分隔模型篩選多渠道風(fēng)險(xiǎn)數(shù)據(jù)儲(chǔ)存節(jié)點(diǎn)，篩選出的儲(chǔ)存節(jié)點(diǎn)作為檢測(cè)評(píng)估數(shù)據(jù)庫。根據(jù)儲(chǔ)存信息特征，在直徑為Dn的風(fēng)險(xiǎn)數(shù)據(jù)范圍內(nèi)劃分風(fēng)險(xiǎn)數(shù)據(jù)，得到k個(gè)特征子集Ak，特征子集中數(shù)據(jù)信息存在重復(fù)向量，會(huì)出現(xiàn)向量交叉，影響估計(jì)結(jié)果。采用空間重構(gòu)法對(duì)風(fēng)險(xiǎn)數(shù)據(jù)狀態(tài)分布進(jìn)行分析，得到滿足特征的融合方法，確定風(fēng)險(xiǎn)數(shù)據(jù)的空間融合特征量，由此得出多渠道風(fēng)險(xiǎn)數(shù)據(jù)信息儲(chǔ)存節(jié)點(diǎn)的增益模型為：

其中，Hi(x)表示得到的增益模型；k表示風(fēng)險(xiǎn)數(shù)據(jù)特征量；pk表示融合的數(shù)據(jù)總量。

根據(jù)式（2）得到風(fēng)險(xiǎn)數(shù)據(jù)儲(chǔ)存節(jié)點(diǎn)的采樣數(shù)據(jù)集為x={x1,x2,…,xn}，為風(fēng)險(xiǎn)數(shù)據(jù)的識(shí)別奠定基礎(chǔ)[7-8]。

2 多渠道風(fēng)險(xiǎn)數(shù)據(jù)關(guān)鍵要素挖掘

對(duì)多渠道風(fēng)險(xiǎn)數(shù)據(jù)致險(xiǎn)因素整理歸類，按其影響效果強(qiáng)弱分為三級(jí)。其中，一級(jí)因素包括6 類，二級(jí)因素有50 類，三級(jí)因素中有255 類。將各類風(fēng)險(xiǎn)因素歸于一個(gè)風(fēng)險(xiǎn)因素體系[9-10]。風(fēng)險(xiǎn)因素對(duì)數(shù)據(jù)安全性存在關(guān)鍵性影響，所以要挖掘風(fēng)險(xiǎn)因素中的關(guān)鍵要素。由于三個(gè)級(jí)別的風(fēng)險(xiǎn)因素存在包含關(guān)系，即一級(jí)因素中包含二級(jí)因素和三級(jí)因素，數(shù)據(jù)挖掘中存在重復(fù)數(shù)據(jù)。該文采用PCA 剔除法，消除目標(biāo)數(shù)據(jù)中的重復(fù)數(shù)據(jù)，以保證挖掘到的信息數(shù)據(jù)為關(guān)鍵要素，且能很好反映多渠道關(guān)鍵風(fēng)險(xiǎn)因素影響效果。

1）標(biāo)準(zhǔn)化處理計(jì)算公式為：

其中，為風(fēng)險(xiǎn)影響因素Zi的平均值；D(Zi)為風(fēng)險(xiǎn)影響因素的特征方差；Xi表示標(biāo)準(zhǔn)化后的第i個(gè)三級(jí)風(fēng)險(xiǎn)影響因素值。

2）以多渠道風(fēng)險(xiǎn)因素樣本為數(shù)據(jù)基礎(chǔ)，對(duì)風(fēng)險(xiǎn)因素及風(fēng)險(xiǎn)事故進(jìn)行分析，根據(jù)風(fēng)險(xiǎn)因素造成的危害，建立對(duì)應(yīng)因果數(shù)據(jù)樣本集，引入相關(guān)性概念，分析風(fēng)險(xiǎn)影響因數(shù)。n起事故中風(fēng)險(xiǎn)影響因素構(gòu)成的矩陣為：

其中，X為大小為n×m的標(biāo)準(zhǔn)化三級(jí)風(fēng)險(xiǎn)影響因素矩陣；第i個(gè)風(fēng)險(xiǎn)影響因素向量為Xi=[X1i,X2i,…,Xni]T。對(duì)風(fēng)險(xiǎn)影響因素向量Xi和Xj進(jìn)行相關(guān)性分析，其表達(dá)式為：

其中，cov(Xi,Xj)為風(fēng)險(xiǎn)因素向量Xi和Xj平方差指數(shù)；D(Xi)和D(Xˉj)分別為向量Xi和Xj的協(xié)方差系數(shù)。

構(gòu)建n個(gè)風(fēng)險(xiǎn)影響因素的相關(guān)系數(shù)矩陣R為：

其中，R表示得到的相關(guān)系數(shù)矩陣；ρmm表示風(fēng)險(xiǎn)因素。根據(jù)特征方差公式|λE-R|=0 對(duì)相關(guān)性系數(shù)矩陣R求取特征向量[11-12]。

3）λr為特征值，表示m個(gè)關(guān)鍵風(fēng)險(xiǎn)因素的方差值，風(fēng)險(xiǎn)因素中包含m個(gè)關(guān)鍵風(fēng)險(xiǎn)因數(shù)，關(guān)鍵因素占所有風(fēng)險(xiǎn)因素的百分比，即第p個(gè)風(fēng)險(xiǎn)因素的方差值貢獻(xiàn)率ωp，其表達(dá)式為：

3 基于主動(dòng)識(shí)別的數(shù)據(jù)風(fēng)險(xiǎn)判斷

3.1 變量選取

引入風(fēng)險(xiǎn)事故危害評(píng)估值概念，將其作為風(fēng)險(xiǎn)數(shù)據(jù)感知模型中的變量，則n起風(fēng)險(xiǎn)事故的危害評(píng)估表達(dá)式為：

其中，Y表示事故危害等級(jí)劃分標(biāo)準(zhǔn)，無具體大小量值，T表示危害的嚴(yán)重程度，將風(fēng)險(xiǎn)要素作為變量輸入風(fēng)險(xiǎn)危害模型，n起事故中m個(gè)風(fēng)險(xiǎn)要素矩陣表達(dá)式為：

其中，表示關(guān)鍵風(fēng)險(xiǎn)因素在第n起事故中的垂直向量。

當(dāng)關(guān)鍵因素為連續(xù)性因素，則取真值，若風(fēng)險(xiǎn)因素為分散性存在，則對(duì)其賦值，賦值大小取決于分散程度大小，賦值范圍在0～1 之間，并將其以脈沖形式作為時(shí)間編碼發(fā)射[13-15]。

3.2 參數(shù)設(shè)置

將i=120 個(gè)風(fēng)險(xiǎn)關(guān)鍵因素作為輸入變量，風(fēng)險(xiǎn)危害評(píng)估值j作為層神經(jīng)元數(shù)量輸入SNN[16]。

網(wǎng)絡(luò)參數(shù)設(shè)定決定預(yù)測(cè)模型的精確度，指標(biāo)跳幀會(huì)影響神經(jīng)元網(wǎng)絡(luò)的運(yùn)行，所以采用MSE 作為參考指標(biāo)，控制數(shù)據(jù)的跳幀。設(shè)定神經(jīng)元數(shù)量范圍為50～110，初始權(quán)重范圍為0～0.001，神經(jīng)突觸數(shù)量范圍為10～20，神經(jīng)元突觸延遲范圍為0.001～0.003，衰減時(shí)間系數(shù)范圍為0.001～0.01。對(duì)參數(shù)調(diào)整時(shí)，保持其他參數(shù)不變，輸入MSE 最小值時(shí)，輸出參數(shù)為最優(yōu)結(jié)果。

3.3 風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別

信號(hào)發(fā)射編碼公式為：

其中，T為編碼后的神經(jīng)元信號(hào)發(fā)射時(shí)間，單位為毫秒；Tmax表示邊界值1 對(duì)應(yīng)的神經(jīng)元信號(hào)發(fā)射時(shí)間，單位為毫秒；T*為風(fēng)險(xiǎn)因素關(guān)鍵系數(shù)。

將r作為編碼變量加入脈沖發(fā)射，發(fā)射時(shí)間tx∈[0,Tmax]，對(duì)應(yīng)的輸出脈沖發(fā)射時(shí)間為tY，輸入和輸出的時(shí)間差為Δt，輸出脈沖發(fā)射時(shí)間與時(shí)間差的關(guān)系為：

t時(shí)刻事故發(fā)生的概率為P(t)，通過下式可得到t時(shí)刻的風(fēng)險(xiǎn)值R(t)

根據(jù)貝葉斯公式可計(jì)算得出風(fēng)險(xiǎn)因素事故發(fā)生概率值，風(fēng)險(xiǎn)因素事故發(fā)生概率值為與事故發(fā)生概率的累乘值，將各個(gè)風(fēng)險(xiǎn)要素中的關(guān)鍵要素條件概率值轉(zhuǎn)化為標(biāo)準(zhǔn)值為：

其中，i為風(fēng)險(xiǎn)關(guān)鍵要素代號(hào)；m為風(fēng)險(xiǎn)關(guān)鍵要素?cái)?shù)量。

4 實(shí)驗(yàn)分析

為驗(yàn)證該文提出的基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法的實(shí)際應(yīng)用效果，將基于大數(shù)據(jù)分析的配電網(wǎng)風(fēng)險(xiǎn)數(shù)據(jù)感知方法與該文所提方法進(jìn)行實(shí)驗(yàn)對(duì)比。以電力系統(tǒng)中出現(xiàn)的150 起電力事故為例，分析可能引發(fā)電力事故的原因，并構(gòu)建事故原因多渠道風(fēng)險(xiǎn)數(shù)據(jù)樣本集，從中挑選出一部分作為測(cè)試樣本，將測(cè)試樣本中的多渠道風(fēng)險(xiǎn)數(shù)據(jù)系數(shù)閾值設(shè)置為0，從多渠道風(fēng)險(xiǎn)數(shù)據(jù)樣本集中提取出部分風(fēng)險(xiǎn)數(shù)據(jù)主成分，并進(jìn)行方差運(yùn)算，如果風(fēng)險(xiǎn)數(shù)據(jù)主成分貢獻(xiàn)率為94%，說明該風(fēng)險(xiǎn)數(shù)據(jù)主成分集中了引起電力事故的絕大部分多渠道風(fēng)險(xiǎn)因素，然后將多渠道風(fēng)險(xiǎn)數(shù)據(jù)系數(shù)閾值提升到0.25，以此識(shí)別多渠道風(fēng)險(xiǎn)數(shù)據(jù)樣本，集中大部分風(fēng)險(xiǎn)關(guān)鍵要素，將多渠道風(fēng)險(xiǎn)樣本預(yù)測(cè)值與提取值進(jìn)行對(duì)比，不同方法下預(yù)測(cè)誤差評(píng)估指標(biāo)對(duì)比結(jié)果如圖2 所示。

由對(duì)比結(jié)果可知，采用該文所提的基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法，其預(yù)測(cè)誤差評(píng)估指標(biāo)明顯優(yōu)于基于大數(shù)據(jù)分析的配電網(wǎng)風(fēng)險(xiǎn)數(shù)據(jù)感知方法，具有更好的多渠道風(fēng)險(xiǎn)數(shù)據(jù)預(yù)測(cè)性能。該文提出的基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法的風(fēng)險(xiǎn)數(shù)據(jù)感知能力比基于大數(shù)據(jù)分析的配電網(wǎng)風(fēng)險(xiǎn)數(shù)據(jù)感知方法更高。采用該文方法多渠道風(fēng)險(xiǎn)數(shù)據(jù)樣本預(yù)測(cè)值與提取值具有較高的一致性，吻合度較好，而采用基于大數(shù)據(jù)分析的配電網(wǎng)風(fēng)險(xiǎn)數(shù)據(jù)感知方法，多渠道風(fēng)險(xiǎn)樣本預(yù)測(cè)值與提取值相差較大，吻合度較低。

為了更詳細(xì)、具體地體現(xiàn)出不同多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法的感知性能，利用均方根誤差和平均絕對(duì)百分比誤差評(píng)估不同方法的感知準(zhǔn)確度。為了分析該文所提方法在電力系統(tǒng)生產(chǎn)運(yùn)行過程中多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知情況，選擇事故原因多渠道風(fēng)險(xiǎn)數(shù)據(jù)樣本集中某一次生產(chǎn)作業(yè)為例，生產(chǎn)時(shí)間間隔為2 min，將引起電力系統(tǒng)事故的多渠道風(fēng)險(xiǎn)要素輸入到樣本集中，對(duì)該次生產(chǎn)作業(yè)進(jìn)行風(fēng)險(xiǎn)數(shù)據(jù)感知，感知結(jié)果范圍如圖3 所示。

生產(chǎn)作業(yè)開始階段，風(fēng)險(xiǎn)等級(jí)較低，工作人員生產(chǎn)技能水平、專業(yè)水平和生產(chǎn)內(nèi)容決定了電力系統(tǒng)生產(chǎn)作業(yè)的風(fēng)險(xiǎn)等級(jí)，隨著生產(chǎn)作業(yè)時(shí)間的不斷增長，生產(chǎn)作業(yè)環(huán)境的變化，工人的體能、精神狀態(tài)出現(xiàn)一定變化，再加上部分工作人員被臨時(shí)抽調(diào)，只剩部分工作人員進(jìn)行生產(chǎn)作業(yè)，在身體疲勞的情況下出現(xiàn)生產(chǎn)失誤，導(dǎo)致了生產(chǎn)事故的發(fā)生，在該次生產(chǎn)作業(yè)過程中，隨著作業(yè)時(shí)間的增加，該文所提方法預(yù)測(cè)電力系統(tǒng)事故的風(fēng)險(xiǎn)等級(jí)在降低，說明該文所提方法的風(fēng)險(xiǎn)趨勢(shì)分析能力較高，而基于大數(shù)據(jù)分析的風(fēng)險(xiǎn)數(shù)據(jù)感知方法預(yù)測(cè)電力系統(tǒng)事故的風(fēng)險(xiǎn)等級(jí)不降反升，說明風(fēng)險(xiǎn)趨勢(shì)分析能力較低?；谝陨汐@得的風(fēng)險(xiǎn)數(shù)據(jù)結(jié)果對(duì)不同方法下的多渠道風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別范圍進(jìn)行對(duì)比發(fā)現(xiàn)，該文所提方法的多渠道風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別范圍較小，波動(dòng)較為穩(wěn)定，而基于大數(shù)據(jù)分析方法的多渠道風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別范圍較大，具有不穩(wěn)定性。

5 結(jié)束語

該文所提基于主動(dòng)識(shí)別的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知方法優(yōu)于基于大數(shù)據(jù)分析的配電網(wǎng)風(fēng)險(xiǎn)數(shù)據(jù)感知方法，該文方法的多渠道風(fēng)險(xiǎn)數(shù)據(jù)感知和風(fēng)險(xiǎn)趨勢(shì)分析能力更佳，多渠道風(fēng)險(xiǎn)數(shù)據(jù)識(shí)別范圍更小，具有更好的穩(wěn)定性。