一种基于大数据与人为因素的电力系统风险评估方法与流程

文档序号：11408455阅读：310来源：国知局

本发明属于电力系统风险评估领域，具体涉及了一种基于大数据与人为因素的电力系统风险评估方法。

背景技术：

目前，针对电力系统风险评估的研究较多，但主要集中在对一次设备的故障概率与故障后果的研究上，而少有将人因可靠性与二次设备停运引发的系统故障考虑进系统的失效机理中，因此，评估得到的风险结果往往不准确，有时甚至会存在较大出入。

随着电力信息技术的不断发展，电力系统的数据呈爆炸式增长，具有海量、异构的特点，采用常规软件、工具分析费时、耗力，而大数据挖掘技术具有快速处理此类数据的优势，因此本发明将采用大数据挖掘技术对输变电设备、二次系统设备、软件的可用率与其历史数据、当前数据、人为因素等进行关联分析，得到当前的设备可用率。

本发明提出了一种基于大数据与人为因素的电力系统风险评估方法。首先利用ahp-slim方法评估系统运行过程中操作人员发生人为失误的概率；其次采用大数据挖掘技术得出输变电设备、二次系统设备及软件的失效概率；再次基于iec-61850的功能分解对二次设备或软件的各种功能的失效风险进行评估，两者相结合对传统一次设备的故障概率进行修正，实现电力系统风险评估的精确化，可弥补目前电力系统风险评估存在的局限。

技术实现要素：

针对现有电力系统风险评估存在的上述问题，本发明的目的在于提出一种基于大数据与人为因素的电力系统风险评估方法。本方法分为四个步骤，第一，利用ahp-slim方法评估系统运行过程中操作人员发生人为失误的概率；第二，采用大数据挖掘技术得出输变电设备、二次系统设备及软件的失效概率；第三，基于iec-61850的功能分解对二次设备或软件的各种功能的失效风险进行评估；最后，两者相结合对传统一次设备的故障概率进行修正，完成系统风险评估。

本方法为解决其技术问题所采用的技术方案包括如下步骤：

步骤1、构建行为影响体系，选择情景下的影响因素。

针对电力系统工作人员的操作环境，结合常规人因可靠性分析理论，建立了相应的行为影响体系。该体系共分为5类一级影响因素，包括：个人因素、组织因素、团队因素、环境因素以及信息因素。每种一级影响因素下又包含多种二级因素，详细情况如表1所示。每种影响因素代表了电力系统工作人员在工作时其操作可能受到影响的方面，该体系不仅适用于人为失误根源的定性分析，还可作为各因素对人员行为影响的定量分析的基础。为了定量分析每种因素的影响程度，一般采用面向专家的问卷调查方法。每类二级因素均具有1至10的等级划分，数字越小说明情况越恶劣。

表1行为影响体系

步骤2、基于步骤1中的行为影响体系，利用ahp-slim方法评估人为失效概率。

步骤2-1、利用层次分析法(ahp)计算各项行为影响因素的权重系数。

步骤2-1-1、假设分析场景下有n个二级行为影响因素，则征询本领域专家意见，依据表2对这些影响因素进行重要度评分(两两打分，评分范围为1-10的整数)并进行比较，构建判别矩阵a如下：

该矩阵满足aji＝1/aij，且aji(j<＝i)的取值遵循表2。

步骤2-1-2、对矩阵a中的各列进行归一化处理，得到a1矩阵。

步骤2-1-3、a1矩阵各行求和，得到列向量w。

步骤2-1-4、对列向量w进行归一化处理，即得权重系数向量w1。

表2ahp判别矩阵取值说明

步骤2-2、利用式(2)计算成功似然指数sli。

sli＝σωivi,0≤sli≤10(2)

式中，ωi为第i项影响因素的重要度权重，vi为第i项影响因素的评定等级，a和b均为常数。

步骤2-3、利用式(3)计算人为失误概率，

hep＝exp(a×sil+b)(3)

式中，a与b均为常数，依据历史数据进行拟合得到。

步骤3、采用大数据挖掘技术，结合hep及其他各项因素，得出输变电设备、二次系统设备及软件的失效概率。

步骤3-1、获取当前数据、历史数据，包括负载率k、天气w、检修r、历史故障数据f、设备故障率λ、设备修复率μ，以及步骤2所得的人为失误概率hep。对各项数据进行离散化处理，在历史数据的各个时间点上，负载率k分为轻载1，重载2以及过载3；天气w依据是否有气象局的预警分为恶劣天气1与正常天气2；检修r分为最近6个月内有检修1和无检修2；历史故障数据f分为最近6个月内发生故障1和未发生故障2；设备故障率λ分为低故障率1，一般故障率2，高故障率3；人为失误概率hep分为低概率1、一般概率2与高概率3。负载率k、设备故障率λ以及人为失误概率hep的离散化对应关系如表3所示，其中λ6为近6个月来的设备平均故障率。

表3离散化对应关系

步骤3-2、枚举关联规则

1)对于输变电设备，考虑k、w、r与f对λ的影响，共321条规则；

2)对于二次系统设备、软件，考虑w、r、f与hep对λ的影响，共321条规则。

规则形如a→b，a为条件(可包含任意项)，b为结果，例如

k1，w1，r2、f2→λ3

k2，w2，r2→λ2

f1，hep2→λ1

步骤3-3、计算各条关联规则的支持度s和置信度c，n(a∪b)表示a和b同时出现的次数，n表示总数据记录数，n(a)表示a出现的次数。

舍弃支持度小于20％或置信度小于50％的规则。

步骤3-4、对于被保留的所有规则，利用极大似然方法拟合设备故障率关于规则条件中影响因素的关系函数。

步骤3-5、根据步骤3-4中得出的关系函数，代入当前各台设备或软件的负载率、天气、检修、历史故障情况以及人为失误概率，得到当前设备故障率。若没有符合的规则，则故障率取为历史平均故障率。计算输变电设备的失效概率p1，计算二次系统设备或软件的失效概率p2。

步骤4、对系统二次设备或软件进行功能分解。

基于iec-61850的功能分解，将系统各类功能分解为逻辑节点、逻辑连接，通信信息片经逻辑连接在逻辑节点间传递。

步骤5、计算各功能失效概率。

5-1.在计算各功能失效概率前，作以下规定：

1)某二次设备或软件中的所有逻辑节点与逻辑连接具有相同的失效概率，与该设备失效概率相一致；

2)功能、逻辑节点及逻辑连接仅存在两种状态，工作状态与失效状态；

3)当某逻辑节点或逻辑连接处于失效状态时，其所属功能也处于失效状态；

4)不同功能间的失效事件相互独立；

5)忽略所有通信时间延迟。

5-2.基于步骤5-1的相关规定，可得到：

1)设备d(失效概率为pd)中的逻辑节点ln，其失效概率为pln＝pd。

2)连接设备d中两个逻辑节点的逻辑连接lc，其失效概率为plc＝pd

3)对于连接不同设备(d1，d2)中的两个逻辑节点(ln1，ln2)的逻辑连接lc，其失效概率为：

式中，m为两台设备间的通信连接开关数，pswi是开关i的失效概率，n为两台设备间的通信线路数，pclj为通信线路j的失效概率。

依据功能分解原理，可将功能视作一系列逻辑节点与逻辑连接的集合，因此功能f的失效概率为：

式中，nln和nlc分别表示本功能中所包含的逻辑节点数与逻辑连接数，plni和plcj则分别表示第i个逻辑节点与第j个逻辑连接的失效概率。

步骤6、对电力系统风险进行评估。

步骤6-1、采用非序贯蒙特卡洛采样技术，获取每个场景下一次系统设备与二次系统功能的状态，统计得到一次系统设备与二次系统功能的失效概率。

步骤6-2、利用二次系统功能的失效概率修正一次设备的失效概率：

式中，pe和pe’分别表示不考虑与考虑二次系统功能失效概率的一次系统设备失效概率，se表示影响一次设备的功能序号集合，pfi表示第i个功能的失效概率。

步骤6-3、在修正后的一次系统设备失效概率基础上，进一步采用非序贯蒙特卡洛采样技术，对电网场景采样，并计算每个场景下的失负荷量。

步骤6-4、利用式(10)计算得到最终的失负荷期望值。

pi为系统在状态i的概率；s为系统所有切负荷状态的集合，ci为系统在状态i的失负荷量。

本发明的有益效果是：

本发明在现有研究的基础上，将操作人员与二次系统的失效概率考虑进一次系统的风险评估中，使得电力系统的风险评估的结果更为准确，相较于传统评估方法能更为客观地表征当前电网所面临的风险。

附图说明

图1是本发明的基于大数据与人为因素的电力系统风险评估方法的总体流程图。

图2是本发明的基于大数据挖掘技术的输变电设备、二次系统设备及软件失效概率计算的流程图。

图3是本发明的电力系统风险评估的流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1所示，本方法为解决其技术问题所采用的技术方案包括如下步骤：