張 磊，賈雪楓

(1.華北電力大學 研究生院，北京102206； 2. 華北電力大學 經濟與管理學院，北京102206)

0 引 言

能源互聯(lián)網促進了電力技術與信息技術的深度融合[1]，實現了綜合能源互補化、調度決策精細化和運行控制自動化，可確保電網運行的安全可靠、靈活高效和經濟環(huán)保[2]。電力通信網絡可連接能源互聯(lián)網中電力設備與信息節(jié)點，處理電網中的實時數據，是電力網絡與信息網絡的連接主體。如圖1所示，能源互聯(lián)網通信系統(tǒng)(energy internet communication system，EICS)要保證發(fā)電、輸電、變電、配電和售電等各個環(huán)節(jié)的數據傳輸。同時，EICS也要采集各環(huán)節(jié)的數據進行集中分析，為能源互聯(lián)網的管理提供決策支持。例如，通信服務器應根據智能電表中收集的數據，計算綜合能源系統(tǒng)的調度信息，通過發(fā)電和輸電控制實現風電、光伏等機組的實時調度。

圖1 能源互聯(lián)網中電力網絡與信息網絡的交互Fig.1 Interaction between power network and information network in energy Internet

作為連接電力網絡和信息網絡的重要橋梁，EICS包含了眾多復雜精密的設備和長距離的通信線路。這些設施易受外部環(huán)境、運維因素和人為因素等影響，造成通訊中斷。若智能電表與輸電控制通信線路中斷，則會造成發(fā)電與負荷的脫節(jié)，造成供用電風險的發(fā)生。若傳感器和機組控制設備的通信線路中斷，則會造成發(fā)電機組的故障，引起重大安全事故。因此，國內外學者越來越重視EICS風險問題的研究?，F有的研究成果主要是借助連鎖故障分析和綜合評價方法實現了EICS風險的研究。

連鎖故障分析方法是EICS風險評估的研究基礎。該方法主要是在EICS發(fā)生故障后，及時定位故障，并阻止后續(xù)故障的發(fā)生，以降低故障損失。該類方法具有準確性高、實時性強的特點。從電力系統(tǒng)自身出發(fā)，將其視為一個復雜網絡，融合連鎖故障與復雜網絡理論對其建模，可識別系統(tǒng)中的薄弱點，開展針對性的部署[3-5]。從外部環(huán)境出發(fā)，綜合考慮氣候條件、信息攻擊和人為失誤等因素，可以對電力系統(tǒng)中的通信網絡進行故障建模及識別，實現故障的早期預警[6-8]。從上述研究內容可知，連鎖故障分析多用于單一的電力網絡或信息網絡的故障及風險研究中，在深度融合的信息物理系統(tǒng)中應用較少。

綜合評價方法是EICS風險評估的重要手段。該方法能夠預警風險，提前采取相關措施，減少風險損失。從單一的信息系統(tǒng)或物理系統(tǒng)出發(fā)，綜合評價方法可用于新能源并網[9-10]、綜合能源系統(tǒng)[11]和配電網[12]的風險評估中。從深度信息物理融合系統(tǒng)出發(fā)，綜合評價方法可預警網絡攻擊對EICS帶來的風險問題[13-14]。此外，綜合評價方法也可以識別EICS自身的關鍵與薄弱節(jié)點，預先采取措施，消除風險隱患[15-17]。從上述研究可知，綜合評價方法是信息物理深度融合下EICS風險評估的重要研究手段之一。

雖然綜合評價方法用于EICS的風險評估可預知未來的風險，但是需要人為設定風險等級的閾值，降低了風險預警的準確性。因此，該文將機器學習的思路融入風險評估方法中，借助貝葉斯網絡模型對EICS進行風險評估。將貝葉斯網絡用于風險評估可以考慮風險指標間的相互影響，增加風險評估的準確性[18]。目前，貝葉斯網絡已經廣泛應用于各領域的風險研究中，如配電網[19]、供應鏈與物流[20]以及航空安全風險[21]等。

該文采用貝葉斯網絡與證據融合理論[22]實現了EICS風險傳遞的研究。首先，對風險指標進行梳理，提出考慮通信設備、外部環(huán)境、業(yè)務運行和運維管理的三層風險傳遞網絡。然后，借助三角模糊數和證據融合理論(dempster-shafer，DS)為貝葉斯網絡根節(jié)點概率賦值。最后，確定了通信網絡中的關鍵風險節(jié)點，以期能夠進行實際的工程應用。

1 EICS系統(tǒng)風險傳遞模型

1.1 貝葉斯網絡

p(c|x1,x2,…,xn)=(p(c)p(x1,x2,…,xn|c)-

p(x1,x2,…,xn))=

1.2 基于三角模糊數的根節(jié)點概率確定

區(qū)間數可以融合數字的精確性與模糊性，它以閉區(qū)間[x-,x+]的形式表示數據。其中，區(qū)間的端點分別表示該區(qū)間數的上下限，且滿足x-≤x+。如圖2所示，三角模糊數[x-,x*,x+]不同于一般區(qū)間數，其將數據的最大可能取值x*作為區(qū)間的重心，需滿足x-≤x*≤x+。式(1)可表示常規(guī)的三角模糊數的隸屬度函數。

圖2 三角模糊數的概率密度函數示意圖Fig.2 Schematic diagram of probability density function of triangular fuzzy numbers

(1)

三角模糊數X=[x-,x*,x+]和Y=[y-,y*,y+]可以進行加法運算，如式(2)所示。

X⊕Y=[x-+y-,x*+y*,x++y+]

(2)

表1展示了5標度評判規(guī)則。該規(guī)則將語義值轉換為模糊概率值，提升了專家判斷的準確性。設多狀態(tài)根節(jié)點Xi需要由l個專家對其在狀態(tài)j的隸屬度進行賦值，則式(3)表示第k個專家的評價值。

表1 語義與模糊數的關聯(lián)規(guī)則Table 1 Correspondence of semantic and fuzzy numbers

(3)

式(2)可整合l個專家的評審意見。故節(jié)點Xi在狀態(tài)j下的隸屬度如式(4)所示。

(4)

如式(5)，該文采取平均面積法將模糊概率值轉化為精確值。為保證不同狀態(tài)概率值和為1，應將根節(jié)點的概率值按式(6)進“單位化”。

(5)

(6)

1.3 基于證據理論的條件概率確定

變量X的互斥可能值集合由Θ表示，Θ也表示證據理論的識別框架，Θ的冪集構成集合2Θ。設?A?2Θ，函數m可滿足A→[0,1]的映射，即由式(7)表示：

∑A?2Θm(A)=1,m(?)=0

(7)

則稱m是識別框架Θ上的基本信度分配(basic probability allocation，BPA)。BPA表示證據對發(fā)生某一事件的支持程度。事件的似然函數(Pl)和信度函數(Bel)可由BPA確定。因此，某個事件的信任區(qū)間可表示為[Bel(A),Pl(A)]。此外，2個m函數可按照式(8)，根據DS合成規(guī)則，進行m1,m2的合成：

(8)

式中：K=∑B∩C=?m1(B)·m2(C)為證據間沖突系數。

考慮自身的研究領域、業(yè)務水平和學歷職稱等影響，構建了如表2所示的專家決策判斷標準，各位專家根據表2的數值判斷貝葉斯網絡模型的條件概率。設l個專家(e1,e2,…,el)從n個維度(c1,c2,…,cn)對組合對象x1,x2,…,xp做出了指標評價，依據評價信息構建了如表3所示的知識矩陣。

表2 決策判斷標準Table 2 Decision making criteria

表3 專家ei在cj維度下的知識矩陣Table 3 Knowledge matrix of expert ei in cj

在表3中，cj為屬性代號，cj下的第d個焦元表示為sd；sd與識別框架Θ的比較系數表示為ad；專家在ei屬性cj下占有的權重表示為pij。此外，焦元與自身比較為1，焦元未比較為0。

(9)

(10)

2 風險傳遞指標體系

能源互聯(lián)網節(jié)點間的通信系統(tǒng)可受眾多因素影響，如設備自身損耗、環(huán)境影響和運維人員操作等問題。綜合各類影響因素，將EICS風險劃分為3個層次，第1層為R0EICS中斷風險，表示風險傳遞的總目標；由于要突出重點，在第2層不宜劃分過多節(jié)點，該文的劃分為R1設備、R2環(huán)境、R3業(yè)務和R4運維4個節(jié)點；第3層為具體因素層，該層詳細羅列了引發(fā)第2層中節(jié)點風險的誘因，由總共15個節(jié)點構成。具體風險元傳遞指標體系如圖3所示[23]。

圖3 EICS風險評估指標集Fig.3 EICS risk assessment index set

1)設備因素。設備因素是EICS最主要的風險引發(fā)原因，也是風險引發(fā)的內因。設備因素包括電源、路由、載波機、光傳輸(synchronous digital hierarchy，SDH)和脈沖編碼調制(pulse code modulation，PCM)等設備的老化和失靈等。

2)環(huán)境因素。環(huán)境因素是EICS所處地區(qū)的外部氣候條件對設備本身或傳輸線路的影響，包括了雷電、冰雪、風力以及其他氣候問題等指標。

3)業(yè)務因素。業(yè)務因素是指能源互聯(lián)網中由其他業(yè)務造成的EICS中斷的情況。例如，設備因升級換代造成的定期停工換新的中斷。該因素考慮了控制業(yè)務和管理業(yè)務的突發(fā)中斷等指標。

4)運維因素。運維因素是指維護過程中引發(fā)的問題或未及時維護造成的EICS通信中斷的問題。該因素考慮了設備的運維檢修次數、技術與管理的水平以及運維人員的任務完成效率等內容。

3 算例分析

圖4展示了EICS風險傳遞的貝葉斯網絡構建流程。

圖4 EICS風險傳遞研究建模過程Fig.4 Modeling process of EICS risk transmission

3.1 確定貝葉斯網絡根節(jié)點概率值

該文選取了天津市某EICS作為該方法的實證研究對象。由于節(jié)點眾多，僅以R31和R32為例確定根節(jié)點概率。設定R31為例為控制業(yè)務中斷可能性和R32管理業(yè)務終端可能性為2狀態(tài)節(jié)點(高強度、低強度)，R3自然因素為3狀態(tài)節(jié)點(強風險、一般風險和弱風險)。咨詢相關領域內4位權威專家，判斷EICS中該項風險的可能發(fā)生值，參照表2建立R31風力水平的模糊概率統(tǒng)計表，如表4所示。

表4 根節(jié)點R31風力水平的模糊概率統(tǒng)計表Table 4 Fuzzy probability statistics of R31 wind level at root node

根據式(4)可以求得R31風力水平狀態(tài)的模糊平均值：

根據式(5)可以求得R31風力水平狀態(tài)去模糊化，應用單位化式(6)可求得R31風力水平狀態(tài)概率值：

仿照R31風力水平狀態(tài)概率值的求解方法即可求解出其他根節(jié)點的概率值。

3.2 確定中間節(jié)點的條件概率值

R3業(yè)務因素的風險等級由R31控制業(yè)務中斷可能性和R32管理業(yè)務終端可能性直接確定。在同等對待根節(jié)點R31和R32的情況下，條件概率值由4個組合確定，分別為：{高-高}、{高-低}、{低-高}和{低-低}。現在以{高-高}的情況為例，咨詢3位相關領域的專家，假設3位專家的權重分別為0.2、0.7和0.1，建立每位專家的知識矩陣，如表5～7所示。

表5 以專家1偏好建立知識矩陣A1Table 5 Knowledge matrix A1 based on Expert 1 preference

求解det(Ci-λI)(i=1,2,3)最大特征值以及相應的特征向量，依照式(8)證據理論合成原則對信度函數進行合成，求得條件概率BPA值，見表8。

表6 以專家2偏好建立知識矩陣A2Table 6 Knowledge matrix A2 based on Expert 2 preference

表7 以專家3偏好建立知識矩陣A3Table 7 Knowledge matrix A3 based on Expert 3 preference

表8 條件概率BPA分布表Table 8 Distribution of conditional probability BPA

3.3 EICS風險傳遞結構

三角模糊數理論綜合了專家經驗和歷史數據，確定各個根節(jié)點概率，并根據其與根節(jié)點之間的證據關系，確定了條件概率分布。

圖5展示了該EICS的風險傳遞網絡。在風險傳遞過程中，R2環(huán)境因素和R4運維因素等指標可借助歷史數據確定。由風險傳遞的分析結果可知，EICS中斷風險的關鍵節(jié)點有R1設備因素中R11光纜損耗程度指標和R4運維指標中R41設備檢修次數。

圖5 貝葉斯網絡結果圖Fig.5 Bayesian network result chart

因此，在EICS中一定要確保通信設備的可靠性，如果發(fā)生設備故障，要采用先進的故障定位技術進行故障定位，并且及時修復故障；也要注重設備的運營和維護，定期檢修設備，減少不必要的損失。

4 結 語

1)梳理EICS的風險指標，綜合了設備因素、環(huán)境因素、業(yè)務因素和運維因素確定了多個子風險元，構建了貝葉斯網絡的風險評估模型。在該文構建的貝葉斯網絡算例中，所選EICS的關鍵風險節(jié)點在于光纜損耗程度和設備檢修次數。光纜損耗程度會以63%的概率影響到設備因素，進而引發(fā)EICS的系統(tǒng)風險。設備檢修次數會以71%的概率影響到運維因素，同樣會引發(fā)EICS的系統(tǒng)風險。

2)針對客觀數據缺失嚴重的多狀態(tài)根節(jié)點，根據專家的評判結果，構造了三角模糊數，以此代替歷史數據。同時，借助證據理論，構建知識矩陣，確定了根節(jié)點的條件概率分布，減少了層次分析法的繁瑣步驟，降低了風險結果的不確定性。

3)依靠貝葉斯網絡自身的診斷推理機制可以確定EICS的風險概率和EICS中的關鍵節(jié)點，可以將該模型推廣到EICS的風險傳遞的研究。推廣后，該模型可根據實際情況識別EICS風險傳遞的關鍵節(jié)點，為當地運營部門提供可靠的風險管控及決策支持。