張小軍，許永新，莊文兵，王永強(qiáng)，劉杰，趙蓂冠

（1.國網(wǎng)新疆電力有限公司電力科學(xué)研究院，新疆維吾爾自治區(qū) 烏魯木齊市 830011；2.河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室（華北電力大學(xué)），河北省保定市 071003）

0 引言

重要輸電通道是電網(wǎng)運(yùn)行的主干，保障其安全性至關(guān)重要。一旦出現(xiàn)災(zāi)害天氣就可能會(huì)影響重要輸電通道甚至整個(gè)電力系統(tǒng)的可靠性及安全性，給社會(huì)經(jīng)濟(jì)帶來極大損失[1]。文獻(xiàn)[2]指出，自然災(zāi)害和氣候因素是造成我國架空線路非計(jì)劃停運(yùn)的重要因素。因此，為保障復(fù)雜地形及氣象條件下重要輸電線路的正常運(yùn)行，必須加強(qiáng)線路本體、周邊環(huán)境以及氣象參數(shù)的監(jiān)測工作，對(duì)重要輸電通道進(jìn)行合理化風(fēng)險(xiǎn)評(píng)估及預(yù)測，對(duì)風(fēng)險(xiǎn)較高的區(qū)域提前進(jìn)行預(yù)防工作，將電網(wǎng)缺陷和故障防患于未然。

目前對(duì)重要輸電通道的風(fēng)險(xiǎn)評(píng)估和預(yù)測主要是通過采集氣象信息和電網(wǎng)的運(yùn)行工況信息，結(jié)合設(shè)計(jì)資料，對(duì)電網(wǎng)的當(dāng)前狀態(tài)以及未來風(fēng)險(xiǎn)水平進(jìn)行預(yù)測和評(píng)估。在這方面，文獻(xiàn)[3]通過采用層次分析法將輸電線路風(fēng)險(xiǎn)因子進(jìn)行整合，建立輸電線路山火預(yù)警評(píng)估模型；文獻(xiàn)[4]基于衛(wèi)星和氣象信息，采用動(dòng)態(tài)回歸神經(jīng)網(wǎng)絡(luò)和馬爾科夫鏈模型開發(fā)輸電線路災(zāi)害監(jiān)測與風(fēng)險(xiǎn)評(píng)估平臺(tái)；文獻(xiàn)[5]通過采用貢獻(xiàn)權(quán)重模型對(duì)500 kV典型輸電通道進(jìn)行地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)，得到了輸電通道地質(zhì)災(zāi)害危險(xiǎn)性分區(qū)圖；文獻(xiàn)[6-7]基于多維云模型建立輸電線路綜合風(fēng)險(xiǎn)評(píng)估體系和線路保護(hù)裝置的故障預(yù)測方法；文獻(xiàn)[8-10]提出了包括灰色模糊理論、灰色聚類法、動(dòng)態(tài)權(quán)變層次分析法等方法在內(nèi)的災(zāi)害評(píng)估方法。

隨著對(duì)重要輸電通道氣象災(zāi)害、電網(wǎng)缺陷以及故障數(shù)據(jù)的積累，可通過深度學(xué)習(xí)等方法，對(duì)樣本數(shù)據(jù)進(jìn)行充分挖掘，建立數(shù)據(jù)驅(qū)動(dòng)的災(zāi)害評(píng)估預(yù)測模型。文獻(xiàn)[11-15]分別通過采用支持向量機(jī)、徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、多層前饋（back propagation，BP）神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型對(duì)輸電通道進(jìn)行風(fēng)災(zāi)、雷電災(zāi)害、火災(zāi)預(yù)測和評(píng)估；而對(duì)于大量具有時(shí)序特征數(shù)據(jù)的重要輸電通道監(jiān)測數(shù)據(jù)，LSTM神經(jīng)網(wǎng)絡(luò)展示出較強(qiáng)的處理能力以及學(xué)習(xí)能力，如文獻(xiàn)[16-17]中，均采用傳統(tǒng)長短時(shí)記憶（long and short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)構(gòu)建了輸電線路覆冰災(zāi)害的預(yù)測模型，并在一定程度上，達(dá)到了較為理想的預(yù)測效果。

由此可見，目前大部分風(fēng)險(xiǎn)評(píng)估和預(yù)測方法雖有一定的優(yōu)勢，但仍有一些局限性：一是評(píng)價(jià)時(shí)具有較強(qiáng)的主觀性；二是僅考慮氣候因素的影響或單一致災(zāi)因子災(zāi)害預(yù)測模型，未整合多重因素對(duì)風(fēng)險(xiǎn)的影響；三是傳統(tǒng)評(píng)估模型需要依靠人工巡檢，雖評(píng)估較準(zhǔn)確，但耗時(shí)費(fèi)力，不易實(shí)現(xiàn)快速評(píng)估和預(yù)測。

為此，文中提出基于水波優(yōu)化-因子分析-長短時(shí)記憶（water wave optimization - factor analysis -long and short-term memory，WWO-FA-LSTM）的重要輸電通道風(fēng)險(xiǎn)評(píng)估和預(yù)測方法。

1 LSTM神經(jīng)網(wǎng)絡(luò)模型

LSTM神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)方法，它對(duì)具有時(shí)序特征的數(shù)據(jù)進(jìn)行充分挖掘分析來進(jìn)行狀態(tài)預(yù)測，因此，在時(shí)間序列預(yù)測方面開始起著越來越重要的作用[18]。LSTM神經(jīng)網(wǎng)絡(luò)通過遺忘門、記憶門和輸出門來控制相關(guān)數(shù)據(jù)信息的保留和傳遞，避免了梯度的連乘，從而解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失和梯度爆炸等問題[19-20]，其結(jié)構(gòu)如圖1所示。

LSTM網(wǎng)絡(luò)預(yù)測的實(shí)現(xiàn)過程分為以下幾步。

Step1：遺忘門。在遺忘門中接收t時(shí)刻的輸入信號(hào)xt和t-1時(shí)刻的輸出信號(hào)ht-1，將這2個(gè)信號(hào)拼接后共同輸入到sigmod層中，得到輸出信號(hào)ft

式中：σ表示sigmod激活函數(shù)。

Step2：記憶門。記憶門將保留有價(jià)值的信息，包含2個(gè)部分。

1）用于接收xt和ht-1作為輸入，通過式(3)計(jì)算輸出信號(hào)it來判斷被更新信息。

2）通過tanh層來創(chuàng)建一個(gè)新的向量C~t。

式中：tanh函數(shù)為激活函數(shù)。

將遺忘門的輸出ft與上一時(shí)刻細(xì)胞狀態(tài)Ct-1相乘選擇遺忘信息；將記憶門的輸出與從遺忘門選擇后的信息疊加，得到新的細(xì)胞狀態(tài)Ct。

Step3：輸出門。將xt和ht-1經(jīng)過sigmod層輸出ot

Ct經(jīng)過一個(gè)tanh函數(shù)后，得到一個(gè)[-1, 1]的數(shù)值，與ot相乘得到輸出信號(hào)ht

隨后繼續(xù)將ht作為下一時(shí)刻的輸入進(jìn)行下一階段的訓(xùn)練，在訓(xùn)練過程中不斷調(diào)整權(quán)重W和偏置項(xiàng)b，完成網(wǎng)絡(luò)訓(xùn)練。

2 改進(jìn)的WWO算法

2.1 WWO算法基本理論

WWO算法是鄭宇軍教授于2015年提出的一種新型優(yōu)化算法[21]，相對(duì)于其他智能算法，該算法具有更強(qiáng)的局部搜索和全局搜索能力。WWO優(yōu)化算法的核心操作過程分為傳播、折射和碎浪3個(gè)階段。

1）傳播階段。位置和波長更新公式為

式中：w(d)為w個(gè)體在d維度的位置；w′(d)為更新后的水波在維度d的位置；rrand(-1,1)為范圍是[-1, 1]的隨機(jī)數(shù)；λ為更新水波前的波長；L(d)是第d維度變量的搜索長度；fmin和fmax分別是水波中適應(yīng)度最小和最大的值（文中認(rèn)為最大為最優(yōu)）；ε為較小常數(shù)；φ為波長衰減系數(shù)。

在傳播過程中，當(dāng)新水波的適應(yīng)度優(yōu)于原始水波適應(yīng)度，即f(w′)＞f(w)時(shí)，用w′取代w，并將波高設(shè)為pmax；反之，則原始水波不變，將原始波高減1。

2）折射階段。波高為0時(shí)，更新位置和波長

式中：w*為當(dāng)前最優(yōu)解；N(μ,σ1)是均值為μ、方差為σ1的高斯隨機(jī)數(shù)。

同時(shí)，將新水波波高繼續(xù)重新更新為pmax。

3）碎浪階段。在w*附近隨機(jī)選取k維（1≤k≤kmax）繼續(xù)進(jìn)行密集搜索，產(chǎn)生孤立水波w′

式中：ρ是碎浪系數(shù)；L(d)是d維度變量搜索長度。

當(dāng)孤立波適應(yīng)度值優(yōu)于w*的適應(yīng)度值時(shí)，用孤立波代替w*；反之，w*保持不變。

2.2 WWO算法的改進(jìn)

根據(jù)2.1節(jié)，WWO的3個(gè)階段中，傳播階段的搜索方式為隨機(jī)搜索，效率較低，容易產(chǎn)生局部最優(yōu)；在碎浪階段，只在當(dāng)前個(gè)體周圍進(jìn)行密集搜索，也容易產(chǎn)生局部最優(yōu)，使算法性能降低。為提高算法性能，文中對(duì)基本W(wǎng)WO算法進(jìn)行改進(jìn)。

改進(jìn)1：為避免算法由于隨機(jī)搜索導(dǎo)致過早收斂，文中在基本W(wǎng)WO算法的傳播階段中引入Levy飛行。Levy步長計(jì)算公式為

式中:WWO-FA-LSTMs表示Levy飛行的隨機(jī)搜索路徑LLevy(β)；β取1.5；u和v分別為服從u～N(0,σ22)，v～N(0,1)分布的隨機(jī)數(shù)，σ2滿足

得到步長s后，在傳播操作中引入LLevy(β)，并根據(jù)實(shí)際優(yōu)化數(shù)據(jù)引入修正步長α對(duì)步長進(jìn)行優(yōu)化，優(yōu)化后的傳播操作位置更新公式為

改進(jìn)2：為避免碎浪階段只在最優(yōu)個(gè)體周圍進(jìn)行密集搜索，在碎浪操作中引入高斯-柯西變異算子γGC[22]。

式中：C為柯西分布函數(shù)中t=1產(chǎn)生的隨機(jī)數(shù)；G為服從均值為0、標(biāo)準(zhǔn)差為1的高斯分布產(chǎn)生的隨機(jī)數(shù)。

在碎浪操作時(shí)，除原有產(chǎn)生孤立波的位置更新公式不變外，增加最優(yōu)水波w*的變異操作，即隨機(jī)產(chǎn)生M個(gè)變異最優(yōu)水波，更新公式為

式中：wvary為變異最優(yōu)水波；ξ為變異系數(shù)，用于調(diào)整變異程度大小。

計(jì)算變異最優(yōu)水波適應(yīng)度，比較最優(yōu)水波、變異最優(yōu)水波和式(11)產(chǎn)生的孤立水波的適應(yīng)度，取適應(yīng)度最好水波替代最優(yōu)水波。

改進(jìn)3：線性波高遞減，即隨著更新次數(shù)的不斷增加，波高逐漸變小，在迭代后期更容易進(jìn)入折射階段，在全局最優(yōu)附近搜索，提高全局搜索能力，其波高更新公式為

式中：pstart為初始波高；pend為結(jié)束波高；titer為當(dāng)前迭代次數(shù)；Tmax為最大迭代次數(shù)。

3 基于WWO-FA-LSTM的重要輸電通道風(fēng)險(xiǎn)評(píng)估和預(yù)測方法

3.1 考慮自然災(zāi)害綜合風(fēng)險(xiǎn)的評(píng)估策略

重要輸電通道災(zāi)害影響因素眾多，如氣象因素、地理環(huán)境、桿塔和線路本身結(jié)構(gòu)等都會(huì)對(duì)其風(fēng)險(xiǎn)評(píng)估造成影響，同一災(zāi)害對(duì)不同線路和桿塔造成的風(fēng)險(xiǎn)影響是不同的。因此，文中首先根據(jù)重要輸電通道風(fēng)險(xiǎn)評(píng)估導(dǎo)則提取重要輸電通道m(xù)維致災(zāi)因子[23]，建立如圖2所示的致災(zāi)因子風(fēng)險(xiǎn)層次結(jié)構(gòu)圖。

對(duì)各致災(zāi)因子之間的相對(duì)重要程度進(jìn)行專家打分，利用層次分析法得到準(zhǔn)則層致災(zāi)因子的主觀權(quán)重ws=[ws1,…,wsm]，其中ws1+ws2+…+wsm=1。

僅采用層次分析法極具主觀性，需根據(jù)致災(zāi)因子歷史數(shù)據(jù)計(jì)算客觀權(quán)重，以各致災(zāi)因子超出正常范圍的次數(shù)為概率進(jìn)行劃分，其中各致災(zāi)因子的正常范圍劃分標(biāo)準(zhǔn)如表1所示。

表1 各致災(zāi)因子正常范圍Table 1 Normal range of disaster causing factors

將主觀權(quán)重和客觀權(quán)重結(jié)合，得到組合權(quán)重wi

隨后，將各維歷史數(shù)據(jù)映射至[0,1]，公式為

式中：si*為標(biāo)準(zhǔn)化后的數(shù)據(jù)；simax和simin分別為各維數(shù)據(jù)的最大值與最小值；si為各維原始?xì)v史數(shù)據(jù)。

以各致災(zāi)因子標(biāo)準(zhǔn)化后的值與權(quán)重的乘積計(jì)算致災(zāi)因子風(fēng)險(xiǎn)Rme，即

根據(jù)災(zāi)害理論，相同致災(zāi)因子對(duì)不同的承災(zāi)體造成的災(zāi)害損失可能是不同的，需考慮孕災(zāi)環(huán)境敏感性以及承災(zāi)體的脆弱性對(duì)致災(zāi)因子風(fēng)險(xiǎn)進(jìn)行修正。以待評(píng)估線路所獲取的歷史數(shù)據(jù)中發(fā)生大風(fēng)、山火、覆冰、雷擊、鳥害、外力破壞等6種災(zāi)害的次數(shù)表征孕災(zāi)環(huán)境對(duì)重要輸電通道造成的影響，以待評(píng)估線路歷史跳閘次數(shù)表征承災(zāi)體易損性，計(jì)算單個(gè)線路的風(fēng)險(xiǎn)修正指數(shù)rCI，即

式中：rCI表示風(fēng)險(xiǎn)修正系數(shù)；Nj表示j種災(zāi)害發(fā)生次數(shù)（j=1,2,···,6）；N表示獲取的歷史數(shù)據(jù)總次數(shù)；Ntrip為跳閘次數(shù)。

對(duì)致災(zāi)因子風(fēng)險(xiǎn)進(jìn)行修正，計(jì)算得到風(fēng)險(xiǎn)指數(shù)Rc，即

事實(shí)告訴我們，今日之嘉善，與原生態(tài)嘉善田歌的田園風(fēng)光已經(jīng)不可同日而語；科技發(fā)展可以讓人們知道如何去“保存”音樂，可是歷史卻沒有告訴人們?nèi)绾螐?fù)制漁舟晚唱和男耕女織的詩情畫意，更難以有效克隆和保真彼一時(shí)受眾的真情實(shí)感。這意味著保護(hù)傳承嘉善田歌音樂文化，歸根到底還是人的問題，是文化氛圍營造和民俗藝術(shù)再植以及文化生存環(huán)境的重建。

3.2 多維致災(zāi)因子的因子分析降維

根據(jù)3.1節(jié)可得到重要輸電通道評(píng)估時(shí)刻為t的評(píng)估結(jié)果Rct，對(duì)于重要輸電通道的風(fēng)險(xiǎn)預(yù)測可采用文中所述基于改進(jìn)WWO算法優(yōu)化的LSTM神經(jīng)網(wǎng)絡(luò)，以t時(shí)刻標(biāo)準(zhǔn)化后的m維致災(zāi)因子作為輸入，t+1時(shí)刻的風(fēng)險(xiǎn)值作為輸出，進(jìn)行有監(jiān)督學(xué)習(xí)。但輸入向量維度較多，會(huì)降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率。為減少模型輸入變量個(gè)數(shù)，但不影響模型的預(yù)測精度，文中采用FA方法將多維致災(zāi)因子轉(zhuǎn)變?yōu)樯贁?shù)幾個(gè)主成分變量，降低輸入向量維數(shù)。

因子分析的具體理論知識(shí)以及計(jì)算公式可參考文獻(xiàn)[24]，文中不再贅述。其流程如下：

1）獲取m維致災(zāi)因子歷史監(jiān)測數(shù)據(jù)，計(jì)算相關(guān)系數(shù)評(píng)判矩陣；

2）進(jìn)行KMO檢驗(yàn)和巴特利特球形檢驗(yàn)，判斷是否適合做因子分析；

3）若檢驗(yàn)通過，計(jì)算累計(jì)方差貢獻(xiàn)率，選取累積方差貢獻(xiàn)率在85%～95%中排名較靠前的r（r＜m）個(gè)指標(biāo)作為主因子；

4）進(jìn)行因子旋轉(zhuǎn)，得到原始變量對(duì)于每個(gè)主因子的因子載荷，即原始變量的線性組合。

經(jīng)以上步驟，在保證原始數(shù)據(jù)特征信息不變的情況下，可將原始變量中的m維數(shù)據(jù)降維至r維，將降維后的r維數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

3.3 基于WWO-FA-LSTM的風(fēng)險(xiǎn)評(píng)估和預(yù)測模型

文中提出的基于WWO-FA-LSTM的重要輸電通道風(fēng)險(xiǎn)評(píng)估和預(yù)測方法的整體流程圖如圖3所示。

具體步驟如下：

Step1：按時(shí)間序列獲取待評(píng)估線路N個(gè)m維致災(zāi)因子歷史數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)化。對(duì)標(biāo)準(zhǔn)化后的m維數(shù)據(jù)進(jìn)行KMO和巴特利特球形檢驗(yàn)，判斷能否進(jìn)行因子分析；若能，則對(duì)m維數(shù)據(jù)進(jìn)行因子分析降維至r維；若不能，則保持原有維度m不變；同時(shí)，計(jì)算相同時(shí)刻線路風(fēng)險(xiǎn)指數(shù)。

Step2：對(duì)上述數(shù)據(jù)以80%:20%劃分訓(xùn)練集Ntrain和測試集Ntext。

Step3：初始化改進(jìn)WWO算法相關(guān)參數(shù)。總種群數(shù)量P；波長λ；初始波高pstart；結(jié)束波高pend；碎浪系數(shù)ρ；最大碎浪維數(shù)kmax；Levy分布系數(shù)β；Levy步長修正系數(shù)α；變異系數(shù)ε；最大迭代次數(shù)Tmax。初始化LSTM網(wǎng)絡(luò)相關(guān)參數(shù)，設(shè)定隱含層神經(jīng)元初始個(gè)數(shù)為h0；初始學(xué)習(xí)率為η0；初始迭代次數(shù)n0。

Step4：根據(jù)Step2獲得的訓(xùn)練集，以r維（或m維）t時(shí)刻致災(zāi)因子數(shù)據(jù)為輸入，以t+1時(shí)刻線路風(fēng)險(xiǎn)值作為輸出進(jìn)行訓(xùn)練，構(gòu)造適應(yīng)度函數(shù)

式中：Ntrain為數(shù)據(jù)量；Rcact為計(jì)算的實(shí)際風(fēng)險(xiǎn)指數(shù)；Rcpre為LSTM預(yù)測風(fēng)險(xiǎn)指數(shù)。

Step5：判斷是否達(dá)到終止條件，若達(dá)到，則輸出全局最優(yōu)解，得到LSTM最優(yōu)參數(shù)；否則，進(jìn)行水波優(yōu)化，根據(jù)初始化參數(shù)，進(jìn)行傳播、折射、碎浪操作，更新水波，并返回Step4。

Step6：將測試集數(shù)據(jù)輸入優(yōu)化后的LSTM網(wǎng)絡(luò)，進(jìn)行風(fēng)險(xiǎn)預(yù)測，輸出結(jié)果。

Step7：根據(jù)評(píng)價(jià)指標(biāo)進(jìn)行模型評(píng)價(jià)和誤差分析。

對(duì)風(fēng)險(xiǎn)預(yù)測后，按照重要輸電通道風(fēng)險(xiǎn)評(píng)估導(dǎo)則的風(fēng)險(xiǎn)劃分標(biāo)準(zhǔn)，形成風(fēng)險(xiǎn)劃分等級(jí)標(biāo)準(zhǔn)，如表2所示。運(yùn)維人員有一定的時(shí)間裕度可進(jìn)行狀態(tài)檢修，將災(zāi)害風(fēng)險(xiǎn)降到最低。

表2 風(fēng)險(xiǎn)等級(jí)及檢修策略Table 2 Risk level and maintenance strategy

3.4 模型評(píng)價(jià)指標(biāo)

為驗(yàn)證文中所述算法性能，將測試集數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)后，選取預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的平均絕對(duì)誤差百分比(MMAEP)和擬合優(yōu)度可決系數(shù)(R2)作為評(píng)價(jià)指標(biāo)。MMAEP越小，預(yù)測值和真實(shí)值之間的誤差越小，表示預(yù)測結(jié)果越好；R2越接近1，擬合優(yōu)度越好，模型預(yù)測結(jié)果越準(zhǔn)確。指標(biāo)計(jì)算公式為

式中：Ntext為測試集數(shù)據(jù)量；Rcmean為實(shí)際風(fēng)險(xiǎn)的均值。

4 算例分析

4.1 數(shù)據(jù)獲取及降維

為驗(yàn)證模型的可行性以及模型在重要輸電通道風(fēng)險(xiǎn)評(píng)估和預(yù)測方面的有效性，文中選取新疆電網(wǎng)750kV重要輸電通道中某段線路2014—2020年桿塔在線監(jiān)測數(shù)據(jù)以及微氣象監(jiān)測數(shù)據(jù)，形成致災(zāi)因子時(shí)間序列數(shù)據(jù)共10維（用X1—X10表示）36885條，每條數(shù)據(jù)間隔為1h，如某日監(jiān)測的極大風(fēng)速曲線如圖4所示。

在SPSS25.0中對(duì)上述10維數(shù)據(jù)進(jìn)行因子分析。進(jìn)行KMO檢驗(yàn)和巴特利特球形檢驗(yàn)的結(jié)果分別為0.869和0.000，表明因子分析降維后不會(huì)影響原有數(shù)據(jù)的特征。根據(jù)因子分析結(jié)果，在第5維度時(shí)，累計(jì)方差貢獻(xiàn)率達(dá)到85.542%，且特征值接近1，已基本不再變動(dòng)，因此，將原有數(shù)據(jù)降至5維，每個(gè)維度的成分系數(shù)如表3所示。

表3 各維度成分系數(shù)Table 3 Ingredient coefficients of each dimension

4.2 模型優(yōu)化結(jié)果

數(shù)據(jù)降維后，初始化算法關(guān)鍵參數(shù)：問題維度d=3；最大碎浪維度k=min(12,d/2)，并取整；總水波數(shù)量Nwwo=12；初始波高pstart=10；結(jié)束波高pend=2；波長λ=0.5；碎浪系數(shù)ρ=0.2→0.001；Levy步長修正系數(shù)α=0.05；初始隱含層神經(jīng)元個(gè)數(shù)h0=10，h取值范圍為 [1,100]；初始學(xué)習(xí)率η0=0.001，η取值范圍為[0.0001,0.01]；初始迭代次數(shù)n0=100，n取值范圍為[10,1000]。將訓(xùn)練集5維t時(shí)刻致災(zāi)因子數(shù)據(jù)作為特征參量輸入LSTM神經(jīng)網(wǎng)絡(luò)，將t+1時(shí)刻災(zāi)害風(fēng)險(xiǎn)值作為輸出，不斷迭代尋優(yōu)，優(yōu)化結(jié)果為h=55，η=0.078，n=332。

為驗(yàn)證改進(jìn)WWO算法的性能，將文中提出的改進(jìn)WWO優(yōu)化LSTM算法與未改進(jìn)WWO優(yōu)化LSTM和粒子群優(yōu)化(particle swarm optimization, PSO)算法優(yōu)化LSTM、遺傳算法優(yōu)化的LSTM算法進(jìn)行對(duì)比，各算法迭代曲線如圖5所示。從圖中可看出，改進(jìn)的WWO算法收斂性更強(qiáng)，且能夠更好地找到全局最優(yōu)解，適應(yīng)度更好。

4.3 模型評(píng)價(jià)分析

選取2020年某月10 d中相同時(shí)間評(píng)價(jià)預(yù)測點(diǎn)繪制預(yù)測曲線，將文中所述風(fēng)險(xiǎn)評(píng)估方法計(jì)算風(fēng)險(xiǎn)、實(shí)際線路得到的真實(shí)風(fēng)險(xiǎn)值結(jié)果進(jìn)行比較，如圖6所示，表明文中提出的計(jì)算方法得到的風(fēng)險(xiǎn)值與線路真實(shí)值之間差異較小，絕對(duì)誤差百分比為2.3%，因此文中評(píng)估方法可適用于風(fēng)險(xiǎn)評(píng)估。

為驗(yàn)證算法性能，將WWO-FA-LSTM預(yù)測值與傳統(tǒng)LSTM模型、最小二乘支持向量機(jī)（LSSVM）、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。在傳統(tǒng)LSTM模型中，設(shè)置學(xué)習(xí)率為0.001，根據(jù)經(jīng)驗(yàn)選取神經(jīng)元個(gè)數(shù)為30個(gè)；設(shè)置LSSVM懲罰因子C=100，核寬e=40；BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)為20，學(xué)習(xí)因子為0.1，得到各個(gè)模型的預(yù)測結(jié)果如圖7所示。

由圖7可以看出，文中所述WWO-FA-LSTM方法預(yù)測的線路風(fēng)險(xiǎn)值與用文中方法計(jì)算的線路實(shí)際風(fēng)險(xiǎn)值變化曲線基本一致，為更準(zhǔn)確評(píng)價(jià)各個(gè)模型準(zhǔn)確性，計(jì)算各模型評(píng)價(jià)指標(biāo)如表4所示。

由表4可看出，WWO-FA-LSTM相比較于未優(yōu)化的LSTM模型、LSSVM模型、BP神經(jīng)網(wǎng)絡(luò)模型，MMAEP得到了進(jìn)一步降低，相對(duì)于未優(yōu)化的LSTM，其MMAEP降低了2.3%；從R2上看，文中所述方法更接近1，即模型的預(yù)測結(jié)果最好。

表4 各模型評(píng)價(jià)指標(biāo)Table 4 Evaluation indices of different models

綜上可以看出，文中提出的預(yù)測模型能夠?qū)υ蠰STM網(wǎng)絡(luò)進(jìn)行優(yōu)化，并進(jìn)一步縮小誤差，使得算法的預(yù)測結(jié)果準(zhǔn)確度更高，符合實(shí)際情況。同時(shí)，根據(jù)線路監(jiān)測數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)預(yù)測，可減少人工評(píng)價(jià)的工作量，實(shí)現(xiàn)風(fēng)險(xiǎn)的快速評(píng)估與預(yù)測，當(dāng)風(fēng)險(xiǎn)較大時(shí)，提前進(jìn)行干預(yù)和管控，保障輸電線路的運(yùn)行安全。

5 結(jié)論

1）文中針對(duì)現(xiàn)有重要輸電通道風(fēng)險(xiǎn)評(píng)估與預(yù)測方法的不足，提出一種基于WWO-FA-LSTM的風(fēng)險(xiǎn)評(píng)估與預(yù)測方法，考慮多維致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體之間的關(guān)系，能夠提高風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性，實(shí)現(xiàn)風(fēng)險(xiǎn)的快速準(zhǔn)確預(yù)測；

2）文中對(duì)WWO算法進(jìn)行改進(jìn)，在算法中引入Levy飛行、高斯-柯西變異因子和線性遞減波高，最終使WWO算法的收斂性和全局搜索能力得到了提高，并將其應(yīng)用于LSTM網(wǎng)絡(luò)尋優(yōu)；

3）基于新疆750 kV某線路進(jìn)行算例分析，結(jié)果表明，文中提出的改進(jìn)WWO-FA-LSTM模型相較于其他模型，精度得到提高，誤差減小，可用于風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估與快速預(yù)測。

致謝

本文得到了國網(wǎng)新疆電力有限公司科技項(xiàng)目(SGXJDK00PJJS2000088)的資助，在此表示感謝。