面向变电站防汛的熵权分配混杂风险评估.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 7 期2023 年 7 月Vol.35 No.7Jul.2023面向变电站防汛的熵权分配混杂风险评估王津宇1，兰光宇2，卢明1，李哲1，石英3（1.国网河南省电力公司电力科学研究院，郑州 450052；2.国网河南省电力公司，郑州 450000；3.武汉理工大学自动化学院，武汉 430070）摘要：针对传统电网防汛评估方法主观性强、适应性差和准确性低的问题，提出一种基于熵权分配的变电站实时防汛风险混杂评估模型。首先，根据多维静、动态数据对变电站防汛风险评估的影响程度，分别引入轻量级梯度提升机与长短期记忆神经网络构建变电站防汛静、动态数据评估子模型；然后，利用熵权法分配权重实现两子模型的有效组合；最后，进行对比实验，实验结果显示本文模型优于主流的单一评估模型和组合评估模型。算例分析表明，所提变电站防汛风险评估算法具有较强的适应性与较高的准确性。关键词：变电站；防汛；混杂风险评估；机器学习；深度学习中图分类号：TM732，TP181文献标志码：A文章编号：1003-8930（2023）07-0074-09DOI：10.19635/ki.csu-epsa.001134Hybrid Risk Assessment of Entropy Weight Allocation for Substation Flood ControlWANG Jinyu1，LAN Guangyu2，LU Ming1，LI Zhe1，SHI Ying3（1.Electric Power Research Institute，State Grid Henan Electric Power Company，Zhengzhou 450052，China；2.State Grid Henan Electric Power Company，Zhengzhou 450000，China；3.School of Automation，WuhanUniversity of Technology，Wuhan 430070，China）Abstract:Aimed at the problems of strong subjectivity，poor adaptability and low accuracy of the traditional power gridflood control assessment methods，a real-time flood control hybrid risk assessment model for substations based on entropy weight allocation is proposed.First，according to the difference in the influences of multi-dimensional static and dynamic data on the substation flood control risk assessment，the LightGBM and LSTM algorithms are introduced to construct sub-models for substation flood control static and dynamic risk assessment.Then，the entropy weight method isused to allocate weights to achieve an effective combination of the two sub-models.A contrast experiment shows that theproposed model outperforms the mainstream single and hybrid assessment models.The result of an example shows thatthe proposed substation flood control risk assessment algorithm has a strong adaptability and a high accuracy.Keywords:substation；flood control；hybrid risk assessment；machine learning；deep learning夏季极端暴雨天气频发，电网设备及其附属设施的安全运行受到严峻挑战。面对暴雨天气，如果应对不及时将会给设备的正常运行带来极大的冲击1。2021年河南省连遭暴雨袭击，据国家电网最新统计显示，暴雨已导致河南郑州、洛阳、许昌、焦作、南阳和平顶山等多地电力设施受损，800多条城市配电线路、超过98万户用电受到影响。电网的防汛风险评估是电网安全稳定运行的保障，也是提升供电可靠性的重要环节，它不仅能为防汛工作提供科学依据，也能加强变电站安全管控，将灾害影响程度降到最低。目前，电网防汛风险评估通常采用人工经验方法2，国内外常对防汛对象定性评估并按红、橙、黄、蓝进行风险等级划分，但其结果具有一定的主观性，对不同防汛对象适用性差。当今对风险定量评估算法分为统计分析、机器学习、深度学习和混杂评估算法3。统计分析大多基于物理机制4，对变电站防汛风险进行定性分析和物理过程模拟后，建立数学评估模型，综合气象监测信息、水文信息和电网运行信息，对防汛能力进行评估5。由于采用定性方法评估建模过程中往往将实际问题简化，很难将所有影响因素考虑在内，导致在实际应用中评估结果不够准确。收稿日期：2022-07-25；修回日期：2022-09-28网络出版时间：2022-10-25 13：51：09基金项目：国网河南省电力公司电力科学研究院科技项目（ZC202108）王津宇等：面向变电站防汛的熵权分配混杂风险评估王津宇等：面向变电站防汛的熵权分配混杂风险评估75第 35 卷机器学习采用数据驱动构建模型6，能够对变电站防汛数据进行特征提取和更深入的信息挖掘。文献7采用机器学习的动态聚类方法提取北京城区短历时暴雨时空分布的动态特征。文献8在短期负荷预测任务中使用轻量级梯度提升机LightGBM（light gradient boosting machine）单一算法预测效果较好且速度快，但该算法在某些时刻会出现较大误差。机器学习虽能有效的处理非时序数据，但难以捕获时序数据特征，导致最终丢失部分与防汛相关的有效信息。深度学习9具有较强的隐含波动规律挖掘能力，可以弥补上述不足，具有更强的数据适应性。针对洪涝灾害具有突发性强、预见期短的特点，文献10利用长短期记忆LSTM（long short-term memory）神经网络模型在连续时间序列上寻找规律，对汉江流域安康段进行洪水预报。然而变电站防汛数据中既有无时序关系的静态数据，例如水文信息、电网运行信息，又包含有时序关系的气象监测信息，仅使用单一评估算法难以有效提取全部特征信息。多模型组合评估能充分利用现有信息进行最有效的评估，其中需对多模型进行权重分配，最终完成组合评估11。文献12采用 LSTM 神经网络和随机森林 RF（random forest）分类技术评估总溢流量。由LSTM网络完成评估，将评估结果输入RF算法实现等级分类，该方法适用于流量时刻变化的水量评估，忽略了静态数据。文献13将极端梯度提升XGBoost（extreme gradient boosting）与LSTM加权融合，进行风力发电机定子绕组温度预测，证明混杂评估方法能够有效预测绕组超温情况，具有较好的工程应用价值。常用的权重分配有主观赋权法、客观赋权法和主客观综合赋权法14。主观赋权法多依赖于专家的知识经验，客观赋权法主要依靠样本数据，目前防汛评估缺乏可靠划分标准，采用客观赋权法更为合适，其中，熵权法最常见且精确度较高。综上所述，目前变电站防汛风险评估任务的难点在于影响因素多，数据类型混杂，且包括时序和非时序数据。本文使用基于熵权分配的混杂评估模型来研究变电站防汛风险。首先，针对非时序防汛数据采用LightGBM评估子模型，时序防汛数据采用LSTM评估子模型；然后，通过熵权分配算法将两个评估结果进行混杂融合，得到最终的变电站风险评估值；最后，采用20个变电站的实际数据对所提评估模型进行训练，并在祥符变电站中加以应用。1变电站防汛的混杂风险评估模型1.1变电站防汛数据分析和风险评估算法变电站防汛风险评估是电网安全稳定运行的基本保障。国网河南省电力公司提供了变电站多维计量数据，包含变电站基础信息和微气象数据，前者属于静态影响因素，微气象数据实时变化，属于动态监测数据。变电站防汛静态数据来源于设备管理系统，主要有变电站基础信息和周围地理信息，如表1所示。变电站防汛监测数据包括各站建立的微气象站，含有极大风速、相对湿度、温度、雨量、风向、气压、辐照度和风速信息。监测数据间隔采样为1 h，属于时序防汛数据，对变电站实时防汛能力影响较大。由于静态数据量不会随着时间的变化而改变，直接融合动态监测数据训练模型，会降低动态数据的作用效果，最终导致变电站防汛风险评估结果不准确。本文提出的变电站防汛风险混杂评估算法框架如图1所示。针对变电站防汛数据特点，构建基于LightGBM的静态数据评估子模型和基于LSTM的动态监测数据评估子模型，多模型混杂融合采用熵权分配策略。图1中，xi、xdi和yi分别为变电站第i个样本的静、动态防汛特征数据和真实的防汛风险概率值；n为样本数；y1(xi)和y2(xdi)分别为静、动态评估子模型输出的防汛风险概率预测结果；wl,j为子模型权重系数，wl,1、wl,2为静、动态评估子模型对应的权重系数；yi为变电站防汛风险概率组合预测值。表 1变电站防汛静态数据情况Tab.1Static data of substation flood control数据类别变电站基础信息周围地理信息数据内容基础信息储水能力排水能力地势情况气候条件数据指标电压等级站内面积站址水深标高排污井大小排水泵数量功率排水泵出力海拔平均降水量单位kVm2mm3个kWm3/hmmm电 力 系 统 及 其 自 动 化 学 报76第 7 期1.2变电站防汛风险评估子模型构建1.2.1基于 LightGBM 的防汛静态数据评估子模型针对变电站防汛静态数据的样本容量不多及特征维度较多的特点，使用LightGBM作为评估变电站防汛风险的子模型。梯度提升决策树 GBDT（gradient boosted decision tree）泛化能力强，它使用全部样本依次训练K棵回归树，且根据前树的预测误差调节后树的权重，变电站防汛风险概率预测结果F()xi可以通过求K棵回归树的加权平均值得到，即F()xi=k=1Kkfk()xi（1）式中：k为第k棵回归树的权重；fk()xi为第i个样本第k棵回归树的预测值。LightGBM通过梯度单边采样和互斥特征绑定策略对GBDT改进，分别减小了样本容量和特征维度带来的计算复杂度。梯度单边采样轻量化策略通过在信息增益计算过程中减少样本使用数量，实现算法的轻量化。在计算信息增益时，改变训练过程样本的系数，将训练重点放在误差很大的样本上，梯度最大的前a%样本作为子集A，剩余样本随机采样b%作为子集B，将子集B的系数设置为(1-a)/b，此时信息增益Vj()d可表示为Vj()d=xiAleftgi+1-abxiBleftgi2n njleft()d+xiArightgi+1-abxiBrightgi2n njright()d（2）式中：gi为损失函数的一阶负梯度；njleft()d、njright()d分别为变电站防汛数据在第j维特征的分割点d左、右的样本个数；Aleft、Bleft、Aright、Bright分别为训练子集A、B在分割点d左、右的样本集，将最大化信息增益的特征和叶节点作为最佳分裂特征与最佳分裂叶节点。针对特征维度带来的计算复杂度，考虑高维特征空间普遍存在大量互斥特征，造成维度冗余，因此引入互斥特征绑定的轻量化策略，结合直方图算法，将偏移量加在原始特征上，以实现互斥特征的分别放置。通过引入梯度单边采样和互斥特征绑定的轻量化策略，LightGBM算法降低了样本容量和高维特征带来的计算复杂度，凭借优越的非线性拟合能力和对高维大样本数据的适应能力，适用于变电站防汛预测任务。变电站防汛静态特征数据xi=x1,x2,xm作为输入特征矩阵，其中m为单样本静态特征数，对应风险能力评估概率值作为输出量yi。由此变电站防汛静态数据可表示为D=()xi,yi,i=1,2,n。基于LightGBM的变电站防汛风险静态评估子模型算法流程如图2所示。图2中，k、K分别为当前回归树迭代次数和预设的最大迭代次数；fk()xi为第i个样本第k棵回归树的预测结果。由图2可知，构建基于LightGBM的变电站防汛静态评估子模型，由建立回归树和集成多棵回归树进行集成预测两步组成，回归树目标函数和集成预测构建的具体过程如下。（1）回归树目标函数。为避免过拟合，将第k棵 回 归 树 的 目 标 函 数k表 示 为 损 失 函 数Loss()yi,yki与模型复杂度()fk()xi的和，即k=Loss()yi,yki+()fk()xi（3）式中，yki为第i个样本防汛风险能力评估概率的k次迭代预测值。损失函数的计算考虑了前k-1棵树对该树的影响作用，即Loss()yi,yki=Loss()yi,yk-1i+fk()xi（4）模型复杂度则由叶节点数J、叶节点系数、正则化系数和权重j(j=1,2,J)来表示，即图 1变电站防汛混杂风险评估算法框架Fig.1Framework of hybrid risk assessment algorithmfor substation flood control变电站防汛多维数据D=(xi,xdi,yi),i=1,2,n基于LightGBM的防汛静态数据评估子模型基于熵权法求解权重向量约束条件wl,10,1,j=1,2wl,1+wl,2=1变电站防汛风险组合预测值yi=wl,1y1(xi)+wl,2y2(xdi)基于LSTM的防汛动态数据评估子模型+y1(xi)y2(xdi)w=(wl,1,wl,2)王津宇等：面向变电站防汛的熵权分配混杂风险评估77第 35 卷图 2基于 LightGBM 的变电站防汛风险静态评估子模型Fig.2LightGBM-based sub-model of static riskassessment for substation flood control开始变电站防汛静态数据D=(xi,yi),i=1,2,n初始化第k棵回归树的目标函数基于直方图的特征离散化计算特征的信息增益优选最佳分裂特征优选最佳分裂叶节点k=k+1结束防汛风险预测结果yi=k=1Kfk(xi)k达到预设迭代次数K?树达到预设深度?是否是否集成预测建立第k棵回归树()fk()xi=J+12j=1J2j（5）因此，目标函数可改写为k=Loss()yi,yk-1i+fk()xi+J+12j=1J2j（6）按照泰勒公式展开，选取最大化目标函数的叶节点权重作为参数获得第k棵树的最佳目标函数，即k=-12j=1JiIjgi2iIjsi+J（7）式中：si为损失函数的二阶梯度值；Ij为叶子节点j对应的样本集。由最佳目标函数，进一步计算信息增益，并将最大化信息增益的特征和叶节点作为最佳分裂特征与叶节点，即可确定回归树的完整结构。（2）集成预测。依次训练K棵回归树，且根据前树的评估效果建立树。待K棵回归树全部建成，将其评估值之和作为评估结果yi进行输出，即yi=k=1Kfk()xi（8）1.2.2基于 LSTM 的防汛动态数据评估子模型由于变电站防汛动态数据每1 h记录1次，相邻数据存在明显时序关系，属于长时序数据，引入LSTM15网络有效处理跨度较长的时间数据，满足变电站防汛动态数据的时序依赖特点，提升变电站防汛风险评估的可靠性。LSTM的结构如图3所示。图 3中，ct-1、ht-1分别为t-1时刻LSTM网络结构隐含层内部状态和外部状态；xt、ct和ht分别为t时刻的输入数据和隐含层内、外部状态；、tanh分别为Sigmoid和双曲正切激活函数；ft、it和ot分别为遗忘门、输入门和输出门；ct为候选状态。当变电站防汛的序列内位置标号t的数据xt输入到LSTM模型时，便与位置标号t-1的内部状态量ct-1和外部状态ht-1一起作为影响量进行运算。最终得到在序列数据内位置标号t数据在模型的输出ht。外部状态量ht经过特征维度转化后即可应用。LSTM模型有效性的关键之处在于控制内部状态ct，使网络的每一个输出均受到内部状态特征的影响。因此，LSTM的3个门结构分别为遗忘门、输入门和输出门。遗忘门ft用来控制LSTM是否能以一定概率来遗忘上一位置数据的输出状态，选择性的得到过滤后的结果，即ft=(Wfht-1,xt+bf)（9）式中，Wf、bf分别为遗忘门关联的权重矩阵和偏置向量。输入门it是用来处理当前位置的序列数据的输入，输出用于更新训练的特征信息。这一步包含两部分，是通过层来决定使用哪些数值来训练更新；是用tanh层即双曲正切激活函数来生成新的候选值ct，即it=(Wiht-1,xt+bi)ct=tanh(Wcht-1,xt+bc)（10）图 3LSTM 结构Fig.3Structure of LSTM遗忘门 输入门新记忆单元输出门长时记忆单元tanhtanh+cthtotctitftct-1htht-1xt电 力 系 统 及 其 自 动 化 学 报78第 7 期式中，Wi、bi和Wc、bc分别为输入门和候选状态关联的权重矩阵和偏置向量。将输入门和遗忘门的结果结合，更新状态ct为ct=ftct-1+itct（11）经过这个阶段后，LSTM当前记忆与过往序列的记忆共同组合完成单元状态ct的更新。输出门ot是用来计算当前序列位置的特征输出，在该阶段计算当前时刻的输出ht，即ot=(Woht-1,xt+bo)ht=ottanh(ct)（12）式中，Wo、bo分别为输出门关联的权重矩阵和偏置向量。LSTM的记忆结构考虑了历史防汛数据对未来防汛数据评估结果的作用，满足防汛数据中动态数据的时序特性。基于本节LSTM的训练过程，可在长时序的计量误差高频信号中挖掘更多的数据波动规律，通过非线性映射完成计量误差高精度模型的训练，提升对防汛风险评估的可靠性，更符合实际情况16。1.3变电站防汛风险评估的熵权分配熵权法利用信息熵原理17，可表示评估模型的偏差程度，对偏差大的风险子模型分配较小的权重，以提升风险评估准确性。对第1.2节两个变电站防汛风险评估子模型的熵权分配具体过程如下。（1）构造防汛评估指标判断矩阵H=()aijmn。其中，aij为数据归一化后的指标值；m为评估对象的个数；n为评估对象的评估指标个数，本文n的取值为2。结合定性描述型数据的标准化处理方式，计算信息熵值E=ej,j=1,2,n，其定义为ej=-()lnm-1i=1mpijlnpij（13）式中，pij=aiji=1maij，且当pij=0时，令pijlnpij=0，得到指标的信息熵值E=ej,j=1,2,n，计算各指标对应权重W=wl,j,j=1,2,n，其中的wl,j为wl,j=1-ejn-j=1nej（14）针对变电站防汛风险组合评估模型权重分配的实际意义，规定约束条件为wl,j0,1,j=1,2wl,1+wl,2=1（15）式中：wl,1为基于LightGBM的静态数据评估子模型的权重；wl,2为基于LSTM的动态数据评估子模型的权重。利用熵权法求解2个评估子模型的权重，最终实现模型组合，主要步骤如图4所示18。2算例分析2.1硬件环境及软件平台为模拟低配工业现场应用场景，本文实验在Intel（R）Core（TM）i5 CPU 3.70 GHz的计算机上进行，并使用Python 3.6语言和Pytorch深度学习框架。2.2数据集及其预处理国网河南省电力公司提供了变电站多维数据，包含2021年69月变电站基础信息和以1 h为间隔持续采样的微气象数据，共计30 669条。变电站防汛各数据量纲不同，通过最小-最大值无量纲化处理，将数据映射到0，1区间内，即normalization()x=x-min()xmax()x-min()x（16）将处理后的数据集按照7：3的比例划分为训练集与测试集。2.3评价指标选取拟合优度R2衡量测试集预测值与观测值的拟合程度，其计算方法可表示为R2=1-i=1n()yi-yi2i=1n()y i-yi2（17）式中，yi、yi和y i分别为防汛风险概率的预测值、真实值和均值。R2越接近于1，说明模型拟合程度越高，模型评估结果越贴切实际。选用平均绝对误差MAE来衡量模型准确性，其值越小模型越准确19，计算方法可表示为MAE=1ni=1n|yi-yi（18）选用均方误差MSE评价数据的变化程度，其值图 4熵权法权重计算步骤Fig.4Weight calculation steps of entropy weight开始子模型评估结果数据归一化处理求取子模型评估结果信息熵根据熵值求解对应权重子模型对应权重结束王津宇等：面向变电站防汛的熵权分配混杂风险评估79第 35 卷越小说明模型评估精度越高，计算方法可表示为MSE=1ni=1n()yi-yi2（19）2.4模型参数优选（1）进行基于LightGBM的防汛静态数据评估子模型超参数调优，最终训练参数如表2所示。（2）优选基于LSTM的防汛动态数据评估子模型参数。采用自适应矩估计adam（adaptive momentestimation）作为模型的优化器，学习率是LSTM中的重要超参数，选取拟合度来衡量算法的优劣，不同学习率的迭代次数与拟合度关系曲线如图5所示。由图5可知，当学习率为0.01时，会出现拟合度突降现象，防汛动态数据评估子模型收敛情况较差且不稳定；当将学习率调小至0.000 8时，模型收敛速度开始变慢，调整至0.000 5时，模型拟合度降低。对比结果表明，当学习率为0.005时，防汛动态数据评估子模型训练最有效，拟合度为95.67%，且在迭代次数为2 500次时模型收敛，最终优选出的LSTM评估模型参数如表3所示。2.5变电站防汛风险评估模型对比首先，将本文模型与目前主流的机器学习、深度学习单一评估模型进行对比，探索动、静态防汛数据分别建模的必要性。然后，对比各类混杂风险评估模型，验证本文提出的熵权分配混杂风险评估模型。1）单一风险评估模型对比对比目前主流机器学习评估模型，包括LightGBM、支持向量机SVR（support vector regression）、RF和XGBoost，以及 LSTM、卷积神经网络CNN（convolutional neural networks）和循环神经网络 RNN（recurrent neural network）3个主流深度学习评估模型，其结果如表4所示。由表4可知，划分动、静态数据后使用本文算法进行实验，MAE指标相较于单一LightGBM算法降低了 31.57%，相较于 LSTM 算法降低了 48.2%。证明本文混杂模型在变电站防汛能力评估工作中表现更优。由机器学习模型对比可知，LightGBM模型性能稍高于XGBoost模型，并且运行速度较快。由深度学习模型对比可知，LSTM模型效果较好，由于其既具有类似CNN的强大特征提取能力，适合于变电站防汛复杂数据信息，又具有比RNN更强的时序信息挖掘能力。此外，机器学习模型普遍优于深度学习模型，这是因为在变电站防汛风险评估应用中，数据集中静态数据的维度较高，动态数据中对最终评估结果影响较大的是雨量数据，当其变化不大时整个防汛数据变化微弱，数据集中拥有大量冗余信息，数据量锐减，变成一个小样本学习问题，此时机器学习模型效果更佳。按照本文思路，将动、静态数据分别输入适应数据特性的评估子模型后，熵权分配混杂风险评估模表 2基于 LightGBM 的防汛静态风险评估子模型参数Tab.2Parameters of LightGBM-based sub-model ofstatic risk assessment for flood control参数名称learning_ratemax_depthnum_leavesmin_child_samplesfeature_fractionbagging_fractionreg_lambdametric参数说明学习率树最大深度最大叶子节点数叶子节点上最小样本特征分数装袋分数正则化损失函数参数取值0.01615180.70.90.3MSE图 5不同学习率下拟合度变化曲线Fig.5Curve of fitting degree at different learning rates0.980.960.940.920.900.880.860.840.820.80拟合度05迭代次数/10312340.010 00.005 00.000 80.000 50.000 3表 3基于 LSTM 的防汛动态评估子模型的参数Tab.3Parameters of LSTM-based sub-model ofdynamic risk assessment for flood control参数名称optimizerepochlearning_ratebatch_sizetime_steploss参数说明优化器迭代次数学习率批尺寸时间步损失函数参数取值adam2 5000.005643MSE表 4变电站防汛单一评估算法的对比结果Tab.4Results of comparison among single assessmentalgorithms for substation flood control算法LightGBMSVRRFXGBoostLSTMCNNRNN本文模型误差指标MAE0.038 00.067 00.045 00.042 00.050 10.067 50.061 30.026 0MSE0.005 00.018 00.009 00.006 50.010 10.020 00.011 30.003 0R20.961 50.933 10.950 80.951 90.956 70.938 90.940 10.978 9电 力 系 统 及 其 自 动 化 学 报80第 7 期型的误差指标小于单一的主流机器学习和深度学习评估模型，说明这种对数据分而治之的方式更贴近变电站防汛数据的应用，因此分别建模十分必要。2）混杂风险评估模型对比分别挑选机器学习与深度学习中性能较好的模型，采用熵权分配进行混杂融合，各混杂模型性能对比如表5所示。由表5可知，划分动、静态数据集后，利用混杂模型评估效果优于单一模型，其中本文模型误差指标更小，说明本文提出的变电站防汛熵权分配混杂风险评估模型效果最佳。3应用分析以商丘分部开封地区500 kV祥符变电站为例，对其2021年暑期时段数据进行分析、处理和数据特征相关性分析，最后应用本文算法进行风险评估。针对变电站防汛多维静态站点数据，使用最大相关最小冗余MRMR（max-relevance and min-redundancy）特征提取算法，提取与防汛风险评估相关性较高的核心静态特征量，计算特征量与防汛属性之间的互信息MI（mutual information），绘制热力图结果如图6所示。由图6可知，以MI作为评判标准，与防汛风险相关性较大的静态特征量有排水泵出力、平均降水量、排污井大小和海拔，其MI分别为0.4、0.32、0.27和0.10，大于站址水深标高、电压等级和站内面积与防汛风险的MI系数。由此可知在变电站静态站点数据中，储排水能力及地区局部年平均降雨量对防汛风险概率评估至关重要，这与先验知识相符，由此提取排水泵出力、平均降水量、排污井大小和海拔作为防汛评估的静态特征。根据表1内容对祥符变电站的静态数据信息情况进行统计如表6所示。同理，针对防汛多维动态微气象数据，使用MRMR特征提取算法，提取与防汛风险评估相关性较高的核心特征量，计算特征量与防汛属性之间的MI，绘制热力图结果如图7所示。由图7可知，以MI作为评判标准，与防汛风险相关性较大的特征量为极大风速、相对湿度、温度和雨量，其MI系数分别为0.13、0.19、0.26和0.37，远大于风向、气压、辐照度、风速与防汛风险的MI系数，这些特征量对防汛风险的影响较大，可选择这些特征量作为防汛评估的动态特征。应用本文算法对祥符变电站历史数据进行训练，得到基于数据驱动的自评估模型权重wl,1=0.281 5、wl,2=0.718 5。对该站点2021年7月17日2021年7月23日这一时间段内的防汛风险进行预测，其结果如图8所示。表 5变电站防汛组合评估算法的对比结果Tab.5Results of comparison among hybrid assessmentalgorithms for substation flood control算法XGBoost+LSTMLightGBM+RNN本文模型误差指标MAE0.034 10.042 40.026 0MSE0.004 60.005 70.003 0R20.972 40.960 30.978 9图 6静态特征与防汛风险 MI 热力图Fig.6MI heatmap of static characteristics and floodcontrol risk电压等级站内面积站址水深标高海拨排污井大小年平均降水量排水泵出力0.50.40.30.20.100.0040.0070.0980.1000.2700.3200.400防汛风险表 6祥符变电站防汛静态数据信息Tab.6Static data information about Xiangfu Substationflood control数据内容基础信息储水能力排水能力地势情况气候条件数据指标电压等级/kV站内面积/m2站址水深标高/m排污井大小/m3排水泵数量/个功率/kW排水泵出力/(m3h-1)海拔/m平均降水量/mm数据50055 30045.51172901 20069635.8图 7动态特征与防汛风险 MI 热力图Fig.7MI heatmap of dynamic characteristics and floodcontrol risk风向气压辐照度风速云量极大风速相对湿度温度雨量0.50.40.30.20.100.0020.0040.0360.0380.0410.1300.1900.2600.370防汛风险王津宇等：面向变电站防汛的熵权分配混杂风险评估81第 35 卷图8中，加点符号实线线条表示对应时间段内的雨量数据，其数据单位为mmh-1；实线线条为变电站防汛风险评估的真实概率值；虚线线条为变电站防汛风险评估的预测概率值。由图8可知，变电站防汛风险概率与雨量的变化趋势非常接近，即雨量与防汛风险概率的相关性较高，与图7特征提取计算的MI结果相吻合。对比本文模型的预测概率结果与真实概率值，预测曲线与实际曲线变化趋势基本一致，且预测值较为准确。同时，祥符变电站在2021年7月17日7月23日这一时间段内，于7月20日8：00时刻防汛风险评估的预测概率达到峰值0.94，此时对应为当天最大雨量情况，由于该变电站排水能力较好且雨量减小，风险概率降低。据河南省开封市祥符地区历史气象数据表明，该时间段内，河南省正遭遇“720”重大暴雨事件，河南防汛应急响应提升至级，变电站防汛风险评估结果与实际情况基本一致，反映了气象条件等动态特征对变电站防汛风险评估的影响。同时计及储排水能力等静态特征因素，本文提出的变电站防汛熵权分配混杂风险评估模型非常适合于变电站防汛风险的评估应用。4结语本文针对变电站防汛风险评估任务，首先，通过分析数据的特性及对评估结果的影响，将影响变电站防汛风险的因素划分为静态影响因素和动态影响因素。然后，针对数据的特性选取合适的算法，以数据驱动方式利用熵权法将基于LightGBM的静态数据评估模型和基于LSTM的动态数据评估模型进行混杂融合。最后，对构建的评估子模型进行参数优选，并进行单一模型、混杂模型对比，结果表明将数据集进行动、静态划分，利用不同算法处理特征的方法取得成效，并与其他混杂模型相比，本文提出的算法效果最佳，适用于变电站防汛风险评估任务。参考文献：1Popovic L M.Preliminary testing and assessment of safetyconditions of HV substations located in urban areasJ.Electric Power Systems Research，2021，195：107111.2李更丰，邱爱慈，黄格超，等（Li Gengfeng，Qiu Aici，Huang Gechao，et al）.电力系统应对极端事件的新挑战与未来研究展望（New challenges and future researchprospects in power system against to extreme events）J.智慧电力（Smart Power），2019，47（8）：1-11.3余泽远（Yu Zeyuan）.不确定性环境下电力系统风险评估及应急能力评价研究（Risk Assessment and Emergency Capability Evaluation of Power System in UncertainEnvironments）D.广州：华南理工大学（Guangzhou：South China University of Technology），2020.4李清，吴雄，李黎，等（Li Qing，Wu Xiong，Li Li，et al）.输电线路风偏放电风险分析与预警方法（Risk analysisand early warning method of windage yaw discharge ontransmission lines）J.土木工程与管理学报（Journal ofCivil Engineering and Management），2019，36（2）：68-73.5Fu Xiaodi，Wang Gang，Ren Minglei，et al.Flood controlrisk identification and quantitative assessment of a large-scale water transfer projectJ.Water，2021，13（13）：1770.6王干军，李锦舒，吴毅江，等（Wang Ganjun，Li Jinshu，Wu Yijiang，et al）.基于随机森林的高压电缆局部放电特征寻优（Random forestbased feature selection for partial discharge recognition of HV cables）J.电网技术（Power System Technology），2019，43（4）：1329-1336.7刘媛媛，刘洪伟，霍风霖，等（Liu Yuanyuan，Liu Hongwei，Huo Fenglin，et al）.基于机器学习短历时暴雨时空分布规律研究（An application of machine learning on examining spatial and temporal distribution of short duration rainstorm）J.水利学报（Journal of Hydraulic Engineering），2019，50（6）：773-779.8朱文广，李映雪，杨为群，等（Zhu Wenguang，Li Yingxue，Yang Weiqun，et al）.基于K-折交叉验证和Stacking融合的