CN105046389A - 一种用于电力安全风险评估的智能风险评估方法及其系统 - Google Patents

Abstract

本发明公开一种用于电力安全风险评估的智能风险评估方法，包括如下步骤：步骤1，根据供电企业的作业方式，确定输入的风险因素集；步骤2，对输入的风险因素集中的风险因素进行模糊化处理，确定风险因素在评定集中的所占比例；步骤3，模糊推理风险因素与风险评估结果之间的模糊规则，并计算每条模糊规则的适用度；步骤4，对风险因素的每条模糊规则的适用度进行归一化处理；步骤5，根据模糊规则和模糊规则的适用度计算各个模糊规则的输出，并进行解模糊化处理，得到风险评估结果。该方法既具有知识归纳学习能力，又能够自动调整隶属度函数的参数，从而有效地提高评价结果的准确性和有效性。

Description

一种用于电力安全风险评估的智能风险评估方法及其系统

技术领域

本发明涉及一种电力风险评估方法，尤其涉及一种用于电力安全风险评估的智能风险评估方法，同时也涉及用于实现该方法的智能风险评估系统，属于电力系统可靠性技术领域。

背景技术

供电企业在进行安全风险评估过程中，面临多种作业方式。例如，变电运行、变电检修施工、送电运行、送电检修施工、配电运行、配电检修施工、调度通信自动化、高压油务仪表作业、内线及计量作业、车辆交通等。每种作业方式在进行作业过程中，面临的诸多风险因素会造成人员伤害或经济损失。其中，伤害方式包括：触电、高压坠落、机械伤害、火灾、误操作、中毒、物体打击、交通事故、灼伤、动物伤害等。另外，风险造成的事故后果也不尽相同，而且大多采用模糊语言表达，例如，特大事故、重大事故、一般事故、轻微事故等。

风险因素的复杂性及模糊语言的存在，给安全风险评估工作带来了很大困难。在现有的电力安全风险评估系统中，针对存在的风险因素，主要采用LEC法(格雷厄姆评价法)、PR法以及模糊综合评定法进行评估。但这三种常用的方法均具有一定的局限性。

首先，LEC方法简单易行，危险程度的级别划分比较清楚、醒目。但其每个等级的分值都是根据经验进行确定的。当综合多种因素进行考虑时，通常采用模糊语言进行描述。而用该方法来解决综合评价问题就显得很困难。其次，PR法(可能性和后果的分组和评价准则)采用可能性评价指标(P)和事故影响程度指标(R)进行评价。然而风险的可能性以及事故影响程度同样根据经验而得。因此该方法与LEC方法类似，在解决涉及诸多影响因素和模糊语言问题时，同样存在一定的局限性。

模糊综合评定法不同于上述两种方法。该方法是一种基于模糊数学的综合评标方法，根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。但是，在具体应用过程中还有不少工作要做，例如评定矩阵的形成、调整等工作需要依赖人工完成。

在电力系统安全风险管控中，虽然采用模糊综合评定法可以很好模仿人的思维方式解决模糊的、难以量化的问题。但是它需要利用专家的先验知识进行近似推理，缺乏在线自学习或自调整的能力，因此能否自动生成、调整评定矩阵，成为进行模糊综合评价的难题。

发明内容

针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种用于电力安全风险评估的智能风险评估方法。

本发明所要解决的另一个技术问题在于提供一种用于电力安全风险评估的智能风险评估系统。

为实现上述发明目的，本发明采用下述的技术方案：

一种用于电力安全风险评估的智能风险评估方法，包括如下步骤：

步骤1，根据供电企业的作业方式，确定输入的风险因素集；

步骤2，对输入的风险因素集中的风险因素进行模糊化处理，确定风险因素在评定集中的所占比例；

步骤3，模糊推理风险因素与风险评估结果之间的模糊规则，并计算每条模糊规则的适用度；

步骤4，对风险因素中的每条模糊规则的适用度进行归一化处理；

步骤5，根据模糊规则和模糊规则的适用度计算各个模糊规则的输出，并进行解模糊化处理，得到风险评估结果。

其中较优地，所述步骤2具体包括如下步骤：首先，根据风险因素的风险程度，确定风险因素的评定集；

然后，根据公式： $O_i=g(x_i,a_i,b_i,c_i)=\frac{1}{1+{\left[{\left(\frac{{x-c}_i}{a_i}\right)}^2\right]}^{b_i}},$ 计算每个评定集的隶属函数；

其中，O_i为评定集u_j的隶属函数，x_i为风险因子，{a_i,b_i,c_i}为前提参数。

其中较优地，所述隶属函数的形状随着所述前提参数的变化而改变，所述前提参数通过自学习过程来获取。

其中较优地，所述自学习过程包括如下步骤：

首先，根据采用的隶属函数曲线形状和电网运行要求，确定前提参数的初始值；

其次，根据电力系统输入的风险因素x和风险评估结果y使用最小二乘法计算结论参数；

最后，根据得到的所述结论参数对风险评估结果的输出误差进行计算，将误差作为输入反向传到风险因素的输入端，采用梯度下降法更新前提参数。

其中较优地，所述根据电力系统输入的风险因素x和风险评估结果y使用最小二乘法计算结论参数，采用如下计算公式：

t＝Σ(v_kx)p_k＝(v₁x)p₁+(v₁y)q₁+v₁r₁+

(v₂x)p₂+(v₂y)q₂+v₂r₁...

(v_Mx)p_M+(v_My)q_M+v_Mr_M＝Aθ

其中，列向量θ的元素构成所述结论参数的集合,即θ＝{p₁,q₁,r₁,p₂,q₂,r₂,...p_M,q_M,r_M}，行向量A的元素构成v_kx的集合，即A＝{v₁x,v₂x,v_Mx}，v_k为每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例。

其中较优地，在步骤3中，所述每条模糊规则的适用度通过公式： $W=\left\{{\mathrm{\ω}}_i\right\}=\underset{i=1}{\overset{M}{\mathrm{\Π}}}{O}_i$ 得到；

其中，W表示模糊规则的适用度，M为模糊规则的个数，O_i为评定集的隶属函数。

其中较优地，在步骤4中，所述归一化处理是确定电力系统中每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例。

其中较优地，在步骤5中，根据模糊规则和模糊规则的适用度采用公式：计算各个模糊规则的输出；

其中，为每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例，F为每个风险因素x与相应输出y之间的模糊规则。

其中较优地，所述用于电力安全风险评估的智能风险评估方法，还包括如下步骤：

步骤6，分析各个风险因素的风险评估结果并采取预防措施。

一种用于电力安全风险评估的智能风险评估系统，用于实现上述的智能风险评估方法，包括风险因素获取单元、风险因素处理单元、归一化处理单元、输出处理单元以及风险评估结果分析处理单元；其中，

所述风险因素获取单元用以确定输入的风险因素集，并将其发送到风险因素处理单元和输出处理单元；

所述风险因素处理单元包括模糊化处理模块和模糊推理模块；

所述模糊化处理模块对输入的风险因素集中的风险因素进行模糊化处理，得到每个评定集的隶属函数；

所述模糊推理模块接收所述输出处理单元传送来的风险评估结果，对风险因素与风险评估结果之间的模糊规则进行模糊推理，根据评定集的隶属函数计算每条模糊规则的适用度；

所述归一化处理单元接收风险因素处理单元传送来的所述适用度，计算每条模糊规则适用度占所有模糊规则适用度的比例，得到归一化处理结果；

所述输出处理单元包括输出模块和处理模块；

所述输出模块接收风险因素获取单元传送来的风险因素集，生成每个风险因素对应的风险评估结果，并将所述风险评估结果传送到风险因素处理单元；

所述处理模块根据每个风险因素的模糊规则和归一化处理单元传送来的归一化处理结果，计算各模糊规则的输出并进行解模糊化处理，将处理后的风险评估结果传输到风险评估结果分析处理单元；

所述风险评估结果分析处理单元接收输出处理单元传送来的风险评估结果，分析各个风险因素的风险评估结果并采取预防措施。

本发明所提供的用于电力安全风险评估的智能风险评估方法及其系统，通过将神经网络引入到模糊评估系统中，代替人们处理模糊评估系统时遇到的部分繁杂的智能性工作，克服了模糊理论不具备自学习能力和神经网络无法表达人类自然语言的缺点，能更好地模拟人类智能而提高工作效率。除此之外，该智能风险评估系统既具有知识归纳学习能力，又能够自动调整隶属度函数的参数，从而有效地提高评价结果的准确性和有效性。

附图说明

图1为神经模糊评价系统的结构图；

图2为本发明所提供的用于电力安全风险评估的智能风险评估系统的结构示意图；

图3为本发明所提供的用于电力安全风险评估的智能风险评估方法的流程图；

图4为本发明所提供的智能风险评估系统中，前提参数和结论参数自学习的流程图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细说明。

本发明针对电力系统供电企业在安全风险评估过程中，诸多风险因素和模糊语言的存在带来的困难问题，将神经模糊系统引入到安全风险评价系统中，构建用于电力安全风险评估的智能风险评估系统。该智能风险评估系统既具有知识归纳学习能力，又能够自动调整隶属度函数的参数，从而有效地提高评价结果的准确性和有效性。

神经网络和模糊系统都能够对非线性系统进行映射。其中神经网络是由大量的简单处理单元构成的非线性、自适应性、自组织系统，它以生物神经网络为模拟基础，能对信息进行加工、记忆和处理，并且具有巨量并行性、高度非线性、结构可变性、自组织性和自学习性等特点，对于处理实数型精确信息具有较强的计算能力，而且对环境变化的学习能力也较强。而模糊系统是建立在模糊集合理论、模糊规则和模糊推理等概念上的先进的计算框架，它通过模仿人类思维的模糊综合判断推理来处理常规方法难以解决的模糊信息处理问题，是对与人类的思维和感知有关的一些现象建模的另一个有力工具。模糊逻辑系统具有“概念”抽象能力和非线性处理能力，比较适合于表达人的经验性知识，能够处理模糊性的信息。但是模糊逻辑系统缺乏学习和自适应能力，并且模糊逻辑系统隶属度函数的选取和模糊规则的确定需依经验而定，具有一定的主观性。

神经模糊系统(FNN)则融合了模糊系统和神经网络的技术，并利用两者的优点，使新构成的系统既具有模糊逻辑的处理能力，也具有神经网络的学习能力和自动模式识别能力，这样既可以处理模糊信息和精确信息，也能够实现精确性联想和不精确性联想及映射。这实际上是人类大脑结构和功能的模拟，即模拟大脑神经网络“硬件”拓扑结构和信息模糊处理“软件”的思维功能。

首先，介绍神经模糊系统的基本工作原理。该神经模糊系统的学习过程是一种多变量寻优技术。从结构上看，神经模糊系统是神经网络的模糊化，以模糊集、模糊逻辑系统为主，利用神经网络的自组织性和学习性，实现柔性信息处理的最优化。神经模糊系统通常是五层的前向神经网络。参见图1，该网络模型分为5层，分别实现安全风险评估的不同功能。首先第一层(x_i)为风险因素输入层。该层中神经元节点的个数N为风险因素的个数。第二层为模糊化层。神经元的个数为每个输入变量隶属函数的总和。第三层和第四层共同完成模糊推理的过程，第三层完成推理的前提参数(或前件参数)的确定，第四层完成结论参数(或后件参数)的确定。两层的神经元个数为模糊规则总个数；第五层为解模糊化层，神经元个数为输出量z的个数。设神经模糊系统有N个输入x_i、一个输出z，且每个输入分为M个模糊集，则神经模糊系统有M^N个模糊规则，为：

$\begin{array}{cc}\mathrm{If}& x_1=A_{{1k}_1}\mathrm{and}{x}_2\end{array}=A_{2k2}\·\·\·\·\·\·x_N=A_N{k}_N---\left(2\right)$

$\begin{array}{cc}\mathrm{Then}& y_{k_1{k}_2...k_N}=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\end{array},p_{k_1{k}_2...k_N}\left(j\right)x_j+r_{k_1{k}_2...k_N}---\left(3\right)$

式中，p和r为决定模糊规则的系数，k_i∈[1,M]，i∈[1,N]。

接着，介绍根据上述的神经模糊系统设计而成的用于电力安全风险评估的智能风险评估系统，以及用于电力安全风险评估的智能风险评估方法。

由于在电力系统中，供电企业涉及诸多作业方式，通常有变电运行、变电检修施工、送电运行、送电检修施工、配电运行、配电检修施工、调度通信自动化、高压油务作业、内线及计量作业、车辆交通等作业方式。在本发明所提供的实施例中，以送电运行、送电检修施工为例，来阐述神经模糊安全风险评估策略在电力安全风险评估系统中的应用。对于其他作业方式中的安全风险因素评估与此类似，在此不再进行赘述。

本发明提供的用于电力安全风险评估的智能风险评估系统，如图2所示，包括风险因素获取单元、风险因素处理单元、归一化处理单元、输出处理单元以及风险评估结果分析处理单元。其中，风险因素获取单元用以根据供电企业的作业方式，确定输入的风险因素，并将所有的风险因素组成风险因素集，发送到风险因素处理单元和输出处理单元。

风险因素处理单元包括模糊化处理模块和模糊推理模块。其中，模糊化处理模块对输入的风险因素集中的风险因素进行模糊化处理，确定风险因素的评定集，根据评定集计算每个评定集的隶属函数，即确定各个风险因素在评定集中的所占比例。模糊推理模块接收输出处理单元传送来的风险因素的对应输出(风险评估结果)，对风险因素与风险评估结果之间的模糊规则进行模糊推理，根据评定集的隶属函数计算每条模糊规则的适用度。并将计算出的适用度传送到归一化处理单元。

归一化处理单元接收风险因素处理单元传送来的每条模糊规则的适用度，计算电力系统中每个风险因素与相应输出之间的模糊规则适用度占所有模糊规则适用度的比例，并将归一化处理结果传送到输出处理单元。

输出处理单元包括输出模块和处理模块。其中，输出模块接收风险因素获取单元传送来的风险因素集，根据风险因素集中的每个风险因素输入，生成每个风险因素对应的风险评估结果，并将风险评估结果传送到风险因素处理单元，以供其对风险因素与风险评估结果之间的模糊规则进行模糊推理。处理模块接收归一化处理单元传送来的归一化处理结果，根据每个风险因素的模糊规则和其归一化处理结果，采用下面公式计算各模糊规则的输出，并进行解模糊化处理，即得到对各种风险因素的风险评估结果：

$y_k=V_{k_1{k}_2{k}_N}F=\underset{i}{\mathrm{\Σ}}{v}_k{f}_i/v_k$

其中，为每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例，F为每个风险因素x与风险评估结果y之间的模糊规则。

风险评估结果分析处理单元接收输出处理单元传送来的风险评估结果，分析诸多风险因素的风险评估结果，监控人员便可以采取相应的措施来降低风险带来的后果严重性。

在上述智能风险评估系统的基础上，本发明进一步提供一种用于电力安全风险评估的智能风险评估方法。如图3所示，该智能风险评估方法具体包括如下步骤：

步骤1，根据供电企业的作业方式，确定输入的风险因素集。

在供电企业送电运行、送电检修施工过程中，存在许多风险因素，主要有触电、高空坠落、机械伤害、火灾、误操作、中毒、物体打击、交通事故、灼伤、动物伤害。为了清晰地阐述本智能风险评估方法，本发明选取一些主要的、且有代表性的风险因素作为输入。而风险因素的集合(风险因素集)X则作为智能风险评估系统的输入量。

X＝{x_i}

(4)

＝{触电、高空坠落、倒杆、机械伤害、误操作、交通、火灾、中毒}

其中，i＝1,2,…8。

步骤2，对输入的风险因素集中的风险因素进行模糊化处理，确定风险因素在评定集中的所占比例。

首先，根据风险因素的风险程度，确定风险因素的评定集。

为了对风险因素进行模糊化处理，需要确定风险因素的评定集。在供电企业中，通常根据风险的严重程度，将风险因素进行分类。风险因素所有分类的评定集合称为评定集。在本发明所提供的实施例中，将风险因素分为三类，因此选取评定集为：

U＝{u_j}

＝{重大危险因素、严重危险因素、一般危险因素}

其中，j＝1,2,3(5)

然后，计算每个评定集的隶属函数，得到的隶属函数即为各个风险因素在评定集中的所占比例。

为了确定各个风险因素的危险程度，分别用每个评定集的隶属函数确定各个风险因素的隶属度，即采用如下的公式进行计算：

$O_i=g(x_i,a_i,b_i,c_i)=\frac{1}{1+{\left[{\left(\frac{{x-c}_i}{a_i}\right)}^2\right]}^{b_i}}---\left(6\right)$

其中，假设O_i为评定集u_j的隶属函数，表示x_i属于u_j的程度，即风险因素在评定集中所占比例。隶属函数的形状由{a_i,b_i,c_i}决定，其中{a_i,b_i,c_i}为前提参数(或前件参数)，该参数通过神经网络的自学习、自调整可以获得。隶属函数的形状根据前提参数的改变而发生变化，从而改变每个风险因素的危险程度。由于电力系统具有实时性的特点，风险因素会不断变化，因此需要不断地更新前提参数。经过模糊化处理后，根据隶属函数得到八种风险因素在评定集中所占比例，结果如下表所示：

表1风险因素在评定集中的所占比例

步骤3，模糊推理风险因素与风险评估结果之间的模糊规则，并计算每条模糊规则的适用度。

在模糊推理时，假设每个风险因素x与风险评估结果(相应输出)y之间关系可由M个表达式表示，即x与y之间有M个模糊规则，具体表示为：

$F=\left\{\begin{array}{c}{f}_1=p_{1}x+q_{1}y+r_1\\ f_2=p_{2}x+q_{2}y+r_2\\ ...\\ f_M=p_{M}x+q_{M}y+r_M\end{array}\right.---\left(7\right)$

其中，{p_k,q_k,r_k}(k＝1,2……M)为结论参数(或后件参数)。为了使得风险评估结果y能够在线跟踪电力系统外部风险因素x的变化，需要对结论参数不断更新，这通过神经模糊系统在线学习实现。

为了表示电力系统中每个风险因素x与相应输出y之间的模糊规则是否合适，需要得到各条模糊规则的适用度，即将公式(6)的结果相乘。

$W=\left\{{\mathrm{\ω}}_i\right\}=\underset{i=1}{\overset{M}{\mathrm{\Π}}}{O}_i---\left(8\right)$

其中，W表示模糊规则的适用度，M为模糊规则的个数。通过模糊规则适用度的计算，确定电力系统中每个风险因素x与相应输出y之间的模糊规则是否合适，达到跟踪电力系统风险因素变化的目的。

步骤4，对风险因素的每条模糊规则的适用度进行归一化处理。

确定电力系统中每个风险因素x与相应输出y之间的模糊规则适用度占所有模糊规则适用度的比例。在进行处理公式如下：

$V_{k_1{k}_2{k}_N}=\left\{v_k\right\}=\frac{W_{k_1{k}_2{k}_N}}{\underset{k_1,k_2,k_{N=1}}{\overset{M}{\mathrm{\Σ}}}{W}_{k_1{k}_2{k}_N}}---\left(9\right)$

步骤5，根据模糊规则和模糊规则的适用度计算各个模糊规则的输出，并进行解模糊化处理，得到最终的风险评估结果。

根据步骤3中得到的电力系统中每个风险因素x与相应输出y之间的模糊规则以及步骤4中得到的各个模糊规则的适用度，采用公式(10)计算各个模糊规则的输出，并进行解模糊化处理(即将模糊评估中使用的模糊化语言转化为电力系统工作中的自然语言)，最终得到运行中电力系统在风险因素影响下的风险评估结果。

根据对供电企业每个风险因素的模糊规则和其归一化处理结果，采用下面公式计算各模糊规则的输出，并进行解模糊化处理，即得到对各种风险因素的风险评估结果：

$y_k=V_{k_1{k}_2{k}_N}F=\underset{i}{\mathrm{\Σ}}{v}_k{f}_i/v_k---\left(10\right)$

在本发明所提供的实施例中，将公式(7)和公式(9)所得的结果代入公式(10)，经过运算，得到在八种典型影响因素影响下的评价结果为：0.25、0.375、0.375，进行解模糊化处理，说明目前电力系统存在重大隐患、严重隐患和一般隐患的可能性分别为25％、37.5％和37.5％，即有75％的隐患不会导致发生重大事故。

步骤6，分析各个风险因素的风险评估结果并采取预防措施。

分析诸多风险因素的风险评估结果，监控人员便可以采取相应的措施来降低风险带来的后果严重性。例如，通过智能风险评估系统运行得到结果：在重大事故隐患里，触电的严重程度最高。则如果要降低重大事故隐患的发生率，就要将触电一项发送的百分率降低，故企业应该进一步做好防止触电事故发生的保护措施。

下面着重介绍前提参数和后件参数根据神经模糊系统进行在线自学习的过程。

在对安全风险因素进行模糊化处理时，为了确定各个安全风险因素的危险程度，需要利用隶属函数确定各自的隶属度。而隶属度值的确定是由前提参数(或前件参数){a_i,b_i,c_i}(k＝1,2,M)来确定的。而前件参数的取得是通过神经网络的自学习过程来实现的。同样，在计算模糊规则的适用度时，使用的结论参数(或后件参数)(k＝1,2,M)也是通过神经网络系统的自学习过程实现的。其中，如图4所示，自学习过程具体包括如下步骤：

首先，根据采用的隶属函数曲线形状和电网工作人员的相关经验，确定前提参数的初始值。

由于不同的隶属函数的形状由前提参数确定，隶属函数的形状根据前提参数的改变而发生变化，从而改变每个风险因素的危险程度。所以前提参数的取值决定了风险因素在评定集中所占的比例。

其次，在确定前提参数的初始后，根据电力系统输入的风险因素x和相应输出y使用最小二乘法可以计算结论参数。计算公式为：

t＝Σ(v_kx)p_k＝(v₁x)p₁+(v₁y)q₁+v₁r₁+

(v₂x)p₂+(v₂y)q₂+v₂r₁...(11)

(v_Mx)p_M+(v_My)q_M+v_Mr_M＝Aθ

式中，列向量的元素构成智能风险评估系统中结论参数的集合,即θ＝{p₁,q₁,r₁,p₂,q₂,r₂,...p_M,q_M,r_M}，行向量A的元素构成v_kx的集合，即A＝{v₁x,v₂x,v_Mx}，v_k为每个风险因素x与相应输出y之间的模糊规则适用度占所有模糊规则适用度的比例。

在学习过程中，需要利用电力系统风险因素的输入量x和其对应的输出量y作为训练样本，通常训练样本的个数远远大于风险因素的个数,在本发明中风险因素的个数为8个，故选择400个训练样本对电智能风险评估系统参数进行训练。这时，使用最小二乘法可以得到均方根误差最小意义下的结论参数的最佳估计，即：

θ^*＝(A^TA)^-1A^Tt(12)

智能风险评估系统在线学习的时候，智能风险评估系统每增加风险因素和其对应的风险评估结果的一组数据，参数就更新一次，这种学习策略对于智能风险评估系统的参数辨识是非常重要的。

最后，更新智能风险评估系统的前提参数。

根据上步得到的结论参数对智能风险评估系统的误差进行计算，采用前馈神经网络中的BP算法，将误差由智能风险评估系统的输出端(输出处理单元)反向传到风险因素的输出入端(风险因素获取单元)，用梯度下降的办法更新前提参数，从而优化隶属函数的形状。

智能风险评估系统在线学习的时候，每个风险因素的变化都会造成前提参数和结论参数的变化。例如在其余条件相同时，当工作人员先后工作于车辆来往频繁的高速公路和蛇、蜂出没的树林环境时，由于前后两种环境的风险因素明显不同，导致结论参数对智能风险评估系统的误差较大。通过采用BP算法和梯度下降法使得智能风险评估系统的误差不断减小直至满足精度要求，在线学习前后智能风险评估系统的前提参数和结论参数将发生显著变化。这种学习策略对于智能风险评估系统的参数更新是非常重要的。

在本发明所提供的智能风险评估系统中，通过采用将模糊推理与神经网络自学习能力相结合的思想，解决在评价过程中遇到的诸多风险因素及模糊语言存在带来的困难问题，使用神经模糊系统建立的评价模型能够避免传统的LEC、PR等评价方法中权重确定的主观性因素，使评价更具客观性和精确性。神经模糊系统模型是依据所收集到的足够的样本数据，将样本数据分为训练样本和测试样本，通过训练和学习，找出输入变量和输出变量之间的关系，从而实现样本的评价结果，尤其在当有新的样本加入数据评价集时，神经模糊系统法可以利用训练网络中的成熟经验进行评价，相比传统评价方法来说具有更大的扩展性。

上面对本发明所提供的用于电力安全风险评估的智能风险评估方法及其系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种用于电力安全风险评估的智能风险评估方法，其特征在于包括如下步骤：

步骤1，根据供电企业的作业方式，确定输入的风险因素集；

步骤2，对输入的风险因素集中的风险因素进行模糊化处理，确定风险因素在评定集中的所占比例；

步骤3，模糊推理风险因素与风险评估结果之间的模糊规则，并计算每条模糊规则的适用度；

步骤4，对风险因素中的每条模糊规则的适用度进行归一化处理；

步骤5，根据模糊规则和模糊规则的适用度计算各个模糊规则的输出，并进行解模糊化处理，得到风险评估结果。

2.如权利要求1所述的用于电力安全风险评估的智能风险评估方法，其特征在于所述步骤2具体包括如下步骤：

首先，根据风险因素的风险程度，确定风险因素的评定集；

然后，根据公式： $O_i=g(x_i,a_i,b_i,c_i)=\frac{1}{1+{\left[{\left(\frac{x-c_i}{a_i}\right)}^2\right]}^{b_i}},$ 计算每个评定集的隶属函数；

其中，O_i为评定集u_j的隶属函数，x_i为风险因子，{a_i,b_i,c_i}为前提参数。

3.如权利要求2所述的用于电力安全风险评估的智能风险评估方法，其特征在于：

所述隶属函数的形状随着所述前提参数的变化而改变，所述前提参数通过自学习过程来获取。

4.如权利要求3所述的用于电力安全风险评估的智能风险评估方法，其特征在于所述自学习过程包括如下步骤：

首先，根据采用的隶属函数曲线形状和电网运行要求，确定前提参数的初始值；

其次，根据电力系统输入的风险因素和风险评估结果使用最小二乘法计算结论参数；

最后，根据得到的所述结论参数对风险评估结果的输出误差进行计算，将误差作为输入反向传到风险因素的输入端，采用梯度下降法更新前提参数。

5.如权利要求4所述的用于电力安全风险评估的智能风险评估方法，其特征在于：

所述根据电力系统输入的风险因素x和风险评估结果y使用最小二乘法计算结论参数，采用如下计算公式：

t＝Σ(v_kx)p_k＝(v₁x)p₁+(v₁y)q₁+v₁r₁+

(v₂x)p₂+(v₂y)q₂+v₂r₁...

(v_Mx)p_M+(v_My)q_M+v_Mr_M＝Aθ

其中，列向量θ的元素构成所述结论参数的集合,即θ＝{p₁,q₁,r₁,p₂,q₂,r₂,...p_M,q_M,r_M}，行向量A的元素构成v_kx的集合，即A＝{v₁x,v₂x,v_Mx}，v_k为每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例。

6.如权利要求1所述的用于电力安全风险评估的智能风险评估方法，其特征在于：

在步骤3中，所述每条模糊规则的适用度通过公式： $W=\left\{{\mathrm{\ω}}_i\right\}=\underset{i=1}{\overset{M}{\mathrm{\Π}}}{O}_i$ 得到；

其中，W表示模糊规则的适用度，M为模糊规则的个数，O_i为评定集的隶属函数。

7.如权利要求1所述的用于电力安全风险评估的智能风险评估方法，其特征在于：

在步骤4中，所述归一化处理是确定电力系统中每个风险因素x与相应输出y之间的模糊规则适用度占所有模糊规则适用度的比例。

8.如权利要求1所述的用于电力安全风险评估的智能风险评估方法，其特征在于：

在步骤5中，根据模糊规则和模糊规则的适用度采用公式：计算各个模糊规则的输出；

其中，为每个风险因素x与风险评估结果y之间的模糊规则适用度占所有模糊规则适用度的比例，F为每个风险因素x与风险评估结果y之间的模糊规则。

9.如权利要求1所述的用于电力安全风险评估的智能风险评估方法，其特征在于还包括如下步骤：

步骤6，分析各个风险因素的风险评估结果并采取预防措施。

10.一种用于电力安全风险评估的智能风险评估系统，用于实现权利要求1～9中任意一项所述的智能风险评估方法，其特征在于包括风险因素获取单元、风险因素处理单元、归一化处理单元、输出处理单元以及风险评估结果分析处理单元；其中，

所述风险因素获取单元用以确定输入的风险因素集，并将其发送到风险因素处理单元和输出处理单元；

所述风险因素处理单元包括模糊化处理模块和模糊推理模块；

所述模糊化处理模块对输入的风险因素集中的风险因素进行模糊化处理，得到每个评定集的隶属函数；

所述模糊推理模块接收所述输出处理单元传送来的风险评估结果，对风险因素与风险评估结果之间的模糊规则进行模糊推理，根据评定集的隶属函数计算每条模糊规则的适用度；

所述归一化处理单元接收风险因素处理单元传送来的所述适用度，计算每条模糊规则适用度占所有模糊规则适用度的比例，得到归一化处理结果；

所述输出处理单元包括输出模块和处理模块；

所述输出模块接收风险因素获取单元传送来的风险因素集，生成每个风险因素对应的风险评估结果，并将所述风险评估结果传送到风险因素处理单元；

所述处理模块根据每个风险因素的模糊规则和归一化处理单元传送来的归一化处理结果，计算各模糊规则的输出并进行解模糊化处理，将处理后的风险评估结果传输到风险评估结果分析处理单元；

所述风险评估结果分析处理单元接收输出处理单元传送来的风险评估结果，分析各个风险因素的风险评估结果并采取预防措施。