基于改进云模型的电网本质安全评价方法研究

黄 伟 康 敏

(上海电力大学自动化工程学院 上海 200090)

0 引 言

本质安全不同于传统意义上的安全，它将风险控制的重点转移到风险出现的源头前端，其表述为“通过设计等手段使生产设备或生产系统本身具有安全性，即使在误操作或发生故障的情况下也不会造成事故”[1-2]。本质安全只有能够度量才具有实际意义。

本质安全评价在电力领域的起步较晚，应用较少，但是在煤矿[3]、化工[4]等领域的应用已经比较成熟，主要的评价方法有安全检查表法、指数评价法、神经网络法和模糊综合评价法等[3-8]。这些评价方法比较趋近同化，大多未考虑或者只考虑了模糊性、随机性的一个方面，未进行全面分析，难以得出客观的评价结果。然而在电力企业的本质安全评价中，受限于经验数据和各专家认识的不同，获取的评价指标分值和评价等级的划分必然存在随机性，并且处在临界区域的分值难以确定属于哪个等级，因此造成划分的模糊性。

模糊性和随机性是对电网进行本质安全评价的两个基本特点，云模型能够综合考虑二者及其关联性，在定性与定量之间的映射和转换上应用广泛，已在水利、交通、天然气运输等领域的状态诊断和综合评价中得到应用[9-12]。因此，本文将改进的云模型应用到电网本质安全的评价中，在应用不确定性数据的前提下，得到更客观、更能反映实际情况的评价结果。

1 云模型

1.1 数字特征

云模型的数学性质是用云数字特征期望Ex、熵En和超熵He来表示的[9-12]，其示意图如图1所示。

图1 云模型的三个数字特征示意图

1.2 云发生器

用云发生器可实现云的生成，根据实现原理的不同，分为正向云发生器和逆向云发生器[9-12]。实现定性概念到其定量表示映射的是正向云发生器，它将概念的云数字特征(Ex，En，He)转换为数个云滴，每个云滴都是该概念的一次具体实现，如图2所示；实现定量值到定性概念转换的是逆向云发生器，它将以云滴形式呈现的具体数据转换为以云数字特征(Ex，En，He)表示的定性概念，如图3所示。

图2 正向云发生器

图3 逆向云发生器

2 云模型在电网本质安全评价中的应用

模糊综合评价方法根据专家对各指标的打分，计算得到各指标的权重和隶属度，再按照事先规定的规则得出评价结果。该方法比较注重数据的模糊性，而忽略了随机性[5,8]。云模型能够较好地反映数据间的模糊性、随机性及其之间的关联性，而传统云模型评价方法中评价对象云的生成大多依靠经验公式，未能很好地反映出实际数据随机性的特点[10-12]，因此本文将改进的云模型应用于电网的本质安全评价中。

2.1 评价指标体系的构建

本文参考其他行业本质安全评价体系的建立，并通过对电力企业本质安全的调查、对其本质安全评价特点的分析后，基于4M(人员-设备-管理-环境，man-machine-management-environment)-PSR(压力-状态-响应，pressure-state-response)的框架模型构建五个层次的电网本质安全评价指标体系[13]，其递阶结构示意图如图4所示。第一层是总体层，即评价总目标层；第二层是系统层，由人-机-管-环四个子系统构成；第三层是变量层，具体分为压力层、状态层和响应层；第四层是因素层，该层的评价因素组成各子系统下变量层的内容；第五层是指标层，该层指标是组成每一个评价因素的具体指标，也是总评价指标体系中用来进行分析的具体指标。在本次研究中，仅以因素层的一个评价指标为例，对本文提出的本质安全评价方法进行应用，因此未列出各层次的具体评价指标。该评价指标的结果由其评价云与评价状态云比较得出，而评价状态云则是依据评价等级生成。

图4 评价指标体系结构示意图

不同于交通、农业等领域在应用云模型评价方法时分别划分各个评价指标的评价等级[10-12]，本文选取的评价指标涉及人、机、管、环四个维度，并且数量较多，分别划分每个评价指标的评价等级工作量会非常大，而且定性指标占比较大，因此本文参考已有的研究成果[8]将电网本质安全评价等级划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五个等级，具体如表1所示。该评价等级的划分将指标分值和评价分值都界定在[0,1]内，再细分为五个小区间，每个小区间代表一种本质安全状态，并用模糊语言进行描述。

表1 电网本质安全等级划分

2.2 评价状态云的生成

依据表1所示的本质安全评价等级，运用云发生器生成该评价等级所对应的评价状态云，其具体步骤为：

(1) 将各评价等级的具体分值数据利用逆向云发生器转化为定性概念，以数字特征(Ex，En，He)表示(为避免各评价等级细分时主观因素的影响，本文将评价状态云的期望取为各评价等级的中位数)；

(2) 选择合适的云滴数N；

(3) 由正向云发生器产生以En为期望、He为标准差的标准正态分布随机数Enn；

(4) 产生以Ex为期望、En为标准差的标准正态分布随机数mi；

(6) 重复步骤(3)-步骤(5)，产生设定的N个云滴，由这些云滴组成的图像即所需的评价状态云[9-12]，如图5所示。

图5 各评价等级对应的评价状态云图

由此得到的评价状态云等级划分比较合理，应用方便，其中各评价等级云模型的数字特征如表2所示。

表2 各评价等级云模型的数字特征

2.3 评价对象云的生成

以云模型评价方法在交通等领域的应用为例，其云数字特征由式(1)计算所得[10-12]，再依得到的云数字特征经云发生器生成评价对象云。

(1)

式中：Xmin、Xmax分别为指标安全值范围或其最大隶属度所在评价等级区间的下界与上界；k为常数，一般取为经验值0.01。

对电力企业进行本质安全评价时，由图4可知，选取的评价指标数量较多，难以界定每个评价指标的上、下界，如按其最大隶属度所在评价等级区间计算，则容易出现多个评价指标分值属于同一评价等级时，这些评价指标的云数字特征相同，部分评价结果则会失去准确性。

所以本文对传统的云模型评价方法进行了改进，根据评价指标隶属于各安全等级的隶属度数值，结合评价状态云的分布，经云理论反向计算得评价指标分值所反映的实际状态值，以该值为指标的期望，再依次得到熵值和超熵值。在得到各基层指标的云数字特征后，再运用正向云发生器产生相应数量的云滴，即得到各基层指标的评价云。以基层指标的云数字特征为基础，结合各指标的权重，通过相应的运算法则，得到上一级评价指标的云数字特征以及评价云，以此类推，直到得到总目标的云数字特征和评价云。

期望Ex是概念在论域中的重心值，它绝对地隶属于这个定性概念，表示对评价指标实际本质安全状态的预期；熵En反映评价结果的可靠程度，其值越大，说明概念越模糊，则评价结果的可靠程度较低；超熵He是对评价结果不稳定性的描述，表现为云的厚度，厚度越大，结果的稳定性越低。

2.4 评价准则

对于本文提出的评价方法，有以下两种方法[9]可供得出评价结果：

(1) 直观判断法。在同一坐标系中得到评价状态云和评价对象云，将评价对象云与评价状态云进行对比，直观地判断出评价对象所属的本质安全等级。

(2) 最大云相似度法。设云向量Ci=Ci(Exi,Eni,Hei)、Cj=Cj(Exj,Enj,Hej)，云相似度为向量Ci与Cj的余弦，即为：

(2)

按式(2)分别计算出评价对象云与各个评价状态云的云相似度，由最大相似度原则可知，最大云相似度所对应的评价等级即为所求评价指标所属的本质安全等级。

3 实例分析

本文以某市级供电公司为例，以因素层的评价指标“设备的安全可靠性E11”为例，根据本文提出的本质安全评价方法，进行本质安全评价。

3.1 评价指标的云计算

评价指标“设备的安全可靠性E11”又分解为设备的可靠性E111、生产工艺的本质安全程度E112和特种设备安全情况E113三个指标层评价指标，首先进行指标层评价指标的云计算。

已知评价指标E111、E112、E113隶属于各评价等级的隶属度分别为(0.4,0.5,0.1,0,0)、(0.4,0.3,0.2,0.1,0)、(0.3,0.4,0.1,0.2,0)。以评价指标E111为例，结合评价状态云的分布与该指标的隶属度数值，根据云理论经计算得该指标的反映状态值为0.817，以该值为该指标云数字特征的期望值；另取熵值为期望值所在云朵论域区间的1/6，描述不同评价等级状态云的离散程度；超熵为熵的熵，对评价结果的影响不显著，取为熵值的1/10，即评价指标E111的云数字特征为C(E111)=(0.817，0.065，0.007)。

同理，得出基层指标E112、E113的云数字特征。另外，已知评价指标E11的权重为ω11=(0.648 3,0.122 0,0.229 7)，不同于加权平均法，本文采用浮动云算法[14-15]将指标层评价指标的云数字特征与权重进行结合，得到其上一级评价指标的结果，以此类推，即可得到评价总目标的评价结果，浮动云算法如下：

(3)

(4)

(5)

3.2 结果分析

根据上文所做的工作，得出本次对评价指标E11的评价结果，并与现有的云模型评价结果进行对比分析。

3.2.1设备的安全可靠性E11指标云模型评价

通过上述计算，首先得到基层评价指标E111、E112、E113的云数字特征及其上级评价指标E11的云数字特征，具体结果如表3所示。

表3 评价指标E11的云数字特征计算结果

期望Ex反映对评价指标E11的本质安全状态的预期，熵En反映评价结果的可靠程度，在本次评价结果中En=0.061，数值较小，说明评价结果比较可靠；另外本次评价结果中超熵He=0.007，数值也比较小，说明评价结果的稳定性比较好。

然后，根据所得的云数字特征，用正向云发生器得到评价指标E11的评价云，如图6所示。可以看出，对该公司设备的安全可靠性E11指标的评价结果介于“优秀”与“良好”评价等级之间，并偏向于“良好”评价等级。

图6 评价指标E11的评价云图

最后，用最大云相似度法对评价结果进行进一步确定。由式(2)进行指标E11与各个本质安全评价等级的云相似度计算，计算结果如表4所示。

表4 评价指标E11与各评价等级的云相似度计算结果

可以看出，最大云相似度为0.999 9，可确定设备的安全可靠性E11指标的本质安全评价等级为“良好”。对这一指标，应用电力企业现有的模糊综合评价方法[8]得到的评价结果为0.81，对照表1可知，该指标评价等级为“良好”。这说明本文提出的本质安全评价方法是有效的，评价结果准确。同理，按以上计算方法逐级计算，可得出其他各指标以及总目标的评价结果。

3.2.2对比分析

图7 传统云模型评价方法中评价指标E11的评价云图

在传统云模型评价方法的计算中，依据E111、E112、E113三个评价指标的隶属度计算得出，该三个指标中E111与E113的云数字特征为相同的结果，实际该两个指标的隶属度与权重并不相同，此时的计算结果不能完全准确地反映指标的实际状态值，这是传统云模型评价方法中云数字特征计算依赖经验公式的缺点。

通过两种方法的计算以及分析可以看出，相比于传统云模型评价方法，本文所提评价方法所得评价状态云生成更简便，适用性更强，使评价结果的可视性更好；所得评价对象云的期望值更能反映评价指标的实际状态值，熵值、超熵值均较小，说明该方法得出的结果可信度较高、稳定性更好，评价结果也更符合实际情况。

4 结 语

本文对电网企业本质安全评价过程中存在模糊性和随机性的影响，提出了基于改进云模型的本质安全评价方法，并以某电力公司因素层评价指标为例，进行了相关计算。结果表明，本文提出的评价方法适用于电力企业这样复杂的系统，并且相对于传统云模型评价方法，经改进的云模型评价方法的评价过程更合理，评价结果更加客观、可信，更能反映实际情况。