一种变电站火灾智能风险评估模型构建方法及系统与流程

本发明涉及火灾智能风险评估，特别是一种变电站火灾智能风险评估模型构建方法及系统。

背景技术：

1、近年来随着电网规模持续扩大、设备老化加剧以及极端气候事件频发，变电站火灾风险呈现多因素耦合、演化过程复杂等显著特征。目前，现有变电站火灾风险评估方法风险评估过程高度依赖专家主观经验，指标赋权缺乏客观性与一致性；多数方法将各风险因素视为相互独立，未能充分刻画设备状态、环境因素；传统贝叶斯网络结构固定、参数难以动态更新，在应对运行状态实时变化时自适应能力不足；严重制约了变电站火灾风险评估的准确性与效率。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种变电站火灾智能风险评估模型构建方法及系统。

2、实现上述目的本发明的技术方案为，进一步，在上述一种变电站火灾智能风险评估模型构建方法中，该风险评估模型构建方法包括以下步骤：

3、获取变电站多源风险数据，构建初始风险指标体系，对所述初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选关键风险因子集合；

4、将所述关键风险因子集合中的各风险因子映射为贝叶斯网络节点，建立各节点之间的因果关系连接，构建贝叶斯网络结构模型；

5、构建各风险因子之间的耦合强度矩阵，以表征各风险因子之间的联动影响关系，基于所述贝叶斯网络结构模型，结合所述耦合强度矩阵进行贝叶斯网络推理；

6、利用tc-cgo-bp算法对所述贝叶斯网络推理过程中的关键参数进行优化，得到优化贝叶斯网络结构模型；

7、根据优化贝叶斯网络结构模型，输出经修正的火灾风险概率值，设定风险阈值，当所述火灾风险概率值超过所述风险阈值时，触发预警信号。

8、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述获取变电站多源风险数据，构建初始风险指标体系，对所述初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选关键风险因子集合，包括：

9、获取变电站多源风险数据，构建包括涵盖设备状态、环境因素、管理水平和应急能力四个维度的初始风险指标体系；所述初始风险指标体系引入雷击起火指标和站外火灾蔓延指标，以表征外部灾害对变电站火灾风险的影响。

10、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述获取变电站多源风险数据，构建初始风险指标体系，对所述初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选关键风险因子集合，包括：

11、对初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选出关键风险因子集合；并对所述关键风险因子集合中的连续型变量进行离散化处理，映射为适用于贝叶斯网络的有限状态空间。

12、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述获取变电站多源风险数据，构建初始风险指标体系，对所述初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选关键风险因子集合，包括：

13、对连续型变量进行离散化处理的方法包括：等宽分箱离散化方法、基于k-means聚类的自适应离散化方法、以及基于模糊隶属度函数的软离散化方法中的任意一种或多种组合。

14、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述利用tc-cgo-bp算法对所述贝叶斯网络推理过程中的关键参数进行优化，得到优化贝叶斯网络结构模型，包括：

15、利用迁移成分分析方法将原始风险特征映射至公共特征空间，减小不同数据源之间的分布差异，增强特征表达能力。

16、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述利用tc-cgo-bp算法对所述贝叶斯网络推理过程中的关键参数进行优化，得到优化贝叶斯网络结构模型，包括：

17、利用改进群体优化算法cgo对bp神经网络的初始权重和阈值进行全局寻优，通过种群初始化、适应度评估及迭代更新操作，搜索最优网络参数组合；

18、将贝叶斯网络推理输出的初始风险概率与所述映射后的特征作为bp网络的输入，经前向传播计算得到修正后的风险概率输出，并以均方误差作为损失函数对网络进行训练。

19、进一步，在上述一种变电站火灾智能风险评估模型构建方法中，所述根据优化贝叶斯网络结构模型，输出经修正的火灾风险概率值，设定风险阈值，当所述火灾风险概率值超过所述风险阈值时，触发预警信号，包括：

20、设定多个风险阈值t1、t2、t3，且0≤t1

21、进一步，在一种变电站火灾智能风险评估模型构建系统，所述风险评估模型构建系统包括以下模块：

22、指标建立模块，用于获取变电站多源风险数据，构建初始风险指标体系，对所述初始风险指标体系中的各风险因子进行相关性分析和信息增益评估，筛选关键风险因子集合；

23、模型建立模块，用于将所述关键风险因子集合中的各风险因子映射为贝叶斯网络节点，建立各节点之间的因果关系连接，构建贝叶斯网络结构模型；

24、贝叶斯推理模块，用于构建各风险因子之间的耦合强度矩阵，以表征各风险因子之间的联动影响关系，基于所述贝叶斯网络结构模型，结合所述耦合强度矩阵进行贝叶斯网络推理；

25、参数优化模块，用于利用tc-cgo-bp算法对所述贝叶斯网络推理过程中的关键参数进行优化，得到优化贝叶斯网络结构模型；

26、风险评估模块，用于根据优化贝叶斯网络结构模型，输出经修正的火灾风险概率值，设定风险阈值，当所述火灾风险概率值超过所述风险阈值时，触发预警信号。

27、进一步，在一种变电站火灾智能风险评估模型构建系统中，所述参数优化模块包括以下子模块：

28、寻优子模块，用于利用改进群体优化算法cgo对bp神经网络的初始权重和阈值进行全局寻优，通过种群初始化、适应度评估及迭代更新操作，搜索最优网络参数组合，避免bp网络陷入局部最优；

29、输入子模块，用于将贝叶斯网络推理输出的初始风险概率与所述映射后的特征作为bp网络的输入，经前向传播计算得到修正后的风险概率输出，并以均方误差作为损失函数对网络进行训练。

30、进一步，在一种变电站火灾智能风险评估模型构建系统中，所述风险评估模块包括以下子模块：

31、设定子模块，用于设定多个风险阈值t1、t2、t3，且0≤t1

32、其有益效果在于，通过构建了涵盖设备状态、环境因素、管理水平及应急能力四大维度的风险指标体系，实现了对多源风险因素的系统整合与精细化表征，显著增强了模型对复杂火灾场景的刻画能力。通过改进组合赋权方法优化指标权重分配，有效克服了传统方法过度依赖主观经验的缺陷，提高了风险评估的效率和准确度。通过引入风险联动机制并构建风险因子耦合强度矩阵，使贝叶斯网络能够有效刻画多因素之间的非线性叠加与传播效应，克服了传统方法忽略因子间联动关系的不足；结合tc-cgo-bp算法对模型参数进行全局优化与动态修正，大幅提升了复杂非线性关系的拟合精度与模型的动态自适应能力。本发明方法的评估准确率达到92.6%，较传统贝叶斯网络提升约3.9个百分点。