电力终端系统的风险评估优化可以有效地确定每个终端设备的详细运行状态和其他组件的可靠性水平。进而可以根据系统运行条件来控制输电网络中的潮流，以进一步优化系统调度和运行方法，提高电力系统的运行稳定性。

文献[1]采用事故预防模型对电力终端设备的运行机理进行分析，结合分众理念与反演策略设计一体化风险评估优化机制。此方法虽然考虑了系统可靠性与经济性均衡的问题，但未考虑到系统运行不确定性的影响，使得该方法的实际应用受到限制；文献[2]提出优化ACGAN-GBDT方法完成电力终端风险评估优化，该方法通过计算损失函数在优化模型中的负梯度变化设计优化函数，以此实现评估优化。但该方法无法协调电力终端各设备之间的储能关系，导致最终评估优化结果并不可靠。

针对以上分析，为进一步提升电力终端系统的运行质量，本文结合随机性分析理论对电力终端风险评估非线性优化进行深入研究，以期为电力终端系统的稳定运行提供理论支撑。

1、电力终端零信任风险评估非线性优化算法设计

1.1设立风险影响因素指标体系

在电力零信任安全风险的主要影响因素中，为了优化风险评估，通过分析影响风险发生可能性和严重性的因素，建立风险评估指标体系，主要目的是提高评价影响因素的全面性、代表性和适用性[3]。考虑到电力终端的零信任技术可以与系统边界保护架构相结合，能够对边界内的所有用户、设备和相应的电力服务实现细粒度的安全控制，从而重建基于身份认证的信任系统。因此，在综合分析电力终端零信任风险影响因素指标合理性的基础上，针对电力终端系统设备的应用原则[4]，根据实际应用需要将一级指标分为多个二级指标和三级指标，具体如表1所示。

表1电力终端零信任风险安全评估体系结构  

如上表所示，本文建立的指标体系由四个标准层组成，又分为14个方案层，涵盖了电力终端安全评估的各种影响因素。为了确保整个评价优化方案的可行性和合理性，有必要对上述所有指标进行量化[5]，便于后续指标权重的计算。首先计算每个影响因素对风险发生可能性的重要程度，即：

上式中，xij表示第i个二级指标对应的第j个三级指标对评估结果的重要性程度；w0表示指标逆向性系数；N1表示三级指标个数，文中取14。

其次计算每个指标对风险发生的严重性影响程度，即：

上式中，yij表示指标对评估结果严重性的影响程度；S0表示风险辨识因子；st表示运算误差。

由此对指标进行量化与标准化处理，使得指标的平均评估结果能够在区间[0,1]中给出合适的值[6]，则计算公式为：

上式中，a0表示指标的撺近似值；b0表示标准方差；ϖs表示比例系数；Pij表示指标量化值。

根据以上计算与分析过程，通过选取能够对电力终端零信任安全风险评估结果造成关键影响的评估指标，结合电力终端设备运行情况设立评估指标体系，并对各指标进行量化处理，为接下来确定指标综合权重提供了有力的数据基础。

1.2计算指标权重

指标构建完成后，根据电力终端设备的零信任安全风险影响因素建立风险评估集[7]，并根据九分位数法将风险因素成对比较得到风险判断矩阵，然后使用几何平均法计算指标的综合权重。

基于指标量化结果，对判断矩阵的风险因子进行叠加计算[8]，公式如下：

上式中，cf表示两个风险因子同样重要时对应的标准数值，本文取3;Pij表示指标量化结果。

计算判断矩阵每行元素的n次方根[9]，即：

上式中，rs表示指标判断矩阵的特征向量；hs表示指标最大特征根值。

对指标对应的特征向量的最大停滞步数阈值进行计算，公式如下：

上式中，A0、B0分别表示单位矩阵与系数矩阵。

当判断矩阵不具备一致性时，将其看作一致性矩阵来检验，以此得到新的特征值，一致性检验指标R0的取值如表2所示。  

表2平均随机一致性指标取值  

根据判断矩阵的标度对指标随机一致性因子进行取值[10]，则一致性检验的公式为：

上式中，ηmax表示特征向量的随机矢量。

计算各层级风险因素的单独权重，计算公式为：

上式中，Dk表示指标单独权重；fmn′表示第m个二级指标对应的第n′个尺度因子。

引入标志变异指标来反映各单位标志值之间的差异程度或者离散程度，若离散程度超过预设阈值，则需要利用测量系数消除指标变异程度上的差异[11]，测量系数的计算方法为：

上式中，表示误差修正系数；bs表示判断矩阵的阶数。

结合模糊矩阵方法求取各层次指标的综合权重，计算流程如图1所示。

图1指标综合权重计算流程 

根据评估指标对应的同趋势化影响程度，构造指标与评估结果之间的相关性状态矩阵[12]，即：

上式中，dpp表示三级指标对于二级指标的重要程度。

由此，根据各个指标因素的权重，获取指标的综合权重，即：

上式中，Ft表示指标转置矩阵；Ws表示指标综合权重。

根据电力终端零信任安全风险评估指标体系，采用模糊矩阵分别计算各层级指标的单一权重，并引入标志性变异指标对其进行拟合处理，得到评估指标的综合权重，为后续实现风险评估非线性优化奠定基础。

1.3随机性分析下风险评估非线性优化算法生成

从安全性的角度来看，根据电力终端设备零信任运行特性，电力终端系统的运行状况具有如下特点：不可预测性和不可再现性[13]。然而，通常情况下，电力终端设备的每次通信只应用短周期的安全认证密钥，由于该密钥具有较大的运行长度和自相关特性，所以对电力终端系统构成了很大的风险。因此，本文充分考虑了局部随机性，对电力终端设备的运行风险进行随机性测试，通过建立风险评估优化模型，实现电力终端零信任风险评估的非线性优化。风险评估优化计算流程如图2所示。

根据图2，得到风险评估非线性优化的计算步骤如下。

(1）首先进行初始风险计算。根据指标综合权重大小排序结果构造初始安全风险评估集合[14]，即G={Ws1,Ws2,...,Wsn}，其中，Wsn表示第n个指标的综合权重；

(2）将权重对评估结果影响最小的评估指标并入无风险评估集合中，形成新的安全风险评估集合；

(3）针对新的评估集合建立评估优化模型，计算公式为：

上式中，Pr表示系统动态安全风险初始值；Qy表示评估优化模型。

(4）计算电力终端系统的无效影响因子，即：

上式中，ei表示扩展系数。

(5）检验指标频数是否符合随机性[15]，即：

上式中，qt表示指标的显著性水平；z表示随机性门限值，将其与设定随机性阈值λ相比较，若z>λ，则说明指标频数不符合随机性检验，需要重新初始化风险评估集合；若z≤λ，则说明指标频数符合随机性检验，从而输出风险评估非线性优化算法，即：

上式中，ξ表示优化后的电力终端风险评估值；Ii表示风险指标保障效率值；Ti表示动态调整系数。

根据每个风险评估指标的综合权重，构造风险评估初始集合，并对各指标进行随机性检验，并通过求解风险评估优化模型，生成电力终端零信任风险评估非线性优化算法。至此，完成随机性分析下的电力终端零信任风险评估非线性优化算法的设计。

图2电力终端风险评估非线性优化计算流程

2、实验论证分析

为验证本文设计的风险评估优化算法在电力终端零信任风险评估中的实际应用性能，设计对比仿真实验，通过引入不同方法与本文方法进行对比分析，并根据实验结果测试本文方法的评估性能。

2.1实验准备

实验中对大型电力物联网终端进行线程级仿真，使用MATLAB 2020b作为仿真工具来评估和分析该方法的性能。假设电力终端的供电面积为600m*600m，通信半径为50m，每个终端设备的通信、存储和计算能力相同。为了模拟不同电力网络节点的密度并确保网络的简单性，逻辑链路中的终端设备数量设置为100，相邻两个节点的邻居数量设置为4。通过减少信任参数来模拟网络攻击形式，分析电力终端风险评估优化方法的有效性。实验应用环境如图3所示。

基于本文提出的电力终端风险评估非线性优化方案，设计了如上图所示的实验环境，每个终端统一连接到传输数据总线，通过调用物联网控制层获得电力终端运行数据；终端数据库负责存储每个终端的实时状态信息，同时在安全条件下保留每个属性的详细状态备份；数据采集终端和其他终端系统从调度控制网络采集的数据通过通信服务器传输到通信网络，并连接到其他电力系统，以实现数据交互功能

图3实验应用环境  

2.2实验说明

由于测试系统的终端设备额定容量比较大，因此每个终端设备额定容量设置为原始数据的65%。基于案例电力终端系统的实际运行状态和数据采集，结合电力系统中的终端安全等级保护规范，调用应用接口获取相关信息，形成一组模拟数据作为构建判断矩阵的量化结果，并根据文中描述的方法选择风险评估指标并计算相应的综合权重，结果如表3所示。

表3各层指标权重计算结果  

得到风险评估指标因素的综合权重后，根据电力终端模糊评价集模拟经验数据，评价电力终端系统中终端的安全风险状况，结合各指标因素的随机性分析检验结果，计算系统风险值，完成电力终端风险评估优化。

2.3电力终端风险评估非线性优化结果分析

基于以上对各层次风险评估指标的权重计算结果，采用本文方法对电力终端风险评估进行优化，并将优化后的风险评估值与实际结果相比较，以测试本文方法的优化效果，结果如图4所示。

从上图可以看出，本文提出的电力终端风险评估非线性优化结果与受端电力系统的实际风险评估结果基本一致，在电力终端不同运行时间条件下，本文方法得到的风险值与实际值的拟合程度较高，说明本文方法能够有效实现电力终端风险评估非线性优化，优化后的评估结果精度较高。

2.4风险评估误差对比实验分析

为进一步证明本文提出的方法在电力终端风险评估优化中具有高精度的评估性能，采用比例强度模型（方法1）、数据挖掘技术（方法2）作为本文方法的对比方法，分别利用三种方法对以上电力系统终端进行风险评估优化，并对比不同方法的评估误差，结果如图5所示。

图4电力终端风险评估优化结果  

图5评估优化误差结果对比  

如上图所示，基于不同风险评估指标频数，利用本文方法对电力终端进行风险评估优化，得到的相对误差始终控制在30%以下，相较于对比组方法，本文方法的评估优化结果精度更高。方法1的风险优化效果极不稳定，主要是由于该方法无法自适应电力系统终端设备运行点的变化，导致风险评估结果不正确；方法2相比于方法1提高了风险评估的稳定性，但整体评估优化误差较大，分析原因可知该方法对于系统的无效风险识别误差较大，进而增加了系统风险评估的累积误差。由此可以说明，本文提出的方法能够更加准确地实现电力终端风险评估优化，实际应用性能良好。

3、结束语

为有效弥补当前既有方法对于电力终端风险评估优化结果存在精度较低的缺陷，本文基于随机性分析理论，通过设立风险评估指标体系与计算指标综合权值，并构建评估优化模型来实现电力终端风险评估优化。并经过仿真实验验证了本文方法的可行性，得到的风险评估优化结果也更具有实际参考价值。

参考文献:

[1]齐锡晶,李永超,张升进.基于事故预防的工程项目安全风险评估及优化策略仿真研究[J].土木工程与管理学报,2022,39(05):10-17.

[2]张在美,吕娟,刘彦.基于优化ACGAN-GBDT的个人信用风险评估模型研究[J].财经理论与实践,2022,43(05):84-89.

[3]罗日欣,钟永城,张中超,等.基于停电窗口模式的停电计划优化及风险智能评估方法研究与应用[J].电工技术,2023(09):64-67.

[4]周海华.地铁隧道盾构下穿高架桥施工优化及风险评估[J].山东交通科技,2023(02):26-29.

[5]范颖,王成铭,王金明,等.基于多种优化算法的交通事故精准化重建与颅脑损伤风险评估[J].医用生物力学,2023,38(02):346-352.

[6]冯景瑜,于婷婷,王梓莹,等.电力物联场景下抗失陷终端威胁的边缘零信任模型[J].计算机研究与发展,2022,59(05):1120-1132

[7]谭伟雄,谭忠健,赵才顺,等.基于井震资料及地应力模型的井漏风险评估及优化方法研究——以旅大X油田为例[J].地球物理学进展,2022,37(05):2036-2043.

[8]孙权,周浩良,汤一用.融资担保业务风险评价体系构建与优化[J].金融纵横,2023(02):50-55.

[9]翟端强,卓健,徐弈.市县级国土空间生态风险评估方法优化研究[J].规划师,2023,39(02):53-60.

[10]许丹,黄海煜,程虔,等.计及安全风险的互联电网发电-备用两阶段联合优化模型[J].电网技术,2023,47(02):624-637.

[11]高鹏,陈智雨,闫龙川,等.面向零信任环境的新一代电力数据安全防护技术[J].电力信息与通信技术,2021,19(02):7-14

[12]范振宇,杨立波,刘胜利,等.海上交通管理分区安全风险评估优化研究[J].中国航海,2022,45(04):140-145+154.

[13]董宏杰,曾坚,于洋,等.海岸带综合防灾安全疏散系统风险评估及优化——以厦门市为例[J].灾害学,2023,38(01):100-110.

[14]吴丹,张星联,李耘,等.我国农产品质量安全风险评估制度的优化对策[J].农产品质量与安全,2022(06):59-62+82.

[15]关钦月,郑旭,徐敬友等.规模新能源接入下考虑安稳风险评估的受端电网运行优化模型[J].可再生能源,2023,41(07):957-963.

基金资助:南方电网公司科技项目资助(ZDKJXM20210067);

文章来源:曹扬,苏扬,匡晓云,等.随机性分析下的电力终端零信任风险评估非线性优化算法[J].网络安全技术与应用,2024(07):33-37.