2022／12大众用电|配电网故障抢修作业现场安全风险识别模型的优化●吉林·国网白山市江源区供电公司林鹏曹晓文安全供用电配电网的正常稳定供电是维持社会发展的重要基础，一旦供电异常，不仅会出现经济损失，还可能造成设备和人员损失。研究表明，在配电网多故障抢修过程中，受电源接入、高负荷电压等因素的影响，极容易出现安全事故，造成设备报废、人员伤亡。现阶段，相关研究人员针对该问题提出过几种常规的安全风险识别模型：第一种是支持向量机增量学习故障抢修安全识别模型，其主要搭建SVM风险识别环境识别安全风险；第二种是利用数据相关性分析的故障抢修安全识别模型，其主要依赖故障驱动定位作业现场安全风险。但上述2种模型都易受故障原发性影响，导致识别风险与实际偏差较大，无法满足风险识别需求，因此本文设计了一种配电网故障抢修作业现场安全风险识别优化模型。1安全风险识别模型的优化设计1.1构建故障抢修安全风险识别记忆网络为了降低故障原发性对安全风险识别模型造成的影响，本文以深度学习LSTM网络为基础，构建了安全风险识别记忆网络，其内部结构如图1所示。由图1可知，该风险识别记忆网络由多个遗忘单元组成，可以通过各个时刻的遗忘门输入输出量判断风险等级，生成记忆内容集合。1.2生成安全风险识别优化模型结合上文中生成的安全风险识别记忆网络可以计算风险过滤量化比率f，如公式（1）所示。f=δ（Wx+h+bf）（1）公式（1）中，δ代表历史安全故障信息，Wx代表长期记忆值，h代表剔除的安全风险信息，bf代表LSTM获得量。此时可以根据过滤量化比率配置自动识别单元。结合自动识别单元可以快速获取安全风险的传导性，输出安全风险状态信息，从而生成有效的配电网故障抢修现场安全风险识别优化模型A，如公式（2）所示。A=p（E-B）-p1f■（2）公式（2）中，p代表风险特征参量，p1代表识别系数，E代表预测风险目标值，B代表识别权重。使用上述模型可以有效地获取风险状态信息，最大程度提高风险识别的准确性。2效果对比为了检验本文安全风险识别优化模型的识别效果，特地选取在某配电网进行了对比实验，选择支持向量机增量学习故障抢修安全识别模型、利用数据相关性分析的故障抢修安全识别模型这2种常规安全风险识别模型与本文设计的模型进行效果对比。2.1实验准备结合实验需求，以某配电网作为硬件条件进行了实验，首先根据识别模型的需求设置馈线指标权重，如表1所示。由表1可知，B11、C12、K18、K11、R19、T110均符合本实验...
