張 健，王偉利

(國(guó)網(wǎng)朝陽(yáng)供電公司，遼寧 朝陽(yáng) 122000)

1 引言

輸電現(xiàn)場(chǎng)作業(yè)的特點(diǎn)是自然條件惡劣、危險(xiǎn)性高、專業(yè)性較強(qiáng)，作業(yè)受到設(shè)備狀態(tài)、周圍環(huán)境等因素的制約，因此為了降低在輸電現(xiàn)場(chǎng)人員的作業(yè)安全風(fēng)險(xiǎn)，需要采取必要措施嚴(yán)格管控[1]。目前人力查詢是我國(guó)輸電現(xiàn)場(chǎng)作業(yè)安全監(jiān)管的主要方式，技術(shù)手段落后，安全管控技術(shù)與防范措施的融合度較低。特別是工程施工方面，大部分工人都是通過(guò)勞務(wù)分包或臨時(shí)雇用外來(lái)人員組成的隊(duì)伍，作業(yè)人員缺乏安全技能和安全意識(shí)，整體素質(zhì)較低[2]。在上述背景下輸電現(xiàn)場(chǎng)存在很多安全隱患，盡管安全生產(chǎn)標(biāo)準(zhǔn)和規(guī)章制度的完善度日益提升，但人身傷亡事故和習(xí)慣性違章現(xiàn)象經(jīng)常發(fā)生[3]。近年來(lái)輸電現(xiàn)場(chǎng)多次出現(xiàn)事故，導(dǎo)致電網(wǎng)設(shè)備毀損嚴(yán)重，造成了人員傷亡和嚴(yán)重的經(jīng)濟(jì)損失。為了避免輸電現(xiàn)場(chǎng)出現(xiàn)安全事故，需要對(duì)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，提出管控措施。

鄭霞忠[4]等人提出基于五元聯(lián)系數(shù)分析的輸電現(xiàn)場(chǎng)作業(yè)安全管控方法，該方法對(duì)管理因素、人員因素、環(huán)境因素和機(jī)械因素進(jìn)行分析，構(gòu)建安全分析指標(biāo)體系，在態(tài)勢(shì)函數(shù)中引入五元聯(lián)系數(shù)，采用全偏聯(lián)系數(shù)對(duì)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)安全管控，該方法構(gòu)建的指標(biāo)體系沒(méi)有應(yīng)用效用理論，導(dǎo)致風(fēng)險(xiǎn)識(shí)別率較低。楊楠[5]等人提出基于灰色關(guān)聯(lián)分析的輸電現(xiàn)場(chǎng)作業(yè)安全管控方法，該方法將預(yù)測(cè)值序列與原始值序列之間存在的灰度關(guān)聯(lián)度作為最大目標(biāo)，在煙花算法中引入自適應(yīng)局部搜索策略和炸點(diǎn)管理策略修正灰色模型背景值的初始值修正項(xiàng)和權(quán)重系數(shù)，實(shí)現(xiàn)輸電現(xiàn)場(chǎng)作業(yè)安全管控，該方法在預(yù)測(cè)過(guò)程中沒(méi)用通過(guò)效應(yīng)理論實(shí)現(xiàn)安全態(tài)勢(shì)預(yù)測(cè)，導(dǎo)致預(yù)測(cè)準(zhǔn)確率低、預(yù)測(cè)效率低。

為了解決上述方法中存在的問(wèn)題，提出基于CAPSO-SNN的輸電現(xiàn)場(chǎng)作業(yè)安全管控措施。針對(duì)安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率低及安全風(fēng)險(xiǎn)識(shí)別率低的問(wèn)題，本文采用效用理論，分析了輸電現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)影響因素指標(biāo)，考慮多角度風(fēng)險(xiǎn)影響指標(biāo)，以提升安全風(fēng)險(xiǎn)識(shí)別率及安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率；通過(guò)CAPSO-SNN學(xué)習(xí)算法對(duì)脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)學(xué)習(xí)因子和慣性權(quán)重進(jìn)行調(diào)整，避免輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)預(yù)測(cè)陷入早熟收斂和局部最優(yōu)，提升了迭代尋優(yōu)的精度和速度。通過(guò)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)預(yù)測(cè)結(jié)果制定風(fēng)險(xiǎn)管控措施，實(shí)現(xiàn)輸電現(xiàn)場(chǎng)作業(yè)安全管控。

2 輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)指標(biāo)

在輸電現(xiàn)場(chǎng)作業(yè)事故事件數(shù)據(jù)庫(kù)中提煉出具有代表性的作業(yè)風(fēng)險(xiǎn)影響因素，并在風(fēng)險(xiǎn)偏好型效用函數(shù)的基礎(chǔ)上建立態(tài)勢(shì)感知指標(biāo)體系[6]。

2.1 輸電現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)影響因素指標(biāo)

分析和總結(jié)電力運(yùn)營(yíng)風(fēng)險(xiǎn)因素，將其分為人員屬性、心理及行為、設(shè)備、運(yùn)營(yíng)管理和環(huán)境5個(gè)1級(jí)因素，包括15個(gè)2級(jí)因素。建立的輸電現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)影響因素指標(biāo)如表1所示。

2.2 輸電現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)影響因素特征值計(jì)算

假設(shè)i起輸電現(xiàn)場(chǎng)作業(yè)事故的y個(gè)2級(jí)風(fēng)險(xiǎn)影響因素風(fēng)險(xiǎn)影響因素矩陣為

R=[R1，R2，R3，…Ry]x×y

(1)

構(gòu)建y個(gè)2級(jí)風(fēng)險(xiǎn)影響因素的相關(guān)系數(shù)矩陣Y為

(2)

式中，Ltotal(t)代表的2級(jí)風(fēng)險(xiǎn)影響因素向量Rx、Ry的相關(guān)系數(shù)。

主成分的方差貢獻(xiàn)率與主成分的特征值成正比。當(dāng)主成分的累積方差貢獻(xiàn)率大于設(shè)定的累積方差貢獻(xiàn)率閾值(通常為75%至95%)時(shí)[7]，可以認(rèn)為前z個(gè)主成分可以反映m個(gè)風(fēng)險(xiǎn)影響因素的大部分信息。前z個(gè)主成分的累積方差貢獻(xiàn)率表達(dá)式如下

(3)

式中，λz表示前z個(gè)影響因素主成分的方差，λy為所有影響因素主成分的方差。

綜上所述，可以結(jié)合一些事故樣本進(jìn)行交叉驗(yàn)證，并且可以設(shè)置驗(yàn)證誤差最小的影響因素主成分?jǐn)?shù)和相關(guān)負(fù)載系數(shù)的閾值。

3 輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)預(yù)測(cè)

輸電現(xiàn)場(chǎng)作業(yè)安全事故數(shù)據(jù)庫(kù)涵蓋了帶有時(shí)間戳的潛在風(fēng)險(xiǎn)影響因素信息，但它通常僅提供每次運(yùn)行事故后果綜合評(píng)估結(jié)果，不能在每種情況發(fā)生時(shí)反映每種風(fēng)險(xiǎn)影響因素的不同狀態(tài)。導(dǎo)致輸電現(xiàn)場(chǎng)作業(yè)安全事故后果與操作過(guò)程中各種風(fēng)險(xiǎn)影響因素的關(guān)系無(wú)法得到準(zhǔn)確判斷。為此提出基于CAPSO-SNN的輸電現(xiàn)場(chǎng)作業(yè)安全管控措施，分別分析SNN(脈沖神經(jīng)網(wǎng)絡(luò))及CAPSO(粒子群優(yōu)化)算法，通過(guò)CAPSO算法訓(xùn)練SNN模型，對(duì)基于CAPSO-SNN的SA模型進(jìn)行離線訓(xùn)練，用于評(píng)估操作事故樣本集的關(guān)鍵風(fēng)險(xiǎn)控制點(diǎn)，在線跟蹤操作風(fēng)險(xiǎn)并制定針對(duì)性的風(fēng)險(xiǎn)控制措施[8]。

3.1 SNN

SNN包括三層神經(jīng)元，分別是輸出層、隱含層和輸入層。通過(guò)膜電位V(t)描述神經(jīng)元在SNN中的狀態(tài)，上一層神經(jīng)元的突觸后電位PSP會(huì)決定神經(jīng)元的膜電位。神經(jīng)元f在tf時(shí)刻接收一系列脈沖，當(dāng)預(yù)先設(shè)定的脈沖激發(fā)閾值θ小于神經(jīng)元膜電位值時(shí)，神經(jīng)元f此時(shí)會(huì)發(fā)送脈沖信號(hào)，f對(duì)應(yīng)的膜電位Vf(t)可通過(guò)下式計(jì)算得到

(4)

(5)

式中，τ描述的是衰減時(shí)間常數(shù)。

3.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法PSO是在迭代原理的基礎(chǔ)上實(shí)現(xiàn)的，假設(shè)在l為空間中有k個(gè)飛行粒子，其中vr=(vr1，vr2，…，vrl)、zr=(zr1，zr2，…，zrl)分別描述第r個(gè)粒子對(duì)應(yīng)的飛行速度和位置。Pg=(pg1，pg2，…，pgl)為全局粒子在迭代過(guò)程中的最優(yōu)位置；Pr=(pr1，pr2，…，prl)代表的是個(gè)體粒子經(jīng)歷的最優(yōu)位置。PSO算法的第一步是對(duì)隨機(jī)解進(jìn)行初始化處理，通過(guò)適應(yīng)度函數(shù)對(duì)隨機(jī)解對(duì)應(yīng)的適應(yīng)度進(jìn)行迭代尋優(yōu)，獲得全局最優(yōu)解[9]，PSO算法通過(guò)下述公式實(shí)現(xiàn)進(jìn)化

(6)

3.3 CAPSO-SNN學(xué)習(xí)算法

(7)

粒子之間的信息交換能力可以通過(guò)認(rèn)知學(xué)習(xí)因子c1和社會(huì)學(xué)習(xí)因子c2決定，算法的性能可通過(guò)調(diào)整c1、c2得以提升，通過(guò)下述公式動(dòng)態(tài)調(diào)整認(rèn)知學(xué)習(xí)因子c1和社會(huì)學(xué)習(xí)因子c2：

(8)

式中，[c1min，c1max]代表的是認(rèn)知學(xué)習(xí)因子c1的取值范圍；[c2min，c2max]代表的是社會(huì)學(xué)習(xí)因子c2的取值范圍。

利用CAPSO算法訓(xùn)練SNN模型，獲得突觸端對(duì)應(yīng)的最優(yōu)權(quán)重，在不同狀態(tài)下分析各個(gè)風(fēng)險(xiǎn)因素的事故危害后果貢獻(xiàn)信息，對(duì)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，制定風(fēng)險(xiǎn)管控措施，訓(xùn)練的具體步驟如下：

1)事故樣本數(shù)據(jù)進(jìn)行整理和篩選，在區(qū)間[0，1]內(nèi)對(duì)初始化樣本數(shù)據(jù)，并編碼脈沖發(fā)射時(shí)間；

2)設(shè)置SNN的參數(shù)和拓?fù)浣Y(jié)構(gòu)，初始化粒子群和突觸權(quán)值，并設(shè)置迭代次數(shù)；

3)建立適應(yīng)度函數(shù)E，其表達(dá)式如下

(9)

4)評(píng)價(jià)粒子對(duì)應(yīng)的適應(yīng)度值，在Pr中存儲(chǔ)個(gè)體粒子的位置和粒子在迭代過(guò)程中獲得的最優(yōu)適應(yīng)度值；在Pg中存儲(chǔ)全局粒子的位置和迭代過(guò)程中對(duì)應(yīng)的最優(yōu)適應(yīng)度值；

5)云自適應(yīng)規(guī)則調(diào)整慣性權(quán)重ω，同時(shí)動(dòng)態(tài)調(diào)整學(xué)習(xí)因子c1、c2；

6)重新對(duì)調(diào)整后的粒子位置和速度進(jìn)行計(jì)算，生成新粒子，通過(guò)步驟4)對(duì)粒子的自適應(yīng)度值進(jìn)行更新，如果迭代次數(shù)小于設(shè)定上限，轉(zhuǎn)到上一步；如果迭代次數(shù)大于設(shè)定上限，輸出突觸端最優(yōu)權(quán)重。

4 實(shí)驗(yàn)及分析

為了驗(yàn)證所提輸電現(xiàn)場(chǎng)作業(yè)安全管控措施的整體有效性，在MyEclipse8.6實(shí)驗(yàn)軟件中對(duì)基于CAPSO-SNN的輸電現(xiàn)場(chǎng)作業(yè)安全管控措施進(jìn)行測(cè)試。分別采用所提輸電現(xiàn)場(chǎng)作業(yè)安全管控措施(方法1)、基于五元聯(lián)系數(shù)分析的輸電現(xiàn)場(chǎng)作業(yè)安全管控方法(方法2)和基于灰色關(guān)聯(lián)分析的輸電現(xiàn)場(chǎng)作業(yè)安全管控方法(方法3)進(jìn)行測(cè)試，測(cè)試上述方法的風(fēng)險(xiǎn)識(shí)別率，風(fēng)險(xiǎn)識(shí)別率測(cè)試結(jié)果用圖1進(jìn)行描述。

圖1 風(fēng)險(xiǎn)識(shí)別率測(cè)試結(jié)果

分析圖中數(shù)據(jù)可知，方法1在輸電現(xiàn)場(chǎng)對(duì)安全風(fēng)險(xiǎn)的識(shí)別率在多次實(shí)驗(yàn)過(guò)程中均高于方法2和方法3在輸電現(xiàn)場(chǎng)對(duì)安全風(fēng)險(xiǎn)的識(shí)別率，平均值為92.0%。這是因?yàn)樗岱椒ㄔ陲L(fēng)險(xiǎn)偏好型效用函數(shù)的基礎(chǔ)上建立態(tài)勢(shì)感知指標(biāo)體系，用于在輸電現(xiàn)場(chǎng)識(shí)別安全風(fēng)險(xiǎn)，提高了風(fēng)險(xiǎn)識(shí)別率。

將安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率和預(yù)測(cè)時(shí)間作為指標(biāo)進(jìn)一步對(duì)方法1、方法2和方法3進(jìn)行測(cè)試，安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率測(cè)試結(jié)果如圖2所示，安全態(tài)勢(shì)預(yù)測(cè)時(shí)間如圖3所示。

圖2 安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率測(cè)試結(jié)果

圖3 安全態(tài)勢(shì)預(yù)測(cè)時(shí)間測(cè)試結(jié)果

分析圖2和圖3中的數(shù)據(jù)可知，方法1的風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率和風(fēng)險(xiǎn)預(yù)測(cè)時(shí)間的測(cè)試結(jié)果均優(yōu)于方法2和方法3，平均值分別為97.5%及0.5s。因?yàn)樗岱椒ɡ肅APSO算法對(duì)SNN模型進(jìn)行訓(xùn)練，將利用風(fēng)險(xiǎn)偏好型效用函數(shù)選取的態(tài)勢(shì)感知指標(biāo)值輸入訓(xùn)練后的模型中，可在較短的時(shí)間內(nèi)實(shí)現(xiàn)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)的預(yù)測(cè)，提高了所提方法的有效性。

5 結(jié)束語(yǔ)

輸電施工現(xiàn)場(chǎng)是人員集中、露天、作業(yè)面變化大、臨時(shí)設(shè)施多的生產(chǎn)場(chǎng)所，由于人機(jī)流動(dòng)性大、作業(yè)環(huán)境多變，在輸電現(xiàn)場(chǎng)存在很多不安全因素，因此通過(guò)預(yù)測(cè)輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)，實(shí)現(xiàn)安全管控是至關(guān)重要的。目前輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)預(yù)測(cè)方法存在風(fēng)險(xiǎn)識(shí)別率低、安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率低和安全態(tài)勢(shì)預(yù)測(cè)效率低的問(wèn)題，提出基于CAPSO-SNN的輸電現(xiàn)場(chǎng)作業(yè)安全管控措施，利用CAPSO算法優(yōu)化SNN模型，并將安全態(tài)勢(shì)指標(biāo)輸入模型中，實(shí)現(xiàn)安全態(tài)勢(shì)的預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果規(guī)劃安全管控措施。通過(guò)試驗(yàn)分析得到結(jié)論如下：

1)所提輸電現(xiàn)場(chǎng)作業(yè)安全管控措施的風(fēng)險(xiǎn)識(shí)別率平均值為92.0%，高于實(shí)驗(yàn)對(duì)比方法。這是由于本文采用風(fēng)險(xiǎn)偏好型效用函數(shù)，構(gòu)建了多角度的輸電現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)影響因素指標(biāo)，建立了全方位的態(tài)勢(shì)感知指標(biāo)體系，因此風(fēng)險(xiǎn)識(shí)別率較高。

2)所提輸電現(xiàn)場(chǎng)作業(yè)安全管控措施的風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率平均值為97.5%，這是由于全方位態(tài)勢(shì)感知指標(biāo)體系的建立，提高了風(fēng)險(xiǎn)識(shí)別率，相應(yīng)提升了風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率。

3)所提輸電現(xiàn)場(chǎng)作業(yè)安全管控措施的風(fēng)險(xiǎn)預(yù)測(cè)時(shí)間為0.5s，較傳統(tǒng)方法有了很大提升。應(yīng)用CAPSO-SNN算法能夠避免輸電現(xiàn)場(chǎng)作業(yè)安全態(tài)勢(shì)預(yù)測(cè)陷入局部最優(yōu)，從而有效提升風(fēng)險(xiǎn)預(yù)測(cè)效率。