輸電現(xiàn)場作業(yè)安全管控措施仿真研究

張 健，王偉利

(國網(wǎng)朝陽供電公司，遼寧 朝陽 122000)

1 引言

輸電現(xiàn)場作業(yè)的特點是自然條件惡劣、危險性高、專業(yè)性較強，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)場人員的作業(yè)安全風險，需要采取必要措施嚴格管控[1]。目前人力查詢是我國輸電現(xiàn)場作業(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勞務(wù)分包或臨時雇用外來人員組成的隊伍，作業(yè)人員缺乏安全技能和安全意識，整體素質(zhì)較低[2]。在上述背景下輸電現(xiàn)場存在很多安全隱患，盡管安全生產(chǎn)標準和規(guī)章制度的完善度日益提升，但人身傷亡事故和習慣性違章現(xiàn)象經(jīng)常發(fā)生[3]。近年來輸電現(xiàn)場多次出現(xiàn)事故，導致電網(wǎng)設(shè)備毀損嚴重，造成了人員傷亡和嚴重的經(jīng)濟損失。為了避免輸電現(xiàn)場出現(xiàn)安全事故，需要對輸電現(xiàn)場作業(yè)安全態(tài)勢進行預(yù)測，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)場作業(yè)安全管控方法，該方法對管理因素、人員因素、環(huán)境因素和機械因素進行分析，構(gòu)建安全分析指標體系，在態(tài)勢函數(shù)中引入五元聯(lián)系數(shù)，采用全偏聯(lián)系數(shù)對輸電現(xiàn)場作業(yè)安全態(tài)勢進行預(yù)測，實現(xiàn)安全管控，該方法構(gòu)建的指標體系沒有應(yīng)用效用理論，導致風險識別率較低。楊楠[5]等人提出基于灰色關(guān)聯(lián)分析的輸電現(xiàn)場作業(yè)安全管控方法，該方法將預(yù)測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，在煙花算法中引入自適應(yīng)局部搜索策略和炸點管理策略修正灰色模型背景值的初始值修正項和權(quán)重系數(shù)，實現(xiàn)輸電現(xiàn)場作業(yè)安全管控，該方法在預(yù)測過程中沒用通過效應(yīng)理論實現(xiàn)安全態(tài)勢預(yù)測，導致預(yù)測準確率低、預(yù)測效率低。

為了解決上述方法中存在的問題，提出基于CAPSO-SNN的輸電現(xiàn)場作業(yè)安全管控措施。針對安全態(tài)勢預(yù)測準確率低及安全風險識別率低的問題，本文采用效用理論，分析了輸電現(xiàn)場作業(yè)風險影響因素指標，考慮多角度風險影響指標，以提升安全風險識別率及安全態(tài)勢預(yù)測準確率；通過CAPSO-SNN學習算法對脈沖神經(jīng)網(wǎng)絡(luò)進行訓練，對學習因子和慣性權(quán)重進行調(diào)整，避免輸電現(xiàn)場作業(yè)安全態(tài)勢預(yù)測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。通過輸電現(xiàn)場作業(yè)安全態(tài)勢預(yù)測結(jié)果制定風險管控措施，實現(xiàn)輸電現(xiàn)場作業(yè)安全管控。

2 輸電現(xiàn)場作業(yè)安全態(tài)勢指標

在輸電現(xiàn)場作業(yè)事故事件數(shù)據(jù)庫中提煉出具有代表性的作業(yè)風險影響因素，并在風險偏好型效用函數(shù)的基礎(chǔ)上建立態(tài)勢感知指標體系[6]。

2.1 輸電現(xiàn)場作業(yè)風險影響因素指標

分析和總結(jié)電力運營風險因素，將其分為人員屬性、心理及行為、設(shè)備、運營管理和環(huán)境5個1級因素，包括15個2級因素。建立的輸電現(xiàn)場作業(yè)風險影響因素指標如表1所示。

2.2 輸電現(xiàn)場作業(yè)風險影響因素特征值計算

假設(shè)i起輸電現(xiàn)場作業(yè)事故的y個2級風險影響因素風險影響因素矩陣為

R=[R1，R2，R3，…Ry]x×y

(1)

構(gòu)建y個2級風險影響因素的相關(guān)系數(shù)矩陣Y為

(2)

式中，Ltotal(t)代表的2級風險影響因素向量Rx、Ry的相關(guān)系數(shù)。

主成分的方差貢獻率與主成分的特征值成正比。當主成分的累積方差貢獻率大于設(shè)定的累積方差貢獻率閾值(通常為75%至95%)時[7]，可以認為前z個主成分可以反映m個風險影響因素的大部分信息。前z個主成分的累積方差貢獻率表達式如下

(3)

式中，λz表示前z個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)合一些事故樣本進行交叉驗證，并且可以設(shè)置驗證誤差最小的影響因素主成分數(shù)和相關(guān)負載系數(shù)的閾值。

3 輸電現(xiàn)場作業(yè)安全態(tài)勢預(yù)測

輸電現(xiàn)場作業(yè)安全事故數(shù)據(jù)庫涵蓋了帶有時間戳的潛在風險影響因素信息，但它通常僅提供每次運行事故后果綜合評估結(jié)果，不能在每種情況發(fā)生時反映每種風險影響因素的不同狀態(tài)。導致輸電現(xiàn)場作業(yè)安全事故后果與操作過程中各種風險影響因素的關(guān)系無法得到準確判斷。為此提出基于CAPSO-SNN的輸電現(xiàn)場作業(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CAPSO算法訓練SNN模型，對基于CAPSO-SNN的SA模型進行離線訓練，用于評估操作事故樣本集的關(guān)鍵風險控制點，在線跟蹤操作風險并制定針對性的風險控制措施[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會決定神經(jīng)元的膜電位。神經(jīng)元f在tf時刻接收一系列脈沖，當預(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，神經(jīng)元f此時會發(fā)送脈沖信號，f對應(yīng)的膜電位Vf(t)可通過下式計算得到

(4)

(5)

式中，τ描述的是衰減時間常數(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)上實現(xiàn)的，假設(shè)在l為空間中有k個飛行粒子，其中vr=(vr1，vr2，…，vrl)、zr=(zr1，zr2，…，zrl)分別描述第r個粒子對應(yīng)的飛行速度和位置。Pg=(pg1，pg2，…，pgl)為全局粒子在迭代過程中的最優(yōu)位置；Pr=(pr1，pr2，…，prl)代表的是個體粒子經(jīng)歷的最優(yōu)位置。PSO算法的第一步是對隨機解進行初始化處理，通過適應(yīng)度函數(shù)對隨機解對應(yīng)的適應(yīng)度進行迭代尋優(yōu)，獲得全局最優(yōu)解[9]，PSO算法通過下述公式實現(xiàn)進化

(6)

3.3 CAPSO-SNN學習算法

(7)

粒子之間的信息交換能力可以通過認知學習因子c1和社會學習因子c2決定，算法的性能可通過調(diào)整c1、c2得以提升，通過下述公式動態(tài)調(diào)整認知學習因子c1和社會學習因子c2：

(8)

式中，[c1min，c1max]代表的是認知學習因子c1的取值范圍；[c2min，c2max]代表的是社會學習因子c2的取值范圍。

利用CAPSO算法訓練SNN模型，獲得突觸端對應(yīng)的最優(yōu)權(quán)重，在不同狀態(tài)下分析各個風險因素的事故危害后果貢獻信息，對輸電現(xiàn)場作業(yè)安全態(tài)勢進行預(yù)測，制定風險管控措施，訓練的具體步驟如下：

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

2)設(shè)置SNN的參數(shù)和拓撲結(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，其表達式如下

(9)

4)評價粒子對應(yīng)的適應(yīng)度值，在Pr中存儲個體粒子的位置和粒子在迭代過程中獲得的最優(yōu)適應(yīng)度值；在Pg中存儲全局粒子的位置和迭代過程中對應(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，同時動態(tài)調(diào)整學習因子c1、c2；

6)重新對調(diào)整后的粒子位置和速度進行計算，生成新粒子，通過步驟4)對粒子的自適應(yīng)度值進行更新，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 實驗及分析

為了驗證所提輸電現(xiàn)場作業(yè)安全管控措施的整體有效性，在MyEclipse8.6實驗軟件中對基于CAPSO-SNN的輸電現(xiàn)場作業(yè)安全管控措施進行測試。分別采用所提輸電現(xiàn)場作業(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)場作業(yè)安全管控方法(方法3)進行測試，測試上述方法的風險識別率，風險識別率測試結(jié)果用圖1進行描述。

圖1 風險識別率測試結(jié)果

分析圖中數(shù)據(jù)可知，方法1在輸電現(xiàn)場對安全風險的識別率在多次實驗過程中均高于方法2和方法3在輸電現(xiàn)場對安全風險的識別率，平均值為92.0%。這是因為所提方法在風險偏好型效用函數(shù)的基礎(chǔ)上建立態(tài)勢感知指標體系，用于在輸電現(xiàn)場識別安全風險，提高了風險識別率。

將安全態(tài)勢預(yù)測準確率和預(yù)測時間作為指標進一步對方法1、方法2和方法3進行測試，安全態(tài)勢預(yù)測準確率測試結(jié)果如圖2所示，安全態(tài)勢預(yù)測時間如圖3所示。

圖2 安全態(tài)勢預(yù)測準確率測試結(jié)果

圖3 安全態(tài)勢預(yù)測時間測試結(jié)果

分析圖2和圖3中的數(shù)據(jù)可知，方法1的風險預(yù)測準確率和風險預(yù)測時間的測試結(jié)果均優(yōu)于方法2和方法3，平均值分別為97.5%及0.5s。因為所提方法利用CAPSO算法對SNN模型進行訓練，將利用風險偏好型效用函數(shù)選取的態(tài)勢感知指標值輸入訓練后的模型中，可在較短的時間內(nèi)實現(xiàn)輸電現(xiàn)場作業(yè)安全態(tài)勢的預(yù)測，提高了所提方法的有效性。

5 結(jié)束語

輸電施工現(xiàn)場是人員集中、露天、作業(yè)面變化大、臨時設(shè)施多的生產(chǎn)場所，由于人機流動性大、作業(yè)環(huán)境多變，在輸電現(xiàn)場存在很多不安全因素，因此通過預(yù)測輸電現(xiàn)場作業(yè)安全態(tài)勢，實現(xiàn)安全管控是至關(guān)重要的。目前輸電現(xiàn)場作業(yè)安全態(tài)勢預(yù)測方法存在風險識別率低、安全態(tài)勢預(yù)測準確率低和安全態(tài)勢預(yù)測效率低的問題，提出基于CAPSO-SNN的輸電現(xiàn)場作業(yè)安全管控措施，利用CAPSO算法優(yōu)化SNN模型，并將安全態(tài)勢指標輸入模型中，實現(xiàn)安全態(tài)勢的預(yù)測，根據(jù)預(yù)測結(jié)果規(guī)劃安全管控措施。通過試驗分析得到結(jié)論如下：

1)所提輸電現(xiàn)場作業(yè)安全管控措施的風險識別率平均值為92.0%，高于實驗對比方法。這是由于本文采用風險偏好型效用函數(shù)，構(gòu)建了多角度的輸電現(xiàn)場作業(yè)風險影響因素指標，建立了全方位的態(tài)勢感知指標體系，因此風險識別率較高。

2)所提輸電現(xiàn)場作業(yè)安全管控措施的風險預(yù)測準確率平均值為97.5%，這是由于全方位態(tài)勢感知指標體系的建立，提高了風險識別率，相應(yīng)提升了風險預(yù)測準確率。

3)所提輸電現(xiàn)場作業(yè)安全管控措施的風險預(yù)測時間為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)場作業(yè)安全態(tài)勢預(yù)測陷入局部最優(yōu)，從而有效提升風險預(yù)測效率。