基于大數(shù)據(jù)分析的電網(wǎng)外包單位安全評價研究

劉 聰 楊 輝 魏 琨 景 鈺

（國網(wǎng)甘肅省電力公司定西供電公司）

0 引言

電力安全與政治安全、經(jīng)濟安全、網(wǎng)絡(luò)安全、社會安全等諸多領(lǐng)域密切關(guān)聯(lián)，一旦發(fā)生大面積停電事件，可能引發(fā)跨領(lǐng)域連鎖反應(yīng)，導(dǎo)致重大經(jīng)濟財產(chǎn)損失，甚至引發(fā)社會恐慌，危及國家安全。隨著電網(wǎng)建設(shè)步伐的不斷加快，電網(wǎng)工程量持續(xù)增大，電力工程外包隊伍不斷增多，電力外包工程和外包施工單位的安全管理被提到越來越重要的位置，建立電力外包施工單位安全管理評價體系成為提升外包安全管理水平的迫切需要［1］。

國家電網(wǎng)有限公司2023年安全生產(chǎn)工作相關(guān)意見指出，應(yīng)“鞏固和延伸安全生產(chǎn)專項整治三年行動成效，常態(tài)化抓好長期風(fēng)險管控，鞏固整治成效”。為確保生產(chǎn)作業(yè)安全和建設(shè)施工安全，牢牢守住安全生命線，科學(xué)運用大數(shù)據(jù)分析技術(shù)，開展外包單位安全體系評價建設(shè)，是深入落實安全生產(chǎn)專項整治行動的一項具體實踐，有助于健全完善安全管理體系，提升科學(xué)管理水平，建設(shè)安全生產(chǎn)長效機制，推進安全治理體系和治理能力現(xiàn)代化［2］。

1 電網(wǎng)外包單位安全評價研究思路

首先，開展理論研究，對電網(wǎng)企業(yè)安全管理、外包單位安全管理、評價方法及模型等概念進行梳理，為打通電網(wǎng)企業(yè)外包單位安全評價體系構(gòu)建的底層邏輯提供理論支撐。其次，開展實證研究，通過文獻綜述法、對標(biāo)方法論，開展外包單位安全評價體系實踐分析，梳理不足和薄弱環(huán)節(jié)，以問題為導(dǎo)向構(gòu)建基于大數(shù)據(jù)分析方法的的外包單位安全評價體系。再次，構(gòu)建基于大數(shù)據(jù)分析的外包單位安全評價指標(biāo)體系，以3C要素作為理論基礎(chǔ)，結(jié)合外包單位安全管理實際，構(gòu)建“4S”外包單位安全評價指標(biāo)體系，初步選定外包單位安全評價指標(biāo)。然后，進行安全評價指標(biāo)數(shù)據(jù)的采集和預(yù)處理，通過特征工程對指標(biāo)進行特征衍生、特征抽象化等一系列操作，利用皮爾森相關(guān)性圖譜篩選出與目標(biāo)變量相關(guān)性較高的特征，降低模型學(xué)習(xí)難度。接著，采用隨機森林算法對特征的權(quán)重進行評判和排序，確定最終指標(biāo)及權(quán)重。最后，進行算例分析，通過模型計算出外包單位安全評價分值，并根據(jù)分值將外包單位安全評價分級［3］。

2 基于大數(shù)據(jù)分析的電網(wǎng)外包單位安全評價研究

2.1 指標(biāo)選取

（1）安全屬性指標(biāo)

安全屬性指標(biāo)主要考核外包單位在資歷、規(guī)模、業(yè)績等方面所具備的綜合條件及進行投標(biāo)或履約的基本能力。評價指標(biāo)體系下設(shè)二級指標(biāo)和三級指標(biāo)，二級指標(biāo)包括企業(yè)資源、經(jīng)營狀況、獎懲記錄三項，下設(shè)的三級指標(biāo)為具體的評價項。

（2）安全行為指標(biāo)

安全行為指標(biāo)主要指電網(wǎng)施工外包單位在國網(wǎng)系統(tǒng)內(nèi)生產(chǎn)作業(yè)中累計的安全行為信息，反映電網(wǎng)施工外包單位在工程建設(shè)過程中的安全施工能力，評價指標(biāo)體系下設(shè)二級指標(biāo)和三級指標(biāo)，二級指標(biāo)包括施工安全違章、安全作業(yè)風(fēng)險、安全負面清單數(shù)、違章記分數(shù)四項，下設(shè)的三級指標(biāo)為具體的評價項。

（3）安全資質(zhì)指標(biāo)

安全資質(zhì)指標(biāo)主要是評估電網(wǎng)施工外包單位是否具備足夠施工能力且資信良好的企業(yè)，是外包單位安全準(zhǔn)入的重要標(biāo)準(zhǔn)之一。評價指標(biāo)體系下設(shè)二級指標(biāo)和三級指標(biāo)，二級指標(biāo)包括安全資信、安全承載力、安全投入三項，下設(shè)的三級指標(biāo)為具體的評價項。

（4）安全否決性指標(biāo)

“安全具有否決權(quán)”的原則指安全生產(chǎn)工作是衡量工程項目管理的一項基本內(nèi)容，它要求對各項指標(biāo)考核，評優(yōu)創(chuàng)先時首先必須考慮安全指標(biāo)的完成情況。安全指標(biāo)沒有實現(xiàn)，即使其他指標(biāo)順利完成，仍無法實現(xiàn)項目的最優(yōu)化，安全具有一票否決的作用。

依據(jù)安全生產(chǎn)監(jiān)管基本原則中“安全具有否決權(quán)”的原則，本研究構(gòu)建的外包單位安全信用評價指標(biāo)體系設(shè)立安全否決性指標(biāo)，即近三年內(nèi)發(fā)生人身安全事故的外包單位評價得分為0。

2.2 模型構(gòu)建

（1）數(shù)據(jù)采集

對于內(nèi)部數(shù)據(jù)源，主要從各業(yè)務(wù)生產(chǎn)系統(tǒng)后臺導(dǎo)出相應(yīng)數(shù)據(jù)，以安全生產(chǎn)風(fēng)險管控平臺及其手機APP、隴源掌培為核心數(shù)據(jù)源。對于外部數(shù)據(jù)源，主要使用網(wǎng)絡(luò)爬蟲進行采集，以應(yīng)急管理部、國家發(fā)改委和信用中國網(wǎng)站為核心數(shù)據(jù)源。以2021年1月1日至2022年12月21日為時間區(qū)間，共采集獲得超過60張表單，10.3萬條數(shù)據(jù)，80MB大小的數(shù)據(jù)文件。

（2）數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)清洗

電網(wǎng)施工外包單位安全評價數(shù)據(jù)內(nèi)外部數(shù)據(jù)源頭眾多，數(shù)據(jù)采集方法不同，所采集的安全信用基礎(chǔ)數(shù)據(jù)也難以避免存在錯誤、重復(fù)、無效、相互沖突等（即“臟”數(shù)據(jù)）問題。本研究采用均方差方式檢測異常值，采用數(shù)據(jù)分桶技術(shù)減少次要觀察誤差的影響，實現(xiàn)數(shù)據(jù)格式標(biāo)準(zhǔn)化，清除異常數(shù)據(jù)，糾正錯誤數(shù)據(jù)，清除重復(fù)數(shù)據(jù)。

2）特征工程

特征抽象（feature abstraction）是指將數(shù)據(jù)轉(zhuǎn)換成算法可以理解的數(shù)據(jù)。對于獨立變量，比如將有安全生產(chǎn)許可證編碼為1，無安全生產(chǎn)許可證編碼為0。特征縮放（peature scaling）是指將變量數(shù)據(jù)經(jīng)過處理之后限定到一定的范圍之內(nèi)。特征縮放本質(zhì)是一個去量綱的過程，同時可以加快算法收斂的速度。

3）特征選擇

當(dāng)數(shù)據(jù)預(yù)處理完成后，需要選擇有意義的特征輸入機器學(xué)習(xí)的算法和模型進行訓(xùn)練。

基于Filter，主要采用了方差選擇法、Pearson相關(guān)系數(shù)、卡方檢驗、互消息法四種方法進行特征選擇，最后將選擇結(jié)果進行匯總，得出最終使用的特征變量。

（3）指標(biāo)權(quán)重計算

數(shù)據(jù)集劃分。鑒于數(shù)據(jù)規(guī)模，本研究采用自助法來劃分數(shù)據(jù)集，即每次從數(shù)據(jù)集D中取一個樣本作為訓(xùn)練集中的元素，然后把該樣本放回，重復(fù)該行為m次，這樣就可以得到大小為m的訓(xùn)練集，在這里面有的樣本重復(fù)出現(xiàn)，有的樣本則沒有出現(xiàn)過，把那些沒有出現(xiàn)過的樣本作為測試集。

評價指標(biāo)。在模型訓(xùn)練結(jié)束后，采用AUC作為模型評價指標(biāo)。為了直觀表示邏輯回歸中正負例的界定現(xiàn)象，引入ROC曲線，根據(jù)分類結(jié)果計算得到ROC空間中相應(yīng)的點，連接這些點就形成ROC曲線。一般情況下，ROC曲線越接近左上角，該分類器的性能越好，其泛化性能就越好。同時，如果ROC是光滑的，那么基本可以判斷沒有太大的過度擬合。

3 算例分析

3.1 計算安全評價分值

本研究以5家外包單位的安全屬性、安全行為、安全資質(zhì)三個維度下設(shè)的各項指標(biāo)數(shù)據(jù)做算例分析，采用隨機森林算法，將其作為計算安全評價分值的基礎(chǔ)技術(shù)。

首先，讀取實驗使用的數(shù)據(jù)集；接著，通過均等階梯記分、功效系數(shù)法等評價方法，將5家外包單位各項指標(biāo)數(shù)據(jù)得分情況進行計算，并基于計算結(jié)果生成相應(yīng)熱力圖。

然后，通過最終的相關(guān)性計算結(jié)果，選取與外包企業(yè)安全評估相關(guān)性大于0.5的16個指標(biāo)?；谶@16個指標(biāo)，對之前選定的所有指標(biāo)進行篩選，去除其余指標(biāo)，以確保最終外包企業(yè)安全評估得分的科學(xué)性與真實性。

最后，將篩選后的數(shù)據(jù)送入隨機森林中進行訓(xùn)練，通過隨機森林求得每一個指標(biāo)占取外包企業(yè)最終安全評估指標(biāo)得分的權(quán)重，見下表。

表 篩選后指標(biāo)權(quán)重計算結(jié)果

觀測計算結(jié)果可知，由于指標(biāo)數(shù)較多，每一個指標(biāo)的所占權(quán)重都較小。因此，本研究基于這16個指標(biāo)的權(quán)重，與其對應(yīng)的企業(yè)指標(biāo)值相乘，并將計算得到的所有指標(biāo)值相加，最終得到該企業(yè)的安全評價分值，實現(xiàn)外包企業(yè)安全量化評估。

根據(jù)計算，5家外包單位的安全評價分值分別為：企業(yè)A得分57.42分；企業(yè)B得分80.00分；企業(yè)C得分64.61分；企業(yè)D得分77.37分；企業(yè)E得分79.31分。

3.2 劃分安全信用等級

在通過隨機森林計算出外包單位安全評價得分后，針對得分情況，將其劃分為五個等級，即差（D級，＜60分）、較差（C級，60～69分）、達標(biāo)（B級，70～79分）、良好（A級，80～89分）和優(yōu)秀（A＋級，90～100分）?；谝陨现笜?biāo)，在每次計算出外包單位安全評價得分后對其進行歸類，最終實現(xiàn)對外包單位的安全評級。

根據(jù)前述安全評價分值計算結(jié)果，企業(yè)A安全評價分值57.42分，根據(jù)劃分結(jié)果，安全信用等級為D級，安全信用差，在安全準(zhǔn)入評估時可以選擇排除，不予考慮這類單位；企業(yè)B安全評價分值80.00分，安全信用等級為A級，安全信用良好，在安全準(zhǔn)入評估時可以優(yōu)先選擇這類單位；企業(yè)C安全評價分值64.61分，安全信用等級為C級，安全信用較差，在安全準(zhǔn)入評估時應(yīng)盡量避免選擇這類單位；企業(yè)D和企業(yè)E的安全評價分值分別為77.37分和79.31分，安全信用等級為B級，安全信用達標(biāo)，在安全準(zhǔn)入評估時可以多加關(guān)注這類單位。

3.3 算法對比分析

為驗證隨機森林在計算外包單位安全指標(biāo)之間相關(guān)性的有效性，本課題將隨機森林算法與SVM支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)算法三種算法進行了對比。

從計算復(fù)雜度來看，神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)節(jié)點組合而成，每一個節(jié)點都要計算與另一個節(jié)點之間的權(quán)重。SVM支持向量機算法則需選擇一個核函數(shù)，通過該函數(shù)對相關(guān)性進行求解，但這個核函數(shù)也較為復(fù)雜。對比之下，隨機森林算法由于可對樹數(shù)量進行設(shè)置，而本研究選用的指標(biāo)為27個，樹數(shù)量設(shè)置為10以下即可，因此計算復(fù)雜度相較于以上二者較低。

從實現(xiàn)時間來看，隨機森林算法需5min，SVM支持向量機算法需12min，神經(jīng)網(wǎng)絡(luò)算法需17min，隨機森林算法所需時間遠遠小于其他兩種算法。

從實現(xiàn)效果來看，由于采集數(shù)據(jù)中含有人工生成的數(shù)據(jù)，整體數(shù)據(jù)規(guī)模也較小，使用神經(jīng)網(wǎng)絡(luò)算法和SVM決策樹算法會導(dǎo)致過擬合的情況（即低復(fù)雜度的數(shù)據(jù)采用了高復(fù)雜度的算法實現(xiàn)），最終效果較差，而隨機森林算法能夠很好地解決該問題。

為了獲得更好的算法對比計算效果，本研究搭建了算法對比所需的實驗環(huán)境，具體軟、硬件參數(shù)為：Ubuntu20.04.1操作系統(tǒng)，Intel（R）Core（TM）i7-9700K處理，七彩虹RTX2080super顯卡（16GB內(nèi)存），3.8.12版本Python軟件、1.12.0版本Pytorch軟件。

4 結(jié)束語

通過對驗證集的指標(biāo)進行計算，最終得出3種算法的最終效果，隨機森林算法0.89，SVM支持向量機算法0.64，神經(jīng)網(wǎng)絡(luò)算法0.74。因此，隨機森林算法在外包單位安全評估任務(wù)上，相較于其他兩種算法所需時間更少、實現(xiàn)效果更好，更適用于本研究的外包單位安全指標(biāo)權(quán)重計算。