基于CART回歸樹模型的變電站施工安全事故分析與預(yù)測(cè)*

田 浩，盧 博，楊彥東，卜劍沖，鄧建新，李東昌

(國網(wǎng)寧夏電力有限公司經(jīng)濟(jì)技術(shù)研究院，寧夏 銀川 750011)

0 引言

社會(huì)經(jīng)濟(jì)進(jìn)步的同時(shí)，社會(huì)用電需求急劇增加.為了滿足社會(huì)各界的需求，變電站的規(guī)模和數(shù)量也隨之?dāng)U大[1].但與其他建設(shè)工程不同，變電站的建設(shè)涉及更加復(fù)雜的變電設(shè)備，現(xiàn)場(chǎng)施工極易出現(xiàn)安全事故.在變電站基礎(chǔ)建設(shè)、設(shè)施安裝過程中，設(shè)計(jì)到多個(gè)環(huán)節(jié)，一旦建設(shè)過程中出現(xiàn)安全事故，不僅會(huì)影響施工進(jìn)度、造成經(jīng)濟(jì)損失，甚至有可能威脅到相關(guān)人員的安全[2].因此，變電站施工階段需要加強(qiáng)施工現(xiàn)場(chǎng)安全管理，而如何根據(jù)剖析施工安全事故特征，并基于此進(jìn)行事故預(yù)測(cè)，成為很多研究人員關(guān)注的重點(diǎn)問題.

國內(nèi)大量學(xué)者對(duì)此展開了研究，如林穿等[3]從歷史施工數(shù)據(jù)入手，提取變電站施工安全事故發(fā)生前后現(xiàn)場(chǎng)數(shù)據(jù)的關(guān)聯(lián)規(guī)則，以此為基礎(chǔ)建立事件鏈.通過熱力圖矩陣，計(jì)算各事件鏈的泛化權(quán)重，形成事故事理圖譜.應(yīng)用圖譜對(duì)當(dāng)前施工現(xiàn)場(chǎng)相關(guān)數(shù)據(jù)進(jìn)行分析，即可得出事故預(yù)測(cè)結(jié)果.然而實(shí)際結(jié)果表明，該方法預(yù)測(cè)結(jié)果準(zhǔn)確率較低.潘靜娟等[4]運(yùn)用數(shù)字孿生技術(shù)搭建變電站施工現(xiàn)場(chǎng)三維模型，并定位高風(fēng)險(xiǎn)的施工區(qū)域.經(jīng)由固定攝像頭采集現(xiàn)場(chǎng)施工圖像，通過觀察圖像提取施工人員行為特征，對(duì)比該特征與作業(yè)條件庫的風(fēng)險(xiǎn)閾值，得出施工安全事故預(yù)測(cè)結(jié)果.然而實(shí)際結(jié)果表明，該預(yù)測(cè)模型的泛化能力有限.梁杰等[5]依托于大數(shù)據(jù)特征采樣方法，提取現(xiàn)場(chǎng)施工數(shù)據(jù)包含的特征信息，而后采用建筑信息模型(building information modeling，BIM)進(jìn)行多元回歸分析，得出變電站施工安全事故預(yù)測(cè)結(jié)果.將其投入實(shí)際工作后發(fā)現(xiàn)，該方法預(yù)測(cè)結(jié)果的可靠性不高.

為解決以上方法中存在的問題，得到準(zhǔn)確的變電站施工安全事故預(yù)測(cè)結(jié)果，本次研究提出先對(duì)常見事故進(jìn)行深入分析，了解事故表征信息，在此基礎(chǔ)上建立以分類回歸樹(classification and regression tree，CART)模型為核心的變電站施工安全事故預(yù)測(cè)方法.通過實(shí)驗(yàn)驗(yàn)證可知，該方法預(yù)測(cè)結(jié)果極為準(zhǔn)確，可以作為施工安全風(fēng)險(xiǎn)防范的指導(dǎo).

1 基于CART回歸樹模型的變電站施工安全事故分析與預(yù)測(cè)方法設(shè)計(jì)

1.1 變電站施工現(xiàn)場(chǎng)數(shù)據(jù)采集與處理

在變電站施工現(xiàn)場(chǎng)安裝雷達(dá)、視頻等固定監(jiān)測(cè)設(shè)備，實(shí)施固定型采集技術(shù)，主動(dòng)獲取現(xiàn)場(chǎng)施工數(shù)據(jù).再應(yīng)用移動(dòng)型采集技術(shù)，獲取固定采集設(shè)備忽略的數(shù)據(jù).兩種技術(shù)采集數(shù)據(jù)相結(jié)合，作為后續(xù)施工安全事故預(yù)測(cè)的基礎(chǔ).

考慮到實(shí)時(shí)采集的現(xiàn)場(chǎng)施工數(shù)據(jù)中存在較多噪聲數(shù)據(jù)，為了簡(jiǎn)化后續(xù)事故預(yù)測(cè)復(fù)雜度，在分析數(shù)據(jù)主成分的基礎(chǔ)上，增加數(shù)據(jù)降維和篩選的步驟.然后再對(duì)數(shù)據(jù)實(shí)施正交線性變換，將原始數(shù)據(jù)向低維歐氏空間投影[6]，再根據(jù)變換結(jié)果了解每個(gè)數(shù)據(jù)的方差，按照方差從大到小的原則排序所有數(shù)據(jù)，將方差最大的數(shù)據(jù)稱之為主成分，保留排序靠前的數(shù)據(jù)，舍棄排名最后的數(shù)據(jù)，保證有效信息不丟失的前提下，完成變電站施工相關(guān)數(shù)據(jù)篩選.針對(duì)現(xiàn)場(chǎng)采集的變電站施工數(shù)據(jù)進(jìn)行處理時(shí)，需要先提取數(shù)據(jù)包含的特征值，建立特征矩陣，與非負(fù)對(duì)角矩陣相結(jié)合，進(jìn)行主成分?jǐn)?shù)據(jù)分析.

Y=XW=α×?×W，

(1)

式中：Y為主成分?jǐn)?shù)據(jù)；X為現(xiàn)場(chǎng)采集數(shù)據(jù)；W為原始數(shù)據(jù)的協(xié)方差特征；α為原始數(shù)據(jù)特征；?為對(duì)角矩陣.

由于數(shù)據(jù)的縮放處理會(huì)影響主成分分析結(jié)果，為了得到質(zhì)量更高的篩選數(shù)據(jù)，需要在主成分分析之前，歸一化處理原始數(shù)據(jù)，消除不同維度數(shù)據(jù)縮放帶來的負(fù)面影響.

1.2 提取施工安全事故前兆特征

變電站施工過程中，將施工狀態(tài)描述為正常、過渡和危險(xiǎn)三種類型，如圖1所示.

圖1 變電站施工狀態(tài)劃分示意圖Fig.1 Schematic diagram of substation construction state division

在不同的施工狀態(tài)下，現(xiàn)場(chǎng)施工相關(guān)數(shù)據(jù)的表征信息不同，本研究提出針對(duì)變電站施工安全事故進(jìn)行深入分析，提取施工安全事故前兆特征，這也是預(yù)測(cè)施工安全事故的基礎(chǔ)[7].實(shí)際操作過程中，將不同施工狀態(tài)的特征向量表示為：

xi={ti，μi，F(xiàn)i，?i，Hi}，

(2)

式中：xi為第i個(gè)特征樣本數(shù)據(jù)，且i∈n；t為數(shù)據(jù)采集時(shí)間；μ為施工現(xiàn)場(chǎng)數(shù)據(jù)采集位置；F為平均氣溫；?為天氣狀況；H為施工速度.

由式(2)可知，變電站施工狀態(tài)包含了數(shù)個(gè)特征變量，為了更加準(zhǔn)確、快速地得出變電站施工安全事故預(yù)測(cè)結(jié)果，需要對(duì)特征變量進(jìn)行合理選取，篩選出具有代表性的事故前兆特征[8].分類器錯(cuò)誤率示意圖如圖2所示，以施工狀態(tài)分類錯(cuò)誤率為準(zhǔn)則，描述正常施工狀態(tài)決策區(qū)域和危險(xiǎn)施工狀態(tài)決策區(qū)域，二者相結(jié)合形成整體的決策區(qū)域.

圖2 分類器錯(cuò)誤率示意圖Fig.2 Schematic diagram of classifier error rate

從圖2也可以看出，陰影區(qū)域?qū)儆诜诸愬e(cuò)誤區(qū)域，將數(shù)據(jù)樣本被錯(cuò)誤識(shí)別為正常施工狀態(tài)的可能性，表示為第一類錯(cuò)誤率，其計(jì)算過程如公式(3)所示.

(3)

式中：P′為第一類錯(cuò)誤率；B1為正常施工狀態(tài)決策區(qū)域；η2為危險(xiǎn)施工狀態(tài)；λ為先驗(yàn)概率.

與之相對(duì)地，用第二類錯(cuò)誤率，反映危險(xiǎn)施工狀態(tài)決策區(qū)域的特征數(shù)據(jù)樣本，屬于正常施工狀態(tài)的概率，具體計(jì)算公式為：

(4)

式中：P″為第二類錯(cuò)誤率；B2為危險(xiǎn)施工狀態(tài)決策區(qū)域；η1為正常施工狀態(tài).

而后，二者相結(jié)合得出平均錯(cuò)誤率為：

(5)

考慮到直接計(jì)算錯(cuò)誤率的難度較大，文中提出一套與錯(cuò)誤率密切相關(guān)的概率密度函數(shù).

(6)

式中：z為平均值特征；ψ為概率密度函數(shù)；Δt為施工數(shù)據(jù)采集周期.

定義概率密度函數(shù)的似然比，作為散度度量，該度量值越大表明當(dāng)前特征條件更加重要，可以更好地反映變電站施工狀態(tài)[9].基于此提出基于概率分布的可分性判據(jù)，以此來判斷變電站施工特征分布密度的交疊程度，從而選擇合理的事故前兆特征.

1.3 基于CART模型實(shí)現(xiàn)事故預(yù)測(cè)

從事故前兆特征入手，文中提出以CART回歸樹模型為基礎(chǔ)，建立變電站施工安全事故預(yù)測(cè)決策樹的根節(jié)點(diǎn).首先，運(yùn)用二元切分法、基尼指數(shù)對(duì)數(shù)據(jù)特征進(jìn)行不斷分割，直到當(dāng)前采集施工數(shù)據(jù)的所有特征都清晰展現(xiàn)出來.其中，基尼指數(shù)可以表示為：

(7)

式中：G為基尼指數(shù)；D為變電站施工數(shù)據(jù)集；D1、D2分別為D劃分形成的兩個(gè)子數(shù)據(jù)集；J為特征向量.

通過基尼指數(shù)完成變電站施工事故數(shù)據(jù)特征歸類處理后，選擇最優(yōu)特征作為CART回歸樹的根節(jié)點(diǎn)，再引入并行化和損失函數(shù)，構(gòu)建CART回歸樹基本模型.在此基礎(chǔ)上，確定回歸樹葉節(jié)點(diǎn)[10].回歸樹生成過程中，需要按照樣本屬性差異化，對(duì)原始樣本空間進(jìn)行遞歸劃分[10]，如圖3所示.

圖3 樣本空間劃分示意圖Fig.3 Schematic diagram of sample space division

樣本屬性差異化程度可表示為：

(8)

式中：S為樣本屬性差異化程度；ζ(M)為總樣本目標(biāo)屬性的標(biāo)準(zhǔn)差；M為總樣本空間；M1、M2為子樣本空間.

樣本空間劃分結(jié)束后，應(yīng)用支持向量機(jī)(support vector machine，SVM)[11-13]回歸算法構(gòu)建葉節(jié)點(diǎn)，定義葉節(jié)點(diǎn)的回歸方程為：

f(xi)=τK(xi)+b，

(9)

式中：f為最優(yōu)分類平面；τ為法向量；K為核函數(shù)；b為偏置項(xiàng).

為解決輸入特征向量和評(píng)判指標(biāo)間的非線性關(guān)系，將映射到高維克難攻堅(jiān)轉(zhuǎn)化為線性問題.因此，該模型的優(yōu)化問題可以表示為：

(10)

約束條件為：

(11)

利用拉格朗日函數(shù)求解，考慮非線性可分情況，可以得到最優(yōu)超平面的決策函數(shù)：

f(x)=uK(x)+b′，

(12)

式中：u為拉格朗日乘子；b′為優(yōu)化后的偏置項(xiàng).

通過上述操作，構(gòu)建出可用作變電站施工安全事故預(yù)測(cè)的CART回歸樹模型.為了加強(qiáng)預(yù)測(cè)準(zhǔn)確性，需要進(jìn)行修剪操作，從回歸樹底端入手遞歸處理，利用葉節(jié)點(diǎn)代替冗余子樹，從而建立最優(yōu)的決策樹.在剪枝處理后實(shí)施平滑處理，保證相鄰葉節(jié)點(diǎn)的連續(xù)性，應(yīng)用該CART回歸樹模型可以進(jìn)行變電站施工安全事故預(yù)測(cè).

1.4 生成施工

由于變電站施工安全事故包括很多種類型，在實(shí)際預(yù)測(cè)過程中，需要先對(duì) CART回歸樹模型進(jìn)行事故預(yù)測(cè)的多次訓(xùn)練，每次訓(xùn)練都需要提高前一次錯(cuò)分?jǐn)?shù)據(jù)的權(quán)重，從而提升模型梯度，確保事故預(yù)測(cè)模型具有更好的表現(xiàn)[14-15].應(yīng)用損失函數(shù)，衡量事故預(yù)測(cè)模型出錯(cuò)概率.在迭代訓(xùn)練時(shí)，為使損失函數(shù)保持下降態(tài)勢(shì)，將其下降方向定義為梯度方向，由此得到最終變電站施工安全事故預(yù)測(cè)模型的函數(shù)形式如公式(13)所示：

(13)

式中：ζ為預(yù)測(cè)函數(shù)；εm為梯度方向；ιm為模型權(quán)重；j為回歸樹節(jié)點(diǎn)；m為回歸樹的總數(shù)量；ιj為j節(jié)點(diǎn)回歸樹的權(quán)重；εj為j節(jié)點(diǎn)回歸樹梯度方向.

在每次訓(xùn)練后，都需要獲取預(yù)測(cè)損失函數(shù)，并以此為基礎(chǔ)優(yōu)化預(yù)測(cè)模型的每個(gè)參數(shù).再應(yīng)用訓(xùn)練后的模型提取出施工安全事故前兆特征，分析現(xiàn)場(chǎng)施工數(shù)據(jù)，生成高精度的施工安全事故預(yù)測(cè)結(jié)果.

2 測(cè)試與結(jié)果分析

2.1 工程概況

本次實(shí)驗(yàn)以泉眼330 kV變電站工程作為依據(jù)，泉眼330 kV變電站位于吳忠市同心縣韋州鎮(zhèn)惠新公路北側(cè)，總用地面積30 725 m2.該站電壓等級(jí)為330 kV/110 kV/35 kV，主變?nèi)萘勘酒跒?×360 MVA；330 kV出線本期2回；110 kV出線本期10回；35 kV不出負(fù)荷線.

針對(duì)其他已完工的變電站工程進(jìn)行調(diào)查可知，在變電站施工過程中出現(xiàn)的主要安全事故為坍塌、墜落、打擊、觸電、火災(zāi)等.為了保證本變電站的施工安全，將本文所提方法、基于事理圖譜的文獻(xiàn)[3]方法和基于數(shù)字孿生技術(shù)的文獻(xiàn)[4]方法應(yīng)用到該變電站施工過程中，進(jìn)行為期一個(gè)月的安全事故分析和預(yù)測(cè)測(cè)試，驗(yàn)證所提方法的有效性.

2.2 事故預(yù)測(cè)結(jié)果

考慮到引起變電站施工安全事故發(fā)生原因很多，本次實(shí)驗(yàn)過程中考慮多方面因素，提取出施工安全事故前兆特征，并結(jié)合基尼指數(shù)最小化原則和SVM回歸算法，構(gòu)建可用于變電站施工安全事故預(yù)測(cè)的CART回歸樹模型，經(jīng)過剪枝操作、平滑處理后，最終形成圖4所示的變電站施工安全事故預(yù)測(cè)決策樹結(jié)構(gòu).

圖4 變電站施工安全事故預(yù)測(cè)決策樹結(jié)構(gòu)Fig.4 Decision tree structure of substation construction safety accident prediction

由圖4可知，變電站施工安全事故預(yù)測(cè)決策樹結(jié)構(gòu)，本質(zhì)上就是施工事故表征信息指標(biāo)體系，變電站工程等級(jí)、項(xiàng)目施工區(qū)域、天氣情況等多項(xiàng)安全事故誘發(fā)因素，都體現(xiàn)在該決策樹結(jié)構(gòu)中，并且都位于安全事故決策樹的前3層，這也表明這些因素可以對(duì)變電站施工安全事故預(yù)測(cè)結(jié)果產(chǎn)生極大影響.

依托于圖4所示的決策樹模型進(jìn)行回歸分析，即可在測(cè)試期間預(yù)測(cè)變電站出現(xiàn)的所有施工安全事故，并將本文所提方法與基于事理圖譜的文獻(xiàn)[3]方法和基于數(shù)字孿生技術(shù)的文獻(xiàn)[4]方法進(jìn)行施工安全事故預(yù)測(cè)量對(duì)比，結(jié)果如圖5所示.

圖5 不同方法預(yù)測(cè)的施工安全事故量Fig.5 Construction safety accidents predicted by different methods

由圖5的結(jié)果可知，本文所提方法對(duì)于變電站施工過程中的坍塌、工具墜落、物體打擊事故、觸電、火災(zāi)等安全事故能夠更多地預(yù)測(cè)出來.這表明本文基于CART回歸樹模型的變電站施工安全事故的預(yù)測(cè)方法靈敏度更高.主要是由于本文方法以CART回歸樹模型為基礎(chǔ)，建立變電站施工安全事故預(yù)測(cè)決策樹的根節(jié)點(diǎn)，再使用SVM回歸算法建立葉節(jié)點(diǎn)，形成可用于施工安全事故預(yù)測(cè)的最優(yōu)決策樹，使得能預(yù)測(cè)出更多的安全事故.

2.3 方法性能對(duì)比分析

為了進(jìn)一步驗(yàn)證所提方法的優(yōu)越性，選取受試者工作特征曲線(receiver operating characteristic，ROC)下的面積(area under the curve，AUC)值作為評(píng)估指標(biāo)，對(duì)比本文所提方法與文獻(xiàn)[3]方法和文獻(xiàn)[4]方法預(yù)測(cè)結(jié)果的應(yīng)用性能.通常情況下，AUC值的取值在0到1之間，越靠近1表明該方法預(yù)測(cè)結(jié)果更加準(zhǔn)確.從3種方法的施工安全事故預(yù)測(cè)結(jié)果入手，得出不同方法預(yù)測(cè)結(jié)果的ROC曲線，如圖6所示.

圖6 不同方法預(yù)測(cè)結(jié)果的ROC曲線Fig.6 ROC curve of prediction results by different methods

圖6顯示了3種方法下的ROC曲線，該曲線下方面積即為AUC值.本文所提方法預(yù)測(cè)結(jié)果的AUC值為0.91，而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的AUC值分別為0.82、0.78.綜上所述，本文所提方法相比于文獻(xiàn)[3]方法和文獻(xiàn)[4]方法事故預(yù)測(cè)結(jié)果的AUC值分別提升了9.89%、14.28%.因此，表明本文所提方法預(yù)測(cè)變電站施工安全事故的準(zhǔn)確率更高，主要是由于本文所提方法通過基于概率分布的可分性判據(jù)，以此來判斷變電站施工特征分布密度的交疊程度，從而選擇合理的事故前兆特征.說明本文所提方法可以預(yù)先識(shí)別出變電站施工安全事故，輔助現(xiàn)場(chǎng)管理人員制定合理的防范措施，避免施工安全事故的發(fā)生.

3 結(jié)論

在電力系統(tǒng)建設(shè)力度不斷加大的情況下，變電站建設(shè)工程規(guī)模也隨之?dāng)U大，考慮到變電站施工過程較為復(fù)雜，近年來施工事故不斷發(fā)生.為了降低變電站施工過程中面臨的安全壓力，本研究提出針對(duì)施工事故表征信息進(jìn)行深入分析，了解施工安全事故前兆特征，并結(jié)合CART回歸樹模型設(shè)計(jì)新型變電站施工事故預(yù)測(cè)方法，得到高精度的事故預(yù)測(cè)結(jié)果，作為提升變電站施工安全的依據(jù).