基于粗糙集和徑向基神經(jīng)網(wǎng)絡(luò)的電力生產(chǎn)人身安全風(fēng)險(xiǎn)評(píng)估

鄭曉靜 李佳欣 趙爽 葉楠

摘要：在粗糙集和徑向基神經(jīng)網(wǎng)絡(luò)理論的指導(dǎo)下，文章構(gòu)建了發(fā)電企業(yè)電力生產(chǎn)人身安全風(fēng)險(xiǎn)評(píng)估模型。首先，構(gòu)建了適用于電力領(lǐng)域的HFACS模型，包含操作失誤、違章行為等20個(gè)變量指標(biāo)。20個(gè)指標(biāo)用以描述電力生產(chǎn)事故人因致因因素。其次，利用粗糙集理論的屬性約簡(jiǎn)方法找出20個(gè)初始變量的約簡(jiǎn)變量，接著將約簡(jiǎn)后的不相關(guān)數(shù)據(jù)輸入用于安全風(fēng)險(xiǎn)評(píng)估的徑向基神經(jīng)網(wǎng)絡(luò)。最后，從我國(guó) 2012～2016年發(fā)生的264 起電力人身傷亡事故中隨機(jī)選取28個(gè)案例數(shù)據(jù)實(shí)現(xiàn)模型的訓(xùn)練及檢測(cè)。結(jié)果顯示，在滿足計(jì)算精度仍能滿足電力生產(chǎn)人身安全風(fēng)險(xiǎn)評(píng)估需要的前提下，徑向基網(wǎng)絡(luò)的輸入數(shù)據(jù)經(jīng)屬性約簡(jiǎn)20個(gè)后變?yōu)?3個(gè)，收斂速度得到了較大的提升。該模型可有效識(shí)別電力企業(yè)電力生產(chǎn)過程安全狀態(tài)，因此可有針對(duì)性地提出監(jiān)管和完善改進(jìn)政策。

關(guān)鍵詞：電力生產(chǎn)人身事故;粗糙集;RBF神經(jīng)網(wǎng)絡(luò);HFACS

我國(guó)經(jīng)濟(jì)快速發(fā)展催生了一批批自動(dòng)化程度高、智能化程度強(qiáng)、標(biāo)準(zhǔn)化水平高的電力企業(yè)，電力企業(yè)內(nèi)部設(shè)備不斷更新升級(jí)，因此電力企業(yè)電力生產(chǎn)事故中由機(jī)器故障導(dǎo)致的事故所占比例越來越小，相反，人為失誤在電力企業(yè)電力事故中的影響越來越大。我國(guó)電力企業(yè)在2008～2012年間，累計(jì)發(fā)生234 起電力生產(chǎn)安全事故，包括設(shè)備故障、電網(wǎng)事故等各類型電力事故，共造成145 人死亡，其中80%的電力事故是由人的失誤而發(fā)生的。因此，探究人為因素在電力事故中影響對(duì)電力行業(yè)安全生產(chǎn)具有重要意義。

曼徹斯特的大學(xué)教授James Reason1990年提出“Reason模型”描述了事故人為失效的四個(gè)層次。D.Wiegman等人 2002年通對(duì)“瑞士奶酪模型”中的四個(gè)層次的詳細(xì)闡述推演出了實(shí)用性較強(qiáng)的安全事故人因分析方法HFACS 模型。

為使安全事故人因因素各分類指標(biāo)更具有針對(duì)性，我國(guó)對(duì)HFACS的研究開始著力于在不同領(lǐng)域進(jìn)行詳細(xì)劃分?，F(xiàn)有研究開始著力于針對(duì)不同領(lǐng)域安全事故修正HFACS模型。然而，電力企業(yè)電力生產(chǎn)過程具有復(fù)雜的特性這使得初始HFACS部分指標(biāo)不能清楚描述電力生產(chǎn)隱患事故，鑒于此，本研究基于HFACS模型構(gòu)建了含20個(gè)指標(biāo)的分類系統(tǒng)來對(duì)電力企業(yè)安全生產(chǎn)進(jìn)行風(fēng)險(xiǎn)評(píng)估。對(duì)于電力企業(yè)來說，可操作性強(qiáng)的安全風(fēng)險(xiǎn)評(píng)估方法可幫助其實(shí)現(xiàn)全面管理，同時(shí)可提升電力生產(chǎn)過程安全水平，消除安全隱患。

電力生產(chǎn)人身事故影響因素較多，這些因素屬于非線性問題，因此很難用精確的數(shù)學(xué)模型進(jìn)行風(fēng)險(xiǎn)評(píng)估。粗糙集理論可用來處理信息不完整的案例模型，同時(shí)，粗糙集理論可對(duì)其他理論起到較強(qiáng)的互補(bǔ)作用。

神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能對(duì)預(yù)測(cè)有重要意義，于群等人利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電網(wǎng)停電事故的損失負(fù)荷，廖崢利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了輸電線舞動(dòng)情況?？傮w而言，神經(jīng)網(wǎng)絡(luò)在電力領(lǐng)域應(yīng)用較少，對(duì)電力生產(chǎn)總體安全狀態(tài)進(jìn)行風(fēng)險(xiǎn)評(píng)估的研究尚有欠缺。大量的實(shí)際應(yīng)用計(jì)算發(fā)現(xiàn)，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法有以下三個(gè)顯著缺點(diǎn)，收斂速度較慢、容錯(cuò)性較差、收斂結(jié)果不唯一，這大大降低了算法的實(shí)用性和算法的精確性。因此，學(xué)者們提出了基于決策規(guī)則的神經(jīng)網(wǎng)絡(luò)，成功克服了這一缺點(diǎn)。他基于由粗糙集理論得到的最簡(jiǎn)練的決策規(guī)則，建立了一種不完全連接的神經(jīng)網(wǎng)絡(luò)大大提高了收斂速度。本文結(jié)合糙集理論與RBF神經(jīng)網(wǎng)絡(luò)對(duì)電力生產(chǎn)人身安全進(jìn)行風(fēng)險(xiǎn)評(píng)估，首先利用粗糙集理論對(duì)電力生產(chǎn)事故人為致因因素進(jìn)行屬性約簡(jiǎn)，得到核屬性，進(jìn)而將減少的致因因素輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，大大提高了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度和模型精度。

一、指標(biāo)選擇與問卷調(diào)查

電力行業(yè)支撐著國(guó)民經(jīng)濟(jì)的生存與發(fā)展，是國(guó)民生活得以正常運(yùn)行的重要保障，加之電力事故所造成的損失難以估量，因此，加大對(duì)電力生產(chǎn)企業(yè)安全監(jiān)管，尤其是加強(qiáng)對(duì)人因失誤的監(jiān)管有著重要意義。本研究探索了事故隱患的人因因素，提出了有效的監(jiān)管防控策略，以期將人因失誤降低在可控范圍，減少電力事故人身傷亡率，從而保障電力行業(yè)的平穩(wěn)運(yùn)行。

結(jié)合電力企業(yè)生產(chǎn)特征對(duì)原始HFACS模型進(jìn)行了調(diào)整，使其能夠更好的描述電力企業(yè)事故的人因致因因素，具體來說，本文從不安全行為、不安全行為的前提條件、不安全監(jiān)督、組織影響四個(gè)層次選擇了操作失誤、違章行為、不良物理環(huán)境等20個(gè)變量指標(biāo)，并對(duì)其進(jìn)行重要性、完整性檢驗(yàn)，具體指標(biāo)見表1。

抽取了我國(guó)發(fā)生于2012～2016年間的電力人身傷亡事故28起來定量分析各指標(biāo)對(duì)電力生產(chǎn)安全風(fēng)險(xiǎn)的影響程度。本研究通過實(shí)地調(diào)查對(duì)其歸屬的電力生產(chǎn)企業(yè)相關(guān)人員進(jìn)行問卷調(diào)查，被調(diào)查者需根據(jù)企業(yè)實(shí)際情況對(duì)設(shè)計(jì)上述20個(gè)指標(biāo)的相關(guān)問題如實(shí)填寫。每個(gè)問題均設(shè)置5個(gè)選項(xiàng)，依次為很好、較好、一般、較差、很差。同時(shí)，被調(diào)查者和需根據(jù)自身經(jīng)驗(yàn)和知識(shí)，綜合考慮企業(yè)實(shí)際安全情況或發(fā)生事故的影響大小，對(duì)該電力事故安全風(fēng)險(xiǎn)進(jìn)行綜合評(píng)價(jià)，可供選擇的等級(jí)分別為：高風(fēng)險(xiǎn)用5級(jí)表示，較高風(fēng)險(xiǎn)用4級(jí)表示，中風(fēng)險(xiǎn)用3級(jí)表示，較低風(fēng)險(xiǎn)用2級(jí)表示，低風(fēng)險(xiǎn)用1級(jí)表示。每所企業(yè)隨機(jī)選取10為員工完成問卷，形成該電力企業(yè)電力生產(chǎn)的初始數(shù)據(jù)，對(duì)于初始數(shù)據(jù)進(jìn)行篩選，剔除嚴(yán)重不合格的問卷數(shù)據(jù)，同時(shí)對(duì)合格問卷數(shù)據(jù)取平均值，作為該企業(yè)較為可靠的安全風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)。

二、基于粗糙集理論的變量指標(biāo)分析

粗糙集理論常用定義為S=（U，A，V，F(xiàn)），U是對(duì)象的非空有限集合，即28起電力企業(yè)人身傷亡事故。A=C∪D，A為全體屬性集，本文指20個(gè)安全風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，其中C表示條件屬性集，D表示決策屬性集。V=Va為屬性值集合，Va為屬性a的值域。f為U×A→的映射函數(shù)，當(dāng)corm（M），u∈U，f（u，a）∈Va，f（u，a）為對(duì)象U在屬性E′i上的取值。每個(gè)屬于信息系統(tǒng)屬性子集M?A，都存在如下不可分辨關(guān)系：Ind（M）={（x，y）∈U×U：m∈M：m（x）=m（y）}。顯然Ind（M）是一個(gè)等價(jià)關(guān)系。在不混淆的情況下可用M代替Ind（M）。關(guān)系等價(jià)族M中所有不可約去的關(guān)系定義為核，那么由不可約去關(guān)系構(gòu)成的集合稱為M的核集，可記為corm（M）。

28起電力企業(yè)人身傷亡事故及20個(gè)安全風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)調(diào)查結(jié)果構(gòu)成知識(shí)表達(dá)系統(tǒng)的論域U。條件屬性集{x1，x2，x3，…，x20}，用很差、較差、一般、較好、很好表示各安全風(fēng)險(xiǎn)指標(biāo)實(shí)際狀況，離散后分別對(duì)應(yīng)數(shù)值5、4、3、2、1;決策屬性集={電力企業(yè)人身傷亡事故安全風(fēng)險(xiǎn)等級(jí)}，表示電力企業(yè)電力生產(chǎn)安全風(fēng)險(xiǎn)等級(jí)1-5級(jí)，離散后的取值分別為1、2、3、4、5。離散后的論域U如表2所示。

考慮到每個(gè)屬性的特點(diǎn)，每個(gè)屬性并不是必不可少的，甚至可能存在部分冗余的屬性。這就要求需要對(duì)論域中的C進(jìn)行約簡(jiǎn)。屬性集合僅經(jīng)屬性約簡(jiǎn)剔除冗余屬性是不夠的，因?yàn)榇藭r(shí)的集合仍然存在以下缺點(diǎn)，如規(guī)則概括能力不足、獲取的規(guī)則重復(fù)多等缺點(diǎn)，因此需要繼續(xù)對(duì)屬性進(jìn)行依靠數(shù)據(jù)中隱含決策知識(shí)的規(guī)則簡(jiǎn)化，由此克服神經(jīng)網(wǎng)絡(luò)輸出結(jié)果不唯一的缺點(diǎn)。

Step1：對(duì)屬性集合進(jìn)行依賴度分析。調(diào)用函數(shù)“Pos（C，D，X）”，計(jì)算C與D之間的依賴程度γ（C，D）=pos（C，D）/U，γ（C，D）∈[0，1]。計(jì)算得輸出比率為1，這意味著完全依賴于C（C→D），也意味C能完全區(qū)分D等價(jià)集。

Step2：進(jìn)行屬性約簡(jiǎn)。設(shè)a∈C，C′=C-{a}，在C′下的等價(jià)集E′i與決策屬性集D的等價(jià)集Y′j之間仍存在：當(dāng)時(shí)E′i∩Y′j=時(shí)E′i，屬性a是可省略的，否則a是不可省略的。調(diào)用函數(shù)“core（C，D）”得到10個(gè)核屬性：x1，x2，x4，x5，x9等。調(diào)用函數(shù)redu（C，D，X）可得1個(gè)最小屬性集，除核屬性外還有x3x7x19等3個(gè)屬性。輸出結(jié)果見表3。

三、徑向基神經(jīng)網(wǎng)絡(luò)評(píng)估

電力企業(yè)電力生產(chǎn)安全風(fēng)險(xiǎn)評(píng)估徑向基神經(jīng)網(wǎng)絡(luò)的輸入層為13個(gè)節(jié)點(diǎn)，即經(jīng)粗糙集分析約簡(jiǎn)后的13個(gè)認(rèn)人為事故致因因素。徑向基神經(jīng)網(wǎng)絡(luò)的輸出層為5個(gè)節(jié)點(diǎn)，對(duì)應(yīng)電力企業(yè)電力生產(chǎn)安全風(fēng)險(xiǎn)等級(jí)，具體如下1級(jí)可量化為（1，0，0，0，0），2級(jí)可量化為（0，1，0，0，0），3級(jí)可量化為（0，0，1，0，0），4可量化級(jí)為（0，0，0，1，0），5級(jí)可量化為（0，0，0，0，1）。

將28個(gè)電力企業(yè)相關(guān)數(shù)據(jù)中的前23組數(shù)據(jù)作為訓(xùn)練樣本子集，5組數(shù)據(jù)作為檢驗(yàn)樣本子集輸入BRF神經(jīng)網(wǎng)絡(luò)。將經(jīng)粗糙集理論屬性約簡(jiǎn)后的13個(gè)人因事故致因因素離散數(shù)值進(jìn)行歸一化處理，然后輸入RBF神經(jīng)網(wǎng)絡(luò)。利用newrb函數(shù)實(shí)現(xiàn)對(duì)數(shù)據(jù)的訓(xùn)練，然后，利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對(duì)后5組地電力企業(yè)電力生產(chǎn)安全數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)評(píng)估。sim函數(shù)可實(shí)現(xiàn)對(duì)結(jié)果的測(cè)試，具體數(shù)據(jù)如表4所示。測(cè)試結(jié)果顯示，RBF神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與問卷調(diào)查及綜合價(jià)后得到的決策屬性即安全風(fēng)險(xiǎn)等級(jí)基本一致。

四、結(jié)語

本文通過HFACS框架確定了適合電力事故的人為致因因素，然后基于粗糙集理論和徑向基網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)電力企業(yè)電力生產(chǎn)的安全風(fēng)險(xiǎn)評(píng)估。數(shù)據(jù)結(jié)果顯示，本文所構(gòu)建的模型能夠?qū)﹄娏ζ髽I(yè)電力生產(chǎn)多個(gè)樣本進(jìn)行較為準(zhǔn)確的安全風(fēng)險(xiǎn)評(píng)估，將電力生產(chǎn)安全非線性規(guī)則以連接權(quán)的方式賦予網(wǎng)絡(luò)，大大降低了評(píng)估結(jié)果的主觀性。經(jīng)粗糙集理論約簡(jiǎn)后的HFACS指標(biāo)相關(guān)性降低，且省略了影響較小的指標(biāo)，在保證安全風(fēng)險(xiǎn)評(píng)估準(zhǔn)確度的基礎(chǔ)上降低了評(píng)估成本。簡(jiǎn)單來說，本文所構(gòu)建的安全風(fēng)險(xiǎn)評(píng)估模型融合了粗糙集和神經(jīng)網(wǎng)絡(luò)兩種理論的優(yōu)點(diǎn)，利用粗糙集理論約簡(jiǎn)冗余信息減少了徑向基神經(jīng)網(wǎng)絡(luò)輸入端節(jié)點(diǎn)數(shù)量并且緩解了噪聲對(duì)數(shù)據(jù)訓(xùn)練的影響，大大提高了模型的運(yùn)行速度，對(duì)于電力企業(yè)電力生產(chǎn)安全風(fēng)險(xiǎn)評(píng)估有一定的指導(dǎo)意義。

1. 若將安全風(fēng)險(xiǎn)等級(jí)II作為臨界值，那么國(guó)家安全監(jiān)管部門應(yīng)將安全風(fēng)險(xiǎn)評(píng)估等級(jí)為3級(jí)、4級(jí)、5級(jí)的電力企業(yè)作為重點(diǎn)監(jiān)控對(duì)象，因此可將與3級(jí)、4級(jí)、5級(jí)電力企業(yè)有著相似HFACS屬性值的電力企業(yè)實(shí)施重點(diǎn)監(jiān)控。對(duì)與2級(jí)電力企業(yè)有著相似HFACS屬性值的電力企業(yè)實(shí)施一般監(jiān)控，隨機(jī)抽查。1級(jí)電力企業(yè)電力生產(chǎn)安全狀態(tài)良好，電力生產(chǎn)過程以企業(yè)內(nèi)部自我監(jiān)督為主，相關(guān)安全信息定期上報(bào)國(guó)家電力安全監(jiān)管部門即可。

2. 對(duì)電力生產(chǎn)過程的數(shù)據(jù)分析結(jié)果表明，基于粗糙集和RBF神經(jīng)網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)評(píng)估模型能較為準(zhǔn)確的預(yù)測(cè)某一電力生產(chǎn)項(xiàng)目的安全風(fēng)險(xiǎn)級(jí)別，但需要大量HFACS指標(biāo)屬性值信息，因此建議政府有關(guān)部門開發(fā)電力安全監(jiān)督信息系統(tǒng)，并設(shè)定安全預(yù)警值，由安全監(jiān)督機(jī)構(gòu)人員、監(jiān)理單位和電力企業(yè)人員定期反饋完整安全屬性的項(xiàng)目信息，以期實(shí)現(xiàn)對(duì)電力生產(chǎn)及時(shí)高效的防控。

3. 基于粗糙集和RBF神經(jīng)網(wǎng)絡(luò)的電力企業(yè)電力生產(chǎn)評(píng)估預(yù)警系統(tǒng)可有效地監(jiān)控預(yù)防電力事故的發(fā)生，然而，當(dāng)出現(xiàn)電力事故時(shí)，電力企業(yè)也需要迅速制定出應(yīng)對(duì)策略。這要求電力企業(yè)完善電力應(yīng)急管理系統(tǒng)，將應(yīng)急資源集中整合到特定的應(yīng)急管理部門，明確部門內(nèi)人員的應(yīng)盡職責(zé)，要保證事故發(fā)生時(shí)能夠第一時(shí)間作出反應(yīng)，并及時(shí)做出合理應(yīng)對(duì)方案。同時(shí)，電力企業(yè)還應(yīng)加強(qiáng)對(duì)企業(yè)員工的培訓(xùn)，提高其安全意識(shí)和搶修自救能力，真正做到專門部門、高效應(yīng)急方案、專業(yè)員工的有效融合，進(jìn)而降低電力企業(yè)電力生產(chǎn)的人身事故發(fā)生率。

參考文獻(xiàn)：

[1]武淑平.電力企業(yè)生產(chǎn)中人因失誤影響因素及管理對(duì)策研究[D].北京：北京交通大學(xué)，2009.

[2]James Reason.Human error[M].London：Cambridge university press，1990.

[3]羅曉利，曾先林，趙珊.基于HFACS 模型的機(jī)場(chǎng)威脅與差錯(cuò)因素研究[J].中國(guó)民用航空，2014（01）：91-94.

[4]甘旭升，崔浩林，高文明，等基于HFACS的空中相撞事故分析及建議[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2015（10）：96-102.

[5]呂春玉，房春花.人為因素分析與分類系統(tǒng)（HFACS）及事故個(gè)例分析[J].中國(guó)民航飛行學(xué)院學(xué)報(bào)，2009（02）：37-40.

[6]王盼盼，鄧小鵬，陸瑩.基于人的因素分析和分類系統(tǒng)的建筑施工事故研究[J].工程管理學(xué)報(bào)，2010（01）：60-64.

[7]于群，張錚，屈玉清，賀慶.基于ARMA-BP神經(jīng)網(wǎng)絡(luò)組合模型的電網(wǎng)大停電事故損失負(fù)荷預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2018，48（09）：144-153.

[8]廖崢.基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路舞動(dòng)預(yù)測(cè)及電網(wǎng)風(fēng)險(xiǎn)預(yù)警方法[D].重慶大學(xué)，2017.

[9]Dingyu（薛定宇），CHEN Yangquan（陳陽(yáng)泉）. Advanced ap-plied mathematical problem solutions with MATLAB（高等應(yīng)用數(shù)學(xué)問題的MATLAB求解）[M].2nd ed. Beijing：Tsinghua UniversityPress（清華大學(xué)出版社），2008：126-170.