基于粗糙集和徑向基神經網絡的電力生產人身安全風險評估

鄭曉靜 李佳欣 趙爽 葉楠

摘要：在粗糙集和徑向基神經網絡理論的指導下，文章構建了發電企業電力生產人身安全風險評估模型。首先，構建了適用于電力領域的HFACS模型，包含操作失誤、違章行為等20個變量指標。20個指標用以描述電力生產事故人因致因因素。其次，利用粗糙集理論的屬性約簡方法找出20個初始變量的約簡變量，接著將約簡后的不相關數據輸入用于安全風險評估的徑向基神經網絡。最后，從我國 2012～2016年發生的264 起電力人身傷亡事故中隨機選取28個案例數據實現模型的訓練及檢測。結果顯示，在滿足計算精度仍能滿足電力生產人身安全風險評估需要的前提下，徑向基網絡的輸入數據經屬性約簡20個后變為13個，收斂速度得到了較大的提升。該模型可有效識別電力企業電力生產過程安全狀態，因此可有針對性地提出監管和完善改進政策。

關鍵詞：電力生產人身事故;粗糙集;RBF神經網絡;HFACS

我國經濟快速發展催生了一批批自動化程度高、智能化程度強、標準化水平高的電力企業，電力企業內部設備不斷更新升級，因此電力企業電力生產事故中由機器故障導致的事故所占比例越來越小，相反，人為失誤在電力企業電力事故中的影響越來越大。我國電力企業在2008～2012年間，累計發生234 起電力生產安全事故，包括設備故障、電網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生的。因此，探究人為因素在電力事故中影響對電力行業安全生產具有重要意義。

曼徹斯特的大學教授James Reason1990年提出“Reason模型”描述了事故人為失效的四個層次。D.Wiegman等人 2002年通對“瑞士奶酪模型”中的四個層次的詳細闡述推演出了實用性較強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更具有針對性，我國對HFACS的研究開始著力于在不同領域進行詳細劃分。現有研究開始著力于針對不同領域安全事故修正HFACS模型。然而，電力企業電力生產過程具有復雜的特性這使得初始HFACS部分指標不能清楚描述電力生產隱患事故，鑒于此，本研究基于HFACS模型構建了含20個指標的分類系統來對電力企業安全生產進行風險評估。對于電力企業來說，可操作性強的安全風險評估方法可幫助其實現全面管理，同時可提升電力生產過程安全水平，消除安全隱患。

電力生產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學模型進行風險評估。粗糙集理論可用來處理信息不完整的案例模型，同時，粗糙集理論可對其他理論起到較強的互補作用。

神經網絡的自學習功能對預測有重要意義，于群等人利用神經網絡預測電網停電事故的損失負荷，廖崢利用神經網絡預測了輸電線舞動情況。總體而言，神經網絡在電力領域應用較少，對電力生產總體安全狀態進行風險評估的研究尚有欠缺。大量的實際應用計算發現，傳統神經網絡算法有以下三個顯著缺點，收斂速度較慢、容錯性較差、收斂結果不唯一，這大大降低了算法的實用性和算法的精確性。因此，學者們提出了基于決策規則的神經網絡，成功克服了這一缺點。他基于由粗糙集理論得到的最簡練的決策規則，建立了一種不完全連接的神經網絡大大提高了收斂速度。本文結合糙集理論與RBF神經網絡對電力生產人身安全進行風險評估，首先利用粗糙集理論對電力生產事故人為致因因素進行屬性約簡，得到核屬性，進而將減少的致因因素輸入神經網絡結構，大大提高了神經網絡學習速度和模型精度。

一、指標選擇與問卷調查

電力行業支撐著國民經濟的生存與發展，是國民生活得以正常運行的重要保障，加之電力事故所造成的損失難以估量，因此，加大對電力生產企業安全監管，尤其是加強對人因失誤的監管有著重要意義。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，從而保障電力行業的平穩運行。

結合電力企業生產特征對原始HFACS模型進行了調整，使其能夠更好的描述電力企業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、不安全監督、組織影響四個層次選擇了操作失誤、違章行為、不良物理環境等20個變量指標，并對其進行重要性、完整性檢驗，具體指標見表1。

抽取了我國發生于2012～2016年間的電力人身傷亡事故28起來定量分析各指標對電力生產安全風險的影響程度。本研究通過實地調查對其歸屬的電力生產企業相關人員進行問卷調查，被調查者需根據企業實際情況對設計上述20個指標的相關問題如實填寫。每個問題均設置5個選項，依次為很好、較好、一般、較差、很差。同時，被調查者和需根據自身經驗和知識，綜合考慮企業實際安全情況或發生事故的影響大小，對該電力事故安全風險進行綜合評價，可供選擇的等級分別為：高風險用5級表示，較高風險用4級表示，中風險用3級表示，較低風險用2級表示，低風險用1級表示。每所企業隨機選取10為員工完成問卷，形成該電力企業電力生產的初始數據，對于初始數據進行篩選，剔除嚴重不合格的問卷數據，同時對合格問卷數據取平均值，作為該企業較為可靠的安全風險評估數據。

二、基于粗糙集理論的變量指標分析

粗糙集理論常用定義為S=（U，A，V，F），U是對象的非空有限集合，即28起電力企業人身傷亡事故。A=C∪D，A為全體屬性集，本文指20個安全風險評價指標，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，當corm（M），u∈U，f（u，a）∈Va，f（u，a）為對象U在屬性E′i上的取值。每個屬于信息系統屬性子集M?A，都存在如下不可分辨關系：Ind（M）={（x，y）∈U×U：m∈M：m（x）=m（y）}。顯然Ind（M）是一個等價關系。在不混淆的情況下可用M代替Ind（M）。關系等價族M中所有不可約去的關系定義為核，那么由不可約去關系構成的集合稱為M的核集，可記為corm（M）。

28起電力企業人身傷亡事故及20個安全風險評價指標調查結果構成知識表達系統的論域U。條件屬性集{x1，x2，x3，…，x20}，用很差、較差、一般、較好、很好表示各安全風險指標實際狀況，離散后分別對應數值5、4、3、2、1;決策屬性集={電力企業人身傷亡事故安全風險等級}，表示電力企業電力生產安全風險等級1-5級，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。

考慮到每個屬性的特點，每個屬性并不是必不可少的，甚至可能存在部分冗余的屬性。這就要求需要對論域中的C進行約簡。屬性集合僅經屬性約簡剔除冗余屬性是不夠的，因為此時的集合仍然存在以下缺點，如規則概括能力不足、獲取的規則重復多等缺點，因此需要繼續對屬性進行依靠數據中隱含決策知識的規則簡化，由此克服神經網絡輸出結果不唯一的缺點。

Step1：對屬性集合進行依賴度分析。調用函數“Pos（C，D，X）”，計算C與D之間的依賴程度γ（C，D）=pos（C，D）/U，γ（C，D）∈[0，1]。計算得輸出比率為1，這意味著完全依賴于C（C→D），也意味C能完全區分D等價集。

Step2：進行屬性約簡。設a∈C，C′=C-{a}，在C′下的等價集E′i與決策屬性集D的等價集Y′j之間仍存在：當時E′i∩Y′j=時E′i，屬性a是可省略的，否則a是不可省略的。調用函數“core（C，D）”得到10個核屬性：x1，x2，x4，x5，x9等。調用函數redu（C，D，X）可得1個最小屬性集，除核屬性外還有x3x7x19等3個屬性。輸出結果見表3。

三、徑向基神經網絡評估

電力企業電力生產安全風險評估徑向基神經網絡的輸入層為13個節點，即經粗糙集分析約簡后的13個認人為事故致因因素。徑向基神經網絡的輸出層為5個節點，對應電力企業電力生產安全風險等級，具體如下1級可量化為（1，0，0，0，0），2級可量化為（0，1，0，0，0），3級可量化為（0，0，1，0，0），4可量化級為（0，0，0，1，0），5級可量化為（0，0，0，0，1）。

將28個電力企業相關數據中的前23組數據作為訓練樣本子集，5組數據作為檢驗樣本子集輸入BRF神經網絡。將經粗糙集理論屬性約簡后的13個人因事故致因因素離散數值進行歸一化處理，然后輸入RBF神經網絡。利用newrb函數實現對數據的訓練，然后，利用訓練好的RBF神經網絡對后5組地電力企業電力生產安全數據進行風險評估。sim函數可實現對結果的測試，具體數據如表4所示。測試結果顯示，RBF神經網絡的輸出結果與問卷調查及綜合價后得到的決策屬性即安全風險等級基本一致。

四、結語

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絡實現了對電力企業電力生產的安全風險評估。數據結果顯示，本文所構建的模型能夠對電力企業電力生產多個樣本進行較為準確的安全風險評估，將電力生產安全非線性規則以連接權的方式賦予網絡，大大降低了評估結果的主觀性。經粗糙集理論約簡后的HFACS指標相關性降低，且省略了影響較小的指標，在保證安全風險評估準確度的基礎上降低了評估成本。簡單來說，本文所構建的安全風險評估模型融合了粗糙集和神經網絡兩種理論的優點，利用粗糙集理論約簡冗余信息減少了徑向基神經網絡輸入端節點數量并且緩解了噪聲對數據訓練的影響，大大提高了模型的運行速度，對于電力企業電力生產安全風險評估有一定的指導意義。

1. 若將安全風險等級II作為臨界值，那么國家安全監管部門應將安全風險評估等級為3級、4級、5級的電力企業作為重點監控對象，因此可將與3級、4級、5級電力企業有著相似HFACS屬性值的電力企業實施重點監控。對與2級電力企業有著相似HFACS屬性值的電力企業實施一般監控，隨機抽查。1級電力企業電力生產安全狀態良好，電力生產過程以企業內部自我監督為主，相關安全信息定期上報國家電力安全監管部門即可。

2. 對電力生產過程的數據分析結果表明，基于粗糙集和RBF神經網絡的安全風險評估模型能較為準確的預測某一電力生產項目的安全風險級別，但需要大量HFACS指標屬性值信息，因此建議政府有關部門開發電力安全監督信息系統，并設定安全預警值，由安全監督機構人員、監理單位和電力企業人員定期反饋完整安全屬性的項目信息，以期實現對電力生產及時高效的防控。

3. 基于粗糙集和RBF神經網絡的電力企業電力生產評估預警系統可有效地監控預防電力事故的發生，然而，當出現電力事故時，電力企業也需要迅速制定出應對策略。這要求電力企業完善電力應急管理系統，將應急資源集中整合到特定的應急管理部門，明確部門內人員的應盡職責，要保證事故發生時能夠第一時間作出反應，并及時做出合理應對方案。同時，電力企業還應加強對企業員工的培訓，提高其安全意識和搶修自救能力，真正做到專門部門、高效應急方案、專業員工的有效融合，進而降低電力企業電力生產的人身事故發生率。

參考文獻：

[1]武淑平.電力企業生產中人因失誤影響因素及管理對策研究[D].北京：北京交通大學，2009.

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

[3]羅曉利，曾先林，趙珊.基于HFACS 模型的機場威脅與差錯因素研究[J].中國民用航空，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].中國安全生產科學技術，2015（10）：96-102.

[5]呂春玉，房春花.人為因素分析與分類系統（HFACS）及事故個例分析[J].中國民航飛行學院學報，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的建筑施工事故研究[J].工程管理學報，2010（01）：60-64.

[7]于群，張錚，屈玉清，賀慶.基于ARMA-BP神經網絡組合模型的電網大停電事故損失負荷預測[J].數學的實踐與認識，2018，48（09）：144-153.

[8]廖崢.基于BP神經網絡的輸電線路舞動預測及電網風險預警方法[D].重慶大學，2017.

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