基于粒子群優化層次分析法的LNG槽車風險評價

李 瀟，張 毅，汪 濤，李朝陽

(上海交通大學船舶海洋與建筑工程學院，上海 200240)

在我國石油天然氣基礎設施改革的背景下，原來隸屬于“三桶油”的液化天然氣(LNG)接收站逐步向社會資本開放，往來各接收站裝卸LNG的槽車數量與之前相比將大大增加，車輛構成也將更為復雜，現行的槽車安全管理體系已經逐漸難以適應未來靈活而復雜的LNG接收站內物流環境。

LNG槽車作為移動危險源，有關學者對其安全管理做了深入研究。如張淑淑等[1]詳細論述了LNG在儲運過程中的事故類型及特點；宋賀[2]利用關聯規則、解釋結構模型和貝葉斯網絡，構建了危險貨物道路運輸事故的貝葉斯網絡預測模型；林現喜等[3]結合LNG槽車風險類型及防控措施，提出了基于全過程風險管控的LNG槽車安全管理體系；岑康等[4]對LNG加氣站槽車卸車直供過程中不同類型的泄漏事故進行了模擬分析，對事故后果擴大程度進行了定量分析。關于層次分析法的計算與應用，國內外學者也做了大量的研究。如郭金玉等[5]論述了傳統層次分析法在礦山安全、交通安全等6個研究領域的應用；馮致學等[6]提出一種改進的3標度層次分析法，并對電網遭受地質災害脆弱性指標進行了評價；鄭重等[7]提出一種避免對判斷矩陣進行一致性檢驗的改進層次分析法，用于對影響礦山邊坡穩定性的因素進行評價；牛東翔等[8]利用層次分析法對LNG船舶的運營狀況進行了評價；崔春英等[9]利用層次分析法結合模糊綜合評價法建立了LNG接收站的安全評價模型。但上述這些評價方法在計算過程中涉及對判斷矩陣的調整，同時由于自身計算精確度不高，導致最終評價結果的準確性不足。粒子群算法自20世紀90年代被提出以來，因其良好的尋優性能，許多學者對其發展與應用進行了研究。如Jiang等[10]借助隨機過程理論，給出了粒子群算法的隨機收斂條件以及相關參數選擇準則;Clerc等[11]總結了粒子群系統的運行特征，建立了包含決定粒子群算法收斂性參數的廣義模型，為該算法在多維度復雜空間中的應用提供了基礎。在粒子群算法的實際應用中，不少學者對其進行了改進，同時為了避免算法陷入局部最優解并提高求解精度，陳博文等[12]提出了一種總結性自適應變異的粒子群算法；簡文星等[13]將粒子群算法用于錨拉樁樁身參數的優化設計，并取得了良好的效果；楊玉梅等[14]利用粒子群算法對航運安全投入模型進行了優化，為航運企業安全投入決策提供了可靠的模型依據。

基于上述研究，本文提出一種基于粒子群算法優化的層次分析法，并利用該方法對影響LNG槽車充裝安全性的眾多風險因素的權重進行了計算，用于幫助LNG接收站運營單位細化日常的安全管理體系，以增強LNG接收站內槽車運行的安全性。

1 LNG接收站槽車充裝風險評價指標體系建立

1.1 評價指標的選擇

本文圍繞LNG接收站內槽車充裝整個過程中的人員技術水平與專業素質、設備可靠性與槽車自身安全性、LNG接收站內外環境、現場安全管理水平4方面選擇評價指標。人是安全管理工作的核心，人員技能與素質是現場安全運行的前提，司乘人員培訓與日常裝車安檢則是防范現場人員不安全行為的有效措施，業務管理人員處置突發事件的能力是降低事故損失的重要保障。從設備可靠性的角度分析，LNG槽車儲罐內操作壓力逐漸升高，嚴重時會導致儲罐超壓損壞，可燃氣體泄漏，甚至發生火災等嚴重后果[15]，因此對LNG槽車儲罐罐壓的監測是LNG接收站內安全工作的重點。設備越先進，安全儀表系統的重要性越高，其中DCS系統(分布式控制系統)、SIS系統(安全儀表系統)可以有效地監測設備運行狀態與異常；FGS系統(火災報警和氣體檢測系統)的完好性對槽車充裝本質安全具有重要意義；靜電接地連鎖報警系統可以在槽車充裝過程中及時避免靜電火源；槽車裝車事故多發的主要原因是接頭問題[16]，而裝車撬上的防拖拉裝置可有效避免槽車充裝過程中的安全事故。另外，對LNG接收站內外環境的評估是完善現場安全管理制度與制定應急預案的基礎；而槽車整個裝車環節中安全管理的科學性與合理性又決定了現場本質安全的效果與運行效率[17]。因此，本文最終從人員、設備、環境和管理四個方面選擇了15項評價指標。

1.2 評價指標體系的建立

槽車在LNG接收站內的充裝過程涉及到多個環節、多個部門，主要包括核對裝車計劃、到站后的車輛安檢與充裝、貿易計量等。由于LNG接收站內場地容量有限，大部分槽車到達LNG接收站周邊后往往無法直接進入充裝區，而是在附近等待調度，這也增加了裝車過程中安全管理的難度。本文以人、機、環、管4個因素作為一級評價指標，在每個一級評價指標之下選擇3至5個關鍵因素作為二級評價指標，建立了LNG接收站槽車充裝風險評價指標體系，如圖1所示。

圖1 LNG接收站槽車充裝風險評價指標體系Fig.1 Risk evaluation index system of LNG terminal tanker filling

2 評價方法

2.1 層次分析法

層次分析(Analytic Hierarchy Process，AHP)法是運籌學中一種將目標按照影響因素分解為若干層，再通過模糊量化的方法計算每層中各指標的權重以及各指標在整個目標體系中權重的方法，在多目標、多準則、多時期的系統評價中有著廣泛的應用[18]。使用AHP法首先要建立各層影響因素的判斷矩陣，然后根據判斷矩陣對各因素的權重進行求解[19-20]，但當判斷矩陣中數據較多時，使用傳統的AHP法會導致求解過程中計算量大大增加，同時計算過程中還需要不斷地對判斷矩陣進行調整以保證其一致性，從而影響了整個評價結果的客觀性。

2.2 粒子群算法

粒子群優化(Particle Swarm Optimization，PSO)算法也稱粒子群算法是一種全局進化算法，這種算法計算過程簡單且需要調整的參數少，適用于對復雜問題求最優解。PSO算法最初由Eberhart和Kennedy兩位博士于1995年提出[21]，其構想源于對鳥群捕食行為的觀察：假設食物位置固定，鳥群中的每只鳥會根據自身距離食物的位置和鳥群距離食物的位置這兩個參數來不斷修正自己位置和飛行速度，直到聚集到食物位置。在復雜問題的求解過程中，可將鳥比作粒子，每個粒子有“位置”和“速度”兩個基本參數，當用于評價整個系統的目標函數已知時，粒子在每一輪計算中逐漸調整自身的位置與速度以適應目標函數，直到獲得目標函數最優解。本文利用AHP法構建影響因素判斷矩陣，將判斷矩陣中各影響因素的權重值看作粒子不同維度的坐標值，通過對粒子維度坐標不斷地迭代，最終計算出每層判斷矩陣中各影響因素的最優權重值，具體計算步驟如下:

(1) 確定每個粒子的維度。本文的關鍵在于對每個判斷矩陣中各影響因素的權重進行求解，于是結合PSO算法的特點，將這些當前未知的權重用每個粒子的維度坐標來表示，經過迭代求得最優粒子后，最優粒子每個維度的坐標值便是判斷矩陣中各影響因素的權重值。因此，每個粒子的維度需要與當前判斷矩陣中影響因素的個數相等，同時這個維度也是粒子所在空間的維度，即每個粒子的維度等于下面公式(4)中權重參數wi的個數。

(2) 設定粒子個數與每個粒子的初始位置xi(0)和速度vi(0)。粒子個數可根據粒子維度與計算規模設定，粒子數量越多計算效率越高，本文取20個粒子進行迭代；粒子初始位置和速度表征了粒子在空間中的初始坐標值和坐標變化幅度，需要根據具體問題可行域設定，本文中判斷矩陣中各影響因素的權重值在0到1之間，可行域為[0,1]，因此xi(0)和vi(0)取0到1之間的隨機數。

(3) 根據粒子每一輪迭代返回的目標函數值得到本輪粒子個體最優位置和全局最優位置。如：第t輪迭代單個粒子目標函數值最優時，粒子i的坐標為其個體最優位置pi(t)；本輪所有粒子中目標函數值最優的粒子對應的坐標作為全局最優位置pg(t)。

(4) 根據PSO算法的進化方程，更新粒子下一輪迭代的坐標與速度，其計算公式如下：

xi(t+1)=xi(t)+0.1vi(t+1)

(1)

vi(t+1)=wvi(t)+c1r1(t)[pi(t)-xi(t)]+

c2r2(t)[pg(t)-xi(t)]

(2)

式中：將粒子運動的時間步長取0.1，xi(t+1)、xi(t)分別表示第i個粒子t+1、t時刻在空間中的位置坐標；vi(t+1) 、vi(t)分別表示第i個粒子t+1、t時刻在空間中的速度；w為慣性權重值，表示每個粒子對上一時刻運動狀態的繼承，取值越大表示全局尋優能力越強，取值越小則表示局部尋優能力越強，由于本文可行域較小，故w取值為0.1；c1、c2分別為群體學習速率和個體學習速率，表示粒子對上一時刻自身經過的最優化位置和群體經過的最優位置的重視程度，Shi等[22]認為它們的值應相等并建議取值為0.2；r1、r2為0到1之間的隨機數，用于增加粒子運動過程中速度變化的隨機性。

(5) 重復上述步驟(2)至(4)，按照預先設定的迭代次數對粒子群進行迭代，計算得到系統最優點位置坐標pgbest(t)，最終輸出各影響因素的最優權重值wi，也可在程序中設定粒子變異系數，以增加計算速率。

2.3 基于粒子群算法優化的層次分析法(即PSO-AHP法)

2.3.1 PSO-AHP法目標函數

如上所述，PSO算法找尋最優解首先需要確定一個合適的目標函數以檢驗粒子的優劣，并以目標函數返回值作為粒子下一輪迭代的參照。在AHP法中，如果判斷矩陣An×n可以完全滿足一致性，則以下公式(3)中等式成立，本文構建的判斷矩陣為正互反矩陣，雖然不能完全滿足判斷矩陣的一致性，但公式(3)等式中左邊的數值越小，說明判斷矩陣的一致性程度越高，因此選擇各影響因素的權重wi作為自變量，以判斷矩陣的一致性作為判定粒子優劣的標準建立目標函數[見公式(4)]，將各影響因素的權重求解問題轉化為令目標函數值最小的優化問題，以此將PSO算法與AHP法結合起來，具體計算公式如下：

(3)

(4)

式中:W為評價指標體系中每層影響因素權重列向量；aik為判斷矩陣中的元素值；wi為影響因素的權重值，即向量W中的元素值；n為影響因素的個數。

2.3.2 PSO-AHP法流程

PSO-AHP法將PSO算法的最佳尋優性能與傳統AHP法的基本原理相結合，通過選取合適的目標函數將兩者聯系起來，從而快速求解判斷矩陣中元素的權重，PSO-AHP法的流程見圖2。

圖2 PSO-AHP法流程圖Fig.2 Flow chart of PSO-AHP algorithm

3 算例分析

中國石化天津LNG接收站是華北地區最大的LNG接收站之一，該接收站位于天津南港工業區內，于2018年初投產，設計周轉能力為300×104t/a；槽車裝車區設置20臺裝車撬，24小時裝車，單臺撬裝車能力為20 t/h；LNG接收站內設有待裝區，可容納30臺槽車，在站外5 km處設有槽車初檢區，可容納50臺槽車，初檢區至接收站的路況較差，行駛時間約40 min。本研究以天津LNG接收站為例，采用本文建立的LNG接收站槽車充裝風險評價指標體系，利用PSO-AHP法對影響槽車充裝安全性的關鍵因素進行風險評價，并確定各風險指標的權重，具體評價過程如下。

3.1 風險指標權重的計算

3.1.1 構建判斷矩陣

(1) 風險指標評價。選擇石化行業工作經驗豐富的現場安全工程師1位、銷售部安全總監1位，共計2位專家，根據天津LNG接收站槽車運行情況，對圖1中風險指標的重要度進行打分，為方便專家打分，打分采用指標兩兩對比的原則。首先由專家對同一層次內的指標兩兩比較，按照重要程度對比可分為①極端不重要、②明顯不重要、③同等重要、④明顯更重要、⑤極端更重要5個等級，構建專家打分矩陣D。各指標重要程度對應的系數dij如下：

然后，以一級指標為例，專家1和專家2針對一級指標中4項風險因素B1、B2、B3、B4，專家具體打分結果如下：

(2) 判斷矩陣構建方法。對專家的打分結果進行分析，構建同層次風險因素的重要度判斷矩陣，并將專家打分矩陣D中的元素dij進行變換構建判斷矩陣Ai，具體計算公式如下：

(5)

rmax=max{ri}

rmin=min{ri}

(6)

(7)

式中：dij為專家打分矩陣中的每個元素；n為專家打分矩陣的列數；ri為專家打分矩陣中每行元素之和。

以一級指標為例，根據專家打分矩陣D1、D2通過公式(5)和(7)，可計算得到判斷矩陣A1、A2：

3.1.2 利用PSO算法計算指標的權重

按照PSO算法流程，使用PSO算法對兩位專家所構建的判斷矩陣中各風險指標進行權重計算。以一級指標對應的判斷矩陣為例，一級指標判斷矩陣中含有4個風險因素，所以用MATLAB軟件生成20個4維粒子，粒子維度范圍在0到1之間；粒子初始速度參數與初始位置一致，速度變化范圍設為[-0.1，0.1]；根據公式(4)計算每一輪迭代過程中每個粒子的適應度函數值，輸出群體最優點pg(t)和粒子個體最優點pi(t)；根據公式(1)和(2)對每個粒子的位置與速度進行迭代，與此同時，算法的目標函數值隨著粒子的每一輪迭代逐漸減小并趨于穩定，如圖3所示；最終輸出粒子最優位置坐標pgbest(t)并歸一化，即為圖1中一級指標各風險因素的權重。根據兩位專家的打分情況，本文中4個一級指標的權重向量分別如下：

圖3 PSO-AHP法逼近目標函數最優解的迭代過程Fig.3 Iterative process of approximating optimal solution of objective function by the PSO- AHP method

W1=(0.237 0.377 0.147 0.239)

W2=(0.269 0.214 0.178 0.340)

3.1.3 基于PSO-AHP法的指標綜合權重計算

利用一級指標判斷矩陣的構建與權重計算方法，可以根據兩位專家打分結果分別計算出4組二級指標的權重，然后將4組二級指標的權重向量乘以其對應的一級指標權重值，得到二級指標中各風險因素在系統中的總權重Y1和Y2；考慮到兩位專家的工作年限與業務內容的差異，對專家1的打分結果取0.75的權重，對專家2的打分結果取0.25的權重。最終，通過PSO算法與AHP法兩種方法可得到的各指標的綜合權重計算公式如下：

W=0.75Y1+0.25Y2

(8)

通過PSO-AHP法，可計算得到各指標對LNG接收站槽車充裝安全性的影響程度即重要度排序。為了驗證PSO-AHP法指標權重計算結果的準確性，將PSO-AHP法指標權重與改進的AHP法[7]指標權重的計算結果進行了對比，見表1。

表1 天津LNG接收站槽車充裝風險指標權重的計算結果Table 1 Weight calculation result of risk indexes of tanker filling of the LNG terminal in Tianjin

3.2 評價結果分析與建議

通過上述計算，可以得出評價指標體系中15項風險指標對天津LNG接收站槽車充裝安全性的影響程度大小，各風險指標權重分布見圖4。

圖4 天津LNG接收站槽車充裝風險指標權重分布圖Fig.4 Weight distribution of risk factors of tanker filling of the LNG terminal in Tianjin

由圖4可見，對天津LNG接收站槽車充裝安全性影響最大的5項風險指標分別為：①現場應急預案的完備性與演練情況C15；②裝車撬上防拖拉裝置的可靠性C8；③現場安全管理制度的完善性C14；④針對人員與車輛安檢的完善度C2；⑤裝車計劃的穩定性C13。

綜上分析可知，LNG接收站槽車充裝過程中的安全性受到諸多風險因素的影響，本文通過對中國石化天津LNG接收站的案例分析，針對槽車充裝安全管理提出了如下改進建議：

(1) 要始終將現場應急預案的完備性與演練情況放在安全管理的重要位置，并在實踐中不斷細化與更新現場應急預案的內容，同時需要特別注意極端條件下大規模突發事故的應急處置辦法。

(2) 要注重LNG接收站內消防設施的日常維護和現場 LNG 充裝設備的日常檢修。

(3) 要加強LNG接收站內的安全管理以及對工作人員的安全教育，并在制定安全管理制度時注重科學性與實用性。

(4) 在實際運行過程中，槽車周轉效率對LNG接收站槽車充裝安全性有著潛在的影響，因此為了防止附近道路聚集大量槽車，在車輛調度過程中需結合銷售計劃的管控，以增強車輛到站的時序性。

4 結 論

本文以LNG接收站槽車整個充裝流程中的風險因素為研究對象，采用基于粒子群算法優化的層次分析法對各風險因素進行了權重計算和重要度分析，并通過案例分析，對比了PSO-AHP法與改進AHP法[7]指標權重的計算結果。結果表明：兩者計算結果相近，但相比于其他對判斷矩陣求解的方法，PSO算法采用多個粒子迭代的方式直接對判斷矩陣進行求解，大大提高了計算結果的精確度，且在求解過程中利用MATLAB編程，保證了求解速度。最后本文對影響LNG接收站槽車充裝安全性的宏觀因素進行了重要度分析，并根據分析結果提出了改進建議，可為新建LNG接收站的安全管理提供可借鑒的經驗。