輸電現場作業安全管控措施仿真研究

張 健，王偉利

(國網朝陽供電公司，遼寧 朝陽 122000)

1 引言

輸電現場作業的特點是自然條件惡劣、危險性高、專業性較強，作業受到設備狀態、周圍環境等因素的制約，因此為了降低在輸電現場人員的作業安全風險，需要采取必要措施嚴格管控[1]。目前人力查詢是我國輸電現場作業安全監管的主要方式，技術手段落后，安全管控技術與防范措施的融合度較低。特別是工程施工方面，大部分工人都是通過勞務分包或臨時雇用外來人員組成的隊伍，作業人員缺乏安全技能和安全意識，整體素質較低[2]。在上述背景下輸電現場存在很多安全隱患，盡管安全生產標準和規章制度的完善度日益提升，但人身傷亡事故和習慣性違章現象經常發生[3]。近年來輸電現場多次出現事故，導致電網設備毀損嚴重，造成了人員傷亡和嚴重的經濟損失。為了避免輸電現場出現安全事故，需要對輸電現場作業安全態勢進行預測，提出管控措施。

鄭霞忠[4]等人提出基于五元聯系數分析的輸電現場作業安全管控方法，該方法對管理因素、人員因素、環境因素和機械因素進行分析，構建安全分析指標體系，在態勢函數中引入五元聯系數，采用全偏聯系數對輸電現場作業安全態勢進行預測，實現安全管控，該方法構建的指標體系沒有應用效用理論，導致風險識別率較低。楊楠[5]等人提出基于灰色關聯分析的輸電現場作業安全管控方法，該方法將預測值序列與原始值序列之間存在的灰度關聯度作為最大目標，在煙花算法中引入自適應局部搜索策略和炸點管理策略修正灰色模型背景值的初始值修正項和權重系數，實現輸電現場作業安全管控，該方法在預測過程中沒用通過效應理論實現安全態勢預測，導致預測準確率低、預測效率低。

為了解決上述方法中存在的問題，提出基于CAPSO-SNN的輸電現場作業安全管控措施。針對安全態勢預測準確率低及安全風險識別率低的問題，本文采用效用理論，分析了輸電現場作業風險影響因素指標，考慮多角度風險影響指標，以提升安全風險識別率及安全態勢預測準確率；通過CAPSO-SNN學習算法對脈沖神經網絡進行訓練，對學習因子和慣性權重進行調整，避免輸電現場作業安全態勢預測陷入早熟收斂和局部最優，提升了迭代尋優的精度和速度。通過輸電現場作業安全態勢預測結果制定風險管控措施，實現輸電現場作業安全管控。

2 輸電現場作業安全態勢指標

在輸電現場作業事故事件數據庫中提煉出具有代表性的作業風險影響因素，并在風險偏好型效用函數的基礎上建立態勢感知指標體系[6]。

2.1 輸電現場作業風險影響因素指標

分析和總結電力運營風險因素，將其分為人員屬性、心理及行為、設備、運營管理和環境5個1級因素，包括15個2級因素。建立的輸電現場作業風險影響因素指標如表1所示。

2.2 輸電現場作業風險影響因素特征值計算

假設i起輸電現場作業事故的y個2級風險影響因素風險影響因素矩陣為

R=[R1，R2，R3，…Ry]x×y

(1)

構建y個2級風險影響因素的相關系數矩陣Y為

(2)

式中，Ltotal(t)代表的2級風險影響因素向量Rx、Ry的相關系數。

主成分的方差貢獻率與主成分的特征值成正比。當主成分的累積方差貢獻率大于設定的累積方差貢獻率閾值(通常為75%至95%)時[7]，可以認為前z個主成分可以反映m個風險影響因素的大部分信息。前z個主成分的累積方差貢獻率表達式如下

(3)

式中，λz表示前z個影響因素主成分的方差，λy為所有影響因素主成分的方差。

綜上所述，可以結合一些事故樣本進行交叉驗證，并且可以設置驗證誤差最小的影響因素主成分數和相關負載系數的閾值。

3 輸電現場作業安全態勢預測

輸電現場作業安全事故數據庫涵蓋了帶有時間戳的潛在風險影響因素信息，但它通常僅提供每次運行事故后果綜合評估結果，不能在每種情況發生時反映每種風險影響因素的不同狀態。導致輸電現場作業安全事故后果與操作過程中各種風險影響因素的關系無法得到準確判斷。為此提出基于CAPSO-SNN的輸電現場作業安全管控措施，分別分析SNN(脈沖神經網絡)及CAPSO(粒子群優化)算法，通過CAPSO算法訓練SNN模型，對基于CAPSO-SNN的SA模型進行離線訓練，用于評估操作事故樣本集的關鍵風險控制點，在線跟蹤操作風險并制定針對性的風險控制措施[8]。

3.1 SNN

SNN包括三層神經元，分別是輸出層、隱含層和輸入層。通過膜電位V(t)描述神經元在SNN中的狀態，上一層神經元的突觸后電位PSP會決定神經元的膜電位。神經元f在tf時刻接收一系列脈沖，當預先設定的脈沖激發閾值θ小于神經元膜電位值時，神經元f此時會發送脈沖信號，f對應的膜電位Vf(t)可通過下式計算得到

(4)

(5)

式中，τ描述的是衰減時間常數。

3.2 粒子群優化算法

粒子群優化算法PSO是在迭代原理的基礎上實現的，假設在l為空間中有k個飛行粒子，其中vr=(vr1，vr2，…，vrl)、zr=(zr1，zr2，…，zrl)分別描述第r個粒子對應的飛行速度和位置。Pg=(pg1，pg2，…，pgl)為全局粒子在迭代過程中的最優位置；Pr=(pr1，pr2，…，prl)代表的是個體粒子經歷的最優位置。PSO算法的第一步是對隨機解進行初始化處理，通過適應度函數對隨機解對應的適應度進行迭代尋優，獲得全局最優解[9]，PSO算法通過下述公式實現進化

(6)

3.3 CAPSO-SNN學習算法

(7)

粒子之間的信息交換能力可以通過認知學習因子c1和社會學習因子c2決定，算法的性能可通過調整c1、c2得以提升，通過下述公式動態調整認知學習因子c1和社會學習因子c2：

(8)

式中，[c1min，c1max]代表的是認知學習因子c1的取值范圍；[c2min，c2max]代表的是社會學習因子c2的取值范圍。

利用CAPSO算法訓練SNN模型，獲得突觸端對應的最優權重，在不同狀態下分析各個風險因素的事故危害后果貢獻信息，對輸電現場作業安全態勢進行預測，制定風險管控措施，訓練的具體步驟如下：

1)事故樣本數據進行整理和篩選，在區間[0，1]內對初始化樣本數據，并編碼脈沖發射時間；

2)設置SNN的參數和拓撲結構，初始化粒子群和突觸權值，并設置迭代次數；

3)建立適應度函數E，其表達式如下

(9)

4)評價粒子對應的適應度值，在Pr中存儲個體粒子的位置和粒子在迭代過程中獲得的最優適應度值；在Pg中存儲全局粒子的位置和迭代過程中對應的最優適應度值；

5)云自適應規則調整慣性權重ω，同時動態調整學習因子c1、c2；

6)重新對調整后的粒子位置和速度進行計算，生成新粒子，通過步驟4)對粒子的自適應度值進行更新，如果迭代次數小于設定上限，轉到上一步；如果迭代次數大于設定上限，輸出突觸端最優權重。

4 實驗及分析

為了驗證所提輸電現場作業安全管控措施的整體有效性，在MyEclipse8.6實驗軟件中對基于CAPSO-SNN的輸電現場作業安全管控措施進行測試。分別采用所提輸電現場作業安全管控措施(方法1)、基于五元聯系數分析的輸電現場作業安全管控方法(方法2)和基于灰色關聯分析的輸電現場作業安全管控方法(方法3)進行測試，測試上述方法的風險識別率，風險識別率測試結果用圖1進行描述。

圖1 風險識別率測試結果

分析圖中數據可知，方法1在輸電現場對安全風險的識別率在多次實驗過程中均高于方法2和方法3在輸電現場對安全風險的識別率，平均值為92.0%。這是因為所提方法在風險偏好型效用函數的基礎上建立態勢感知指標體系，用于在輸電現場識別安全風險，提高了風險識別率。

將安全態勢預測準確率和預測時間作為指標進一步對方法1、方法2和方法3進行測試，安全態勢預測準確率測試結果如圖2所示，安全態勢預測時間如圖3所示。

圖2 安全態勢預測準確率測試結果

圖3 安全態勢預測時間測試結果

分析圖2和圖3中的數據可知，方法1的風險預測準確率和風險預測時間的測試結果均優于方法2和方法3，平均值分別為97.5%及0.5s。因為所提方法利用CAPSO算法對SNN模型進行訓練，將利用風險偏好型效用函數選取的態勢感知指標值輸入訓練后的模型中，可在較短的時間內實現輸電現場作業安全態勢的預測，提高了所提方法的有效性。

5 結束語

輸電施工現場是人員集中、露天、作業面變化大、臨時設施多的生產場所，由于人機流動性大、作業環境多變，在輸電現場存在很多不安全因素，因此通過預測輸電現場作業安全態勢，實現安全管控是至關重要的。目前輸電現場作業安全態勢預測方法存在風險識別率低、安全態勢預測準確率低和安全態勢預測效率低的問題，提出基于CAPSO-SNN的輸電現場作業安全管控措施，利用CAPSO算法優化SNN模型，并將安全態勢指標輸入模型中，實現安全態勢的預測，根據預測結果規劃安全管控措施。通過試驗分析得到結論如下：

1)所提輸電現場作業安全管控措施的風險識別率平均值為92.0%，高于實驗對比方法。這是由于本文采用風險偏好型效用函數，構建了多角度的輸電現場作業風險影響因素指標，建立了全方位的態勢感知指標體系，因此風險識別率較高。

2)所提輸電現場作業安全管控措施的風險預測準確率平均值為97.5%，這是由于全方位態勢感知指標體系的建立，提高了風險識別率，相應提升了風險預測準確率。

3)所提輸電現場作業安全管控措施的風險預測時間為0.5s，較傳統方法有了很大提升。應用CAPSO-SNN算法能夠避免輸電現場作業安全態勢預測陷入局部最優，從而有效提升風險預測效率。