大数据技术在作业风险模型构建中的应用

刘雨佳 冯高敏 杨锴

摘要：本文探討了大数据风险评估模型的构建，分析了作业风险评估系统功能规划，研究了大数据技术在作业风险模型构建中的应用。

关键词：大数据技术;作业风险;模型构建

中图分类号：TM76 文献标识码：A 文章编号：1007-9416（2019）12-0068-02

1 基于大数据风险评估模型的构建

与传统的风险评估技术相比，大数据技术的应用能够有效解决了传统技术的不足，通过大数据风险模型的构建，能够及时地获取影响风险的因素及数据，可实现对人员能力、作业方法、设备状态和作业环境与时间等动态风险的分析与计算，实现风险计算模型的立体化，大大提升现场作业风险评估的科学性，降低现场作业风险，减少事故发生率[1]。

1.1 动态风险评估

基于大数据的现场作业风险评估，评估人员可从不同的业务系统获取风险影响因素的数据，对风险影响因子进行计算，再结合人员能力、作业方法、电网设备状态和作业环境与时间等数据进行动态风险分析。

1.2 作业基准风险评估

作业基准风险评估主要是合理地评估电力作业全面风险，是为了确保电力企业生产作业活动正常开展的重要评估方式。

1.3 动态风险因素

（1）合理确定风险影响因素。根据作业现场的安全事故的类型，对现场作业的风险成因要素进行分析，合理地确定人员作业能力、作业方法、电网设备状态和作业环境与时间等成因要素，掌握好各要素的层次、安全事件之间的联系。（2）风险因素数据分析。风险因素数据分析是对与现场作业过程中的人员信息、事故事件、违章行为、设备状态、环境等数据进行风险分析，并对现场作业安全事故进行统计与分析，从而得出产生风险的成因，统计出它们之间的关联性，并将作业人员能力、作业方法、设备状态和作业环境等关键因子提取出来。

2 作业风险评估系统功能规划

通过大数据技术在作业风险动态评估的应用，建立了完善的作业风险评估系统，此系统分为多个功能模块，包括数据集成模块、风险计算模块、多源数据采集模块和展示模块等。系统总体架构包含评估模型管理、作业风险评估管理以及配套业务应用支撑等功能，具体如图1所示。

系统通过数据预处理的应用，面向服务的体系结构能够实现企业应用或资源之间的灵活连接，因为它把每一项应用或资源表达为具有标准接口的服务，能够让应用或服务交换结构化的信息（消息、文档、“业务对象”），并通过企业服务总线调节消息交换。SOA通过清晰的定义和松散的耦合提高了灵活性。在SOA的技术中，所谓的服务是一种“自包含”（self-contained）的实体，它能够完成独特的业务功能。服务根据SOA原则利用现有的中间件实现交互。其充分利用新的开放标准以及XML数据定义（Web Services-Web服务），把两者结合到快速进入市场的解决方案中。

系统采用了B/S体系结构，B/S是一种跨平台的应用软件结构，支持TCP/IP协议的所有软硬件系统。一次开发，可以跨平台使用，减少了开发人员在客户端的工作量，使他们可以把注意力集中到怎样合理地组织信息、提供客户服务的服务器端的编程工作上去。在B/S结构中，数据的查询、处理和表示都由服务器完成，在客户端只需运行客户自己的操作系统和通用的Web浏览器。和C/S结构的应用系统相比，B/S结构的客户端变得非常“瘦”。B/S具有统一的浏览器客户端软件，不仅节省了客户端软件开发的投入，减少维护客户端软件的时间与精力和客户培训等工作，也方便了用户的使用。

3 大数据技术在作业风险模型构建中的应用

通过对作业风险动态评估流程的建设，实现三级风险动态评估的合理规划，包括施工前动态风险影响因素的识别、基准风险评估及动态风险值的计算以及作业动态风险再评估等[2]。以220kVXX输变电工程为例，在放线施工作业过程中，包括几个维度：作业类型风险值（A），人员能力风险值（B）、作业方法风险值（C）、机械设备及工器具风险值（D）、电网设备状态风险值（E）和作业环境与时间风险值（F）。故我们需要根据权重进行作业风险评估值计算。

（1）作业类型风险值（A）：如220kV线路放、紧导地线，风险影响因素评分为73.20分，分项风险值为73.20，权重设置为1.00，则加权值为73.20。（2）作业人员能力风险值（B）：如1年内承担工作负责人6-20次，风险影响因素评分为2分，分项风险值为2，权重设置为0.25，则加权值为0.5。（3）作业方法风险值（C）：如采用有作业指导文件作业的工作方式，风险影响因素评分为0分，分项风险值为0，权重设置为0.25，则加权值为0。（4）机械设备与工器具风险值（D）：如施工设备为正常，风险影响因素评分为0分，分项风险值为0，权重设置为0.1，则加权值为0。（5）电网设备状态风险值（E）：如设备状态评级为V级，风险影响因素评分为2分，分项风险值为2，权重设置为0.1，则加权值0.2。（6）作业环境和时间风险值（F）：如雨、雾天气，风险影响因素评分为3分，分项风险值为3，权重设置为0.3，则加权值为0.9。

综上分析，根据以上风险因素和几个维度分析，对作业风险评估值进行计算，其风险值计算公式如：

（R）=A+ω1*B+ω2*C+ω3*D+ω4*E+ω5*F。

根据上式可得风险评估结果，风险值为74.8，风险等级为中等风险。

4 结语

综上所述，基于大数据的电力行业作业风险模型的构建及应用，通过作业风险评估系统，实现与电网现场作业风险相关的数据的获取，合理地分析现场作业人员能力、作业方法、机械设备、作业环境与时间等风险的影响因素，采用了一体化的风险计算方法，构建立体化的风险计算模型，有效解决了现场作业风险评估中的单一问题和作业风险评估中存在的不足，有狮于电力行业现场作业风险评估的准确性的提升，且有利于降低现场作业风险，减少安全事故的发生。

参考文献

[1] 王庆慧，刘鹏，王丹枫.安全检查表对作业条件危险性分析方法修正的研究[J].中国安全生产科学技术，2013（8）：125-129.

[2] 朱渊岳，付学华，李克荣，等.改进LEC法在水利水电工程建设期危险源评价中的应用[J].中国安全生产科学技术，2009（4）：51-54.

The Application of  Big Data Technology in the Construction of  Job Risk Model

LIU Yu-jia1， FENG Gao-min1， YANG Kai2

（1.Shenzhen Power Supply Bureau Co.，Ltd.， Shenzhen  Guangdong  518048;

2.Shenzhen Kangtuopu Information Technology Co.， Ltd.， Shenzhen  Guangdong  518034）

Abstract：This paper discusses the construction of big data risk assessment model， analyzes the function planning of job risk assessment system， and studies the application of big data technology in the construction of job risk model.

Key words：big data technology; job risk; model building