基于粗糙集和径向基神经网络的电力生产人身安全风险评估

郑晓静 李佳欣 赵爽 叶楠

摘要：在粗糙集和径向基神经网络理论的指导下，文章构建了发电企业电力生产人身安全风险评估模型。首先，构建了适用于电力领域的HFACS模型，包含操作失误、违章行为等20个变量指标。20个指标用以描述电力生产事故人因致因因素。其次，利用粗糙集理论的属性约简方法找出20个初始变量的约简变量，接着将约简后的不相关数据输入用于安全风险评估的径向基神经网络。最后，从我国 2012～2016年发生的264 起电力人身伤亡事故中随机选取28个案例数据实现模型的训练及检测。结果显示，在满足计算精度仍能满足电力生产人身安全风险评估需要的前提下，径向基网络的输入数据经属性约简20个后变为13个，收敛速度得到了较大的提升。该模型可有效识别电力企业电力生产过程安全状态，因此可有针对性地提出监管和完善改进政策。

关键词：电力生产人身事故;粗糙集;RBF神经网络;HFACS

我国經济快速发展催生了一批批自动化程度高、智能化程度强、标准化水平高的电力企业，电力企业内部设备不断更新升级，因此电力企业电力生产事故中由机器故障导致的事故所占比例越来越小，相反，人为失误在电力企业电力事故中的影响越来越大。我国电力企业在2008～2012年间，累计发生234 起电力生产安全事故，包括设备故障、电网事故等各类型电力事故，共造成145 人死亡，其中80%的电力事故是由人的失误而发生的。因此，探究人为因素在电力事故中影响对电力行业安全生产具有重要意义。

曼彻斯特的大学教授James Reason1990年提出“Reason模型”描述了事故人为失效的四个层次。D.Wiegman等人 2002年通对“瑞士奶酪模型”中的四个层次的详细阐述推演出了实用性较强的安全事故人因分析方法HFACS 模型。

为使安全事故人因因素各分类指标更具有针对性，我国对HFACS的研究开始着力于在不同领域进行详细划分。现有研究开始着力于针对不同领域安全事故修正HFACS模型。然而，电力企业电力生产过程具有复杂的特性这使得初始HFACS部分指标不能清楚描述电力生产隐患事故，鉴于此，本研究基于HFACS模型构建了含20个指标的分类系统来对电力企业安全生产进行风险评估。对于电力企业来说，可操作性强的安全风险评估方法可帮助其实现全面管理，同时可提升电力生产过程安全水平，消除安全隐患。

电力生产人身事故影响因素较多，这些因素属于非线性问题，因此很难用精确的数学模型进行风险评估。粗糙集理论可用来处理信息不完整的案例模型，同时，粗糙集理论可对其他理论起到较强的互补作用。

神经网络的自学习功能对预测有重要意义，于群等人利用神经网络预测电网停电事故的损失负荷，廖峥利用神经网络预测了输电线舞动情况。总体而言，神经网络在电力领域应用较少，对电力生产总体安全状态进行风险评估的研究尚有欠缺。大量的实际应用计算发现，传统神经网络算法有以下三个显著缺点，收敛速度较慢、容错性较差、收敛结果不唯一，这大大降低了算法的实用性和算法的精确性。因此，学者们提出了基于决策规则的神经网络，成功克服了这一缺点。他基于由粗糙集理论得到的最简练的决策规则，建立了一种不完全连接的神经网络大大提高了收敛速度。本文结合糙集理论与RBF神经网络对电力生产人身安全进行风险评估，首先利用粗糙集理论对电力生产事故人为致因因素进行属性约简，得到核属性，进而将减少的致因因素输入神经网络结构，大大提高了神经网络学习速度和模型精度。

一、指标选择与问卷调查

电力行业支撑着国民经济的生存与发展，是国民生活得以正常运行的重要保障，加之电力事故所造成的损失难以估量，因此，加大对电力生产企业安全监管，尤其是加强对人因失误的监管有着重要意义。本研究探索了事故隐患的人因因素，提出了有效的监管防控策略，以期将人因失误降低在可控范围，减少电力事故人身伤亡率，从而保障电力行业的平稳运行。

结合电力企业生产特征对原始HFACS模型进行了调整，使其能够更好的描述电力企业事故的人因致因因素，具体来说，本文从不安全行为、不安全行为的前提条件、不安全监督、组织影响四个层次选择了操作失误、违章行为、不良物理环境等20个变量指标，并对其进行重要性、完整性检验，具体指标见表1。

抽取了我国发生于2012～2016年间的电力人身伤亡事故28起来定量分析各指标对电力生产安全风险的影响程度。本研究通过实地调查对其归属的电力生产企业相关人员进行问卷调查，被调查者需根据企业实际情况对设计上述20个指标的相关问题如实填写。每个问题均设置5个选项，依次为很好、较好、一般、较差、很差。同时，被调查者和需根据自身经验和知识，综合考虑企业实际安全情况或发生事故的影响大小，对该电力事故安全风险进行综合评价，可供选择的等级分别为：高风险用5级表示，较高风险用4级表示，中风险用3级表示，较低风险用2级表示，低风险用1级表示。每所企业随机选取10为员工完成问卷，形成该电力企业电力生产的初始数据，对于初始数据进行筛选，剔除严重不合格的问卷数据，同时对合格问卷数据取平均值，作为该企业较为可靠的安全风险评估数据。

二、基于粗糙集理论的变量指标分析

粗糙集理论常用定义为S=（U，A，V，F），U是对象的非空有限集合，即28起电力企业人身伤亡事故。A=C∪D，A为全体属性集，本文指20个安全风险评价指标，其中C表示条件属性集，D表示决策属性集。V=Va为属性值集合，Va为属性a的值域。f为U×A→的映射函数，当corm（M），u∈U，f（u，a）∈Va，f（u，a）为对象U在属性E′i上的取值。每个属于信息系统属性子集M?A，都存在如下不可分辨关系：Ind（M）={（x，y）∈U×U：m∈M：m（x）=m（y）}。显然Ind（M）是一个等价关系。在不混淆的情况下可用M代替Ind（M）。关系等价族M中所有不可约去的关系定义为核，那么由不可约去关系构成的集合称为M的核集，可记为corm（M）。

28起电力企业人身伤亡事故及20个安全风险评价指标调查结果构成知识表达系统的论域U。条件属性集{x1，x2，x3，…，x20}，用很差、较差、一般、较好、很好表示各安全风险指标实际状况，离散后分别对应数值5、4、3、2、1;决策属性集={电力企业人身伤亡事故安全风险等级}，表示电力企业电力生产安全风险等级1-5级，离散后的取值分别为1、2、3、4、5。离散后的论域U如表2所示。

考虑到每个属性的特点，每个属性并不是必不可少的，甚至可能存在部分冗余的属性。这就要求需要对论域中的C进行约简。属性集合仅经属性约简剔除冗余属性是不够的，因为此时的集合仍然存在以下缺点，如规则概括能力不足、获取的规则重复多等缺点，因此需要继续对属性进行依靠数据中隐含决策知识的规则简化，由此克服神经网络输出结果不唯一的缺点。

Step1：对属性集合进行依赖度分析。调用函数“Pos（C，D，X）”，计算C与D之间的依赖程度γ（C，D）=pos（C，D）/U，γ（C，D）∈[0，1]。计算得输出比率为1，這意味着完全依赖于C（C→D），也意味C能完全区分D等价集。

Step2：进行属性约简。设a∈C，C′=C-{a}，在C′下的等价集E′i与决策属性集D的等价集Y′j之间仍存在：当时E′i∩Y′j=时E′i，属性a是可省略的，否则a是不可省略的。调用函数“core（C，D）”得到10个核属性：x1，x2，x4，x5，x9等。调用函数redu（C，D，X）可得1个最小属性集，除核属性外还有x3x7x19等3个属性。输出结果见表3。

三、径向基神经网络评估

电力企业电力生产安全风险评估径向基神经网络的输入层为13个节点，即经粗糙集分析约简后的13个认人为事故致因因素。径向基神经网络的输出层为5个节点，对应电力企业电力生产安全风险等级，具体如下1级可量化为（1，0，0，0，0），2级可量化为（0，1，0，0，0），3级可量化为（0，0，1，0，0），4可量化级为（0，0，0，1，0），5级可量化为（0，0，0，0，1）。

将28个电力企业相关数据中的前23组数据作为训练样本子集，5组数据作为检验样本子集输入BRF神经网络。将经粗糙集理论属性约简后的13个人因事故致因因素离散数值进行归一化处理，然后输入RBF神经网络。利用newrb函数实现对数据的训练，然后，利用训练好的RBF神经网络对后5组地电力企业电力生产安全数据进行风险评估。sim函数可实现对结果的测试，具体数据如表4所示。测试结果显示，RBF神经网络的输出结果与问卷调查及综合价后得到的决策属性即安全风险等级基本一致。

四、结语

本文通过HFACS框架确定了适合电力事故的人为致因因素，然后基于粗糙集理论和径向基网络实现了对电力企业电力生产的安全风险评估。数据结果显示，本文所构建的模型能够对电力企业电力生产多个样本进行较为准确的安全风险评估，将电力生产安全非线性规则以连接权的方式赋予网络，大大降低了评估结果的主观性。经粗糙集理论约简后的HFACS指标相关性降低，且省略了影响较小的指标，在保证安全风险评估准确度的基础上降低了评估成本。简单来说，本文所构建的安全风险评估模型融合了粗糙集和神经网络两种理论的优点，利用粗糙集理论约简冗余信息减少了径向基神经网络输入端节点数量并且缓解了噪声对数据训练的影响，大大提高了模型的运行速度，对于电力企业电力生产安全风险评估有一定的指导意义。

1. 若将安全风险等级II作为临界值，那么国家安全监管部门应将安全风险评估等级为3级、4级、5级的电力企业作为重点监控对象，因此可将与3级、4级、5级电力企业有着相似HFACS属性值的电力企业实施重点监控。对与2级电力企业有着相似HFACS属性值的电力企业实施一般监控，随机抽查。1级电力企业电力生产安全状态良好，电力生产过程以企业内部自我监督为主，相关安全信息定期上报国家电力安全监管部门即可。

2. 对电力生产过程的数据分析结果表明，基于粗糙集和RBF神经网络的安全风险评估模型能较为准确的预测某一电力生产项目的安全风险级别，但需要大量HFACS指标属性值信息，因此建议政府有关部门开发电力安全监督信息系统，并设定安全预警值，由安全监督机构人员、监理单位和电力企业人员定期反馈完整安全属性的项目信息，以期实现对电力生产及时高效的防控。

3. 基于粗糙集和RBF神经网络的电力企业电力生产评估预警系统可有效地监控预防电力事故的发生，然而，当出现电力事故时，电力企业也需要迅速制定出应对策略。这要求电力企业完善电力应急管理系统，将应急资源集中整合到特定的应急管理部门，明确部门内人员的应尽职责，要保证事故发生时能够第一时间作出反应，并及时做出合理应对方案。同时，电力企业还应加强对企业员工的培训，提高其安全意识和抢修自救能力，真正做到专门部门、高效应急方案、专业员工的有效融合，进而降低电力企业电力生产的人身事故发生率。

参考文献：

[1]武淑平.电力企业生产中人因失误影响因素及管理对策研究[D].北京：北京交通大学，2009.

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

[3]罗晓利，曾先林，赵珊.基于HFACS 模型的机场威胁与差错因素研究[J].中国民用航空，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议[J].中国安全生产科学技术，2015（10）：96-102.

[5]吕春玉，房春花.人为因素分析与分类系统（HFACS）及事故个例分析[J].中国民航飞行学院学报，2009（02）：37-40.

[6]王盼盼，邓小鹏，陆莹.基于人的因素分析和分类系统的建筑施工事故研究[J].工程管理学报，2010（01）：60-64.

[7]于群，张铮，屈玉清，贺庆.基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测[J].数学的实践与认识，2018，48（09）：144-153.

[8]廖峥.基于BP神经网络的输电线路舞动预测及电网风险预警方法[D].重庆大学，2017.

[9]Dingyu（薛定宇），CHEN Yangquan（陈阳泉）. Advanced ap-plied mathematical problem solutions with MATLAB（高等应用数学问题的MATLAB求解）[M].2nd ed. Beijing：Tsinghua UniversityPress（清华大学出版社），2008：126-170.