电力生产作业人身安全风险量化评价体系建设

国网甘肃省电力公司 陈 钊 夏 天 贺洲强 杨鹏云 国网兰州供电公司 陆 浩

当前，电力生产各类事故隐患和安全风险交织，安全事故易发，安全管理工作形势依然严峻。从频发人身安全事故案例分析，人身安全事故发生的原因主要涉及到人员、设备、工具、方法和环境等多个方面。就电网企业而言，虽然安全问题一直受到其高度重视和巨大投入，但由于缺乏系统性的认识和管理导致人身事故屡禁不止，极大程度上影响着安全生产的正常秩序[1-2]。因此有必要从全局出发，系统性考虑，构建电力生产作业人身安全风险量化评价，以提升安全水平。

常用的安全生产风险分析方法包括风险矩阵分析法、安全检查表分析法、失效模式与影响分析、故障树分析、5M因素分析法、可操作性分析、致命度分析等。各种风险评价方法都有各自的特点和适用范围，现有的风险评价方法多为定性评价居多，定量评价也是基于定性分析的结果，特别是适用于电力行业生产作业特点的定量评价比较空缺，在开展实际风险评价时，有必要选用几种评价方法进行评价，以提高风险评价结果的准确度。

1 建设思路

为便于生产作业人身安全风险量化评价体系科学构建，本文将评价体系建设过程进行解析，引入生产理论函数“Y=f(x)”，将生产作业人身安全风险量化评价类比为“输入-输出”的逻辑关系，如图1所示：首先明确输入，即找准生产作业中影响人身安全风险的因素（指标）；其次建立量化模型，结合因素（指标）特点，建立反映其内在逻辑关系的计算模型；最后得出量化结果，即按照的逻辑关系，将指标计算汇总得到最终生产作业人身安全风险量化结果。根据上述逻辑关系的解析，本文将生产作业人身安全风险量化评价体系建设划分为生产作业人身安全风险评价指标体系构建、量化评价模型建立、量化应用体系设计三大步骤。

图1“输入-输出”逻辑关系

2 实现路径

2.1 生产作业人身安全风险评价指标体系

2.1.1 关键风险词频提取

采用TF-IDF算法，通过Python软件对国家能源局2016年1月～2020年5月期间的《事故通报》和《全国电力安全生产情况》、国网公司部分事故通报文件进行关键词分析。将Python执行结果按照TF-IDF权重的大小进行整理排序，筛选出文件中TF-IDF权重最高的40个词，并结合生产作业现场工作实际及特征要素，筛选出有关生产作业人身安全的24个关键词及其TF-IDF值：作业标准不明确0.01639、无监护施工0.01615、未佩戴个人防护用品0.01613、无安全技术交底0.01606、无现场应急处置预案0.01601、隔离措施不完善0.01583、不同型号设备混放0.01579、操作规程不健全0.01564、防护设施管理不到位0.01562、运行计划不恰当0.01546、习惯性违章0.01538、组织安全氛围差0.01534、无操作票操作0.0147、身体状况差0.01466、设计图纸有误0.01499、工器具选择错误0.01482、作业前检查不到位0.01479、工前未现场勘查0.01477、工器具准备不齐0.01464、无资质作业0.01458、人员配备不足0.01436、作业强度过大0.01428、作业空间受限0.01423、生产进度安排不合理0.01414。

2.1.2 关键因子库构建

基于上述TF-IDF算法提取、筛选的人身安全风险词频，参照公司各类人身事故原因分类和各专业班组的工作经验，导入质量控制管理“人机料法环”理论，将上述风险词频及管理要求按照人、机、料、法、环五个维度归类，建立生产作业人身安全风险因子库。“人”包括年龄、性别、学历、职称、人员类型、本岗位从业时间、同类型作业熟悉程度、作业习惯、身体状况、精神状态、工作情绪；“机”包括设备电压等级、设备类型、设备状态；“料”包括设备防护、工器具配置、个人防护用品配置；“法”包括作业时长、作业性质、作业方式、作业时段、分组作业、交叉作业；“环”包括作业地形、作业天气、作业空间。

2.2 生产作业人身安全风险量化评价模型

本文将经过主成分分析法处理过的风险关键因子数据作为BP神经网络的输入层数据，输出层输出数据为最终的预测结果，即风险值。通过误差反向传播算法寻找层与层之间使误差最小的最佳权值和阈值，从而完成对被评估对象风险数据中包含信息的提取和记忆，实现从输入到输出复杂的非线性映射关系，具体关于生产作业人身安全量化评价模型的建模技术路线如下：

开展数据预处理，将风险关键因子库中的26个指标数据转化为计算机可识别处理的数值类型数据；假设不同风险等级分布概率区间，即根据经验设定1～5级风险在区间上分布的概率区间；利用主成分分析法对风险关键因子库中的26个指标进行降维，即将原始输入矩阵转变为低维稠密矩阵；构建BP神经网络模型，将输入其中得到风险概率输出；根据风险概率输出，结合前期设定的风险等级分布概率区间，映射为对应风险等级；通过误差反向传播算法计算风险概率映射为风险等级的误差，当误差不超过0.0001时则通过，即输出对应风险等级；当误差超过0.0001时则不通过，须重新进入更新BP神经网络参数步骤，构造新的神经网络模型，从而不断修正误差值，确保误差最小。

2.3 生产作业人身安全风险量化应用体系

基于生产作业人身安全风险量化评价体系的输出结果，最终设计形成风险预警机制、量化评价程序、作业准入机制和现有平台接入机制，分别从技术上、管理上和流程上提升量化评价体系使用效果，确保评价结果科学性和评价体系的持续性。

风险预警机制设计。一是整体风险结果预警。通过基于主成分神经网络的生产作业人身安全风险量化评价模型的运算，将得到该作业样本的风险概率预测值，将风险概率预测值与前期设定的风险概率值相比对，即可得到对应的风险等级，进而便于开展对应等级的生产作业人身安全风险预警[3]；二是重要风险指标预警。因考虑到26个生产作业人身安全风险量化评价指标在管理上具有一定的难度，采用逻辑回归方法进行建模，帮助识别重要特征指标并开展重要指标预警，进而实现对生产作业人身风险关键指标的管控。

量化评价模型封装。考虑到基于主成分神经网络的生产作业人身安全风险量化评价模型的操作和计算难度，本文从简便、易操作的原则出发，采用EXE程序对模型进行封装，在下一次开展风险量化评价时，只需按照《国网甘肃省电力公司生产作业人身安全风险量化评价-数据采集表》的相关格式要求，完整、准确填入相关信息以EXCEL表形式导入模型程序中，即可自动生成风险等级量化结果，进而实现风险量化评价的智能化与便捷化。

作业准入机制设计。通过构建基于主成分神经网络的生产作业人身安全风险量化评价模型，可辅助相关管理人员识别和判断生产作业人身安全风险，从而实现对生产作业的事前管控。对此，充分发挥生产作业人身安全风险防控的现实作用，本文设计生产作业准入机制，以《生产作业人身安全风险预警表》为载体，通过表格填写和展示，及时提醒作业人员防范风险，提高生产作业人身安全水平[4]；现有平台接入设计。因考虑基于主成分神经网络的人身安全风险量化评价模型在未来使用过程中与现有业务系统的融合性，充分调研公司安全生产风险管控平台，了解该平台建设的原理和接口情况，为探索平台接入模式奠定研究基础。

综上，在后续研究中，可持续强化大样本采集以升级模型、强化作业计划关键指标输出、强化大数据等技术深化应用，以提升量化评价体系的落地应用效果。