变电站操作不安全行为核心影响因素分析*

朱紫阳，王文钰，田 猛，王先培

(1.武汉大学 电子信息学院，湖北 武汉 430072;2.武汉大学 发展与教育心理研究所，湖北 武汉 430072)

0 引言

变电站在发电设施与用电者间起到集中、转换、分配电能的作用，是维持现代电力系统正常运行的重要设施。近年来，约66%的电力人身伤亡事故由不安全行为导致[1]，成为影响电力作业安全的重要因素。因此，研究不安全行为的核心影响因素有助于理解变电站事故的根本原因，对于减少事故的发生具有重要意义。

目前，国内外学者普遍关注安全氛围[2-5]、安全管理[6-9]等客观因素对操作者不安全行为的影响，但除客观因素外，现代心理学认为人的行为受心理因素支配，是心理活动的外在呈现[10]。因此，心理因素也被视为影响不安全行为的重要因素之一[11]。

国内外学者对影响不安全行为的心理因素开展研究：Wang等[12]调查并分析359个建筑工人，发现心理压力会从安全参与和安全服从2个方面影响安全行为；Qin等[13]设计量表和问卷探究心理资本与煤矿工人安全行为之间的关系，证实二者具有强关联性；陈梅等[14]从主观社会支持角度探究心理状态对建筑工人不安全行为的重要影响，得到可以减少事故发生的策略；付净等[15]基于24模型分析煤矿工人不安全行为的内在致因，发现安全心理和安全知识影响相对较大。针对不安全行为心理致因的研究还存在2点不足：研究者仅关注单一心理维度对安全行为的影响，导致结论适用范围有限；现有研究普遍关注煤矿和建筑领域，针对变电站工作者不安全行为的心理影响因素研究较少。

因此，本文在对变电站员工调查问卷基础上，建立包含不安全行为和9种安全心理维度的贝叶斯网络模型，探究其核心影响因素。研究结果有助于拓展针对变电站操作者的心理教育措施，并辅助建立系统化的心理预警机制，进而减少事故发生。

1 安全心理

安全心理是指人在从事安全生产活动时产生的特殊心理活动。这种心理状态与当事人的安全行为联系紧密。从心理学角度出发，探究不安全行为产生的根本原因，能针对性地提出解决方法，减少由于不安全行为导致的事故。根据文献[16]可知，影响安全的外在心理状况主要包含逆反心理、习惯心理、自负心理、求快心理、厌烦心理、侥幸心理、紧张心理和麻痹心理等，然而电力行业具有事故代价大、技术难度高、涉及范围广、系统复杂且高度集成、工作压力大等特点，这导致从业者的安全心理维度与其他行业略有不同。中国科学院在2016年有关电力行业工作者安全心理现状的研究中提到，紧张心理、情绪稳定性等因素是导致电力行业员工产生不安全行为的重要心理因素。基于国内基层电力员工安全心理模型[17-18]，本文提出9种影响变电站操作者产生不安全行为的心理，见表1。

2 数据获取

本文数据来源于2018年和2019年国家电网某省有限公司安全心理课题中发放的电网员工安全心理自评问卷，该问卷依据表1对变电站员工的9种心理维度进行评价，每个维度被量化为[0,5]区间内的分数，分数越高，表示被测者在这个维度的表现越差。为了让评分数据能用于模型训练，将分数按照表2离散化为3种取值：低于正常值(Low)、正常值(Normal)、高于正常值(High)。每位员工的安全行为使用9个维度的总分衡量，并以20分为分界线，离散化为存在安全行为(Yes)和存在不安全行为(No)。

据统计，2018年和2019年问卷调查分别得到824，20 406个(人次)有效数据，共计21 230个。在模型中，9种心理维度均可单独影响安全行为，即该贝叶斯网络最多可能有9个父节点。同时考虑到每个节点均有3种取值方式，用于模型训练的数据最少需要39=19 683个。因此，将21 230个有效数据划分为包含20 000个数据的训练集和包含1 230个数据的检验集。

表1 影响变电站操作不安全行为的9种心理维度Table 1 Nine psychological dimensions affecting unsafe operation behavior in substation

表2 9种心理维度评分的正常值范围Table 2 Normal value range of scores for nine psychological dimensions

3 贝叶斯网络模型

贝叶斯网络是1种反映概率分布并能实现概率推理的有向无环图[19]。建立贝叶斯网络模型主要包含结构学习和参数学习2个步骤，分别用于构建网络拓扑结构和获取各节点的概率分布，模型建立后需要进行网络评价，用于检验其合理性。

3.1 结构学习

结构学习方法主要分为基于专家知识和基于结构学习算法，2种方法有1个共同缺点，即如果掌握的知识或观测数据不足，就无法建立正确的网络结构。为解决这个问题，文献[20]提出将结构学习算法与专家知识相结合，得到最优网络结构。

结构学习算法主要分为基于评分和基于约束，实践经验表明，单一结构学习算法构建的网络结构不够准确。因此，本文提出用于结构学习的融合算法，并使用专家知识修正网络结构，具体包括以下4个步骤：

1)在贝叶斯仿真软件GeNIe上，将训练集用Bayesian Search算法训练5次，每次将迭代次数分别设置为20 k，40 k，100 k，200 k，400 k次。

2)在GeNIe上，将训练集用PC算法训练1次。

3)融合以上6次训练结果。

4)用专家知识修正网络结构[21]。

在针对变电站作业者安全心理的评估中，心理承受力(Dim_1)对情绪稳定性(Dim_9)及侥幸心理(Dim_3)对冒险心理(Dim_5)展现出强关联性。因此，本文在网络结构中分别连接这2对节点。

Riascos等[22]运用类似方法将2种基于评分的结构学习算法(K2和MCMC)融合，再利用有限的专家知识修正网络结构，取得良好的效果；Bassamzadeh等[23]证实多次重启基于评分的结构学习算法能使结果避免陷入局部最佳。考虑到Bayesian Search算法迭代次数越多，最终得到的网络结构越准确，本文采取多次重启并逐次增加迭代次数的思路，以期得到更加准确的贝叶斯网络结构。

本文利用贝叶斯仿真软件GeNIe完成结构学习。为了与参数学习结果统一格式，图1展示模型在Netica上的可视化结构。

图1 变电站操作不安全行为模型结构Fig.1 Model structure of unsafe operation behavior in substation

3.2 参数学习

在处理真实调查数据时，由于问卷填写者的主观原因或收集数据时的客观原因，数据缺失难以避免。为保证贝叶斯网络模型训练的准确性，本文选用能学习缺省数据的EM算法实现参数学习。

在Netica中使用EM算法学习训练集的CPT，训练好的变电站操作不安全行为模型如图2所示。由图2可知，变电站中仅有67.6%的被测者行为是安全的；在9种心理维度中，被测者在麻痹心理方面表现较好，说明大部分变电站工作者对危险较为敏感，没有失去警觉性；但同时被测者在冒险心理方面却不容乐观，这说明大部分人能感知到环境发出的危险信号，仍然选择冒险作业，从而产生不安全行为，导致事故发生。

3.3 网络评价

本文选取5种常用于评价贝叶斯网络质量的参数：Errorrate[3]、Sphericalpayoff[24]、Logarithmicloss[24]、Quadraticloss[24]、AUC(Area Under the Curve) of theROC(Receiver Operating Characteristic)(简称AUC,下同)[19]，并在Netica中将检验集代入网络验证，结果如表3所示，表3还列举文献[3]中模型的对应参数值作为参照。对比表3中数据可知，除去文献[3]中不存在AUC值以外(因为该文献的安全行为节点是3分类)，其余本文模型参数均优于文献结果。同时，本文模型的AUC为0.945 8，属于预测能力极好的范围。因此，可以认为该模型构建合理，且具有较为优异的泛化能力，可以用于后续分析。

4 变电站不安全行为模型分析

灵敏度分析(Sensitivity Analysis)常用于反映贝叶斯网络中节点间的相互影响程度。在本文建立模型中，对安全行为节点影响最大的安全心理节点即为变电站不安全行为的核心影响因素。本文在灵敏度分析中使用的具体方法主要有MI分析和预测推理。

图2 变电站操作不安全行为模型Fig.2 Unsafe operation behavior model for substation

表3 变电站操作不安全行为模型评价Table 3 Evaluation of unsafe operation behavior model for substation

4.1 MI分析

MI值用于衡量贝叶斯网络中某个节点(设为X)对另一节点(设为Y)的影响程度[19]，如式(1)所示：

MI(X,Y)=H(X)-H(X|Y)

(1)

式中：H(X)为随机变量X的熵，用于衡量X的不确定程度。

H(X)计算如式(2)所示[25]：

(2)

式中：x表示随机变量X的取值；P(x)表示随机变量x的概率。

MI值越大，说明节点X，Y间的影响程度越大，相互依赖性越强[26]。

在Netica中分别计算9个心理维度节点对安全行为节点的MI值，结果如表4所示。由表4可知，情绪稳定性(Dim_9)和心理承受力(Dim_1)对安全行为的MI值分别为0.075 57，0.070 62，远高于其他维度，说明这2种心理维度对变电站操作者的安全行为影响较大。

4.2 预测推理

预测推理过程是给定“原因”(9种安全心理)的观测值，观察“结果”(安全行为)的概率值变化率，从而预测可能导致的结果。文献[2]将预测推理用于分析建筑行业中不安全行为的核心影响因素，得到能够有效提升安全行为比率的策略。

表4 9个心理维度节点对安全行为节点的MI值Table 4 MI of 9 psychological dimension nodes to safe behavior nodes

在Netica中分别给9个心理维度节点设置证据，观察安全行为节点的灵敏度，如表5所示。其中，“初始值”为设置证据前安全行为节点中“存在安全行为”的概率，“低于正常值”、“正常值”、“高于正常值”分别为给节点设置对应证据后的概率，表5中灵敏度如式(3)所示[2]：

(3)

表5 预测推理灵敏度分析结果Table 5 Predictive inference sensitivity analysis results

式中：P(best scenario)为安全行为节点中“存在安全行为”的最高概率；P(worst scenario)为安全行为节点中“存在安全行为”的最低概率。

由表5可知，当所有心理维度均高于正常值时，情绪稳定性和心理承受力导致安全行为变化的灵敏度相对较大，表明这2种安全心理是变电站操作不安全行为的核心影响因素。

5 结论

1)以国家电网某省电力有限公司变电站员工安全心理自评数据为基础，训练模型的结构和参数；针对结构学习中单一算法训练结果不准确问题，提出融合Bayesian Search和PC算法，并使用专家知识修正的结构学习方法，针对基于评分的结构学习算法容易陷入局部最佳问题，提出多次重启并逐次增加迭代次数的方法；本文模型在4种参数上均优于文献模型，具有良好的泛化能力。

2)通过使用MI分析和预测推理分析变电站操作不安全行为模型，发现情绪稳定性和心理承受力是变电站操作不安全行为的核心影响因素。研究结果可为改进变电站安全措施提供指导性意见。