电力安全事故影响因素的多重对应分析及管控措施优化

2023-01-18李建鹏赵冀宁刘晓飞

河北电力技术 2022年5期

李建鹏,赵冀宁,邹园,刘晓飞,王绪

(1.国网河北省电力有限公司检修分公司,河北石家庄 050070;2.国网河北省电力有限公司培训中心,河北石家庄 050031)

0 引言

稳定充足的电力供应是保证国民经济持续、健康增长的基础。随着我国电力系统的高速发展,输变电设备在运数量迅速增长,其安全稳定运行是可靠供电的重要保障[12]。统计表明,电力设备状态检修方式的实施减少了大量人员参与的检修工作,但周期性的停电检修仍是电力生产的主要内容[3]。近年来,国内外电力事故频发,电力生产中的安全问题日益凸显,如何保障人身、电网、设备安全,有效避免电力安全事故的发生成为电力行业研究的重点问题。

人因分析与分类系统(Human Factors Analysis and Classification System,HFACS)模型在分析事故中潜在的人为因素基础上,确定各类人为因素间的相关性[4-5],目前已广泛应用于航空事故、交通事故、矿难事故调查当中。但是电力安全事故分为人身、电网、设备和信息系统四类,事故致因具有耦合性、易变性、多源性特征。文献[6]基于灰色关联分析的方法提出组织氛围、认知和行为因素是电网安全事故的关键因素。文献[7]解决了安全自动装置与电网实时运行缺乏互动的问题,提高了电网运行安全性。文献[8]分析了电缆结构和电缆事故特征之间的关系,提出了针对性检修策略和更换计划。电力安全事故样本少、数据统计不完善,现有相关研究停留在人为因素或者设备因素单独分析的层面,缺少多因素间的系统性联合分析。并且随着时代发展、社会变迁,社会异质性日益突出,不同群体的安全制度获取、认知水平存在明显差异,安全制度宣贯缺乏针对性、效果不佳。

为此,在统计2010—2020年国家能源局、国家电网有限公司、省级电力公司发布的196起电力安全事故通报基础上,利用多重对应分析方法,研究人为因素与设备因素之间、安全制度认知影响因素之间的相互关系,揭示电力安全事故发生的深层次机理,为电力安全事故的预防提供理论依据,为安全管控措施持续优化、标准化建设提供借鉴。

1 电力安全事故影响因素

1.1 人为因素

通常认为电力安全事故的发生是从组织管理开始的,经过一系列的失误过程,最终由包含人为因素在内的不安全行为所引发。本文统计的196起电力安全事故通报包括生产事故、建设事故、设备事故及安全事件等。基于电力生产的实际特点,建立了现场电力安全事故的HFACS模型[6,9],并分类统计影响安全事故的人为因素出现频次,统计结果如表1所示。

由表1可见,占比较高的人为因素是违章操作77.55%、操作失误66.33%、安全管理60.20%、监督违章47.96%、注意力45.92%和信息交流39.79%。

1.2 设备因素

电力设备作为电力生产中的重要组成部分,其数量巨大、类型繁多,是影响电力安全事故的重要因素[10-12]。以变压器、互感器等静态设备为例,不同厂家、不同电压等级、不同运行年限的设备需进行的检修工作有差异,进而对安全事故的影响存在差异,具体表现为触电、漏油、漏气、接地不良等事故。断路器、隔离开关等动态设备,由于制造厂家、电压等级、运行年限、机构型式的影响,导致的触电、漏气、机械伤人等同样存在差异。深入研究影响电力安全事故发生的设备因素,选取设备类型、运行年限、制造厂家、机构型式4种因素作为研究对象。

表1 电力事故HFACS模型

2 安全制度认知影响因素

电力员工对安全制度的认知状况不仅会影响自身工作中的行为,而且会对安全制度的发展与完善产生影响[13-15]。在对安全制度充分了解的基础上,才能在现场工作中做出正确的决策,有效避免安全事故发生。研究影响电力员工安全制度认知的各种因素及其关联关系,对于提高员工安全意识、推动安全制度优化升级具有重要意义。

以某电力公司178名班组人员为调查对象,调查问卷包括班组人员基本情况和安全制度认知情况两部分。其中班组人员基本情况包括工作年限、文化程度、性别、技能等级、婚姻情况和从事专业。员工对安全制度认知情况包括100个问题,计分方法为:答案正确得1分,答案错误或未回答得0分,定义分数在80~100为高分组、60~79为中分组、59及以下为低分组,得分越高表明员工对安全制度了解越多、认知水平越高。

3 多重对应分析

在原始资料矩阵中,行变量和列变量之间可能存在一定的相关关系,也可能存在于行变量和列变量的某些类别之间。分析分类变量间的关系时,卡方检验只能给出总体有无关联的结论,不能进行分类变量各类别间的精细分析,在变量类别极多时效果很差。Logistic回归在处理多分类变量问题时过程较为繁琐、而且结果不容易解释[16]。

多重对应分析是建立在R-Q型因子分析基础上的一种多维图示技术,与分类变量的典型相关分析具有等价性,通过研究分类变量的交互汇总来揭示变量之间的对应关系。当前几个因子的累计贡献率达到80%或更大时,通过因子得分投影图来更为直观的显示分类变量各类别间的关联[17-18]。

多重对应分析原理及分析过程如下:

(1)计算原始资料矩阵的规格化概率矩阵

式中:X=(xij)为原始资料矩阵;。

(2)计算过渡矩阵

(3)计算第i个与第j个变量的协方差矩阵A=Z'Z的特征根λ1,λ2,…,λp,按累计贡献率λα≥85%,取前m个特征根λ1,λ2,…,λm,然后计算特征根对应的单位特征向贡献率,记为u1,u2,…,um,得到R型因子载荷矩阵

(4)计算特征根λ1,λ2,…,λm对应于第k个与第l个变量的协方差矩阵B=ZZ'的单位特征向量Zu1,△V1,Zu2△V2,…,Zum,…,△Vm,得到Q型因子载荷矩阵

(5)图形阅读规则:同一变量有联系的不同类别应处于相对原点(0,0)大致相同的方位及区域;处在大致相同区域内的不同变量类别之间彼此有联系,相对距离大小可能代表关联倾向程度。

4 案例分析

4.1 人为因素与设备因素的多重对应分析

通过对196起电力安全事故报告进行统计,结合电力安全事故形式(包括触电、机械伤人、接地不良、漏油、漏气及其他6个类别)、电力安全事故HFACS模型中频次较高的人为因素(违章操作、操作失误、安全管理、监督违章、注意力、信息交流)和设备因素(设备类型、运行年限、制造厂家、机构型式)共11个分类变量进行多重对应分析,赋值情况见表2,多重对应分析结果如表3所示。

表2 电力安全事故影响因素变量赋值表

表3 多重对应分析模型

从表3可以看出,第1个特征根4.927对应的方差百分比为49.793%,表明维1(第1个辨识度量)可以解释原始数据信息的49.793%,第2个特征根3.529对应的方差百分比为35.665%,表明维2(第2个辨识度量)可以解释原始数据信息的35.665%,两维合计可以解释原始变量信息的85.458%。

根据4.927和3.529两个特征根,计算维度得分向量和量化后变量值向量的平方相关系数,即辨识度量,用以测量量化后变量值与维度得分的相关性大小,进而判断联系较密切的变量在某维度上的表现特征。事故形式、违章操作等11个变量在这2个辨识度量之间的载荷如表4所示。由表4可以看出,监督违章(0.005,0.014)处在原点附近,安全管理(0.549,0.006)、注意力(0.685,0.124)与第1个辨识度量相关性较大,情景意识(0.036,0.200)、信息交流(0.152,0.266)和事故形式(0.398,0.478)与第2个辨识度量相关性较大。

表4 辨识度量的相关系数表

计算11个变量的38个水平在2个辨识度量上的得分,绘制出的多重对应分析图如图1所示。

图1 安全事故多重对应分析

由图1可以看出,电力安全事故与各影响因素之间存在复杂的非线性关系,相互影响叠加演化成复杂的电力安全事故;监督违章处于原点(0,0)位置,说明其与电力安全事故都有一定的关联,反应了安全监督在维护电力安全方面占据重要地位;机构型式碟簧、运行年限16~20年与制造厂家乙有一定联系;设备类型互感器与事故形式漏油、漏气有一定联系;设备类型断路器、制造厂家戊、注意力差和事故形式机械伤人联系密切;设备类型变压器、制造厂家甲和事故形式接地不良有一定联系。