基于Leaky Noisy-or Gate和贝叶斯网络的光伏发电项目施工风险评估方法

董华珊， 侯学良

(华北电力大学 工程技术与管理研究所， 北京 102206)

据统计，截至2021年底，中国光伏发电建设累计并网容量达30 598.7万kW[1]，已成为全球光伏发电安装量增长最快的国家。为实现“双碳”目标，国家发改委和国家能源局在《能源生产和消费革命战略(2016—2040)》中明确指出：到2030年，国内非化石能源发电要占总发电量的50%；到2050年，要占总量的70%～80%。由此可见，今后一段时期，中国将迎来光伏发电工程的建设新高峰。

然而，从工程项目管理角度来看，由于在光伏工程项目施工过程中，时常受到项目内外各种风险因素的干扰，会给项目质量、进度、成本等建设目标的顺利实现带来一定的阻碍和约束，这意味着对其风险管理的成败将决定项目运作成功与否。因此，如何对光伏项目施工中可能出现的各种风险进行预测、分析和评估并针对性管理，以达到控制风险、降低成本、提高效益的目的，已成为当前工程项目管理领域亟待解决的重要课题。

1 研究现状

随着工程项目管理理论的不断完善，工程项目管理中的风险管理体系也逐渐成熟。光伏发电项目具有资源依赖性、资金密集性、技术密集性、社会公用性等基本特征，因此做好项目的风险评价管控至关重要，不容忽视。冯鹤等根据电气-几何模型，深入研究并网光伏发电系统的损害来源、损害类型以及损失程度影响因素，并提出了并网光伏发电系统雷电灾害风险评估的定量解决方法[2]。杨有民和孙冠男通过对光伏发电项目风险特征和风险类型的分析，探讨了构建基于层次分析法、模糊综合评价法以及专家评价法的光伏发电项目风险评价指标体系的具体措施步骤[3]。何宁波在充分考虑分布式光伏发电项目整体实际情况的基础上，利用层次分析法确定指标权重，并运用物元可拓理论来获得各评价等级的关联度，最终建立了基于层次分析法(analytic hierarchy process，AHP)的物元可拓项目风险评价模型[4]。汪顺旭将风险管理理论和光伏电站建设项目相结合，通过专家调查法和层次分析法来对风险因素进行识别，并应用模糊评价法来对光伏电站建设项目中存在的不确定因素进行预想推论，并针对事故隐患提出应对措施[5]。

综合上述学者们对光伏发电项目风险评估的研究，不难发现存在一些局限性。大多数学者普遍关注对光伏发电项目进行全生命周期风险评价，通过建立风险评价指标和评估模型来进行整体性风险评估。如董博和杨小兵应用模糊层次分析法来确定大型光伏发电项目投资、建设、运营、回购等阶段的主要风险因素及其风险等级，但未深入分析相关风险因素之间的转化关联影响[6]；杨彦等对光伏发电项目从筹备到实施到运营的全过程涉及的风险单元进行识别，并采用ANP-TOPSIS组合的方法来建立光伏发电项目的整体风险评估模型，但其评估的不确定性较强[7]。或是由于其高投资特点而更侧重投资风险评价，如成健等从政策变动、发电效益、投资权益等角度对光伏发电项目投资过程中面临的主要障碍和风险进行分析并提出相应策略[8]；强丽娟运用问卷调查法和因子分析法来对光伏电站风险评价指标进行确认，结合AHP和熵权法来对指标进行量化，并基于模糊综合评价法来构建光伏电站项目投标报价风险的评价模型[9]。

目前对于光伏发电项目施工阶段风险的研究尚不丰富，但其施工风险管理却在工程项目管理中占据非常重要的地位，因此需探索新方法来对光伏发电项目的施工风险进行科学有效的评估，以便采取针对性管控措施来降低风险、提高效益。

2 光伏发电项目施工风险评估研究思路

光伏发电项目施工阶段具有工期短、交叉作业多、作业面广等特点，不确定性和复杂性[10]是施工风险的主要来源。作为在不确定知识的表达和推理领域最行之有效的模型，贝叶斯网络在表达和分析不确定性和概率性问题上有独特优势，符合光伏发电项目施工风险复杂多变的特征，故本文将贝叶斯网络应用于光伏发电项目施工风险评估领域。

2.1 贝叶斯网络

贝叶斯网络(Bayesian network，BN)，又称信念网络，适用于不确定知识的表达和推理决策，可用由节点及连接节点的有向边构成的有向无环图(directed acyclic graph，DAG)来表示，节点表示随机变量，有向边表示变量之间的条件依赖，用条件概率表(conditional probability tables，CPT)表示其关系强度(即联合概率分布)。因此，BN可写为

G={(L，E)，P}

(1)

其中：L为网络节点；E为有向无环图；P为节点的条件概率分布。

条件概率P表示变量之间的依赖关系，可用贝叶斯定理来计算，其Bayes公式为

(2)

式中：P(Xi)、P(Xj)为先验概率，可通过统计数据或经验知识获得；P(Xi|Y)为后验概率，即在Y发生的条件下Xi发生的概率；P(Y|Xi)、P(Y|Xj)均为条件概率。

由上可见，贝叶斯网络可将先验概率(即对事物已有的认知)和条件概率(即得到的新证据)有效融合，推演得到后验概率(即事物的发展规律)，使得对变量的统计推断更合理。

构建BN模型，需要特定网络结构的先验概率和后验概率作为网络参数来进行运算[11]。在数据充分的情况下，可通过直接建模来确定其网络参数，如采用极大似然估计[12]、随机近似蒙特卡罗方法(SAMC)[13]等。但这些方法都需要大量的数据样本，且研究主要以β分布和二项分布为主，具有一定的局限性。但由于国内光伏发电项目缺少较为完备的风险案例数据库，可用有效数据较少，而Leaky Noisy-or Gate模型在有效数据不充分的情况下可依据专家知识和历史经验来确定BN参数[14]，故本文采用Leaky Noisy-or Gate来计算BN参数。

2.2 Leaky Noisy-or Gate扩展模型

由于实际项目中还会存在一些其他的未知因素会影响节点Y，故Henrion提出了遗漏概率(leak probability)概念,继而又提出Leaky Noisy-or Gate扩展模型，其定义如下。

假设Y(子节点)有2个相互独立的父节点：Xi和Xall(即Xi以外的其他因素合并为Xall)，Pi和Pall是其连接概率；将所有未知因素合为一个因素XL，其连接概率为PL，则有

P(Y|Xi)=Pi+Pall-PiPall

(3)

(4)

由式(3)和式(4)联立，可得

(5)

根据式(5)获得父节点连接概率Pi后，再结合不确定因素XL及其连接概率PL(可由风险历史分布函数确定)，从而得出节点Y的条件概率为

(6)

综上，基于Leaky Noisy-or Gate和贝叶斯网络来对光伏项目施工风险进行评估，其具体步骤如下：

1)采用德尔菲法对施工中存在的主要风险因素进行识别和分类，并确定其先验概率。

2)通过专家评议确认风险因素之间的因果层级关系并排序，构建贝叶斯网络模型。

3)根据先验概率来确定模型中各子节点与其父节点之间的连接概率。

4)利用Leaky Noisy-or Gate模型计算可得到整个贝叶斯网络的CPT[15]。

5)采用专业分析工具Netica对施工风险贝叶斯网络模型进行仿真分析评估。

3 实例分析

以光伏发电项目施工阶段的典型风险因素作为研究对象，依靠专家确定节点及节点间关系，构建贝叶斯网络模型结构，通过仿真分析，并与项目实际风险因素情况进行结论比较，以验证所建评估模型的合理性和有效性。

3.1 项目概况及其风险因素识别与分类

以Z项目为例，其为200 MWp大型地面集中式光伏复合项目，总占地面积8 020亩(1 亩=666.7 m2)，总投资77 878.84万元，运营期25年。场区位于腾格里沙漠地带边缘，地势总体起伏较大且沙化严重；施工期为2020年10月15日至12月30日，有效工期不足3个月，日均气温-5～-10 ℃。

在了解Z项目实际情况后，通过分析中国近年来光伏发电项目施工中存在的风险因素，以现场采访和问卷调查的方式，对建设、监理、设计、施工等相关单位管理人员及主要工作人员进行了施工风险因素调查。共计发出239份调查表，实际回收227份，其中有效调查表的数量为214份，总有效率为89.5%，满足要求。对有效调查表进行整理汇总分析，筛选出施工阶段存在的10种主要风险因素，且这些风险因素之间存在较好的相互独立性，风险因素及符号见表1。

表1 施工阶段主要风险因素及符号

通过参考国内外风险因素分析实例并考虑光伏发电项目施工风险特点，邀请48名专家对这些风险因素进行分类，同时对有效样本数据进行相关统计分析，获得各个风险因素的先验概率，见表2。

表2 施工阶段风险因素及其先验概率

为了更好地反映光伏发电项目施工风险发生的可能性大小(概率)，经专家组评议，可将其风险概率等级划分为5个等级，见表3。

表3 风险概率等级评价标准

3.2 贝叶斯网络模型建立

在以贝叶斯网络为基础模型的研究中，构建贝叶斯网络结构是进行施工风险预判的基础。即将光伏发电项目整体施工风险作为目标层，3类具体风险作为准则层，细化风险因素作为指标层，各层存在隶属关系，经专家群决策对各层指标进行排序，直至形成完整的基于施工风险的贝叶斯网络节点结构(图1)。结合客观数据与专家知识，分析网络节点变量间因果关系并进行逻辑推理，最终构建Z项目施工风险贝叶斯网络模型(图2)。

图1 Z项目施工风险贝叶斯网络节点结构

图2 Z项目施工风险贝叶斯网络模型

3.3 贝叶斯网络参数确定

由表2中的先验概率可确定各子节点与其父节点之间的连接概率；再利用Leaky Noisy-or Gate模型计算得到CPT。限于篇幅，以安全风险X2为例，其CPT见表4。

表4 安全风险X2的CPT(1：发生；0：不发生)

3.4 基于贝叶斯网络模型的施工风险评估分析

常用BN分析工具较多，有GeNle[16-17]、Netica[18]、MATLAB的BNT工具箱[19]等。

Netica是一款专业高效的贝叶斯网络搭建与仿真分析工具，可通过自动学习样本数据来计算先验概率，得出节点对结果的影响程度[11]，故拟采用Netica对案例进行仿真分析，来实现对施工风险事件有效预测与诊断。

利用Netica软件创建贝叶斯网络，输入各节点参数进行学习后，可得到光伏发电项目施工阶段主要风险因素的概率分布，可实现基于BN的风险预测，定性分析出各风险因素与事故之间的因果关系。为进一步定量判断出施工阶段的致因风险链，利用BN的逆向推理来进行敏感性分析和关键性分析，可有效识别关键性风险因素、规避敏感性风险因素，从而降低施工阶段的风险概率，为项目管理决策提供更科学地依据和参考。

3.4.1 基于BN的风险预测

将收集到的数据(先验概率)进行规范化处理，导入Netica中并与网络节点进行匹配，当所有节点都匹配成功后进行参数学习，最后更新贝叶斯网络图，即可得到风险预测的结果。输入各节点参数并更新网络后，可自动得到E发生的概率为49.2%，不发生的概率为50.8%，如图3所示。根据表3可判断出该项目施工风险水平为中等(Ⅲ)，总体处于可控状态，符合工程实际情况。

根据联合概率计算，可得到E在两种状态下的概率为

P(E=1)=∑X1，X2，X3P(X1，X2，X3，

E=1)=0.492；

P(E=0)=1-P(E=1)=0.508。

计算结果与软件仿真结果一致，说明Netica对贝叶斯网络的施工风险预测具有合理性。

3.4.2 基于BN的敏感性分析

敏感性分析是通过分析、测算项目中的不确定性因素对目标的影响程度，进而衡量判断项目承受风险的能力。Netica可通过计算相关节点后验概率的方差来确定其敏感程度，详见表5。

表5 风险事件E的敏感性分析结果

图3 基于BN的风险预测

由表5可知，对于施工风险事故发生(E)的敏感性：管理风险>安全风险>质量风险；风险因素中，Y9>Y8>Y10>Y5>Y3>Y4>Y6>Y2>Y7>Y1。从整体上看，管理风险X3最为敏感，即影响最大，其中风险因素Y9的敏感性最高，其他2个也较敏感；质量风险X1的敏感性最低，其原因是Y1和Y2的敏感性很低，被这两个变量弱化。

3.4.3 基于BN的关键性分析

后验概率可用来判定各个风险因素对风险事件的影响程度，即导致风险事故发生的关键节点。施工风险事件发生时，所观测到的后验概率≥0.6的风险因素称为关键性风险[20]。

假定发生施工风险事故，即E=1，基于已构建的贝叶斯网络可计算出各个风险因素的后验概率，并逆向推断出导致风险事件发生最可能的致因组合(关键性风险因素)，该结果可对项目管理人员进行相应故障诊断提供帮助，以便及时采取防范或补救措施，防止风险升级、事故扩大。诊断结果如图4和图5所示。

图4 基于BN的关键性分析

图5 E=1时，各风险因素的后验概率

由图4可知，引起施工风险事件发生的事故致因中：在准则层，管理风险(X3)的触发概率最大，为0.616；而在指标层，材料设备质量不合格(Y1)影响最大，为0.602。该诊断表明：即当材料设备质量存在隐患且现场管理工作不到位(如未落实进场验收制度等)，将导致不合格材料设备被用于施工过程，极大提高了施工风险事件的发生概率，具有逻辑意义。

由图5可知，材料设备质量不合格(Y1)为关键性风险，需重点监控、管理。

4 结论

基于214份调查问卷和实例，运用贝叶斯网络理论，建立了光伏发电项目施工风险评估模型，并利用专业分析工具Netica进行仿真分析，实现了对施工风险的有效预判和诊断，并进一步识别出了关键性风险和敏感性风险，得到以下结论：

1)在理论知识和实际案例的基础上，本文建立了基于Leaky Noisy-or Gate和贝叶斯网络的光伏项目施工风险评估模型，可对施工风险事故发生概率进行有效预测并进一步识别出对其敏感性较高的风险因素，以便管理者及时采取针对性预防措施。

2)运用贝叶斯网络优越的推理能力，可对导致施工风险事件发生的各个风险因素进行诊断并得出关键性风险因素，有助于项目管理人员及时防范或规避风险，为项目决策提供科学依据。

3)Z项目施工风险事件发生概率为0.492，其施工风险水平为中等(Ⅲ)。经仿真分析，其关键性风险为材料设备质量不合格；敏感性风险为施工方案不详细合理、进度管控不到位。针对识别出的关键性风险和敏感性风险，项目管理人员可提前制定针对性的风险管控措施，以避免风险程度升级或潜在损失扩大，有效降低风险治理成本，提高项目效益。经专家评判，仿真结果与工程项目实际情况高度匹配，该方法具有一定的工程应用价值。