基于貝葉斯網絡的電力企業安全生產風險管控系統①

章偉林, 張學東

?

基于貝葉斯網絡的電力企業安全生產風險管控系統①

章偉林, 張學東

(國家電網浙江省電力公司, 杭州 310007)

分析了建立電力企業安全生產風險管控系統的必要性和設計框架, 并提出了基于貝葉斯網絡的動態風險評估模型. 通過對風險因素的識別和評估, 構建了貝葉斯網絡結構和參數, 在此基礎上對安全生產風險進行了風險評估、風險診斷. 最后, 依據分析得到的結果進行風險控制. 該系統可以滿足電力企業安全生產風險管控的需求.

貝葉斯網絡; 安全生產; 風險評估; 風險管控

隨著經濟的高速發展, 工業用電、居民用電不斷攀升. 用電需求量迫使電網的不斷升級改造, 電網線路更為復雜, 現場作業規模不斷加大, 導致人身傷亡、電纜著火、電氣誤操作、風電大面積脫網、大型變壓器損壞、開關設備事故、輸電線路事故、電力電纜損壞、繼電保護等安全生產風險也不斷提高.

現有安全風險管控體系在智能化、自適應方面已無法滿足實際工作的要求, 主要體現在以下幾方面:

(1) 風險評估標準缺乏有效的升級修訂機制. 當前的風險評估標準根據后評估結果和各單位反饋的情況, 人工定期對風險評估標準進行更新修訂. 效率低下.

(2) 風險評估智能化不足, 不僅工作量大, 且在較大程度上影響了風險評估的科學性和準確性. 現有的風險評估主要由專業人員對照評估標準進行人工判定, 評估人員往往需要查閱大量的歷史數據方能進行準確的風險評估, 工作量較大.

(3) 控制措施針對性不足. 控制措施執行是對現場作業進行風險管控的具體抓手, 當前控制措施主要由基層單位在完成風險評估后人工制定, 因此控制措施的針對性主要依賴于制定人員的經驗, 使作業現場管控的成效大打折扣.

因此, 企業迫切需要建立一種全新的安全生產管控手段, 解決管理瓶頸, 控制風險隱患, 以科技創新推動安全管理生產水平提升, 提高風險評估的科學性和準確性, 減輕基層單位的負擔, 真正發揮風險管控對現場作業的指導作用, 確保作業安全.

目前, 在各類行業中的風險評估所采用傳統常用方法有層次分析法(AHP)[1]、故障樹法(FTA)[2]、“海因里希”法則[3]. 傳統的系統安全分析方法在風險評估中存在一定局限性[4], 譬如FTA假設事件是二值的、相互獨立的, 不能很好地解決復雜系統的建模問題, 計算精確度低并且浪費時間[5].

貝葉斯網絡是人工智能、概率理論、圖論、決策分析相結合的產物, 是目前不確定知識表達和推理領域中最有效的理論模型之一[6]. 近幾年來, 貝葉斯方法廣泛應用于各個領域. 李天縱[7]、任雪利[8]等將貝葉斯網絡應用于軟件項目風險管理和風險評估中; 王昕[9]將貝葉斯網絡用于大型建設工程項目風險評估; 陸瑩[10]將貝葉斯網絡應用于地鐵運營安全風險預測; 郭發蔚[11]將貝葉斯網絡應用于隧道施工風險綜合評估等. 用貝葉斯網絡能很好地彌補傳統安全性評估方法的不足[12]. 但目前將貝葉斯網絡應用于電力系統智能化安全生產風險管控系統還未見報到.

本文將貝葉斯網絡方法應用于電力系統智能化安全生產風險管控, 實現電力系統安全生產風險評估.

1 系統概述

電力系統智能化安全生產風險管控信息系統總體架構圖如圖1所示. 在技術體系架構設計上, 信息系統根據面向服務 (SOA)的核心構架思想, 采用組件化和面向對象的開發模式和基于J2EE 、B/S 結構的技術體系架構, 數據庫為MongoDB, 采用以業務為驅動的自頂向下的頂層框架設計方法, 貫徹以新建和整合相結合的系統建設方式進行總體設計. 系統包括OS硬件層、數據層、傳輸層、應用與服務層, 其中又以應用與服務層中的風險管控信息系統為核心.

圖1 安全生產風險管控信息系統總體架構圖

風險管控信息系統主要包括風險管理、事故管理、基礎管理、應急救援管理、監督檢查、質量標準化管理和安全培訓等子系統.

風險管理子系統的主要功能是利用基于貝葉斯網絡模型的軟件算法對危險源進行辨識的基礎上進行風險評估、衡量風險發生的概率以及其可能造成的損失, 最終確定風險管理標準和措施.

事故管理子系統實現事故通報、責任追究以及事故報表等功能, 實現對檢查出的隱患信息進行上報和匯總.

質量標準化子系統主要包括標準庫查詢、檢查表生成、檢查結果錄入、評比和匯總查詢.

監督監察子系統負責管理安全活動的制定、檢查活動后檢查通報的發布以及管理單位對被檢查問題的整改落實情況和對檢查結果的最后總結.

應急救援管理子系統主要是針對突發和具有破壞力的緊急事件, 主要包括應急救援平臺、預案和演練.

2 貝葉斯網絡的基本理論

2.1 貝葉斯定理

貝葉斯定理是概率統計中的應用所觀察到的現象對先驗概率進行修正的標準方法, 即當分析樣本大到趨近總體數時, 樣本中事件發生的概率將接近于總體中事件發生的概率[13].

2.2 貝葉斯網絡概述

貝葉斯網絡[14]是一種有向圖模型, 在貝葉斯網絡中, 每一個原因變量和結果變量都由節點表示, 并用概率表示變量之間的關系強弱, 每個節點都有自己的節點概率分布以表征父節點對子節點產生的影響. 通過貝葉斯網絡可以匯總各種數據并對這些數據進行綜合推理. 總的來說, 貝葉斯網絡是一個具有如下特征的圖形結構[15]:

(1) 由節點和連線組成的有向無環圖;

(2) 網絡節點代表隨機變量, 節點間的有向連線表示隨機變量之間的條件依賴關系. 指向節點A 的所有節點稱為節點 A 的父節點, 而節點A 稱為其父節點的子節點;

(3) 節點條件概率表表征該節點相對于其父節點的所有可能的條件概率.

3 基于貝葉斯網絡的風險管理過程

貝葉斯網絡通過實踐積累可對網絡結構參數進行更新改進, 本文用貝葉斯網絡實現電力企業安全生產風險管控應用過程如圖2所示.

圖2 基于貝葉斯網絡的安全生產風險管控過程圖

步驟1: 風險分類和識別

此階段, 對安全生產有影響的風險因素進行歸類分級, 根據歷史數據、專家經驗, 調查分析等列出重要的風險因素.

步驟2: 風險評估

此階段, 步驟1的每項風險因素進行定級, 確定風險等級數據集便于貝葉斯網絡的分析. 風險等級可由式表示:

圖3 風險等級矩陣圖

步驟3: 貝葉斯網絡構建

貝葉斯網絡通過結構性學習進行構建, 并用來檢驗風險因素之間的關系. 每個風險因素的可能性可通過參數學習進行計算.

通過調查問卷、歷史數據、專家討論, 在考慮安全度指標體系的情況下, 確定貝葉斯網絡中所有證據節點的概率. 結合公式, 得到安全生產風險概率.

步驟4: 風險控制

影響安全生產的風險因素通過貝葉斯網絡敏感性分析進行評估, 對影響安全生產的風險因素, 采取措施進行控制.

步驟5: 風險再評估

步驟4中需要控制的風險因素確定后, 有些風險因素的改變會導致電力企業安全生產風險的改變, 因此需要更新貝葉斯網絡結構參數, 并進行風險再評估.

4 安全生產風險管控應用

4.1風險分類和識別

結合電力企業安全生產的歷史數據和參考文獻, 分析在安全生產過程中可能存在的風險因素, 通過專家調查法確定可能的風險事件類別并對導致各風險事件的風險因素進行分類, 確定風險因素, 最終得到風險識別的結果如下:

管理的因素: 對部門安全管理能力水平、部門安全生產規范及職責、行業安全生產標準以及規范等相關知識、勞動管理失誤、違章指揮、無章可循、交叉作業管理混亂, 均有可能導致的人身事故、電網事故、設備事故或障礙;

人的因素: 作業人員的不安全行為, 如違章操作、違反勞動紀律、專業知識(安全生產規章制度、操作規程、事故應急及逃生知識、專業應急預案內容)掌握程度、員工身體狀態、員工心理素質、工作負荷、工作態度不認真等, 均有可能導致的人身事故、電網事故、設備事故或障礙;

環境的因素: 作業任務種類和等級(如10KV配網帶電作業、電房變壓器搶修、臺架式變壓器更換、帶電核相等)、電壓等級、周圍近距離的帶電設備、作業空間、風雨冰雪天氣、溫濕度、環境噪聲等, 均有可能導致的人身事故、電網事故、設備事故或障礙;

物的因素: 嚴重缺陷的、不合格的安全工器具、施工機具、安全防護用品、儀器儀表等, 均有可能導致的人身事故、電網事故、設備事故或障礙.

4.2風險評估

在風險分類識別的基礎上還需對風險因素進行分析, 明確風險因素發生的可能性和損失嚴重程度, 結合式和圖5綜合確定主要風險因素和風險等級. 根據得出的所占比例最高(R3)的因素, 經專家討論最終確定主要風險因素, 得到電力企業安全生產的主要風險因素如表1.

表1 電力企業安全生產的主要風險因素

4.3貝葉斯網絡構建與計算

將上述電力企業安全生產的主要風險因素定為貝葉斯網絡基本節點, 通過專家討論確定各節點間的因果關系, 由貝葉斯網絡分析軟件GeNIe Ver2.0構建模型, 如圖4所示. 然后統計部分主要風險因素(只有子節點沒有父節點的風險因素)處于R1, R2, R3的百分比, 將得到的風險等級數據輸入貝葉斯網絡模型中, 依據貝葉斯網絡模型中節點間的邏輯關系, 經過專家討論確定各節點的條件概率分布, 利用貝葉斯網絡參數學習功能進行其他節點概率的計算, 得出每個節點的邊緣概率分布, 完成對各風險狀態的評估, 經過專家反復修正, 最終確定貝葉斯網絡中的各參數.

圖4 葉斯網絡結構圖

對電力企業安全生產風險進行評估, 得到電力企業安全生產風險處于危險狀態(R)的概率為61％, 如圖5所示.

4.4風險再評估

貝葉斯網絡具有自動更新的功能, 電力企業安全生產風險因素發生變化時, 需要及時更新整個網絡結構參數, 進行風險再評估, 使得網絡中變量的概率分布發生相應的改變.

例如, 在環境噪聲良好的地方進行安全作業, C5因素R變為0, 輸入證據后, 得到更新后的變量的邊緣概率, 最終電力企業安全生產風險處于危險狀態(R)的概率為59％, 如圖6所示.

圖6 C5因素R為0時的葉斯網絡結構分析結果

4.5系統軟件實現

安全生產風險管控信息系統所用的貝葉斯網絡數學模型采用GeNIe軟件輔助實現. GeNIe 軟件中具備SMILE接口. SMILE庫函數是關于決策理論模型和圖形概率、貝葉斯網絡等影響圖和結構方程模型的接口, 它允許創建、編輯、保存和加載圖形化模型, 并把它用在概率推理和決策的不確定性中[16]. 基于SMILE接口的輸入與輸出流程圖如圖7所示. 將參數值, 即第一層次風險因素概率輸入到SMILE接口通過GeNIe軟件中的模型進行仿真, 將輸出結果保存為xdsl文件.

圖7 輸入輸出流程圖

圖8 系統軟件實物圖

系統軟件界面如圖8所示. 在風險預測界面, 輸入各相關風險因素級數后, 點擊計算, 程序會載入用 GeNIe 軟件建立的貝葉斯網絡模型的xdsl文件, 然后調用SMILE的應用程序接口將填入的概率代入模型中進行推理計算, 并將計算結果顯示出來.

5 結語

本文運用貝葉斯網絡模型實現了對電力企業安全生產風險管控, 并根據實際情況可對模型參數進行更新. 為風險評估標準提供了可量化數據支撐和動態自適應能力, 提高風險評估標準的科學性和適應性, 減輕基層負擔, 提升風險評估對基層單位安全生產的指導作用, 發揮風險管控對現場作業的指導作用, 確保現場作業安全. 本軟件系統目前已在本單位進行了實際應用, 反應效果良好.

1 You DH, Chen QQ, Yin XG. A study of electrical security risk assessment system based on electricity regulation. Energy Policy, 2011, 39(4): 2062–2074.

2 Yan FQ, Wang Y, Yin XG. Research on the security risk assessment system for regional complex power grid. 5th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (DRPT). Changsha. 2015. 1–4.

3 王開碧,申曉留,李哲,等.電力企業安全生產風險管理方法的研究.黑龍江電力,2012,34(4):228–291.

4 姚錫文,許開立,王貝貝,等.石化裝置火災爆炸貝葉斯網絡與防護層集成分析術.中國安全生產科學技術,2014,10(3): 95–100.

5 車玉龍,蘇宏升.基于貝葉斯網絡的列控系統安全風險評估方法.計算機工程與應用,2013,49(24):238–242.

6 李曉東,孫悅.2010年我國房屋市政工程生產安全事故分析.土木工程學報,2011,11(S1): 225–229.

7 李天縱,王強.一種基于貝葉斯網絡的軟件項目風險管理方法.計算機系統應用,2011,20(2):226–229.

8 任雪利.粗糙集和貝葉斯網絡在軟件風險評估中的應用.計算機系統應用,2010,19(5):202–204.

9 王昕,徐友全,高妍方.基于貝葉斯網絡的大型建設工程項目風險評估.工程管理報,2011,(5):544–547.

10 陸瑩,李啟明,周志鵬.基于模糊貝葉斯網絡的地鐵運營安全風險預測.東南大學學報(自然科學版),2010,40(5): 1110–1114.

11 郭發蔚,王宏輝.基于Bayesian隧道施工風險模糊綜合評估方法.鐵道科學與工程學報,2016,13(2):401–406.

12 Khakzad N, Khan F, Amyotte P. Safety analysis in process facilities: Comparison of fault tree and Bayesian network approaches. Reliability Engineering & System Safety, 2011, 96(8): 925–932.

13 Jones B, Jenkinson Z, Yang J, Wang. The use of Bayesian network modeling for maintenance planning in a manufacturing industry. Reliability Engineering and System Safety, 2010, 95(3): 267–277.

14 Greenberg R, Cook SC, Harris D. A civil aviation safety assessment model using a Bayesian belief network (BBN). The Aeronautical Journal, 2005, 109(1101): 557–568.

15 李典慶,鄢麗麗,邵東國.基于貝葉斯網絡的土石壩可靠性分析.武漢大學學報(工學版),2007,40(6):24–29.

16 葛運飛.GeNIe的擴展研究[碩士學位論文].昆明:云南大學, 2012.

Safety Production Risk Management and Control System of Electricity Production Enterprise Based on Bayesian Networks

ZHANG Wei-Lin, ZHANG Xue-Dong

(Zhejiang Electric Power Co. Ltd., State Grid, Hangzhou 310007, China)

The necessity of constructing risk management and control system for safety production in electricity production enterprise is analyzed, and the design framework of the system is introduced. The dynamic risk management model based on Bayesian network is put forward. Bayesian network structure and parameters are also built after risk factors identification and evaluation. Based on these, the risk assessment and risk diagnostic for safety production are carried out. Finally, the risk is controlled in accordance with the result. This system could meet the needs of safety supervision and management in electricity production enterprise.

Bayesian network; safety production; risk assessment; risk control

浙江省電力公司科技計劃(5211UZ15007V)

2016-07-04;

2016-09-01

[10.15888/j.cnki.csa.005696]