電力基坑有害氣體風(fēng)險評估方法設(shè)計(jì)

文宗山,景國明,樊彥國

(1.河南送變電建設(shè)有限公司,河南 鄭州 450000;2.國網(wǎng)河南省電力公司安全監(jiān)察部, 河南 鄭州 450000)

0 引言

我國正在建設(shè)數(shù)量更多、規(guī)模更大的電力工程項(xiàng)目[1]。電力項(xiàng)目的投資增多使建設(shè)周期被迫拉長,導(dǎo)致項(xiàng)目的結(jié)構(gòu)與功能越發(fā)復(fù)雜。在這種情況下,電力工程項(xiàng)目的安全問題受到關(guān)注。電力基坑在施工中往往存在很多安全隱患。建設(shè)周期越長,各種隱患就越明顯[2]。有害氣體就是其中1種容易被忽略的安全隱患。建設(shè)周期越長,有害氣體越容易引發(fā)安全事故,并有可能造成人員傷亡。因此,對電力基坑有害氣體風(fēng)險進(jìn)行評估具有現(xiàn)實(shí)意義。

對于有害氣體風(fēng)險評估問題的研究,目前已經(jīng)取得一定成果。劉洪波等[3]通過Fluent軟件模擬揮發(fā)性氣體的空間分布,實(shí)施了工人的健康風(fēng)險定量評價。但該方法未對傳感器響應(yīng)靈敏度進(jìn)行控制,獲得的傳感器數(shù)據(jù)不足,評估精度較差。余清秀等[4]為解決復(fù)雜地形天然氣泄漏問題,通過氣體擴(kuò)散風(fēng)險軟件實(shí)施風(fēng)險評價。但該方法未對傳感器數(shù)據(jù)進(jìn)行有效處理,獲得的評估結(jié)果準(zhǔn)確率不高。

為了解決以上方法應(yīng)用在電力基坑有害氣體風(fēng)險評估中準(zhǔn)確率較低的問題,本文設(shè)計(jì)了1種電力基坑有害氣體風(fēng)險評估方法。該方法創(chuàng)新性地利用密度和加權(quán)方法改進(jìn)聚類算法,實(shí)現(xiàn)傳感數(shù)據(jù)的聚類挖掘;使用改進(jìn)閾值函數(shù)去噪方法對傳感器數(shù)據(jù)實(shí)施去噪處理;基于靜態(tài)響應(yīng)和動態(tài)響應(yīng)構(gòu)建傳感器響應(yīng)靈敏度控制模型,提供全面數(shù)據(jù);基于圖神經(jīng)網(wǎng)絡(luò)構(gòu)建電力基坑有害氣體風(fēng)險評估模型,實(shí)現(xiàn)風(fēng)險評估。測試結(jié)果表明,本文方法提升了電力基坑有害氣體風(fēng)險評估準(zhǔn)確率。

1 電力基坑有害氣體風(fēng)險評估

1.1 傳感器數(shù)據(jù)挖掘

本文采用加權(quán)和密度方法改進(jìn)聚類算法,挖掘電力基坑有害氣體傳感器數(shù)據(jù)[5]。

本文引入間接密度可達(dá)性對聚類算法進(jìn)行改進(jìn),以更充分地描述域內(nèi)外數(shù)據(jù)鏈,找到挖掘聚類的間接密度可達(dá)目標(biāo)。其中:鄰域內(nèi)為相關(guān)數(shù)據(jù),需要聚類挖掘;鄰域外為不相關(guān)數(shù)據(jù),無需挖掘。

傳感器數(shù)據(jù)中核心對象鄰域內(nèi)的數(shù)據(jù)鏈表示為:

Q={q1,q2,…,qm}

(1)

式中:qm為第m個數(shù)據(jù)對象,也是數(shù)據(jù)對象鏈中的核心對象。

核心對象鄰域外的數(shù)據(jù)鏈[6]描述為:

QQ={qq1,qq2,…,qqm-n}

(2)

式中:qqm-n為第(m-n)個域外數(shù)據(jù)。

域內(nèi)外數(shù)據(jù)鏈的描述為:

QP={qp1,qp2,…,qpn}

(3)

式中:qpn為第n個域外數(shù)據(jù)[7]。

對于某數(shù)據(jù)點(diǎn)qqi,當(dāng)其滿足式(4),則數(shù)據(jù)點(diǎn)qqi為核心對象的間接密度可達(dá)目標(biāo)。

(4)

式中:d(qqi,qpj)為qqi與qpj之間的距離;s為設(shè)定的距離閾值。

本文引入局部密度的概念,在對各數(shù)據(jù)點(diǎn)對應(yīng)半徑領(lǐng)域密度進(jìn)行計(jì)算時,只考慮各數(shù)據(jù)對象對于計(jì)算結(jié)果的影響,而不考慮周邊局部數(shù)據(jù)對象與鄰域外數(shù)據(jù)對象的影響,以獲得數(shù)據(jù)核心對象間接密度可達(dá)目標(biāo)內(nèi)的局部聚類挖掘最優(yōu)值[8]。本文引入動態(tài)鄰域半徑的概念,以獲得全局最優(yōu)聚類挖掘結(jié)果。在算法設(shè)計(jì)中,密度可達(dá)與動態(tài)數(shù)據(jù)集模擬主要通過以下步驟來實(shí)現(xiàn)。

①計(jì)算局部密度值。

(5)

式中:u為可達(dá)距離;zk為實(shí)際密度值;zk+1為后確定的簇密度吸引點(diǎn)的實(shí)際密度值[9]。

②搜索最大局部密度點(diǎn)。

本文對數(shù)據(jù)集內(nèi)的最大局部密度點(diǎn)進(jìn)行搜索,引入第一個簇的密度吸引中心點(diǎn)作為聚類中心。本文獲取直接密度對應(yīng)的第一個子簇B01-01。本文以動態(tài)鄰域半徑ξ為依據(jù),記錄外點(diǎn)集密度δ。

(6)

③獲取密度數(shù)據(jù)簇。

本文以獲得的聚類密度中心與動態(tài)鄰域半徑數(shù)學(xué)式為依據(jù),獲取第一個密度數(shù)據(jù)簇B1。

④獲取各密度數(shù)據(jù)簇。

本文在最大密度吸引點(diǎn)外,以數(shù)據(jù)點(diǎn)密度數(shù)學(xué)式為依據(jù),對其他密度吸引點(diǎn)進(jìn)行依次尋找,以獲取原始大數(shù)據(jù)集對應(yīng)的各密度數(shù)據(jù)簇。

⑤實(shí)現(xiàn)動態(tài)增量聚類。

本文根據(jù)各吸引點(diǎn)對應(yīng)的自適應(yīng)密度可達(dá)距離,局部重新劃分?jǐn)?shù)據(jù)集。在劃分過程中,當(dāng)分割后存在局部增量,則需要在局部增量中對各間接密度可達(dá)的對應(yīng)數(shù)據(jù)點(diǎn)進(jìn)行重新搜索,以實(shí)現(xiàn)動態(tài)增量聚類。

B01-01中的內(nèi)點(diǎn)與δ之間的距離為:

rt=f×M(B01-01)

(7)

式中:f為距離調(diào)節(jié)系數(shù);M(B01-01)為全部數(shù)據(jù)對象的對應(yīng)平均距離[10]。

當(dāng)距離計(jì)算結(jié)果小于動態(tài)鄰域半徑,則可得到第二個簇,并在δ中將B01-01直接刪除。本文尋找第二個簇的子聚類并實(shí)施類比,直至完成所有數(shù)據(jù)簇聚類工作。

1.2 傳感器響應(yīng)靈敏度控制模型

為了提高風(fēng)險評估準(zhǔn)確率,本文基于預(yù)處理的數(shù)據(jù),建立動態(tài)和靜態(tài)模型對傳感器響應(yīng)靈敏度進(jìn)行控制。

1.2.1 傳感器數(shù)據(jù)處理

對于聚類挖掘出的氣體監(jiān)測數(shù)據(jù),需要實(shí)施去噪處理。所采用的去噪方法是改進(jìn)閾值函數(shù)去噪方法。該方法的具體處理步驟如下。

①根據(jù)氣體監(jiān)測數(shù)據(jù)特點(diǎn),自適應(yīng)選擇小波基,并選取分解層數(shù)。

②對監(jiān)測數(shù)據(jù)實(shí)施離散平穩(wěn)小波變換,獲取各分解尺度上對應(yīng)的小波系數(shù)。

T={t1,k,t2,k,…,ti,k}

(8)

式中:ti,k為第i個分解尺度上所對應(yīng)的小波系數(shù)。

③對T實(shí)施幅度拉伸預(yù)處理。以前后高頻小波系數(shù)對應(yīng)的標(biāo)準(zhǔn)差為依據(jù),對是否需要實(shí)施該預(yù)處理進(jìn)行判定。

(9)

式中:T′為T的預(yù)處理結(jié)果;β為放大倍數(shù);ε1為第一層中高頻小波系數(shù)間的標(biāo)準(zhǔn)差。

1.2.2 傳感器響應(yīng)靈敏度控制模型

氣體傳感器對電力基坑有害氣體的響應(yīng)分為靜態(tài)響應(yīng)和動態(tài)響應(yīng)。

靜態(tài)響應(yīng)模型指在氣體相對靜態(tài)情況下傳感器電阻與檢測有害氣體濃度的關(guān)系。靜態(tài)響應(yīng)模型為:

logRs=m′logC+n′

(10)

式中:n′為波爾茲曼常數(shù);C為結(jié)電阻大小;m′為氣體濃度。

在實(shí)際場景中,由于有害氣體濃度呈現(xiàn)動態(tài)變化,利用上述靜態(tài)模型控制傳感器無法有效響應(yīng)。因此,本文需要建立氣體傳感器動態(tài)模型,以反映氣體濃度隨時間變化輸入到傳感器的動態(tài)響應(yīng)特性。

動態(tài)響應(yīng)系統(tǒng)中,輸入與輸出關(guān)系不是常數(shù),而是隨著時間的變化而變化的。同時,氣體傳感器動態(tài)模型需要考慮氣體濃度轉(zhuǎn)換的影響。本文將氣體濃度轉(zhuǎn)換視為能量元轉(zhuǎn)換問題。能量元(濃度)轉(zhuǎn)換前后系數(shù)的正負(fù)符號需確保一致。

T″=sgn(T′)W

(11)

式中:T″為濃度轉(zhuǎn)換結(jié)果;sgn(·)為靈敏度動態(tài)響應(yīng)函數(shù);W為T′的轉(zhuǎn)換矩陣。

能量元轉(zhuǎn)換式具體如下。

Fa=T″(T′)2

(12)

為保證傳感器的動態(tài)響應(yīng)靈敏度,本文設(shè)置1個靈敏度閾值,并引入固定閾值準(zhǔn)則。通過選取最優(yōu)閾值,對污染氣體濃度能量源評估閾值進(jìn)行量化處理,用F′a表示處理后的結(jié)果。

靈敏度最優(yōu)閾值選取函數(shù)具體如下。

(13)

式中:SD(i)為第i層能量元的對應(yīng)固定閾值標(biāo)準(zhǔn)差;M為總小波層數(shù)。

本文對F′a實(shí)施平穩(wěn)小波逆變換系數(shù)還原處理,以防止出現(xiàn)無響應(yīng)問題。

(14)

本文由此實(shí)現(xiàn)傳感器響應(yīng)靈敏度控制,獲得更加充分的有害氣體濃度變化數(shù)據(jù),為風(fēng)險評估奠定基礎(chǔ)。

1.3 電力基坑有害氣體風(fēng)險評估

本文基于傳感器響應(yīng)靈敏度控制模型優(yōu)化控制下獲得的有害氣體濃度變化數(shù)據(jù),利用機(jī)器學(xué)習(xí)中的圖神經(jīng)網(wǎng)絡(luò)構(gòu)建三層結(jié)構(gòu)的電力基坑有害氣體風(fēng)險評估模型,以實(shí)現(xiàn)電力基坑有害氣體風(fēng)險評估。

基于圖神經(jīng)網(wǎng)絡(luò)的電力基坑有害氣體風(fēng)險評估模型包括實(shí)體級注意力層、自注意機(jī)制學(xué)習(xí)層、氣體無害和有害分類層。

實(shí)體級注意力層主要負(fù)責(zé)通過注意力機(jī)制在特定關(guān)系下對電力基坑有害氣體這一目標(biāo)實(shí)體的重要性進(jìn)行學(xué)習(xí),以獲取鄰居實(shí)體影響下有害氣體濃度傳播特征,并將特征輸入自注意機(jī)制學(xué)習(xí)層進(jìn)行學(xué)習(xí)。

已知的氣體傳播路徑集合為:

η={η1,η2,…,ηx′,…,ηg}

(15)

式中:ηx′為第x′個已知的氣體傳播路徑;ηg為第g個已知的有害氣體傳播路徑。

不同傳播路徑下,所定義的有害氣體傳播特征嵌入集合為:

(16)

本文根據(jù)傳感器響應(yīng)靈敏度控制模型的閾值、自注意機(jī)制學(xué)習(xí)層,學(xué)習(xí)氣體不同傳播路徑的濃度傳感靈敏度控制的重要性,并為其分配權(quán)重。通過這個過程,可以計(jì)算特征二次嵌入向量值,從而挖掘有害氣體濃度特征中的深層信息。

特征嵌入向量值為:

(17)

(18)

式中:softmax為邏輯回歸模型;E(ηv)為傳感器響應(yīng)靈敏度特征的注意力系數(shù)。

通過氣體無害和有害分類層判定氣體的實(shí)際評價類別,可實(shí)現(xiàn)風(fēng)險等級劃分。

(19)

本文由此完成電力基坑有害氣體風(fēng)險評估模型的構(gòu)建,實(shí)現(xiàn)風(fēng)險等級評估。

2 評估測試

2.1 試驗(yàn)數(shù)據(jù)與評估結(jié)果

本文利用設(shè)計(jì)的基于機(jī)器學(xué)習(xí)的電力基坑有害氣體風(fēng)險評估方法對某電力工程中的多個電氣基坑實(shí)施有害氣體風(fēng)險評估。試驗(yàn)電力工程是1個1 000 kV的變電站項(xiàng)目工程,建設(shè)周期較長。氣體傳感器采用ZigBee協(xié)調(diào)器連接。

在試驗(yàn)電力工程中共有8個電力基坑。

各基坑的建設(shè)數(shù)據(jù)如表1所示。

本文通過基于密度和加權(quán)的改進(jìn)聚類算法實(shí)施以上電力基坑有害氣體風(fēng)險評估數(shù)據(jù)的挖掘,并將其作為試驗(yàn)數(shù)據(jù)。

本文通過改進(jìn)閾值函數(shù)去噪方法對試驗(yàn)數(shù)據(jù)中的氣體監(jiān)測數(shù)據(jù)實(shí)施去噪處理。試驗(yàn)設(shè)置小波基分解層數(shù)為5、小波系數(shù)為0.8、放大倍數(shù)為3。

為了控制傳感器的響應(yīng)靈敏度,本文構(gòu)建了基于氣體濃度轉(zhuǎn)換的傳感器響應(yīng)靈敏度控制模型。在該模型中,傳感器波爾茲曼常數(shù)設(shè)定為1.380 650 5×10-23J/K,電阻大小設(shè)定為80 MΩ。在該模型控制下,傳感器可以獲得關(guān)于有害氣體濃度變化的信息。

有害氣體濃度變化如圖1所示。

圖1 有害氣體濃度變化圖

對比圖1(a)和圖1(b)可知,傳感器能夠靈敏感知?dú)怏w濃度變化,獲得有效的傳感數(shù)據(jù)。本文基于傳感數(shù)據(jù),通過專家法對目標(biāo)實(shí)體實(shí)施風(fēng)險評估。

本文以風(fēng)險等級劃分原則為依據(jù),確定目標(biāo)實(shí)體的風(fēng)險等級劃分實(shí)際情況。

風(fēng)險等級劃分原則如表2所示。

表2 風(fēng)險等級劃分原則

在風(fēng)險評估模型應(yīng)用前,需要對模型進(jìn)行訓(xùn)練。本文將目標(biāo)實(shí)體的標(biāo)簽集合、鄰接矩陣、特征矩陣作為模型輸入,并對模型的參數(shù)進(jìn)行設(shè)置。模型訓(xùn)練參數(shù)如下:初始學(xué)習(xí)率為0.001;語義級注意力向量為156維;正則化參數(shù)為0.005;注意力系數(shù)為0.1;注意力頭數(shù)(已知有害氣體傳播路徑總數(shù))為10;停止訓(xùn)練閾值為100個連續(xù)周期。

本文利用構(gòu)建的電力基坑有害氣體風(fēng)險評估模型對8個電力基坑實(shí)施有害氣體風(fēng)險評估。8個電力基坑的風(fēng)險等級評估結(jié)果如下:基坑4、基坑5、基坑6的風(fēng)險評估等級為低等級;基坑2的風(fēng)險評估等級為中低等級;基坑1、基坑3、基坑8的風(fēng)險評估等級為中等級;基坑7的風(fēng)險評估等級為中高等級。評估結(jié)果證明,通過本文設(shè)計(jì)方法能夠?qū)崿F(xiàn)電力基坑的風(fēng)險等級評估。

2.2 評估性能測試

本文測試本文方法的實(shí)際評估性能。在測試中,本文將文獻(xiàn)[3]方法和文獻(xiàn)[4]方法作為對比方法,共同進(jìn)行性能測試評估。

3種方法的風(fēng)險評估準(zhǔn)確率計(jì)算式為:

(20)

式中:v′為正確分類樣本數(shù)量;ρ為總樣本數(shù)量。

3種方法的風(fēng)險評估準(zhǔn)確率測試結(jié)果對比如圖2所示。

圖2 風(fēng)險評估準(zhǔn)確率測試結(jié)果對比

由圖2可知:本文方法的風(fēng)險評估準(zhǔn)確率均值最高達(dá)到95% 以上;文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的風(fēng)險評估準(zhǔn)確率最高均值均低于85%。這說明本文方法的風(fēng)險評估準(zhǔn)確率高于文獻(xiàn)[3]方法和文獻(xiàn)[4]方法。同時,在樣本個數(shù)不斷增加的情況下,文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的風(fēng)險評估準(zhǔn)確率降幅很大,而本文方法的降幅則較小。這證明了本文方法的評估性能更好,更適用于樣本數(shù)較多的情況。

3 結(jié)論

本文在電力基坑施工風(fēng)險的研究中,針對基坑有害氣體問題設(shè)計(jì)了1種基于機(jī)器學(xué)習(xí)的電力基坑有害氣體風(fēng)險評估方法。本文首先利用密度和加權(quán)方法改進(jìn)聚類算法,挖掘電力基坑有害氣體傳感數(shù)據(jù);然后采用改進(jìn)閾值函數(shù)對傳感器數(shù)據(jù)進(jìn)行去噪處理;接著基于靜態(tài)響應(yīng)和動態(tài)響應(yīng)構(gòu)建傳感器響應(yīng)靈敏度控制模型;最后基于機(jī)器學(xué)習(xí)構(gòu)建電力基坑有害氣體風(fēng)險評估模型,完成有害氣體風(fēng)險等級評估。測試結(jié)果表明,該方法不僅能夠?qū)崿F(xiàn)風(fēng)險等級評估,還達(dá)到了很高的評估準(zhǔn)確率,對于電力工程項(xiàng)目的安全保障有現(xiàn)實(shí)意義。