基于HFACS和灰色關聯的電力安全生產風險辨識評價

摘 要：由于現有的辨識評價方法關聯度的計算效果差，評價不全面，因此，本文提出基于HFACS和灰色關聯法的電力安全生產風險辨識評價。該方法通過HFACS理論識別電力生產中的人為因素和潛在風險，并構建風險鏈。利用灰色關聯法分析風險因素間的關聯度和影響程度，對風險因素進行排序和事件樹定量分析，以評估整體風險。試驗結果顯示，綜合評價值為0.05～0.10，表明風險較低且評價方法穩定、全面。

關鍵詞：HFACS；灰色關聯法；安全生產；風險辨識

中圖分類號：TM 715 " 文獻標志碼：A

電力安全生產風險辨識評價是確保電力系統穩定的重要環節。為了有效預防和減少電力事故的發生，提高電力系統的安全性和可靠性，開展電力安全生產風險辨識評價。

已經有很多學者對電力安全生產風險辨識評價進行了研究。例如，曹坤茂等[1]建立風險監控機制，對新業務新業態的運行狀態進行實時監控。定期對風險管理效果進行評審，根據評審結果調整風險管理策略和措施。新業務新業態的風險可能隨著市場等因素的變化而發生變化。如果不能及時更新風險管理策略和措施，可能導致風險管理失效。李存斌等[2]通過關聯規則風險分析，根據風險評估結果建立風險預警機制，當系統運行參數出現異常時，及時發出預警信息，以便工作人員能夠進行干預和處理。由于數據采集、傳輸和處理等環節的延遲和限制，可能會導致評估結果的實時性受到影響。

為了解決上述方法存在的問題，本文提出基于HFACS和灰色關聯法的電力安全生產風險辨識評價研究。

1 電力安全生產風險辨識評價

1.1 HFACS風險因素識別

人為因素分析與分類系統（Human Factors Analysis and Classification System，HFACS）在風險因素識別方面的創新性體現在其系統性、層次性、靈活性、跨學科性、實用性和預防性。作為一個全面的風險分析工具，HFACS通過其層次結構深入追溯人為錯誤的根本原因，同時提供了一個標準化的分類框架，能夠靈活滿足不同行業和情景的需求。它結合了多學科知識，不僅在事故調查和安全管理中具有高效性，還作為教育和培訓工具，可以提高員工對安全文化的認識，從而幫助組織預防事故和錯誤的發生。在電力安全生產風險辨識過程中，需要在保證辨識結果準確性的情況下，對風險進行評價。因此，運用HFACS理論對電力生產過程中的隱性風險進行辨識[3]。對電力生產中的人為因素進行分層分析，識別潛在的事故根源因素。HFACS風險行為辨識模型如圖1所示。

分析圖1可以看出，組織影響能夠評估電力生產企業的組織文化等情況是否有利于安全生產；不安全監察分析電力生產過程中的監督管理是否到位；不安全行為條件關注電力生產一線員工的行為和態度；不安全行為對電力生產過程中的具體操作環節進行分析[4]。針對我國電力生產安全事故的特點，結合電力行業的實際情況，建立HFACS風險行為辨識模型。針對電力生產過程中的隱性風險，通過模型可以對風險因素進行識別與劃分。可以結合電力生產的實際情況，運用HFACS模型對各個環節進行逐一分析，找出可能導致事故發生的隱性風險。具體生產安全因素如圖2所示。

在復雜電力安全風險行為辨識模型中，隱性風險因素通過直接識別提供了一個有效的框架來分析風險因素。在HFACS的視角下，明確每個層次下所包括的子因素[5]。通過觀察等方式收集相關數據信息，判斷風險中出現的系統失效或人員錯誤操作等因素與情景。將收集的數據信息與HFACS風險行為辨識模型不同層次之間進行對應，識別可能存在的隱性風險因素。使用因果邏輯關系將不同層級的風險因素聯系起來，形成完整的風險鏈[6]。通過識別和分析這些隱性風險因素，從而根據評估結果及時調整，完善風險防控措施。

1.2 灰色關聯法計算因素風險關聯度

在項目建設實施過程中，通過運用灰色關聯法對數據進行深入分析，旨在計算不同風險因素之間的關聯度，并評估它們對整體安全風險的貢獻程度。同時，采用HFACS風險行為模型，按照既定的時間節點對項目中的風險進行系統的評價與分析。結合電力生產管控機制，將有限的管理資源動態地集中在不斷出現的高風險因素上，以實現對其的有效監管和及時修正[7]。這樣能夠從源頭上消除安全隱患，為電力生產的安全管理提供有力支撐。在監管過程中，需要根據不同的風險因素，計算它們之間的關聯度，以此來獲得因素之間的差異程度。運用灰色關聯度法分析電網生產安全風險評價指標之間的相互關系，通過風險因素數量計算得到其矩陣。在矩陣中選擇風險因素的最小值作為風險評價的參照序列x={x（0），x（1），...，x（n）}，將其作為評價標準，并對其進行量化處理。計算每個風險評價指標與參照序列的絕對差值序列，如公式（1）所示。

Δk=|x（0）k-x（n）k| （1）

式中：Δk為風險評價指標與參照序列的絕對差值序列；k為數據點的索引。

在絕對差值序列中需要對其極值進行找尋，2個極值將在后續的計算中作為參數使用[8]。設定關聯系數，用來量化參考序列和比較序列之間關聯程度的指標。在分析過程中，在某時刻內，關聯系數主要能夠反映每個風險評價指標與參照序列的關聯程度，如公式（2）所示。

（2）

式中：ξ（k）為風險評價指標與參照序列的關聯程度；min、max為找尋的極值；ρ為分辨系數，通常稱用于控制關聯系數之間的差異顯著性。

根據關聯度的大小，可以對各因素與參考序列的關聯程度進行排序和比較，從而辨識與風險密切相關的因素。

1.3 識別風險定性評價

根據灰色關聯度矩陣的結果，對風險因素進行排序和分類，識別風險因素的主次關系。將風險的嚴重性和可能性分別劃分為不同的等級，從某一初始事件出發，分析可能導致的一系列事件序列，以評估電力生產事故的可能性。根據事故樹分析，從初始事件中選擇具體分析事件。在起始分析過程中，按事件發展過程自左向右繪制事件樹，用樹枝代表事件發展途徑。當分析時，需要對初始事件進行安全性分析，將可以發揮功能的狀態畫在上面的分枝，不能發揮功能的狀態畫在下面的分枝。然后，不斷判斷安全功能的不同風險狀態，把發揮功能的狀態畫在上面的分枝，把不能發揮功能的狀態畫在下面的分枝，直到到達風險事故為止。通過事件樹的方式可以對風險進行評價，其事件樹定性分析如公式（3）所示。

A=ΔK∑[R（a）]?ξ（k） （3）

式中：A為事件樹定量分析；R（a）為事件A的風險。

使用公式（3）對事件樹進行定量分析，評估每個事件的風險和整個事件樹的總風險。使用事件樹分析法對電力生產中的潛在風險進行定量評估，并制定有效的預防措施[9]。在風險定性評價的過程中，通過綜合考慮風險事件因素，對風險進行系統的辨識與評價。從而在項目推進過程中提高風險識別和評估的能力，以便更好地應對潛在的風險事件。

2 試驗測試與分析

2.1 搭建試驗環境

本試驗的數據集包括10000條風險等級評價數據。為了更好地評估模型性能，將數據劃分為訓練集和適用集。搭建試驗所用的網絡環境，具體網絡環境配置情況見表1。

運用Eclipse作為開發工具，利用Java的封裝功能對數據庫中的數據進行更新與修改，實現統一管理數據的目標。通過LAN物理邊緣實現內外部連接，網絡節點設置備份。在構建的電力生產安全產生風險模型中，選擇電力生產行業相關指標，運用MATLAB中完成模型中樣本的訓練。首先，對數據進行預處理，將數據進行噪聲點剔除。在預處理后的數據被轉化為矩陣，作為輸入數據傳輸到模型中。在安全性評價實例中，通過神經網絡完成電力生產安全性評價訓練后，輸出實際樣本和期望樣本結果。為了準確獲得評價結果，導入評價指標，選取安全評價樣本，并根據評價結果形成評級矩陣。對評價等級進行賦值，獲得安全的評估值。

2.2 結果與分析

在評價過程中，根據風險評價指標，通過關聯系數計算不同因素之間的關聯度結果，風險評價指標關聯度值如圖3所示。

分析圖3所示的試驗結果，能夠洞察不同風險因素之間的關聯度，這些關聯度是基于精心設計的指標體系計算得出的。通過這些指標可以進行精準的預測與評價，確保模型的輸出與實際情況具有良好的擬合度。本文提出的模型在評價電力生產風險方面展現出了顯著的有效性，它不僅能夠全面評估潛在的風險點，還能夠為決策者提供關鍵的風險管理信息。設定電力生產中的安全綜合評價值范圍為0.05～0.10，這一范圍被認定為較低風險水平，反映了電力生產過程中的安全狀況相對穩定。這一評價值的設定基于對電力生產流程的深入理解和風險評估的最佳實踐，確保了評價結果既具有科學性又具有實用性。通過不斷優化模型參數和提高數據質量，期望進一步提高模型的預測準確性和評價的全面性，從而為電力行業的安全生產提供堅實的保障。

運用本文評價方法對數據集樣本的安全區間進行劃分后，計算不同指標所對應的綜合評價值結果，從而獲得指標風險等級，具體安全生產風險評價指標風險等級見表2。

分析表2的試驗結果揭示了本文方法在風險評價方面的精確性和實用性。對一系列精心挑選的風險評價指標進行深入計算，得到了綜合評價值，這些評價值穩定地分布在0.05～0.10，明確指示了電力生產過程中的風險水平較低。這一結果不僅與實際情況高度吻合，而且驗證了本文方法在風險辨識和安全性評價方面的有效性。運用本文方法不僅能夠精準地識別出電力生產中的潛在風險點，還能夠對這些風險進行量化評估，從而為電力生產的安全管理提供科學依據。這一評價過程反映了電力生產系統在安全性能上的高水平，表明了電力生產活動是在一個受控且安全的環境中進行的。

綜上所述，運用本文方法在進行電力生產安全風險評價過程中具有較高連續性，能夠全方面地進行綜合評價，表現出評價方法的穩定性。在實際應用中，能夠實時對風險態勢進行評估，提高了在實際應用中的能力。

3 結語

本文從風險辨識評價入手，研究電力安全相關問題，探究了基于HFACS和灰色關聯法的電力安全生產風險辨識評價。但該方法中還存在一些不足之處，例如模擬推斷分析問題、故障模式分析、活動的風險狀況等。在電力安全生產風險評價中，可以將HFACS識別出的人為因素風險作為比較序列，將電力安全生產目標作為參考序列，通過灰色關聯法計算各風險因素與電力安全生產目標之間的關聯度，從而得出各風險因素對電力安全生產的影響程度，有助于提高電力安全生產的管理水平和風險控制能力，降低安全事故的發生率。

參考文獻

[1]曹坤茂，高娜，王理金，等.基于風險分析的電力企業新業務新業態安全管理模式研究[J].中國安全生產科學技術，2022，18（1）：201-206.

[2]李存斌，董佳，丁佳.基于大數據的燃煤發電運行風險實時評估[J].電力系統保護與控制，2022，50（16）：47-57.

[3]龍振華，李想，丁乙航，等.吉林省鎳礦區附近設施蔬菜安全生產與風險評價[J].吉林農業大學學報，2023，45（2）：195-203.

[4]張鵬，潘灝航，楊宗強.基于風險矩陣法和Borda序值法的城市埋地燃氣管道風險評價研究[J].中國安全生產科學技術，2023，19（9）：116-122.

[5]何可沁，程南煒，鄧敏.空間大數據支持下城市安全生產風險評估方法[J].測繪通報，2023（6）：167-171.

[6]尹桂旭，閆海生，王文浩，等.基于定量風險評估的苯酚異丁烯罐區重大危險源辨識分級及社會與個人風險研究[J].南開大學學報（自然科學版），2022，55（5）：8-14.

[7]邸鴻喜，魏玖長，張亞，等.重大疫情下疫苗冷鏈物流在物聯網環境中的風險評估[J].中國安全生產科學技術，2022，18（4）：54-60.

[8]胡博，謝開貴，邵常政，等.雙碳目標下新型電力系統風險評述：特征、指標及評估方法[J].電力系統自動化，2023，47（5）：1-15.

[9]周建亮，朱琰，苗晉維，等.基于SNA的煤礦安全生產關鍵風險因素分析與對策[J].煤礦安全，2023，54（1）：252-256.