基于逻辑结构的配电网作业风险智能辨识方法研究_喻伟军.pdf

，研究与设计微型电脑应用 年第 卷第期作者简介：喻伟军（），男，硕士研究生，高级工程师，研究方向为配网工程管理；沈恩泽（），男，硕士研究生，研究方向为高电压与绝缘技术。通信作者：严维欣（），男，本科，高级工程师，研究方向为配网工程管理。文章编号：（）基于逻辑结构的配电网作业风险智能辨识方法研究喻伟军，严维欣，沈恩泽（上海市南电力（集团）有限公司，上海 ；上海电力大学，电气工程学院，上海 ）摘要：配电网作业风险存在不同影响因素，因素之间关联性较差，导致风险辨识结果精准性下降，为此提出基于逻辑结构的配电网作业风险智能辨识方法。方法能识别配电网作业风险因素，建立“作业颗粒”“风险种类”“环境因素”和“设备机具”等四个基础数据库，利用 神经网络算法构建风险因素、风险类型和风险预控措施逻辑关联结构，实现风险的自动识别与管控。结果表明：可实现配电网作业风险有效识别，提高配电网作业施工安全。关键词：逻辑结构；神经网络；配电网作业；风险辨识方法中图分类号：文献标志码：，（，；，）：，“”，“”，“”“”，：；引言配电网作业受工作环境的影响，属于高危作业，对于从业人员具有严重的生命安全威胁。为了对风险进行预控，进行配电网作业风险识别研究具有重要的现实意义。本文提出一种基于逻辑结构的配电网作业风险智能辨识方法。该方法分为两部分：第一部分为施工前对工程实施过程中可能引发事故的风险进行提前辨识和预判，并针对辨识出的每一个风险编制和确认相应的控制措施；第二部分利用一种匹配算法将作业颗粒、作业环境、施工机具等三部分基础数据库与风险、预控措施进行匹配，从而自动定位到相关的作业风险，并关联出对应的预控措施，实现风险管控。通过本研究以期降低配电网作业风险，提高作业安全性。基于逻辑结构的配电网作业风险智能辨识方法 配电网作业风险因素识别参考 国家电网公司输变电工程施工安全风险识别、评估及预控措施管理办法 以及现场作业实际情况可对数据库作如下分类和梳理。）作业颗粒数据库作业颗粒是指最小施工或管理单元，且必须连续施工直至完工的施工或管理内容。对不同工程的作业内容进行梳理，形成作业颗粒数据库。根据传统习惯，作业颗粒库可依次按照分部、分项、作业颗粒、工序分层进行梳理。下面以一个分部工程为例，如下表所示。表作业颗粒数据库示例表分部工程分项工程作业颗粒作业工序变电站土建工程变电站柱基础施工水泥搅拌桩柱基施工按照分部、分项、作业颗粒、工序等层次将配电网施工所有工程类型由上至下、由大到小的逐层梳理，最终形成覆盖工程所有施工作业内容的作业颗粒数据库。）风险种类数据库以行业内相关安全作业规章制度、标准文件为基础，结合实际施工经验，对风险进行分类汇总。以电力工程为 ，研究与设计微型电脑应用 年第 卷第期例，可参考国家电网公司 国家电网公司输变电工程施工安全风险识别、评估及预控措施管理办法、电力安全工作规程 等规程、制度以及历年来的事故汇编进行电力工程风险种类整理。）环境因素数据库同样的作业内容，在无电和有电的环境下其风险内容就完全不同。将施工环境 定 义 为通用环 境 和 特 征环 境 两大类。将各类施工作业可能遇到的环境进行整理汇总，并按照一定逻辑顺序进行排列为数据库，以便于系统调用和运算。）设备机具数据库在各行各业的安全规程中均对各类作业设备机具制定了详尽的安全操作规程，如电力工程中使用的起重机、挖掘机、牵引机、张力机等。所在的工作小组对施工中可能使用到的各类设备及工具进行梳理，并以各类操作规程、安全规程为基准对设备机具使用的安全要求进行整理汇总，建立一一对应的关系，使系统能快速精准的根据选用的设备调取对应的安全操作规定。在梳理并建立“作业颗粒”、“风险种类”、“环境因素”和“设备机具”等基础数据库的基础上，便可以将这些数据库中的各个要素进行排列组合，形成针对每一项作业工序下不同环境、使用不同设备机具的风险辨识结果。逻辑关联算法利用一种前馈神经网络算法进行风险识别。先以工作人员现场踏勘获得的基础数据作为输入，识别出配电网作业风险；后以识别出的配电网作业风险为输入，得出对应风险防控措施。神经网络是一种按误差逆传播算法训练的多层前馈网络，该网络主要由输入层、中间隐含层和输出层组成，如下图所示。图 神经网络基本结构通过误差反向传播调整各层之间连接的权值和阈值。具体操作步骤如下。步骤：神经网络初始化 。设置 神经网络结构组成以及各层连接的权值和阈值、最大迭代次数、传递函数、学习因子等。步骤：训练 神经网络。选择输入样本和目标样本。利用、输入样本对隐含层神经元输入进行计算，得出隐含层输出。计算式如下：，（）（），（）式中，为隐含层神经元输入，为输入层与隐含层之间的连接权值，为输入样本，为隐含层的输出阈值，为隐含层输出，（）为传递函数；为输出层神经元个数。利用、对输出层神经元输入进行计算，得出输出层输出。计算式如下：，（）（），（）式中，为隐含层神经元输入，为隐含层与输出层之间的连接权值，为输出层各神经元的阈值，为输出层输出，（）为传递函数，为隐含层神经元个数。步骤：计算实际输出与预期输出之间的误差，可以基于输出层，计算出其单元误差。（）（），（）式中为输出层预期输出。根据、输出层的误差 和计算隐含层的误差。（）（）步骤：误差与阈值大小对比。若误差大于阈值，则继续进行下一步；若误差小于阈值，则结束流程，完成 神经网络训练。步骤：当误差大于阈值时，利用误差进行反向传播训练，修正各层连接权值和阈值。步骤：神经网络验证。输入一组样本数据，判断输出结果与预期结果差值是否低于预设的阈值。若低于，则 神经网络是否达到收敛状态，符合研究的需要。步骤：神经网络训练结束，可以用于实际测试中。工作人员将现场踏勘获得的基础数据输入到系统中，系统就能利用神经网络算法进行运算，得出对应的风险和管控措施。工作负责人根据这些信息就可以精准的做好施工准备工作，并提前向作业人员进行安全技术和施工任务交底。实例分析 测试环境整个测试过程均以开发出来的配电网现场作业风险辨识与监控系统为依托，建立“作业颗粒”“风险种类”“环境因素”和“设备机具”四种基础数据库，风险以及与预控措施之间的逻辑关联结构。实验数据来源于某市电力公司通信网络管理风险评估信息数据库，从中筛选出 条记录当作实验数据，根据损害严重度的分析，风险相关核心设备有：光缆 条、光设备 台、电源 台。水泥杆组立工程风险识别逻辑架构在系统中建立水泥杆组立工程的风险识别逻辑架构，结果如下表所示。风险识别结果作业负责人选择每天计划施工的作业颗粒和工序，系统会自动将对应的风险和预控措施列入当日的作业票中，同时明确当天作业的风险等级。风险值计算：经过上述分析，能够获取风险点风险出现的可能程度以及严重程度度量情况，综合考量评估指标体系经过计算获取电力通信网络运维管理风险值，可有效提高电网预警率。（），研究与设计微型电脑应用 年第 卷第期表水泥杆组立工程风险识别逻辑架构作业颗粒作业工序危险点事故电 杆（、）交通运输无证驾驶交通事故违规驾驶运输时设备未固定设备损坏挖坑单人工作，在坑内休息塌 方、回 填 土伤人杆上作业未使用合格安全带、安全帽；登高板使用不正确；组织监护不到位高空坠落抬杆绳索、抬杆不合格损坏电杆和压伤人绳索、抬杆未栓牢固，散架立杆使用不合格控制拉绳立 杆 失 败，损坏 电 杆 和 压伤人松软土人工立杆人员不足使用不合格绞磨丶钢绳、抱杆指挥不当；抱杆受力点选择不当；地锚未打牢起吊设备作业吊架 未 用 风 浪 绳 平 衡 受力，工作人员站位错误吊 架 倾 翻；吊架脚上扬伤人使用不合格起吊工具、起吊工作违章设备损坏恶劣天气吊 架 倾 翻；人员 伤 亡；设 备损坏其中，代表风险点的风险值，代表指标性能参数的总评分。通过上述分析与计算，实现电力通信网络运维管理风险评估，并据此给出相应告警信息。根据各班组作业负责人获取到基础数据，系统运行 神经网络，匹配出的结果如下图所示。作业项目风险项预控措施水泥杆组立杆上作业风险进入施工现场必须戴安全帽；高空作业人员必须系安全带并且在转位时不得失去安全带的保护起吊设备作业风险用风浪绳平衡吊架受力，分析吊架受力方向；操作人站在相对安全的位置图风险识别结果从图中得出的结果可以看出，在水泥杆组立作业中存在两种风险，一是杆上作业风险；二是起吊设备作业风险。针对这两种风险的原因，系统自动给出了预控措施。总结配电网在电力分配中起到了关键作用，因此配电网作业一直以来都是电力企业的重点建设工程项目之一。然而，配电网作业属于高危作用，过程中存在较大的风险。为此，提出一种基于逻辑结构的配电网作业风险智能辨识方法。该方法利用神经网络将风险因素、风险类型和风险预控措施联系在一起，构成逻辑架构。最后通过实例测试，证明了该方法的合理性和有效性。参考文献王伟，刘飞，李成龙，等 一种用于配电网带电作业的空调服装置 电子测量技术，（）：何若太，张晓燕，张航，等计及分布式电源的配电网电压稳 定 性 风 险 辨 识 方 法 研 究 可 再 生 能 源，（）：柴谦益，郑文斌，潘捷凯，等 基于大数据分析的智能配电网状态监测与故障处理方法研究现代电子技术，（）：徐铭铭，姚森，牛荣泽，等配电网重复多发性停电风险辨识方法电力建设，（）：刘科研，吴心忠，石琛，等基于数据挖掘的配电网故障风险 预 警 电 力 自 动 化 设 备，（）：潘华，梁作放，孙明旺，等基于熵权 模型的配电网风险评估实证研究数学的实践与认识，（）：朱红卫，智晨潇，李新宏，等基于 的水上提管维修作业风险分析中国安全生产科学技术，（）：李蒙，邹健，刘苹，等基于 的隧道施工安全风险辨识模型研究 工业安全 与 环 保，（）：熊娜，张孝东，李飞，等复杂系统工程作业贝叶斯网络风险方法研 究 现代防 御 技 术，（）：唐炳南，单春雷，柳明贤，等基于多层次灰色评价法的配电网不停作业风险评估研究微型电脑应用，（）：，（）：，（）：（收稿日期：）