基于贝叶斯网络的电力施工安全承载能力评估

来骏， 陈蕾

(1.国家电网浙江省电力公司湖州供电公司，浙江 湖州313000；2.国家电网浙江省电力公司，浙江 杭州310007)



基于贝叶斯网络的电力施工安全承载能力评估

来骏1， 陈蕾2

(1.国家电网浙江省电力公司湖州供电公司，浙江 湖州313000；2.国家电网浙江省电力公司，浙江 杭州310007)

提出了基于贝叶斯网络的动态承载能力评估模型。通过对承载能力风险要素的识别和评估，构建了贝叶斯网络结构和参数，在此基础上对电力施工安全承载能力进行了风险评估和诊断。最后，依据分析得到的结果进行风险控制。该系统可以满足电力施工安全承载能力估计的需求。

贝叶斯网络；安全承载能力；电力施工；风险评估

随着电网的发展，供电企业工作量猛增，生产班组工作量不断加大，长时间超负荷工作，导致不安全作业时有发生，如触电、火灾、设备漏电、设备短路、高空坠落、人身伤亡等。因此，需要开展生产单位安全承载能力分析。浙江省电力公司近年来在员工安全积分机制、外协队伍评价和安全承载能力分析方面进行了很多尝试，但仍然存在一些问题：

(1)安全承载能力分析模型不完善，主要以定性分析为主，无法与实际的安全生产过程紧密结合，难以真正发挥安全承载能力分析降低安全风险的作用。

(2)员工安全积分规则简单，主要适用于检修、操作专业的一线员工，未涵盖其他专业员工和管理人员，无法实现对员工安全积分的精益化管理。

(3)外协队伍的准入门槛较低，评价考核手段单一，施工能力评价没有量化标准。

因此，公司迫切需要对员工安全积分机制、外协队伍评价和安全承载能力分析进行深入的研究，建立覆盖所有专业和管理人员、符合实际管理需要的安全承载能力分析模型算法和员工安全积分标准、外协队伍评价标准，充分利用公司业务系统的现有数据，实现智能计算汇总，进一步减轻基层班组的负担，实现安全积分、外协队伍评价和承载能力分析的智能化计算和决策分析。

目前，国内外关于电力企业安全体系、风险评估方面的研究有云模型法[1]，基于层次分析法(AHP)[2]和故障树法(FTA)[3]等。传统的系统安全分析方法在风险评估中存在一定局限性[4]，譬如FTA假设事件是二值的、相互独立的，不能很好地解决复杂系统的建模问题，计算精确度低并且浪费时间[5]。此外，基于员工安全积分和外协队伍评价的安全承载能力分析的研究报道非常少。

贝叶斯网络是人工智能、概率理论、图论、决策分析相结合的产物，是目前不确定知识表达和推理领域中最有效的理论模型之一[6]。近几年来，贝叶斯方法广泛应用于各个领域的安全评估分析[7-9]。用贝叶斯网络能很好地弥补传统安全评估方法的不足[10]。

本文将贝叶斯网络方法应用于基于员工安全积分和外协队伍评价的安全承载能力分析，实现安全承载能力的评估。

1 贝叶斯网络的基本理论

1.1 贝叶斯定理

贝叶斯定理是概率统计中的应用所观察到的现象对先验概率进行修正的标准方法，即当分析样本大到趋近总体数时，样本中事件发生的概率将接近于总体中事件发生的概率[11]。

先验概率和后验概率这两个概念是相对于某组证据而言。设H和E为两个随机变量，H=h为某一假设，E=e为一组证据，在考虑证据E=e之前，对事件H=h的概率估计P(H=h) 称为先验概率，而在考虑证据之后，对H=h的概率估计P(H=h|E=e)称为后验概率，贝叶斯公式描述了先验概率和后验概率之间的关系[11]：

(1)

1.2 贝叶斯网络概述

图1 一个简单的贝叶斯网络示例Fig.1 An example of Bayesian network

贝叶斯网络[12]是一种有向图模型，在贝叶斯网络中，每一个原因变量和结果变量都由节点表示，并用概率表示变量之间的关系强弱，每个节点都有自己的节点概率分布以表征父节点对子节点产生的影响。通过贝叶斯网络可以汇总各种数据并对这些数据进行综合推理。贝叶斯网络具有如下特征图形结构：网络节点代表随机变量，节点间的有向连线表示随机变量之间的条件依赖关系，由节点和连线组成有向无环图，节点条件概率表表征该节点相对于其父节点的所有可能的条件概率[13]。如图1所示的贝叶斯网络，C1事件与C2事件为C3事件的父节点, C3为C1与C2的子节点，S表示安全状态，R表示危险状态。根据贝叶斯规则可推算C1和C2为R态的概率分别为54.2%和26.6%，因此C1是使C3处于R态的主要影响因素[13]。

2 基于贝叶斯网络的安全承载能力评估

贝叶斯网络通过实践积累可对网络结构参数进行更新改进，本文用贝叶斯网络实现电力企业安全承载能力应用过程如图2所示。

步骤1：要素分类识别

此阶段，对电力施工安全承载有影响的风险要素进行归类分级，根据历史数据、专家经验，调查分析等列出重要的风险要素。

步骤2：风险要素评估

此阶段，步骤1的每项风险要素进行定级，确定风险要素等级数据集便于贝叶斯网络的分析。风险要素等级可由式(2)表示：

Rrisk=(DL)×(PO) ，

(2)

式中，Rrisk为风险要素等级，DL为损失程序，PO为发生概率。风险要素等级数据集通过图3的风险要素等级矩阵进行规范处理后用于贝叶斯网络。

图2 基于贝叶斯网络的安全承载能力评估过程图Fig.2 Bayesian network based safety bearing capacity evaluation procedure

图3 风险要素等级矩阵图Fig.3 Rank matrix for risk factors

步骤3：贝叶斯网络构建

贝叶斯网络通过结构性学习进行构建，并用来检验风险要素之间的关系。每个风险要素的可能性可通过参数学习进行计算。设安全生产指标为en，n=1,2,3，…，风险因素H发生的概率为Pn，则有P(H|e1=P1)，P(H|e2=P2)，…，P(H|en=Pn)，则该风险因素H的发生概率为P(H|a1,a2,…，an)，由于各安全度指标之间相互独立，则有：

(3)

其中，P(H)为H的风险发生概率。

通过调查问卷、历史数据、专家讨论，在考虑安全度指标体系的情况下，确定贝叶斯网络中所有证据节点的概率。结合公式(3)，得到安全生产风险概率。

步骤4：要素控制

对影响安全生产的风险要素通过贝叶斯网络敏感性分析进行评估，对风险较高的要素，采取措施进行控制。

步骤5：要素再评估

步骤4中需要控制的风险要素确定后，有些风险要素的改变会导致电力施工安全承载能力风险的改变，因此需要更新贝叶斯网络结构参数，并进行风险要素再评估。

3 安全承载能力评估应用

3.1 风险要素分类识别和评估

结合电力施工的历史数据和参考文献，分析在电力施工过程中存在的风险要素，通过专家讨论法确定风险要素和类别，并且明确风险要素发生的可能性和严重程度，根据式(2)和图3中的风险要素等级矩阵确定主要风险因素和风险等级(主要风险因素只有子节点而没有父节点)，将高风险要素(R3)确定为主要风险要素。得到的电力企业安全生产的主要风险因素如表1。

表1 电力施工安全承载的主要风险要素

3.2 贝叶斯网络构建与计算

贝叶斯网络的构建通过贝叶斯网络分析软件GeNIe Ver2.0实现，将表1中电力企业电力施工安全承载的主要风险要素作为贝叶斯网络基本节点，各节点间的因果关系和条件概率分布通过历史数据、参考文献和专家讨论共同确定。最终的网络结构如图4所示。

图4 贝叶斯网络结构图Fig.4 The structure diagram of a Bayesian network

与此同时，将根据式(2)和图3确定的主要风险要素的风险等级数据输入贝叶斯网络模型中，利用贝叶斯网络分析软件参数学习功能对其他节点(含有父节点)进行概率计算，得出剩余节点的边缘概率分布，完成对各风险状态的评估。将历史数据及后续的实践数据对模型进行训练并反复修正，最终确定网络结构各节点参数。对电力施工安全承载能力进行评估，得到电力施工安全承载能力处于危险状态(R)的概率为19%，如图5所示。

图5 贝叶斯网络结构分析结果Fig.5 The analysis result of the Bayesian network for safety bearing capacity evaluation

3.3 风险再评估

贝叶斯网络具有自动更新的功能，电力施工安全承载能力风险要素发生变化时，需要及时更新整个网络结构参数，进行风险再评估，使得网络中变量的概率分布发生相应的改变。例如，在电力施工过程中选择施工经验丰富的队伍进行施工，即A5要素R变为0，输入证据后，得到更新后的变量的边缘概率，最终电力施工安全承载能力处于危险状态(R)的概率为17%，即换成经验足够丰富的队伍进行施工，安全承载能力得到了提高，如图6所示。

图6 A5要素R为0时的叶斯网络结构分析结果Fig.6 The analysis result of the Bayesian network when the factor R of A5 is zero

4 系统软件实现

图7 电力施工安全承载能力评估系统总体架构图Fig.7 The overall architecture of safety bearing scapacity evaluation of power construction

电力施工安全承载能力评估系统总体架构图如图7所示，包括应用与服务层、传输层、数据层、OS硬件层。安全承载能力评估的主要功能是在基于贝叶斯网络模型的软件算法对风险源进行辨识的基础上进行风险评估、衡量风险发生的概率以及其可能造成的损失，最终确定安全承载能力。

电力施工安全承载能力评估系统所用的贝叶斯网络数学模型采用GeNIe软件辅助实现，GeNIe 软件中具备SMILE接口。SMILE库函数是关于决策理论模型和图形概率、贝叶斯网络等影响图和结构方程模型的接口，允许创建、编辑、保存和加载图形化模型，并应用在概率推理和决策的不确定性中[14]。基于SMILE接口的输入与输出流程图如图8所示。将参数值，即第一层次风险因素概率输入到SMILE接口通过GeNIe软件中的模型进行仿真，将输出结果保存为xdsl文件。

系统软件界面如图9所示。在安全承载能力评估界面，输入各相关风险要素级数后，点击计算时系统会调用事先建立的xdsl文件格式的贝叶斯网络模型，并将各文本框中的概率通过SMILE接口输入到模型中进行计算，将最终的安全承载能力计算显示出来。

图8 输入输出流程图Fig.8 The input and output flow chart of SMILE interface based GeNIe software

图9 系统软件实物图Fig.9 The software interface of evaluation system

5 结束语

本文运用贝叶斯网络模型实现了对电力施工安全承载能力的评估，并可根据实际情况对模型参数进行更新。该系统为安全承载能力评估提供了可量化数据支撑和动态自适应功能，提高了安全承载能力评估的科学性和适应性，减轻基层负担，提升安全承载能力评估对基层单位安全生产和现场作业的指导作用，确保现场作业安全。本软件系统目前已在本单位进行了实际应用，反应效果良好。

[1]赵徽．电网企业安全文化对安全行为影响的评价研究[D]．华北电力大学(北京)，2010.

[2]YOU D H, CHEN Q Q, YIN X G. A study of electrical security risk assessment system based on electricity regulation[J]. Energy Policy, 2011, 39(4): 2062-2074.

[3]YAN F Q, WANG Y, YIN X G. Research on the security risk assessment system for regional complex power grid[C]. 5th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (DRPT). Changsha, 2015，1-4.

[4]王开碧，申晓留，李哲，等．电力企业安全生产风险管理方法的研究[J]．黑龙江电力，2012，34 (4)：228-291.

[5]姚锡文，许开立，王贝贝,等．石化装置火灾爆炸贝叶斯网络与防护层集成分析术[J]．中国安全生产科学技术，2014，10(3)：95-100.

[6]车玉龙，苏宏升．基于贝叶斯网络的列控系统安全风险评估方法[J]．计算机工程与应用，2013，49(24)：238-242.

[7]李晓东，孙悦，2010年我国房屋市政工程生产安全事故分析[J]．土木工程学报，2011，11(S1)：225-229.

[8]李天纵, 王强．一种基于贝叶斯网络的软件项目风险管理方法[J]．计算机系统应用，2011，20(2) ：226-229.

[9]任雪利．粗糙集和贝叶斯网络在软件风险评估中的应用[J]．计算机系统应用，2010，19(5) ：202-204.

[10]郭发蔚，王宏辉．基于Bayesian隧道施工风险模糊综合评估方法[J]．铁道科学与工程学报，2016，13(2)：401-406.

[11]JONES B, JENKINSON I, YANG Z,et al.The use of Bayesian network modeling for maintenance planning in a manufacturing industry[J]. Reliability Engineering and System Safety，2010，95(3)：267-277.

[12]GREENBERG R, COOK S C, HARRIS D. A civil aviation safety assessment model using a Bayesian belief network (BBN) [J].The Aeronautical Journal, 2005，109(1101):557-568.

[13]李典庆，鄢丽丽，邵东国．基于贝叶斯网络的土石坝可靠性分析[J]．武汉大学学报(工学版)，2007，40(6)：24-29.

[14]葛运飞．GeNIe的扩展研究[D]．昆明：云南大学，2012

Bayesian network based evaluation of the safety bearing
capacity of power construction

LAI Jun1, CHEN Lei2

(1.Huzhou Power Supply Company, Zhejiang Electric Power Co.Ltd, State Grid, Huzhou 313000, China;2.Zhejiang Electric Power Co.Ltd, State Grid, Hangzhou 310007, China)

∶The Bayesian network based dynamic evaluating model for safety bearing capacity was put forward．Bayesian network structure and parameters were built based on the identification and assessment of risk factors which may have effects on the safety bearing capacity. Furthermore, the risk assessment and risk diagnosis of the safety bearing capacity of power construction were carried out. Finally, the risk was controlled based on the analytical results. This system can meet the needs of evaluating the safety bearing capacity of power construction.

∶Bayesian network; safety bearing capacity; power construction; risk assessment

10.3976/j.issn.1002-4026.2017.03.019

2016-08-26

浙江省电力公司科技计划(5211UZ15007V)

来骏(1981—)，男，工学硕士，研究方向为电力系统自动化和电力安全管理。E-mail：laijun-huzhou@qq.com

TM76

A

1002-4026(2017)03-0110-07