信息化技术下的电力发电企业生产安全性评价研究

张向东

（国电科技环保集团有限责任公司）

0 引言

随着现代化社会的飞速发展， 对于电力企业安全性评价需要采用新的科技手段来实现。通过提升安评工作的效率， 结合电力企业安全性评价， 获得更高的经济效益。保证最大限度安全的情况下企业能够进行生产， 管理及运行更有效率， 从而提升了四川电力企业安全评价工作的水平。在构建安全评价体系时， 要明确安全评价的目标， 有助于监督部门对相关电力企业进行宏观调控。建立安全方案的同时， 要对评估算法进行优化， 指导安全投入的比重。通过安全评价法能够帮助企业提高经济效益，评估化工装置的安全性， 保证生产的安全进行。指导企业安全薄弱环节的整改， 切实提高企业安全生产水平， 使得评价结果更为全面， 能够真实反映设备的使用情况， 对项目现场进行实时监测与分析，建立一个合理的安全评价体系。确定事故发生的风险， 使结果更加科学真实可信。由于传统的评价方法在企业生产安全评价过程中具有一定的局限性，对企业实际运行中的复杂性考虑较少， 会带来安全隐患的隐蔽性， 设备的老化问题等会延迟， 使得解决潜在的安全问题存在难度。信息化技术应用不足， 这样不仅会降低电力发电企业的安全意识， 对生产安全性评价的准确性产生一定影响。产生的高温辐射等危害因素危害人体健康， 产生的废水位置对环境造成污染， 使得评价结果难以符合预期， 影响电力发电企业生产管理安全评价水平[1］。因此现阶段， 以电力发电企业生产安全性评价为研究对象， 运用信息化技术， 结合实际情况进行实验与分析。

1 电力发电企业生产安全性评价

1.1 确定电力发电企业生产安全评价指标

采取层次分析法与模糊综合评价法相结合的方式对电力发电企业产生安全程度进行风险评价。通过减少量化权重缺陷， 从而建立评价指标体系[2］。设定不同等级的指标， 具体如表1 所示。

表1 电力发电企业安全产生风险评级指标

将构建的风险指标体系内容按照层次分析法方式进行划分， 形成一个概念较为清晰的框架。电力生产中的生产安全问题， 在实际应用中对其进行安全性评价时， 需要通过标准化与安全性评价相互配合的方式， 对作业风险进行定性分析。

1.2 信息技术下建立安全评价层次分析模型

运用信息技术对生产安全的内在需求进行分析， 结合人工神经网络信息处理功能将模型中的输入样本进行训练， 以满足期望[3］。在神经网络中， 通过构建判断矩阵， 根据相对重要性对比率标度进行构造。其中， 计算得到标度为1、 3、 5、 7、 9 时为重要不同的等级， 在2、 4、 6、 8 时表示不同判断状态中的临界值。将构造的判断矩阵进行专家评分， 专家根据对因素值指标之间的重要性进行打分。通过人工赋值的方法， 设定决策者选择生产安全评价集S 中的元素表示对属性的偏好程度， 从评价集中选择一个元素形成的偏好程度为t， 在评价过程中， 需要评价值集满足有序性和可逆性。使用二元数据(s,e)表示评价信息[4］。通过计算偏离值e得到最低风险结果。） 由于专家的评价指标点不同， 会在判断矩阵中存在残缺元素。所以需要将专家的打分点进行统一， 估算打分点的重要性程度。设定打分点的权重为wi， 从评价一致性角度分析， 需要设置归一化条件。根据偏差数据的大小， 用相对偏差率表示评价的差异。则决策者的判断差异公式为：

式中，w为权重；rikj为打分点得分值；zikj为总体评价值。在分析过程中还需要进行估算。在约束空间中寻找最优权重， 并找到最优解[5］。根据最优解，确定打分点指标的权重， 计算得到决策者个体打分指标权重的估算模型为：

式中，w≥0。根据专家对事物的认识程度， 从客观评价出发， 计算决策者不完整判断信息的分布范围， 对打分点的得分值进行修正。通过不断对网络进行样本训练， 使得网络全局误差值趋近于最小。当网络陷入局部最小值， 停止训练并重新修改权重。根据对判断矩阵中的打分值进行两两比较， 对指标进行权重计算， 计算后将判断结果进行一致性检验。设定判断矩阵中的特征向量为w， 最大特征根为rmax， 计算方根的公式为：

式中，e为判断矩阵中不同行的元素之积。将结果进行归一化处理。通过建立该模型能够对应电力生产安全评价工作， 并将对不同等级进行描述。

1.3 云理论电力生产安全性评价

运用云理论对电力生产安全性进行评价， 通过描述客观事物变化优势， 划分电力生产安全等级， 得到评估因子与随机性之间的关联程度， 获得分级边界的模糊性结果[6］。按照对模糊概念的评价思维，将电力生产等级的安全水平进行划分， 将不同指标按照等级取上下限值， 并通过模糊性扩展得到约束空间。在空间中， 设定指标属性取值范围， 对不同指标的安全等级界限云之间的关联度， 生成综合矩阵。计算矩阵中的单次模糊等级， 其公式为：

式中，r为模糊等级分量；f为等级分值；T为分量结果；W为权重。通过对单次模糊等级多次求解，能够得到评价等级和其可信度。根据最大隶属度原则， 设定最终等级为k， 评价可信度为δ， 当满足r=maxδ[r]时， 说明被评估的对象风险水平属于r级，这样就能够电力生产安全评估对象的风险等级[7］。在实际电力生产中， 为了保证判断结果具有一定的可信度， 需要对其进行一致性检验。其计算公式为：

式中，rmax 为判断矩阵的最大特征根；n为阶数。当CI值较小时表示一致性越强。将评价工作纳入到可控的范围， 将重要程度等指标综合起来对作业的风险进行定性分析。在分析过程中， 保证各个作业之间具有关联性， 通过安全性评价以此来对风险进行辨识， 达到控制风险的目标。按照不同的等级， 有针对性地制定安全评价的细则， 以防隐患的扩大。

2 实验测试与分析

2.1 实验准备

根据需要建立评价任务。由于电力企业的各型设备较多， 需要对各型设备进行编号。对新添加的设备要记录设备的主要功能。搭建实验需要的运行环境， 其软硬件环境具体如表2 所示。

表2 实验环境

同时运用MyEclipse 作为开发工具， 使用TOMCAT 服务器进行显示运行。利用Java 的封装功能将数据库中的数据进行更新与修改， 使得数据能够统一进行管理。

在构建的电力发电企业安全产生风险评级指标体系中， 选择电力生产行业相关指标， 对2022~2023 年中不同季度的数据进行处理， 得到20 个原始数据样本。运用MATLAB 中完成模型中样本的训练， 并对测试的样本数据进行归一化处理。在安全性评价实例中， 需要先生成一个神经网络， 设定网络的参数条件为： 种群初始化参数为45， 复制过程参数为0.08， 交叉过程参数为3， 变异过程参数为[2， 4］。通过训练使得神经网络能够达到较好的性能。在神经网络中，完成电力生产安全性评价训练后， 输出实际样本和期望样本结果。设置三个小组， 运用本文方法的小组为实验组， 运用两个传统方法的小组为对照A 组和对照B组。

2.2 结果与分析

计算不同小组中， 实际样本和期望样本的误差，得到两者的误差绝对值变化曲线， 具体如图1所示。

图1 误差绝对值变化曲线

由图1 中结果可知， 实验组的误差绝对值小于1，相比于两个对照组来说， 指标的设定更具专业化， 误差绝对值较小， 说明预测指标能够较为准确地进行预测与评价， 达到较好的拟合度， 使得本文设计的模型能够有效用来评价电力发电企业生产安全。已知实际电力生产中的安全状态得分在[80， 100］之间。对数据集样本的安全等级界限区间进行划分后计算得到具体的评价分数结果， 如表3所示。

表3 安全评价指标评价分数

由表3 实验结果可知， 通过结合安全等级划分范围， 对不同评价指标的分数进行计算后发现得分均在[80， 100］之间， 符合实际情况。说明运用本文方法构建指标体系能够有效对电力生产安全性进行评价， 得到的电力生产的安全评价得分较高， 电力发电企业生产中处于安全状态， 评价有效性高。

3 结束语

本次研究从电力发电企业生产安全方面入手， 深入分析信息化技术相关问题， 探究信息化技术下的电力发电企业生产安全性评价方式。在信息化技术的推动下， 通过实时监测和数据分析， 在安全生产中的关键作用。进一步提升生产安全性评价水平， 实现更加优质安全的生产， 为电力发电企业带来的更多可能性。根据发电厂的运行特点， 驱动电力工业向知识密集型工业转变， 引领变革的过程。但是本文方法中还存在着不足， 比如发电可靠性问题， 统计数据方法较为单一， 电力生产安全评价标准等级的约束问题等。今后应更加完善约束， 通过将评价项目层层分解， 确定科学的尺度， 准确预测潜在风险， 实现在信息化技术下的电力发电企业生产安全性评价研究。