电力基坑有害气体风险评估方法设计

文宗山,景国明,樊彦国

(1.河南送变电建设有限公司,河南 郑州 450000;2.国网河南省电力公司安全监察部, 河南 郑州 450000)

0 引言

我国正在建设数量更多、规模更大的电力工程项目[1]。电力项目的投资增多使建设周期被迫拉长,导致项目的结构与功能越发复杂。在这种情况下,电力工程项目的安全问题受到关注。电力基坑在施工中往往存在很多安全隐患。建设周期越长,各种隐患就越明显[2]。有害气体就是其中1种容易被忽略的安全隐患。建设周期越长,有害气体越容易引发安全事故,并有可能造成人员伤亡。因此,对电力基坑有害气体风险进行评估具有现实意义。

对于有害气体风险评估问题的研究,目前已经取得一定成果。刘洪波等[3]通过Fluent软件模拟挥发性气体的空间分布,实施了工人的健康风险定量评价。但该方法未对传感器响应灵敏度进行控制,获得的传感器数据不足,评估精度较差。余清秀等[4]为解决复杂地形天然气泄漏问题,通过气体扩散风险软件实施风险评价。但该方法未对传感器数据进行有效处理,获得的评估结果准确率不高。

为了解决以上方法应用在电力基坑有害气体风险评估中准确率较低的问题,本文设计了1种电力基坑有害气体风险评估方法。该方法创新性地利用密度和加权方法改进聚类算法,实现传感数据的聚类挖掘;使用改进阈值函数去噪方法对传感器数据实施去噪处理;基于静态响应和动态响应构建传感器响应灵敏度控制模型,提供全面数据;基于图神经网络构建电力基坑有害气体风险评估模型,实现风险评估。测试结果表明,本文方法提升了电力基坑有害气体风险评估准确率。

1 电力基坑有害气体风险评估

1.1 传感器数据挖掘

本文采用加权和密度方法改进聚类算法,挖掘电力基坑有害气体传感器数据[5]。

本文引入间接密度可达性对聚类算法进行改进,以更充分地描述域内外数据链,找到挖掘聚类的间接密度可达目标。其中:邻域内为相关数据,需要聚类挖掘;邻域外为不相关数据,无需挖掘。

传感器数据中核心对象邻域内的数据链表示为:

Q={q1,q2,…,qm}

(1)

式中:qm为第m个数据对象,也是数据对象链中的核心对象。

核心对象邻域外的数据链[6]描述为:

QQ={qq1,qq2,…,qqm-n}

(2)

式中:qqm-n为第(m-n)个域外数据。

域内外数据链的描述为:

QP={qp1,qp2,…,qpn}

(3)

式中:qpn为第n个域外数据[7]。

对于某数据点qqi,当其满足式(4),则数据点qqi为核心对象的间接密度可达目标。

(4)

式中:d(qqi,qpj)为qqi与qpj之间的距离;s为设定的距离阈值。

本文引入局部密度的概念,在对各数据点对应半径领域密度进行计算时,只考虑各数据对象对于计算结果的影响,而不考虑周边局部数据对象与邻域外数据对象的影响,以获得数据核心对象间接密度可达目标内的局部聚类挖掘最优值[8]。本文引入动态邻域半径的概念,以获得全局最优聚类挖掘结果。在算法设计中,密度可达与动态数据集模拟主要通过以下步骤来实现。

①计算局部密度值。

(5)

式中:u为可达距离;zk为实际密度值;zk+1为后确定的簇密度吸引点的实际密度值[9]。

②搜索最大局部密度点。

本文对数据集内的最大局部密度点进行搜索,引入第一个簇的密度吸引中心点作为聚类中心。本文获取直接密度对应的第一个子簇B01-01。本文以动态邻域半径ξ为依据,记录外点集密度δ。

(6)

③获取密度数据簇。

本文以获得的聚类密度中心与动态邻域半径数学式为依据,获取第一个密度数据簇B1。

④获取各密度数据簇。

本文在最大密度吸引点外,以数据点密度数学式为依据,对其他密度吸引点进行依次寻找,以获取原始大数据集对应的各密度数据簇。

⑤实现动态增量聚类。

本文根据各吸引点对应的自适应密度可达距离,局部重新划分数据集。在划分过程中,当分割后存在局部增量,则需要在局部增量中对各间接密度可达的对应数据点进行重新搜索,以实现动态增量聚类。

B01-01中的内点与δ之间的距离为:

rt=f×M(B01-01)

(7)

式中:f为距离调节系数;M(B01-01)为全部数据对象的对应平均距离[10]。

当距离计算结果小于动态邻域半径,则可得到第二个簇,并在δ中将B01-01直接删除。本文寻找第二个簇的子聚类并实施类比,直至完成所有数据簇聚类工作。

1.2 传感器响应灵敏度控制模型

为了提高风险评估准确率,本文基于预处理的数据,建立动态和静态模型对传感器响应灵敏度进行控制。

1.2.1 传感器数据处理

对于聚类挖掘出的气体监测数据,需要实施去噪处理。所采用的去噪方法是改进阈值函数去噪方法。该方法的具体处理步骤如下。

①根据气体监测数据特点,自适应选择小波基,并选取分解层数。

②对监测数据实施离散平稳小波变换,获取各分解尺度上对应的小波系数。

T={t1,k,t2,k,…,ti,k}

(8)

式中:ti,k为第i个分解尺度上所对应的小波系数。

③对T实施幅度拉伸预处理。以前后高频小波系数对应的标准差为依据,对是否需要实施该预处理进行判定。

(9)

式中:T′为T的预处理结果;β为放大倍数;ε1为第一层中高频小波系数间的标准差。

1.2.2 传感器响应灵敏度控制模型

气体传感器对电力基坑有害气体的响应分为静态响应和动态响应。

静态响应模型指在气体相对静态情况下传感器电阻与检测有害气体浓度的关系。静态响应模型为:

logRs=m′logC+n′

(10)

式中:n′为波尔兹曼常数;C为结电阻大小;m′为气体浓度。

在实际场景中,由于有害气体浓度呈现动态变化,利用上述静态模型控制传感器无法有效响应。因此,本文需要建立气体传感器动态模型,以反映气体浓度随时间变化输入到传感器的动态响应特性。

动态响应系统中,输入与输出关系不是常数,而是随着时间的变化而变化的。同时,气体传感器动态模型需要考虑气体浓度转换的影响。本文将气体浓度转换视为能量元转换问题。能量元(浓度)转换前后系数的正负符号需确保一致。

T″=sgn(T′)W

(11)

式中:T″为浓度转换结果;sgn(·)为灵敏度动态响应函数;W为T′的转换矩阵。

能量元转换式具体如下。

Fa=T″(T′)2

(12)

为保证传感器的动态响应灵敏度,本文设置1个灵敏度阈值,并引入固定阈值准则。通过选取最优阈值,对污染气体浓度能量源评估阈值进行量化处理,用F′a表示处理后的结果。

灵敏度最优阈值选取函数具体如下。

(13)

式中:SD(i)为第i层能量元的对应固定阈值标准差;M为总小波层数。

本文对F′a实施平稳小波逆变换系数还原处理,以防止出现无响应问题。

(14)

本文由此实现传感器响应灵敏度控制,获得更加充分的有害气体浓度变化数据,为风险评估奠定基础。

1.3 电力基坑有害气体风险评估

本文基于传感器响应灵敏度控制模型优化控制下获得的有害气体浓度变化数据,利用机器学习中的图神经网络构建三层结构的电力基坑有害气体风险评估模型,以实现电力基坑有害气体风险评估。

基于图神经网络的电力基坑有害气体风险评估模型包括实体级注意力层、自注意机制学习层、气体无害和有害分类层。

实体级注意力层主要负责通过注意力机制在特定关系下对电力基坑有害气体这一目标实体的重要性进行学习,以获取邻居实体影响下有害气体浓度传播特征,并将特征输入自注意机制学习层进行学习。

已知的气体传播路径集合为:

η={η1,η2,…,ηx′,…,ηg}

(15)

式中:ηx′为第x′个已知的气体传播路径;ηg为第g个已知的有害气体传播路径。

不同传播路径下,所定义的有害气体传播特征嵌入集合为:

(16)

本文根据传感器响应灵敏度控制模型的阈值、自注意机制学习层,学习气体不同传播路径的浓度传感灵敏度控制的重要性,并为其分配权重。通过这个过程,可以计算特征二次嵌入向量值,从而挖掘有害气体浓度特征中的深层信息。

特征嵌入向量值为:

(17)

(18)

式中:softmax为逻辑回归模型;E(ηv)为传感器响应灵敏度特征的注意力系数。

通过气体无害和有害分类层判定气体的实际评价类别,可实现风险等级划分。

(19)

本文由此完成电力基坑有害气体风险评估模型的构建,实现风险等级评估。

2 评估测试

2.1 试验数据与评估结果

本文利用设计的基于机器学习的电力基坑有害气体风险评估方法对某电力工程中的多个电气基坑实施有害气体风险评估。试验电力工程是1个1 000 kV的变电站项目工程,建设周期较长。气体传感器采用ZigBee协调器连接。

在试验电力工程中共有8个电力基坑。

各基坑的建设数据如表1所示。

本文通过基于密度和加权的改进聚类算法实施以上电力基坑有害气体风险评估数据的挖掘,并将其作为试验数据。

本文通过改进阈值函数去噪方法对试验数据中的气体监测数据实施去噪处理。试验设置小波基分解层数为5、小波系数为0.8、放大倍数为3。

为了控制传感器的响应灵敏度,本文构建了基于气体浓度转换的传感器响应灵敏度控制模型。在该模型中,传感器波尔兹曼常数设定为1.380 650 5×10-23J/K,电阻大小设定为80 MΩ。在该模型控制下,传感器可以获得关于有害气体浓度变化的信息。

有害气体浓度变化如图1所示。

图1 有害气体浓度变化图

对比图1(a)和图1(b)可知,传感器能够灵敏感知气体浓度变化,获得有效的传感数据。本文基于传感数据,通过专家法对目标实体实施风险评估。

本文以风险等级划分原则为依据,确定目标实体的风险等级划分实际情况。

风险等级划分原则如表2所示。

表2 风险等级划分原则

在风险评估模型应用前,需要对模型进行训练。本文将目标实体的标签集合、邻接矩阵、特征矩阵作为模型输入,并对模型的参数进行设置。模型训练参数如下:初始学习率为0.001;语义级注意力向量为156维;正则化参数为0.005;注意力系数为0.1;注意力头数(已知有害气体传播路径总数)为10;停止训练阈值为100个连续周期。

本文利用构建的电力基坑有害气体风险评估模型对8个电力基坑实施有害气体风险评估。8个电力基坑的风险等级评估结果如下:基坑4、基坑5、基坑6的风险评估等级为低等级;基坑2的风险评估等级为中低等级;基坑1、基坑3、基坑8的风险评估等级为中等级;基坑7的风险评估等级为中高等级。评估结果证明,通过本文设计方法能够实现电力基坑的风险等级评估。

2.2 评估性能测试

本文测试本文方法的实际评估性能。在测试中,本文将文献[3]方法和文献[4]方法作为对比方法,共同进行性能测试评估。

3种方法的风险评估准确率计算式为:

(20)

式中:v′为正确分类样本数量;ρ为总样本数量。

3种方法的风险评估准确率测试结果对比如图2所示。

图2 风险评估准确率测试结果对比

由图2可知:本文方法的风险评估准确率均值最高达到95% 以上;文献[3]方法和文献[4]方法的风险评估准确率最高均值均低于85%。这说明本文方法的风险评估准确率高于文献[3]方法和文献[4]方法。同时,在样本个数不断增加的情况下,文献[3]方法和文献[4]方法的风险评估准确率降幅很大,而本文方法的降幅则较小。这证明了本文方法的评估性能更好,更适用于样本数较多的情况。

3 结论

本文在电力基坑施工风险的研究中,针对基坑有害气体问题设计了1种基于机器学习的电力基坑有害气体风险评估方法。本文首先利用密度和加权方法改进聚类算法,挖掘电力基坑有害气体传感数据;然后采用改进阈值函数对传感器数据进行去噪处理;接着基于静态响应和动态响应构建传感器响应灵敏度控制模型;最后基于机器学习构建电力基坑有害气体风险评估模型,完成有害气体风险等级评估。测试结果表明,该方法不仅能够实现风险等级评估,还达到了很高的评估准确率,对于电力工程项目的安全保障有现实意义。