一种基于神经网络的配电网作业风险辨识方法

罗 斌 张 文 秦海科 张恩泽 保永强

（1.国网甘肃省电力公司金昌供电公司 2.国网金昌市金川区供电公司）

0 引言

在配电网的工作中，大多都是10 kV及以下电压级别，而10 kV线路和设备检修往往集中在人群密集区域，并且有很多都是在住宅区内，因此很容易出现工作人员的人身触电、非电人员触电等电力安全事故。对配电网络进行作业风险识别，是维持和保证配电网安全、平稳运行的关键［1-2］。

作业风险辨识最初是用于核电安全，随着它的发展，逐渐被应用到航空、金融证券、保险业等其它与安全有关的领域，并取得了明显的成效［3-4］。在国外，对配电网络开展作业风辨识的方法已有较长的历史，并已有一定的研究结果。在我国，近几年风险辨识也逐渐受到了关注。国内相关领域也花费了不少的精力和资源在该领域进行了深入的探讨。在确保人员和电网设施安全的同时，最大限度地减少配电网作业时的危险，并满足实际的工作需要，这是当前配电网检修修的根本要求［5-6］。但是，二者常常存在着矛盾，这就为电力系统的管理和检修带来了更大的挑战。配电网作业风险辨识是一个比较有用的工具，可以用来对现场检修作业的风险进行预警，从而提出行之有效的对策，尽量减少作业违规的可能性。

1 建立现场作业单元风险库

按照是否带电配电网现场作业分为带电作业和停电作业，同样的工作内容带电和停电风险差距非常大。作业单元风险库中的作业单元按照配电网实际作业对象进行划分，如坑洞开挖、杆塔上作业、杆塔施工、放线、紧线、撤线、高压架空线工作、邻近带电导线工作、柱上变压器台架工作、箱式变电站工作、配电站开闭所工作、计量负荷装置工作、绝缘斗臂车、带电短接引线、立杆撤杆、作业工器具试验等。同时参考《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》、《配电电力安全工作规程》、《变电检修安全规程》等文件建立作业单元对应的风险数据库，由于作业对象较多，本文以在3m两根杆子中间横担位置安装新变压器为例进行展示，见表1。

所在的工作班组归纳出了班组的各类业务，并将各类业务作业规程、安全规程作为参照，对作业单元的安全要求展开了整理和汇总，与之形成了一一对应的联系，从而使得系统可以迅速准确地按照所选择的设备来调取与之相匹配的安全操作规定及预控措施，从而可以辨识和规避作业中的风险。

2 神经网络

神经网络（ANN）是受人类大脑等生物神经系统的启发，发展起来的一种新型的计算机模拟技术。其核心是新型的信息处理体系。该网络是一种多个相互关联、相互联系的信息加工单元（即神经元）之间相互联系、相互协作的复杂网络。ANN是一种类似于人脑的范例学习方法，从根本上讲是一种能够对非线性曲线进行拟合的非线性回路［7］。在此基础上，提出了一种基于神经网络模型，模型结构如图1所示。

图1 神经网络结构模型

深层神经网络（DNN）是一种多层次的非监督网络，其特点是将上一层次的数据信息转化为下一层次的数据信息，在已有数据信息的基础上，将其再转化为下一层次的数据信息，从而实现对已有数据信息的有效表示。DNN在其中添加了隐藏层，并且隐藏层还可以是多个，从而提高了模型的表达能力。与此同时，DNN的输出层的神经元也可以不是单一的，它还可以被应用到分类回归中，与其它网络模型相比，它还拥有了模型简单、学习速度更快、花费更少的优势。该网络包括1个输入层，1个输出层以及若干个隐藏层，其结构如图2所示［7］。

图2 深度网络神经结构

DNN的输入作业单元向量X＝［x1，x2…，xn］T经输入层到达第1层隐含层，在隐含层中进行计算得到输出。

式（1）中，Y1、W1、B1表示的是隐含层中计算的阈值及权重。

若假设Y1p为Y1中第p个元素，则输出值Y1p为：

同理，将作业单元输入到隐藏层经过计算，若得到结果错误继续进行计算，则下次s（1≤s≤m）层隐含层输出Yl中第p个元素为：

其中，b为s－1层的神经元个数，输入的作业单元向量为了提高其精准匹配度，需在通过多个隐含层进行训练，直到输出满足要求最终输出R为：

其中g分别表示隐含层和输出层的非线性激活函数。

配电网作业检修人员将工作计划中及现场勘察的基础数据输入到神经网络系统中，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。检修工作负责人根据这些信息就可以精准地做好施工准备工作，并提前向作业人员进行安全技术和施工任务交底，降低违章的可能性，提高现场安全作业安全性。

3 实际测试分析

在整个测试过程中，都是在已开发出来的配电网现场作业风险辨识与监控系统的支持下，构建了一个作业对象基础数据库，并建立其与预控措施之间的逻辑关联结构。试验的数据来自于某城市的电网的风险评价信息数据库，用一个更换杆塔横担的作业为例，对该风险辨识系统进行了试验，并设定了一个对照，进行了比较和分析。

3.1 更换杆塔横担

在风险辨识系统中建立更换杆塔横担工程的风险识别逻辑架构，将该作业单元输入到作业辨识系统中，风险辨识系统给出的结果见表2。

表2 更换杆塔横担风险辨识结果

更换杆塔横担工程时，杆塔横担重量一般较重，通常会采用起重吊装设备将地面的横担吊装至杆塔顶部位置，同时安装作业人员在杆塔顶部进行安装，在施工过程中会涉及吊装设备和高空作业。表2中的数据可知，该风险辨识系统能够根据作业单元直接匹配出相应的风险点及对应的预控措施，测试实例表明该风险辨识系统能够有效地根据作业单元自动给出作业过程中的风险点及预控措施，进而帮助现场工作负责人规避相应的风险，提高现场作业的安全。

3.2 应用风险辨识系统对比分析

为了进一步分析该风险辨识系统在实际中应用效果，在某电力公司配电中心检修班组设置两个对照组，分别为检修班A组和检修班B组的，A组现场均使用该风险辨识系统，B组并未使用该风险辨识系统。为了确保测试效果排除外界因素干扰，检修班B组并不知检修班A组使用该风险系统。测试时间为2023年4月1日至7月31日，以该段时间内两个检修班组的违章次数进行对比分析，结果如图3所示。从图3中的数据可知，检修班A组和检修班B组在测试时间段仅有一般违章，无严重违章，应用风险辨识系统的检修班A组的一般违章次数明显低于检修班B组的一般违章次数，表明该风险辨识方法能够有效地帮助作业现场降低违章次数，提高作业安全性。

图3 检修班A／B组一般违章次数

4 结束语

配电网是电力系统的重要组成部分，也是目前我国电力公司最重要的建设项目。但是，配电系统的作业属于危险行业，作业过程中的风险性很大。为此，提出一种基于神经网络的配电网作业风险辨识方法。该方法利用神经网络将作业单元和风险预控措施联系在一起，构成逻辑架构。最后通过实例对比测试，证明了该方法能够有效地根据给出作业单元自动辨识现场的作业风险并提供预控措施，大大降低现场作业违章的可能性，进一步提高配电网现场作业的安全。