基于FOA-BP的风电运维人员不安全行为风险评价

常丁懿　石娟　瞿丽莉　何子春　张银龙　郑鹏

摘要： 为评价风电运维人员不安全行为风险，减少行为安全事故的发生，在确定不安全行为风险因素集合的基础上构建不安全行为风险评价指标体系，利用果蝇优化算法调整BP神经网络权值和阈值，建立基于FOA-BP的不安全行为风险评价模型。以某风电场为例收集数据对模型进行测试，实现不安全行为风险评价并计算风险评价指标权重。结果表明：该模型预测性能较好，能够评价不安全行为风险，企业可依据评价指标、指标权重值及风险等级制定针对性的防控措施。

关键词： 果蝇优化算法；风电运维；不安全行为；风险评价；预测评价

中图分类号：    X913.4； C931    文献标识码： A

Risk Evaluation of Unsafe Behavior of Wind Power Operation Personnel Based on FOA-BP

CHANG Dingyi1，2，SHI Juan1，QU Lili3，HE Zichun4，ZHANG Yinlong4，ZHENG Peng4

（1. School of Management，Tianjin University of Technology， Tianjin 300384，China; 2.School of Sports Economics and Management， Tianjin University of Sport，Tianjin 301617，China;3. Xi′an Thermal Power Research Institute Co， Ltd， Xi′an 710054，China; 4. Huadian Electric Power Research Institute Co， Ltd， Hangzhou 310030，China）

Abstract：In order to evaluate the risk of unsafe behavior of wind power operation and maintenance personnel and reduce the occurrence of behavioral safety accidents. On the basis of determining the set of risk factors of unsafe behavior， the risk evaluation index system of unsafe behavior is constructed. The weight and threshold of BP neural network were adjusted by fruit fly optimization algorithm， and an unsafe behavior risk assessment model based on FOA-BP was established. Taking a wind farm as an example to collect data， test the model， realize the risk evaluation of unsafe behavior， and calculate the weight of risk evaluation index. This model has good predictive performance and can evaluate the risk of unsafe behavior. Enterprises can develop targeted prevention and control measures according to the evaluation index， index weight value and risk level.

Keywords： fruit fly optimization algorithm; wind power operations; unsafe behavior; risk evaluation; prediction and evaluation

0 引言

“雙碳”战略目标背景下，风电行业迎来巨大的发展机遇，加速推动着能源结构、产业结构、经济结构的转型升级。随着风电行业的快速发展，风电伤亡事故亦时有发生，安全生产形势依然严峻。例如：2021年5月，辽宁彰武某风场发生一起人身触电死亡事故；2020年8月，内蒙古阿拉善某风场发生一起高处坠落伤亡事故；2019年11月，宁夏中卫某风场发生一起机械伤害事故。经原因分析，这三起风电事故均因员工不安全行为而起。因此，有必要研究风电运维人员的不安全行为，以此加强防范，降低事故发生率。

不安全行为影响因素众多，且具有突发性、重复性、随机性、难以预测性的特点[1]，致使其风险评价工作复杂困难。白彦龙等[2]从云物元理论视角出发，结合层次分析法和熵权法探究矿工行为安全水平；李红霞等[3]建立矿山工人不安全行为影响因素指标体系，并计算出影响因素的指标权重；迟鹏德等[4]根据未确知测度理论对矿工不安全行为风险进行评估；Tong等[5]提出了一个风险评估模型，并使用蒙特卡罗方法计算员工不安全行为风险值；Li等[6]建立了不安全行为评价因子体系，进而采用模糊评价法对数字化仿真控制的虚拟人的行为安全性进行了量化；Meng等[7]在分析不安全行为特征的基础上，提出了一种包括概率、重要度、损失三方面因素的不安全行为风险评估模型；胡仲春[8]基于灰色关联度分析法研究了不安全行为的影响因素指标权重，得出机器设备因素的影响较大。综上，不安全行为风险评价研究已有不少，这为后续研究提供了良好的参考。但现有研究仍存在以下不足：目前研究对象较少涉及风电运维人员；不安全行为风险评价是一个复杂非线性系统，现有不安全行为评价指标权重的计算多是采用层次分析法、灰色关联度、熵权法等方法，指标权重的学习机制并未建立；评价过程容易受主观因素影响且风险评价的精准度需进一步提高。

反向传播（Back Propagation，BP）神经网络具备很强的非线性映射功能，具备自组织、自学习、自适应属性[9]，能够模仿人类思维模式，有效处理非线性预测问题，近年来已经在评价评估领域得到广泛应用。例如Li等[10]基于BP神經网络算法从管理因素、风险因素、人为因素3个方面对地铁工程进行安全评价。Tseng等[11]构建了基于BP神经网络的员工素质评价模型，通过对员工绩效数据的收集和处理来评价员工素质等级。因此，将BP神经网络应用到不安全行为的风险评价中是一次有益的研究。然而，BP神经网络存在收敛速度慢、容易陷入局部最优值的缺陷，需要优化算法对其优化。

本文结合风电运维行业特点，在建立风电运维人员不安全行为风险评价指标体系的基础上，提出利用果蝇优化算法（Fruit Fly Optimization Algorithm， FOA）用于BP神经网络权值和阈值的优化，以此构建不安全行为风险评价模型，并利用其量化测试了风险评价指标数据与不安全行为风险的关系，实证检验了FOA-BP神经网络模型在不安全行为风险评价中的可行性，基于神经网络理论建立了权重的学习机制，计算出风险评价指标权重，以期为风电企业防控不安全行为提供理论依据和实践支持。

1 风险评价指标体系构建

风电运维的主要内容包括设备管理、技术管理、安全管理和人员管理4个方面。具体说来，风电运维包括：风机的现场调试；风机运行问题的消缺和故障记录；风电设备的日常检修、日常维护、日常保养；运行报表的定期填报，运行记录的整理分析；大部件更换及特定部件检修等。由于风电场一般位于偏远地区，交通不便，环境较为恶劣，加之风电运维劳动强度较大，致使运维人员不安全行为发生的可能性增加。风电运维人员的不安全行为多表现在实际运维操作上，种类较多。比如不按规定佩戴安全帽、高处作业安全带系挂不合格、违规进入危险区、违章使用机器设备、受天气影响导致行为不当、群体性失误等。参考相关研究[1，3]，文中将风电运维人员不安全行为界定为运维人员在运维过程中做出的已经导致或可能导致安全事故的行为。

1.1 确定风险因素集合

风电运维工作涉及设备、技术、安全、人员、管理等多个方面，行为风险因素十分复杂。首先通过国家能源局、中国电力企业联合会、北极星电力网等官网公布信息，搜集整理得到25起风电事故案例，查看事故分析报告，确定不安全行为风险因素的初始集合。其次，利用文献分析法查阅有关不安全行为的文献资料，进一步筛选、整合不安全行为风险因素，对初始集合进行补充。最后结合对风电运维人员的实际观察和交流访谈，确定风电运维人员不安全行为风险因素集合。经整理归纳，咨询有关专家，参考相关文献[1214]，借鉴2－4事故致因模型、计划行为理论等经典管理理论，并结合风电运维工作特点，可将风险因素大致划分为设备、组织、个人、环境、管理5个方面。

1.2 构建风险评价指标体系

遵循目的性、独立性、系统性原则，结合风电运维行业特点以及国家标准《风力发电机组安全手册》（GB/T35204－2017），借鉴已有研究[3，8]，归纳不安全行为风险因素，并反复咨询有关专家，数次修改，最终构建出包括5个一级指标和20个二级指标的不安全行为风险评价指标体系，如表1所示。

2 FOA-BP神经网络风险评价模型

FOA是模拟果蝇觅食行为的全局优化算法，果蝇具有非常敏锐的嗅觉和视觉，在搜寻食物时，果蝇个体首先依靠嗅觉搜索食物气味信息，并向同伴发出食物信息和接收同伴发来的食物信息，从而确定距离食物最近的个体，然后其余果蝇个体依靠视觉向最优个体飞去，以此方法迭代循环搜寻食物，直到果蝇群体找到食物源[15]。果蝇优化算法具体步骤：

1）参数初始化。设定果蝇群体规模、最大迭代次数、搜索半径等参数，随机初始化果蝇群体位置（X_axis，Y_axis）。

2）开始搜寻食物。设定果蝇个体利用嗅觉搜寻食物的方向与距离。

7）迭代寻优。重复执行步骤2）～5），判断味道浓度是否优于前一迭代味道浓度，若是则执行步骤6）。

FOA-BP神经网络算法分为BP神经网络结构确定、FOA优化、BP神经网络预测三部分。BP神经网络结构确定需依据输入输出的函数映射关系。本文采用3层BP神经网络结构，输入层节点为20个风险评价指标（S1-S20）；输出层以不安全行为风险值作为输出；隐含层节点数依据经验公式确定[9]。FOA优化BP神经网络是将BP神经网络的权值和阈值看作果蝇个体，利用果蝇觅食行为特点对BP神经网络进行极值寻优，得到BP神经网络最优的初始权值和阈值。BP神经网络预测即将FOA得到的最优初始权值和阈值代入到BP神经网络进行仿真预测，映射输入输出的非线性复杂关系。

3 风险评价模型实例分析

3.1 数据收集与处理

通过查阅国内外相关文献，咨询有关专家，在风险评价指标体系基础上编制不安全行为风险评价问卷，采用5级量表法对每个二级风险评价指标和不安全行为风险值均设置相应的题项。问卷主要题项设置如表2所示。

为增强调查结果的可靠性，参考已有研究[16]，利用他人评价的方式填写问卷，即邀请风电运维人员的管理者或同事对其不安全行为进行风险评价，要求管理者或同事熟悉该员工的工作情况。以中国西北区域某风电场为例，调查于2021年6月启动，2021年10月结束，现场发放问卷350份，回收有效问卷305份，问卷信度和效度符合要求。整理问卷调查数据，调查对象的年龄、学历、家庭所在地、工作时长等信息分布符合风电运维岗位的实际情况。不安全行为风险值得分范围为8～40。参考政策《电力安全事故应急处置和调查处理条例》[17]及行业标准《工伤事故不安全行为分类及代码》（QJ 1420.10-1988），结合专家意见，将不安全行为风险值划分为：Ⅰ级（33～40分），风险重大；Ⅱ级（23～32分），风险较大；Ⅲ级（16～22分），风险中等；Ⅳ级（8～15分），风险轻微。

3.2 风险评价指标权重确定

将收集到的305份样本数据分为2部分：275份训练样本和30份测试样本。通过网络训练，确定隐含层节点数为12时效果较好。FOA设置果蝇群体初始规模（30）、最大迭代次数（100），BP设置训练误差（0.001）、最大训练次数（1 500）、学习率（0.1）、训练函数（trainlm）、均方误差（MSE）。FOA对权值和阈值优化后代入BP神经网络进行仿真，网络训练均方误差结果较好，训练集、验证集、测试集、全样本的相关系数R值均大于0.97，模型拟合性较好，结果如图1和图2所示。

对于训练好的FOA-BP神经网络，进一步用30份测试样本进行网络测试，结果发现模型测试效果较优。后续对30份测试样本员工进行实际跟踪调查，结果表明，FOA-BP模型预测的风险等级与实际相差不大，例如测试样本20号，通过后续调查访谈，以同事评价、管理者评价的方式发现其安全意识较低、知识技能水平较低，且存在侥幸、冒险心理和投机行为，不安全行为风险较大，这与FOA-BP模型预测结果相对吻合。

选取陕西某风电场为本文FOA-BP模型的应用试点，以进一步检验FOA-BP模型的有效性。由7名熟悉员工工作的安全管理者组成专家组，依据本文编制的不安全行为风险评价问卷，分别对该风电场10名风电运维人员不安全行为进行风险评价，被评员工年龄在25岁至40岁间，学历为专科、本科、研究生，工龄2至15年。取7名专家评价的平均值作为被调查人员不安全行为风险评价指标的最终得分，将此最终得分代入到训练后的FOA-BP神经网络模型进行仿真测试，预测被调查人员的不安全行为风险值。根据该风险值进一步咨询专家组和被调查人员，查阅被调查人员风电运维工作记录，结果表明，FOA-BP神经网络模型预测风险值与实际情况相符，已具备一定的“诊断评价”功能，所构建的不安全行为风险评价指标具备合理性。

经过网络训练测试，模型性能较好，各网络层之间的连接权值及阈值已满足精度要求，权重的学习机制已经建立。利用Matlab软件调取训练好的网络输入层到隐含层的连接权值，见表3。根据式（10），计算20个二级风险评价指标的权重，结果见表4。

其中，vj为输入层第j个节点的权重，m为输入层节点个数，n为隐含层节点个数，wij为输入层第j个节点与隐含层第i个节点的连接权值；wil为输入层第l个节点与隐含层第i个节点的连接权值。

由表4可知：所有指标权重均大于零，说明这20个指标因素均对不安全行为有不同程度的影响。依据权重值可得S20＞S11＞S10＞S8＞S13＞S3＞S9＞S12＞S2＞S1＞S14＞S7＞S4＞S19＞S15＞S6＞S17＞S5＞S18＞S16。工作安排合理性（S20）的权重最大，表明工作安排与不安全行为相关性较强，其次是心理素质（S11）、知识技能（S10），最小的是温度湿度（S16）。风电运维有定期巡检和不定期应急故障处理工作，在时间上具有波动性，工作安排是否合理很大程度上会影响员工的心理状态，如工作压力是否产生，其与其他指标有较大的关联性。员工心理素质、知识技能、安全氛围等因素与不安全行为显著相关[1213，18]，温度湿度指标权重较小，这可能与风电运维人员所处的地理环境有关，对于老员工来说，当地的风电场环境已经较为适应，温度湿度的影响作用大大减小，同时，风电运维人员实际操作中，往往会尽量避免在雷雨大风等不良天气进行非必要作业，并且会更加注意行为规范。

可从关键性指标入手，有所针对地采取预防策略。依据权重结果由大到小排序，在设备层面，防护措施配备>设备质量>存放合理性>安全警示设计，因此，应配备足质足量的防护设备，并对设备进行定期检验、维护，提高设备质量水平，同时合理存放设备，设置明显的安全警示标记，保持现场环境的清洁高效；在组织层面，安全氛围>安全奖惩>安全教育>群体关系，说明形成正向的安全氛围至关重要，还应对员工不安全行为予以惩戒，对安全行为加以奖励，同时加强安全教育，维护好群体关系；在个人层面，心理素质>知识技能>安全意识>生理状况，因此，要增强员工身心素质和技能水平，提高其安全意识；在环境层面，作业空间>天气>噪声>温度湿度，故应优化员工作业环境，减少噪声干扰，保持合适的温度、湿度；在管理层面，工作安排合理性>安全管理制度>应急管理能力>安全监管，管理是复杂性活动，应合理安排工作任务，不宜给员工太大压力，同时应制定安全管理制度，加强安全监管，提升组织的应急能力。

4 讨论

随着“碳达峰、碳中和”战略目标的实施，以新能源为主体的新型电力系统加速构建，风电运维需求亦随之增加，风电运维人员的安全管理便显得尤为重要。根据事故致因理论，人的不安全行为和物的不安全状态是事故形成的两大因素，而人的不安全行为相对物的不安全状态更加难以控制。一般来说，风电运维人员需面对物体打擊、高空坠落、触电等多种危害以及相对恶劣的风场环境，在伴随着沉重的体力脑力劳动时难免发生不安全行为。从风电运维工作现状来看，风电运维一般以班组的形式开展工作，以中国华电集团某风电场为例，该风电场下设一个操作试验班、一个检修班，操作试验班主要负责风机运行状况监督、工器具试验检验、设备倒闸操作、安全措施布置等。检修班主要负责升压站设备、集电线路、风电机组的运行、巡视、消缺和检修。操作试验班、检修班均设置一名班组长，负责本班组的运营管理和安全生产。另外，风电机组零部件较多，一般包含齿轮箱、变桨电机、偏航电机、发电机、变频器、主轴、塔筒、叶片等设备，加之风电机常建设于丘陵、山脊等偏远地区，这导致运维工作量较大。

总的来说，受工作环境、工作性质等诸多复杂性因素影响，风电运维人员在工作过程中容易发生不安全行为，对其进行不安全行为风险评价是重要且必要的。

5 结论

综合考虑风电运维实际和不安全行为风险因素，确立了包含5个一级指标和20个二级指标的风电运维人员不安全行为风险评价指标体系。提出一种基于FOA-BP神经网络理论的不安全行为风险评价模型，通过实例应用表明模型能够较为精准地预判不安全行为风险等级，风险预测效果较准确。模型能够反映评价指标与不安全行为的非线性复杂关系，能够较精确地实现风险评价，据此可提前采取相应防控策略。根据指标权重计算结果，工作安排合理性、心理素质、知识技能、安全氛围等指标占比较大，应对此类指标因素实施相应的干预措施，防控不安全行为的发生。本文提出并验证了一种基于FOA-BP神经网络的不安全风险评价模型，后续应对模型的精确性、指标的全面性进行再研究，从而提升评价过程的科学性和评价结果的准确性。

參考文献：

[1]石娟，常丁懿，郑鹏，等.基于SD-SEIR模型的实验室人员不安全行为传播研究[J].复杂系统与复杂性科学，2021，18（3）：67－74.

SHI J， CHANG D Y， ZHENG P， et al. Study on propagation of unsafe behavior of laboratory personnel based on SD-SEIR models[J]. Complex Systems and Complexity Science， 2021，18（3）：67－74.

[2]白彦龙，陈昱，李海立，等.基于云物元理论的矿工行为安全水平评价研究[J].煤矿安全，2021，52（3）：252－256.

BAI Y L， CHEN Y， LI H L， et al. Research on evaluation of behavior safety level of miners based on cloud matter element theory[J]. Safety in Coal Mines， 2021， 52（3）： 252－256.

[3]李红霞，樊恒子，陈磊，等.智慧矿山工人不安全行为影响因素模糊评价[J].矿业研究与开发，2021，41（1）：39－43.

LI H X， FAN H Z， CHEN L， et al. Fuzzy evaluation on the influencing factors of unsafe behaviors of intelligent mine workers[J]. Mining Research and Development， 2021，41（1）：39－43.

[4]迟鹏德，曹庆贵.基于未确知测度理论的矿工不安全行为风险评估[J].中国安全生产科学技术，2020，16（4）：120－125.

CHI P D， CAO Q G. Risk assessment on unsafe behavior of miners based on unascertained measurement theory[J]．Journal of Safety Science and Technology， 2020，16（4）：120－125.

[5]TONG R P， LI H W， ZHANG B L， et al. Modeling of unsafe behavior risk assessment： a case study of Chinese furniture manufacturers[J]. Safety Science 2021， 136： 105157.

[6]LI M K， LIU Y K， PENG M J， et al. The digital simulation and fuzzy evaluation to reduce the likelihood of unsafe behavior in nuclear decommissioning[J]. Annals of Nuclear Energy， 2018，119：331－341.

[7]MENG X F， LIU Q L， LUO X X， et al. Risk assessment of the unsafe behaviours of humans in fatal gas explosion accidents in China′s underground coal mines[J]. Journal of Cleaner Production， 2019，210：970－976.

[8]胡仲春.基于GRA法的非意向性不安全行为影响因素研究[J].煤炭技术，2018，37（9）：380－383.

HU Z C. Research on influencing factors of non-intentional unsafe behavior based on GRA method[J]. Coal Technology， 2018，37（9）：380－383.

[9]石娟，常丁懿，郑鹏.基于BP神经网络的建筑工人不安全行为预警模型[J].中国安全科学学报，2022，32（1）：27－33.

SHI J， CHANG D Y， ZHENG P， et al. An early warning model of unsafe behaviors of construction workers based on BP neuralnetwork[J]. China Safety Science Journal，2022，32（1）：27－33.

[10] LI M C， WANG J C. Intelligent recognition of safety risk in metro engineering construction based on BP neural network[DB/OL].[2022－01－03].https：//webofscience.clarivate.cn/wos/woscc/full-record/WOS：000665082000013

[11] TSENG T Y， LUO Q L. Company employee quality evaluation model based on BP neural network[J]. Journal of Intelligent & Fuzzy Systems， 2021，40（4）：5883－5892.

[12] 杨东，杨依轩，徐瑞，等.电力员工安全意识、大五人格和不安全行為的关系研究[J].西南大学学报（自然科学版），2021，43（8）：129－137.

YANG D， YANG Y X， XU R， et al. Research of the relationship among safety awareness， five-factor personality and unsafe behavior of electric employees[J]. Journal of Southwest University（Natural Science Edition）， 2021，43（8）：129－137.

[13] 王阳，罗云，裴晶晶，等.电力企业违章行为的风险管控模式研究[J].中国安全生产科学技术，2018，14（4）：173－180.

WANG Y， LUO Y， PEI J J， et al. Research on risk management and control mode of violation behavior in electric power enterprise[J]. Journal of Safety Science and Technology， 2018，14（4）：173－180.

[14] 许江超，韩天园，曹莹，等.基于拓展计划行为理论的IDS危险骑行分析[J].重庆理工大学学报（自然科学），2022，36（5）：277－283.

XU J C， HAN T Y， CAO Y， et al. Analysis on dangerous riding of instant delivery service based on extended theory of planning behavior[J]. Journal of Chongqing University of Technology（Natural Science） ， 2022，36（5）：277－283.

[15] PAN W T. A new fruit fly optimization algorithm： taking the financial distress model as an example[J]. Knowledge-Based Systems， 2012，26：69－74.

[16] PATEL D A，JHA K N.Evaluation of construction projects based on the safe work behavior of co-employees through a neural network model[J]. Safety Science，2016，89：240－248.

[17] 中国政府网电力安全事故应急处置和调查处理条例[EB/OL].（2020-12-27）[2021-12-03]. http：//www.gov.cn/zhengce/2020-12/27/content_5573760.htm.

[18] Austin L C， Thorne S. Using grounded theory and mental modeling to understand influences on electricians′ safety decisions： toward an integrated theory of why electricians work energized[J]. Safety Science，2020，130：104826.

（责任编辑 李 进）

收稿日期：2022－05－30；修回日期：2022－10－13

基金项目： 国家自然科学基金（71603181）；中国华电集团有限公司科技项目（CHDKJ21-01-07）；天津市研究生科研创新项目（2021YJSB243）；天津市科学技术普及项目（21KPXMRC00080）；天津市教委社会科学重大项目（2021JWZD15）

第一作者： 常丁懿（1995－），女，山西阳泉人，博士研究生，主要研究方向为复杂系统管理，安全管理工程。

通信作者： 郑鹏（1994－），男，山东济宁人，硕士，助理工程师，主要研究方向为新能源发电技术、安全系统工程。