基于HFACS和灰色关联的电力安全生产风险辨识评价

摘 要：由于现有的辨识评价方法关联度的计算效果差，评价不全面，因此，本文提出基于HFACS和灰色关联法的电力安全生产风险辨识评价。该方法通过HFACS理论识别电力生产中的人为因素和潜在风险，并构建风险链。利用灰色关联法分析风险因素间的关联度和影响程度，对风险因素进行排序和事件树定量分析，以评估整体风险。试验结果显示，综合评价值为0.05～0.10，表明风险较低且评价方法稳定、全面。

关键词：HFACS；灰色关联法；安全生产；风险辨识

中图分类号：TM 715 " 文献标志码：A

电力安全生产风险辨识评价是确保电力系统稳定的重要环节。为了有效预防和减少电力事故的发生，提高电力系统的安全性和可靠性，开展电力安全生产风险辨识评价。

已经有很多学者对电力安全生产风险辨识评价进行了研究。例如，曹坤茂等[1]建立风险监控机制，对新业务新业态的运行状态进行实时监控。定期对风险管理效果进行评审，根据评审结果调整风险管理策略和措施。新业务新业态的风险可能随着市场等因素的变化而发生变化。如果不能及时更新风险管理策略和措施，可能导致风险管理失效。李存斌等[2]通过关联规则风险分析，根据风险评估结果建立风险预警机制，当系统运行参数出现异常时，及时发出预警信息，以便工作人员能够进行干预和处理。由于数据采集、传输和处理等环节的延迟和限制，可能会导致评估结果的实时性受到影响。

为了解决上述方法存在的问题，本文提出基于HFACS和灰色关联法的电力安全生产风险辨识评价研究。

1 电力安全生产风险辨识评价

1.1 HFACS风险因素识别

人为因素分析与分类系统（Human Factors Analysis and Classification System，HFACS）在风险因素识别方面的创新性体现在其系统性、层次性、灵活性、跨学科性、实用性和预防性。作为一个全面的风险分析工具，HFACS通过其层次结构深入追溯人为错误的根本原因，同时提供了一个标准化的分类框架，能够灵活满足不同行业和情景的需求。它结合了多学科知识，不仅在事故调查和安全管理中具有高效性，还作为教育和培训工具，可以提高员工对安全文化的认识，从而帮助组织预防事故和错误的发生。在电力安全生产风险辨识过程中，需要在保证辨识结果准确性的情况下，对风险进行评价。因此，运用HFACS理论对电力生产过程中的隐性风险进行辨识[3]。对电力生产中的人为因素进行分层分析，识别潜在的事故根源因素。HFACS风险行为辨识模型如图1所示。

分析图1可以看出，组织影响能够评估电力生产企业的组织文化等情况是否有利于安全生产；不安全监察分析电力生产过程中的监督管理是否到位；不安全行为条件关注电力生产一线员工的行为和态度；不安全行为对电力生产过程中的具体操作环节进行分析[4]。针对我国电力生产安全事故的特点，结合电力行业的实际情况，建立HFACS风险行为辨识模型。针对电力生产过程中的隐性风险，通过模型可以对风险因素进行识别与划分。可以结合电力生产的实际情况，运用HFACS模型对各个环节进行逐一分析，找出可能导致事故发生的隐性风险。具体生产安全因素如图2所示。

在复杂电力安全风险行为辨识模型中，隐性风险因素通过直接识别提供了一个有效的框架来分析风险因素。在HFACS的视角下，明确每个层次下所包括的子因素[5]。通过观察等方式收集相关数据信息，判断风险中出现的系统失效或人员错误操作等因素与情景。将收集的数据信息与HFACS风险行为辨识模型不同层次之间进行对应，识别可能存在的隐性风险因素。使用因果逻辑关系将不同层级的风险因素联系起来，形成完整的风险链[6]。通过识别和分析这些隐性风险因素，从而根据评估结果及时调整，完善风险防控措施。

1.2 灰色关联法计算因素风险关联度

在项目建设实施过程中，通过运用灰色关联法对数据进行深入分析，旨在计算不同风险因素之间的关联度，并评估它们对整体安全风险的贡献程度。同时，采用HFACS风险行为模型，按照既定的时间节点对项目中的风险进行系统的评价与分析。结合电力生产管控机制，将有限的管理资源动态地集中在不断出现的高风险因素上，以实现对其的有效监管和及时修正[7]。这样能够从源头上消除安全隐患，为电力生产的安全管理提供有力支撑。在监管过程中，需要根据不同的风险因素，计算它们之间的关联度，以此来获得因素之间的差异程度。运用灰色关联度法分析电网生产安全风险评价指标之间的相互关系，通过风险因素数量计算得到其矩阵。在矩阵中选择风险因素的最小值作为风险评价的参照序列x={x（0），x（1），...，x（n）}，将其作为评价标准，并对其进行量化处理。计算每个风险评价指标与参照序列的绝对差值序列，如公式（1）所示。

Δk=|x（0）k-x（n）k| （1）

式中：Δk为风险评价指标与参照序列的绝对差值序列；k为数据点的索引。

在绝对差值序列中需要对其极值进行找寻，2个极值将在后续的计算中作为参数使用[8]。设定关联系数，用来量化参考序列和比较序列之间关联程度的指标。在分析过程中，在某时刻内，关联系数主要能够反映每个风险评价指标与参照序列的关联程度，如公式（2）所示。

（2）

式中：ξ（k）为风险评价指标与参照序列的关联程度；min、max为找寻的极值；ρ为分辨系数，通常称用于控制关联系数之间的差异显著性。

根据关联度的大小，可以对各因素与参考序列的关联程度进行排序和比较，从而辨识与风险密切相关的因素。

1.3 识别风险定性评价

根据灰色关联度矩阵的结果，对风险因素进行排序和分类，识别风险因素的主次关系。将风险的严重性和可能性分别划分为不同的等级，从某一初始事件出发，分析可能导致的一系列事件序列，以评估电力生产事故的可能性。根据事故树分析，从初始事件中选择具体分析事件。在起始分析过程中，按事件发展过程自左向右绘制事件树，用树枝代表事件发展途径。当分析时，需要对初始事件进行安全性分析，将可以发挥功能的状态画在上面的分枝，不能发挥功能的状态画在下面的分枝。然后，不断判断安全功能的不同风险状态，把发挥功能的状态画在上面的分枝，把不能发挥功能的状态画在下面的分枝，直到到达风险事故为止。通过事件树的方式可以对风险进行评价，其事件树定性分析如公式（3）所示。

A=ΔK∑[R（a）]∙ξ（k） （3）

式中：A为事件树定量分析；R（a）为事件A的风险。

使用公式（3）对事件树进行定量分析，评估每个事件的风险和整个事件树的总风险。使用事件树分析法对电力生产中的潜在风险进行定量评估，并制定有效的预防措施[9]。在风险定性评价的过程中，通过综合考虑风险事件因素，对风险进行系统的辨识与评价。从而在项目推进过程中提高风险识别和评估的能力，以便更好地应对潜在的风险事件。

2 试验测试与分析

2.1 搭建试验环境

本试验的数据集包括10000条风险等级评价数据。为了更好地评估模型性能，将数据划分为训练集和适用集。搭建试验所用的网络环境，具体网络环境配置情况见表1。

运用Eclipse作为开发工具，利用Java的封装功能对数据库中的数据进行更新与修改，实现统一管理数据的目标。通过LAN物理边缘实现内外部连接，网络节点设置备份。在构建的电力生产安全产生风险模型中，选择电力生产行业相关指标，运用MATLAB中完成模型中样本的训练。首先，对数据进行预处理，将数据进行噪声点剔除。在预处理后的数据被转化为矩阵，作为输入数据传输到模型中。在安全性评价实例中，通过神经网络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。为了准确获得评价结果，导入评价指标，选取安全评价样本，并根据评价结果形成评级矩阵。对评价等级进行赋值，获得安全的评估值。

2.2 结果与分析

在评价过程中，根据风险评价指标，通过关联系数计算不同因素之间的关联度结果，风险评价指标关联度值如图3所示。

分析图3所示的试验结果，能够洞察不同风险因素之间的关联度，这些关联度是基于精心设计的指标体系计算得出的。通过这些指标可以进行精准的预测与评价，确保模型的输出与实际情况具有良好的拟合度。本文提出的模型在评价电力生产风险方面展现出了显著的有效性，它不仅能够全面评估潜在的风险点，还能够为决策者提供关键的风险管理信息。设定电力生产中的安全综合评价值范围为0.05～0.10，这一范围被认定为较低风险水平，反映了电力生产过程中的安全状况相对稳定。这一评价值的设定基于对电力生产流程的深入理解和风险评估的最佳实践，确保了评价结果既具有科学性又具有实用性。通过不断优化模型参数和提高数据质量，期望进一步提高模型的预测准确性和评价的全面性，从而为电力行业的安全生产提供坚实的保障。

运用本文评价方法对数据集样本的安全区间进行划分后，计算不同指标所对应的综合评价值结果，从而获得指标风险等级，具体安全生产风险评价指标风险等级见表2。

分析表2的试验结果揭示了本文方法在风险评价方面的精确性和实用性。对一系列精心挑选的风险评价指标进行深入计算，得到了综合评价值，这些评价值稳定地分布在0.05～0.10，明确指示了电力生产过程中的风险水平较低。这一结果不仅与实际情况高度吻合，而且验证了本文方法在风险辨识和安全性评价方面的有效性。运用本文方法不仅能够精准地识别出电力生产中的潜在风险点，还能够对这些风险进行量化评估，从而为电力生产的安全管理提供科学依据。这一评价过程反映了电力生产系统在安全性能上的高水平，表明了电力生产活动是在一个受控且安全的环境中进行的。

综上所述，运用本文方法在进行电力生产安全风险评价过程中具有较高连续性，能够全方面地进行综合评价，表现出评价方法的稳定性。在实际应用中，能够实时对风险态势进行评估，提高了在实际应用中的能力。

3 结语

本文从风险辨识评价入手，研究电力安全相关问题，探究了基于HFACS和灰色关联法的电力安全生产风险辨识评价。但该方法中还存在一些不足之处，例如模拟推断分析问题、故障模式分析、活动的风险状况等。在电力安全生产风险评价中，可以将HFACS识别出的人为因素风险作为比较序列，将电力安全生产目标作为参考序列，通过灰色关联法计算各风险因素与电力安全生产目标之间的关联度，从而得出各风险因素对电力安全生产的影响程度，有助于提高电力安全生产的管理水平和风险控制能力，降低安全事故的发生率。

参考文献

[1]曹坤茂，高娜，王理金，等.基于风险分析的电力企业新业务新业态安全管理模式研究[J].中国安全生产科学技术，2022，18（1）：201-206.

[2]李存斌，董佳，丁佳.基于大数据的燃煤发电运行风险实时评估[J].电力系统保护与控制，2022，50（16）：47-57.

[3]龙振华，李想，丁乙航，等.吉林省镍矿区附近设施蔬菜安全生产与风险评价[J].吉林农业大学学报，2023，45（2）：195-203.

[4]张鹏，潘灏航，杨宗强.基于风险矩阵法和Borda序值法的城市埋地燃气管道风险评价研究[J].中国安全生产科学技术，2023，19（9）：116-122.

[5]何可沁，程南炜，邓敏.空间大数据支持下城市安全生产风险评估方法[J].测绘通报，2023（6）：167-171.

[6]尹桂旭，闫海生，王文浩，等.基于定量风险评估的苯酚异丁烯罐区重大危险源辨识分级及社会与个人风险研究[J].南开大学学报（自然科学版），2022，55（5）：8-14.

[7]邸鸿喜，魏玖长，张亚，等.重大疫情下疫苗冷链物流在物联网环境中的风险评估[J].中国安全生产科学技术，2022，18（4）：54-60.

[8]胡博，谢开贵，邵常政，等.双碳目标下新型电力系统风险评述：特征、指标及评估方法[J].电力系统自动化，2023，47（5）：1-15.

[9]周建亮，朱琰，苗晋维，等.基于SNA的煤矿安全生产关键风险因素分析与对策[J].煤矿安全，2023，54（1）：252-256.