基于FOA-BP的風電運維人員不安全行為風險評價

常丁懿　石娟　瞿麗莉　何子春　張銀龍　鄭鵬

摘要： 為評價風電運維人員不安全行為風險，減少行為安全事故的發生，在確定不安全行為風險因素集合的基礎上構建不安全行為風險評價指標體系，利用果蠅優化算法調整BP神經網絡權值和閾值，建立基于FOA-BP的不安全行為風險評價模型。以某風電場為例收集數據對模型進行測試，實現不安全行為風險評價并計算風險評價指標權重。結果表明：該模型預測性能較好，能夠評價不安全行為風險，企業可依據評價指標、指標權重值及風險等級制定針對性的防控措施。

關鍵詞： 果蠅優化算法；風電運維；不安全行為；風險評價；預測評價

中圖分類號：??? X913.4； C931??? 文獻標識碼： 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”戰略目標背景下，風電行業迎來巨大的發展機遇，加速推動著能源結構、產業結構、經濟結構的轉型升級。隨著風電行業的快速發展，風電傷亡事故亦時有發生，安全生產形勢依然嚴峻。例如：2021年5月，遼寧彰武某風場發生一起人身觸電死亡事故；2020年8月，內蒙古阿拉善某風場發生一起高處墜落傷亡事故；2019年11月，寧夏中衛某風場發生一起機械傷害事故。經原因分析，這三起風電事故均因員工不安全行為而起。因此，有必要研究風電運維人員的不安全行為，以此加強防范，降低事故發生率。

不安全行為影響因素眾多，且具有突發性、重復性、隨機性、難以預測性的特點[1]，致使其風險評價工作復雜困難。白彥龍等[2]從云物元理論視角出發，結合層次分析法和熵權法探究礦工行為安全水平；李紅霞等[3]建立礦山工人不安全行為影響因素指標體系，并計算出影響因素的指標權重；遲鵬德等[4]根據未確知測度理論對礦工不安全行為風險進行評估；Tong等[5]提出了一個風險評估模型，并使用蒙特卡羅方法計算員工不安全行為風險值；Li等[6]建立了不安全行為評價因子體系，進而采用模糊評價法對數字化仿真控制的虛擬人的行為安全性進行了量化；Meng等[7]在分析不安全行為特征的基礎上，提出了一種包括概率、重要度、損失三方面因素的不安全行為風險評估模型；胡仲春[8]基于灰色關聯度分析法研究了不安全行為的影響因素指標權重，得出機器設備因素的影響較大。綜上，不安全行為風險評價研究已有不少，這為后續研究提供了良好的參考。但現有研究仍存在以下不足：目前研究對象較少涉及風電運維人員；不安全行為風險評價是一個復雜非線性系統，現有不安全行為評價指標權重的計算多是采用層次分析法、灰色關聯度、熵權法等方法，指標權重的學習機制并未建立；評價過程容易受主觀因素影響且風險評價的精準度需進一步提高。

反向傳播（Back Propagation，BP）神經網絡具備很強的非線性映射功能，具備自組織、自學習、自適應屬性[9]，能夠模仿人類思維模式，有效處理非線性預測問題，近年來已經在評價評估領域得到廣泛應用。例如Li等[10]基于BP神經網絡算法從管理因素、風險因素、人為因素3個方面對地鐵工程進行安全評價。Tseng等[11]構建了基于BP神經網絡的員工素質評價模型，通過對員工績效數據的收集和處理來評價員工素質等級。因此，將BP神經網絡應用到不安全行為的風險評價中是一次有益的研究。然而，BP神經網絡存在收斂速度慢、容易陷入局部最優值的缺陷，需要優化算法對其優化。

本文結合風電運維行業特點，在建立風電運維人員不安全行為風險評價指標體系的基礎上，提出利用果蠅優化算法（Fruit Fly Optimization Algorithm， FOA）用于BP神經網絡權值和閾值的優化，以此構建不安全行為風險評價模型，并利用其量化測試了風險評價指標數據與不安全行為風險的關系，實證檢驗了FOA-BP神經網絡模型在不安全行為風險評價中的可行性，基于神經網絡理論建立了權重的學習機制，計算出風險評價指標權重，以期為風電企業防控不安全行為提供理論依據和實踐支持。

1 風險評價指標體系構建

風電運維的主要內容包括設備管理、技術管理、安全管理和人員管理4個方面。具體說來，風電運維包括：風機的現場調試；風機運行問題的消缺和故障記錄；風電設備的日常檢修、日常維護、日常保養；運行報表的定期填報，運行記錄的整理分析；大部件更換及特定部件檢修等。由于風電場一般位于偏遠地區，交通不便，環境較為惡劣，加之風電運維勞動強度較大，致使運維人員不安全行為發生的可能性增加。風電運維人員的不安全行為多表現在實際運維操作上，種類較多。比如不按規定佩戴安全帽、高處作業安全帶系掛不合格、違規進入危險區、違章使用機器設備、受天氣影響導致行為不當、群體性失誤等。參考相關研究[1，3]，文中將風電運維人員不安全行為界定為運維人員在運維過程中做出的已經導致或可能導致安全事故的行為。

1.1 確定風險因素集合

風電運維工作涉及設備、技術、安全、人員、管理等多個方面，行為風險因素十分復雜。首先通過國家能源局、中國電力企業聯合會、北極星電力網等官網公布信息，搜集整理得到25起風電事故案例，查看事故分析報告，確定不安全行為風險因素的初始集合。其次，利用文獻分析法查閱有關不安全行為的文獻資料，進一步篩選、整合不安全行為風險因素，對初始集合進行補充。最后結合對風電運維人員的實際觀察和交流訪談，確定風電運維人員不安全行為風險因素集合。經整理歸納，咨詢有關專家，參考相關文獻[1214]，借鑒2－4事故致因模型、計劃行為理論等經典管理理論，并結合風電運維工作特點，可將風險因素大致劃分為設備、組織、個人、環境、管理5個方面。

1.2 構建風險評價指標體系

遵循目的性、獨立性、系統性原則，結合風電運維行業特點以及國家標準《風力發電機組安全手冊》（GB/T35204－2017），借鑒已有研究[3，8]，歸納不安全行為風險因素，并反復咨詢有關專家，數次修改，最終構建出包括5個一級指標和20個二級指標的不安全行為風險評價指標體系，如表1所示。

2 FOA-BP神經網絡風險評價模型

FOA是模擬果蠅覓食行為的全局優化算法，果蠅具有非常敏銳的嗅覺和視覺，在搜尋食物時，果蠅個體首先依靠嗅覺搜索食物氣味信息，并向同伴發出食物信息和接收同伴發來的食物信息，從而確定距離食物最近的個體，然后其余果蠅個體依靠視覺向最優個體飛去，以此方法迭代循環搜尋食物，直到果蠅群體找到食物源[15]。果蠅優化算法具體步驟：

1）參數初始化。設定果蠅群體規模、最大迭代次數、搜索半徑等參數，隨機初始化果蠅群體位置（X_axis，Y_axis）。

2）開始搜尋食物。設定果蠅個體利用嗅覺搜尋食物的方向與距離。

7）迭代尋優。重復執行步驟2）～5），判斷味道濃度是否優于前一迭代味道濃度，若是則執行步驟6）。

FOA-BP神經網絡算法分為BP神經網絡結構確定、FOA優化、BP神經網絡預測三部分。BP神經網絡結構確定需依據輸入輸出的函數映射關系。本文采用3層BP神經網絡結構，輸入層節點為20個風險評價指標（S1-S20）；輸出層以不安全行為風險值作為輸出；隱含層節點數依據經驗公式確定[9]。FOA優化BP神經網絡是將BP神經網絡的權值和閾值看作果蠅個體，利用果蠅覓食行為特點對BP神經網絡進行極值尋優，得到BP神經網絡最優的初始權值和閾值。BP神經網絡預測即將FOA得到的最優初始權值和閾值代入到BP神經網絡進行仿真預測，映射輸入輸出的非線性復雜關系。

3 風險評價模型實例分析

3.1 數據收集與處理

通過查閱國內外相關文獻，咨詢有關專家，在風險評價指標體系基礎上編制不安全行為風險評價問卷，采用5級量表法對每個二級風險評價指標和不安全行為風險值均設置相應的題項。問卷主要題項設置如表2所示。

為增強調查結果的可靠性，參考已有研究[16]，利用他人評價的方式填寫問卷，即邀請風電運維人員的管理者或同事對其不安全行為進行風險評價，要求管理者或同事熟悉該員工的工作情況。以中國西北區域某風電場為例，調查于2021年6月啟動，2021年10月結束，現場發放問卷350份，回收有效問卷305份，問卷信度和效度符合要求。整理問卷調查數據，調查對象的年齡、學歷、家庭所在地、工作時長等信息分布符合風電運維崗位的實際情況。不安全行為風險值得分范圍為8～40。參考政策《電力安全事故應急處置和調查處理條例》[17]及行業標準《工傷事故不安全行為分類及代碼》（QJ 1420.10-1988），結合專家意見，將不安全行為風險值劃分為：Ⅰ級（33～40分），風險重大；Ⅱ級（23～32分），風險較大；Ⅲ級（16～22分），風險中等；Ⅳ級（8～15分），風險輕微。

3.2 風險評價指標權重確定

將收集到的305份樣本數據分為2部分：275份訓練樣本和30份測試樣本。通過網絡訓練，確定隱含層節點數為12時效果較好。FOA設置果蠅群體初始規模（30）、最大迭代次數（100），BP設置訓練誤差（0.001）、最大訓練次數（1 500）、學習率（0.1）、訓練函數（trainlm）、均方誤差（MSE）。FOA對權值和閾值優化后代入BP神經網絡進行仿真，網絡訓練均方誤差結果較好，訓練集、驗證集、測試集、全樣本的相關系數R值均大于0.97，模型擬合性較好，結果如圖1和圖2所示。

對于訓練好的FOA-BP神經網絡，進一步用30份測試樣本進行網絡測試，結果發現模型測試效果較優。后續對30份測試樣本員工進行實際跟蹤調查，結果表明，FOA-BP模型預測的風險等級與實際相差不大，例如測試樣本20號，通過后續調查訪談，以同事評價、管理者評價的方式發現其安全意識較低、知識技能水平較低，且存在僥幸、冒險心理和投機行為，不安全行為風險較大，這與FOA-BP模型預測結果相對吻合。

選取陜西某風電場為本文FOA-BP模型的應用試點，以進一步檢驗FOA-BP模型的有效性。由7名熟悉員工工作的安全管理者組成專家組，依據本文編制的不安全行為風險評價問卷，分別對該風電場10名風電運維人員不安全行為進行風險評價，被評員工年齡在25歲至40歲間，學歷為?？?、本科、研究生，工齡2至15年。取7名專家評價的平均值作為被調查人員不安全行為風險評價指標的最終得分，將此最終得分代入到訓練后的FOA-BP神經網絡模型進行仿真測試，預測被調查人員的不安全行為風險值。根據該風險值進一步咨詢專家組和被調查人員，查閱被調查人員風電運維工作記錄，結果表明，FOA-BP神經網絡模型預測風險值與實際情況相符，已具備一定的“診斷評價”功能，所構建的不安全行為風險評價指標具備合理性。

經過網絡訓練測試，模型性能較好，各網絡層之間的連接權值及閾值已滿足精度要求，權重的學習機制已經建立。利用Matlab軟件調取訓練好的網絡輸入層到隱含層的連接權值，見表3。根據式（10），計算20個二級風險評價指標的權重，結果見表4。

其中，vj為輸入層第j個節點的權重，m為輸入層節點個數，n為隱含層節點個數，wij為輸入層第j個節點與隱含層第i個節點的連接權值；wil為輸入層第l個節點與隱含層第i個節點的連接權值。

由表4可知：所有指標權重均大于零，說明這20個指標因素均對不安全行為有不同程度的影響。依據權重值可得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）的權重最大，表明工作安排與不安全行為相關性較強，其次是心理素質（S11）、知識技能（S10），最小的是溫度濕度（S16）。風電運維有定期巡檢和不定期應急故障處理工作，在時間上具有波動性，工作安排是否合理很大程度上會影響員工的心理狀態，如工作壓力是否產生，其與其他指標有較大的關聯性。員工心理素質、知識技能、安全氛圍等因素與不安全行為顯著相關[1213，18]，溫度濕度指標權重較小，這可能與風電運維人員所處的地理環境有關，對于老員工來說，當地的風電場環境已經較為適應，溫度濕度的影響作用大大減小，同時，風電運維人員實際操作中，往往會盡量避免在雷雨大風等不良天氣進行非必要作業，并且會更加注意行為規范。

可從關鍵性指標入手，有所針對地采取預防策略。依據權重結果由大到小排序，在設備層面，防護措施配備>設備質量>存放合理性>安全警示設計，因此，應配備足質足量的防護設備，并對設備進行定期檢驗、維護，提高設備質量水平，同時合理存放設備，設置明顯的安全警示標記，保持現場環境的清潔高效；在組織層面，安全氛圍>安全獎懲>安全教育>群體關系，說明形成正向的安全氛圍至關重要，還應對員工不安全行為予以懲戒，對安全行為加以獎勵，同時加強安全教育，維護好群體關系；在個人層面，心理素質>知識技能>安全意識>生理狀況，因此，要增強員工身心素質和技能水平，提高其安全意識；在環境層面，作業空間>天氣>噪聲>溫度濕度，故應優化員工作業環境，減少噪聲干擾，保持合適的溫度、濕度；在管理層面，工作安排合理性>安全管理制度>應急管理能力>安全監管，管理是復雜性活動，應合理安排工作任務，不宜給員工太大壓力，同時應制定安全管理制度，加強安全監管，提升組織的應急能力。

4 討論

隨著“碳達峰、碳中和”戰略目標的實施，以新能源為主體的新型電力系統加速構建，風電運維需求亦隨之增加，風電運維人員的安全管理便顯得尤為重要。根據事故致因理論，人的不安全行為和物的不安全狀態是事故形成的兩大因素，而人的不安全行為相對物的不安全狀態更加難以控制。一般來說，風電運維人員需面對物體打擊、高空墜落、觸電等多種危害以及相對惡劣的風場環境，在伴隨著沉重的體力腦力勞動時難免發生不安全行為。從風電運維工作現狀來看，風電運維一般以班組的形式開展工作，以中國華電集團某風電場為例，該風電場下設一個操作試驗班、一個檢修班，操作試驗班主要負責風機運行狀況監督、工器具試驗檢驗、設備倒閘操作、安全措施布置等。檢修班主要負責升壓站設備、集電線路、風電機組的運行、巡視、消缺和檢修。操作試驗班、檢修班均設置一名班組長，負責本班組的運營管理和安全生產。另外，風電機組零部件較多，一般包含齒輪箱、變槳電機、偏航電機、發電機、變頻器、主軸、塔筒、葉片等設備，加之風電機常建設于丘陵、山脊等偏遠地區，這導致運維工作量較大。

總的來說，受工作環境、工作性質等諸多復雜性因素影響，風電運維人員在工作過程中容易發生不安全行為，對其進行不安全行為風險評價是重要且必要的。

5 結論

綜合考慮風電運維實際和不安全行為風險因素，確立了包含5個一級指標和20個二級指標的風電運維人員不安全行為風險評價指標體系。提出一種基于FOA-BP神經網絡理論的不安全行為風險評價模型，通過實例應用表明模型能夠較為精準地預判不安全行為風險等級，風險預測效果較準確。模型能夠反映評價指標與不安全行為的非線性復雜關系，能夠較精確地實現風險評價，據此可提前采取相應防控策略。根據指標權重計算結果，工作安排合理性、心理素質、知識技能、安全氛圍等指標占比較大，應對此類指標因素實施相應的干預措施，防控不安全行為的發生。本文提出并驗證了一種基于FOA-BP神經網絡的不安全風險評價模型，后續應對模型的精確性、指標的全面性進行再研究，從而提升評價過程的科學性和評價結果的準確性。

參考文獻：

[1]石娟，常丁懿，鄭鵬，等.基于SD-SEIR模型的實驗室人員不安全行為傳播研究[J].復雜系統與復雜性科學，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]白彥龍，陳昱，李海立，等.基于云物元理論的礦工行為安全水平評價研究[J].煤礦安全，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]李紅霞，樊恒子，陳磊，等.智慧礦山工人不安全行為影響因素模糊評價[J].礦業研究與開發，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]遲鵬德，曹慶貴.基于未確知測度理論的礦工不安全行為風險評估[J].中國安全生產科學技術，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為影響因素研究[J].煤炭技術，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，鄭鵬.基于BP神經網絡的建筑工人不安全行為預警模型[J].中國安全科學學報，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] 楊東，楊依軒，徐瑞，等.電力員工安全意識、大五人格和不安全行為的關系研究[J].西南大學學報（自然科學版），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] 王陽，羅云，裴晶晶，等.電力企業違章行為的風險管控模式研究[J].中國安全生產科學技術，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] 許江超，韓天園，曹瑩，等.基于拓展計劃行為理論的IDS危險騎行分析[J].重慶理工大學學報（自然科學），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] 中國政府網電力安全事故應急處置和調查處理條例[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.

（責任編輯 李 進）

收稿日期：2022－05－30；修回日期：2022－10－13

基金項目： 國家自然科學基金（71603181）；中國華電集團有限公司科技項目（CHDKJ21-01-07）；天津市研究生科研創新項目（2021YJSB243）；天津市科學技術普及項目（21KPXMRC00080）；天津市教委社會科學重大項目（2021JWZD15）

第一作者： 常丁懿（1995－），女，山西陽泉人，博士研究生，主要研究方向為復雜系統管理，安全管理工程。

通信作者： 鄭鵬（1994－），男，山東濟寧人，碩士，助理工程師，主要研究方向為新能源發電技術、安全系統工程。