基于事故标定累积风险指数（Accident-Calibrated Cumulative Risk Index, ACCRI）的供电企业作业安全风险评估

《Electronics》：Operational Safety Risk Assessment for Electric Utilities Based on an Accident-Calibrated Cumulative Risk Index

　　

针对现有供电企业作业安全风险评估中存在指标赋权主观性强、风险因素时间维度考虑不足的问题，研究人员提出了一种基于事故标定累积风险指数（Accident-Calibrated Cumulative Risk Index, ACCRI）的供电企业作业安全风险评估方法。首先，依据现行标准与运行规程，建立涵盖人员与人行为、设备与设施、环境及条件、管理与制度四个维度的多层指标体系，对供电企业作业安全风险进行系统化表征。在此基础上，定义ACCRI为各三级指标在其特征周期（characteristic period）τl内平均风险暴露值（average risk exposure value）Rˉl(t)的加权累加，并利用历史事故样本重要性（accident sample importance）wkASI校准辨识三级指标权重ωl与特征周期τl，从而减少传统专家赋权的主观性。进一步，考虑不同风险指标具有差异化的时间尺度特性，建立特征周期辨识模型，采用引入混沌初始化、高斯变异与自适应权重机制的改进麻雀搜索算法（Sparrow Search Algorithm, SSA）求解，以平衡风险评估的时效性与准确性，增强种群多样性并兼顾全局搜索与局部寻优能力，提升模型求解效率与精度。实例研究表明，所提方法能够表征风险因素间的时间尺度差异，在企业可用数据条件下具备工程应用潜力。

论文解读：基于事故标定累积风险指数（ACCRI）的供电企业作业安全风险评估

该研究针对供电企业作业现场人?机?境?管多因素耦合作用下的动态安全风险，指出现有评估方法多采用静态截面或统一采样周期、指标权重依赖专家经验打分、历史事故样本及其严重程度信息未被充分利用导致评估结果与真实事故风险映射关系间接等问题，因此有必要构建一种可由历史事故样本驱动、能反映不同风险因素时间尺度差异、减少主观赋权的多维综合作业安全风险评估框架。研究人员提出事故标定累积风险指数（Accident-Calibrated Cumulative Risk Index, ACCRI）框架，联合建模事故后果严重度、三级指标特征周期内平均风险暴露值与权重辨识，通过改进麻雀搜索算法（Sparrow Search Algorithm, SSA）求解参数，并以某县级供电企业历史事故与日常运行监测数据为案例验证方法有效性。论文发表于《Electronics》。

主要关键技术方法：

研究人员依据《生产过程危险和有害因素分类与代码》、电网企业《安全风险评估规范》等标准提取人员与人行为（C1）、设备与设施（C2）、环境与条件（C3）、管理与制度（C4）四个二级维度和31个三级指标构建指标体系；采用模糊算法依据事故类型（轻伤/重伤/死亡）与伤亡人数计算事故样本重要性（accident sample importance, w_k^ASI）作为参数辨识的样本权重；定义三级指标在特征周期τ_l（候选集为7～365 d整数）内的平均风险暴露值Rˉl(t)=τl1∑Δ=0τl?1Rl(t?Δ)，ACCRI为ACCRI(t)=∑l=1Nωl?Rˉl(t)，约束∑ω_l=1, ω_l≥0；以历史事故样本在事故发生时刻的加权ACCRI响应最大化为目标函数，联合辨识τ_l与ω_l；采用引入Logistic混沌初始化、高斯变异（Gaussian mutation）与基于子群平均适应度的自适应融合权重之改进SSA求解此高维非线性优化问题；案例使用某县级供电企业2008–2018年100组典型事故及相关风险因素记录（前80%训练、后20%校验阈值），另取2018–2023年7个样本作测试集、8个样本作外推验证，对比方法含PSM、SVM?RE、BDL?RE及未改进SSA?ACCRI，评价指标含Accuracy、Precision、Recall、F1?score、Specificity、AUC及风险区分度D=ACCRI高危?ACCRI非事故。

2. Construction of the Operational Safety Risk Assessment Indicator System for Electric Utilities

研究人员参照现行国家与行业安全标准及公共安全三角理论，从人员与人行为（C1）、设备与设施（C2）、环境与条件（C3）、管理与制度（C4）四方面提取并细化出多级指标体系（含31个三级指标），明确作业安全风险系上述因素耦合作用下可能导致人身伤害事故的潜在风险，为后续建模提供系统化表征基础。

3. Operational Safety Risk Assessment Model for Electric Utilities Based on ACCRI

3.1. Accident-Calibrated Cumulative Risk Index (ACCRI)

3.1.1节定义正向与反向三级指标归一化风险得分R_l(t)∈[0,1]，进而给出特征周期内平均风险暴露值Rˉl(t)及ACCRI(t)=∑ω_l·Rˉl(t)，指出ACCRI经无量纲化加权平均后仍处于[0,1]，可解释为归一化综合作业安全风险水平。

3.1.2节阐述利用事故类型和伤亡人数通过三角隶属函数模糊化、按单调不减函数规则库推理并质心法解模糊得到事故样本重要性w_k^ASI∈{0.2,0.4,0.6,0.8,1.0}，再归一化为参数辨识所用样本权重w~k=wkASI/∑i=1KwiASI，强调w_k^ASI是样本权重而非三级指标权重ω_l，并与经验伤亡权重验证排序一致性。

3.2. ACCRI-Based Risk Characteristic-Period Identification Model

研究人员以K个历史事故样本在事故发生时刻t_k的加权ACCRI响应∑k=1Kw~k?ACCRI(tk)最大化构造目标函数，联合约束特征周期取自候选集、权重归一化非负，据此同时辨识各三级指标的τ_l与ω_l。为降低单一样本偶然性，按加权平均ACCRI响应收敛阈值ε确定最少事故样本数K_min。

3.3. Solution of the Characteristic-Period Identification Model Based on Improved SSA

研究人员将候选解编码为[τ₁…τ_N, ω₁…ω_N]（2N维），适应度函数取F(X)=?∑w~k?ACCRI(tk)。改进SSA措施包括：(1)Logistic混沌映射初始化种群提升遍历性；(2)发现者、加入者、警戒者按标准SSA公式更新位置；(3)基于发现者集与加入者集平均适应度计算自适应融合权重α_D、α_J并融合非警戒个体新位置；(4)依概率对部分个体执行高斯变异以防早熟收敛；(5)投影算子保证τ_l∈候选集且∑ω_l=1, ω_l≥0。算法终止条件为最大迭代次数或连续λ_stag代最优目标函数增量小于容差ζ。

4. Case Study

4.1. Indicator Validity Verification

模糊推理所得事故样本重要性随事故类型趋重及伤亡人数增多而增大，与经验伤亡权重排序一致，且对死亡及多人伤亡给予更强非线性惩罚。改进SSA辨识得到不同三级指标具差异化特征周期（如C43为7 d反映短周期异常敏感，C28为365 d反映长期累积效应，C33为90 d），表明方法可识别时间尺度差异。收敛阈值ε=0.010时样本数K=49、C33特征周期90 d，继续缩小ε对周期影响甚微但计算时间明显增加，故ε=0.010可在样本量、周期稳定性与计算效率间取得折衷。与统一固定窗口（30/90/180/365 d）相比，差异化特征周期在本数据集获更高Accuracy、F1?score、AUC及更大风险区分度D，说明统一窗口可能弱化短时异常或长时累积效应的表征能力。辨识权重与历史事故三级指标出现频次归一化值整体趋势一致，其中安全监察人员配置指数（C12）与严重违章查处效能（C18）权重较高，自然环境灾害发生频率（C31）、作业环境安全指数（C33）、停电频率（C32）亦具较高权重。

4.2. Analysis of Operational Safety Risk Assessment Results for Electric Utilities

测试集含事故、未遂（near?miss）及非事故样本。事故样本ACCRI>0.9，未遂样本分别为0.88与0.82，非事故样本多为低值（0.38、0.42），但一非事故样本因存在较多严重与较严重违章致ACCRI=0.84超过高危阈值，体现对潜在高风险非事故样本的保守预警能力。以事故+未遂为正样本、非事故为负样本，取高危判别阈值θ=0.75，混淆矩阵显示Recall=1.000（无漏报事故与未遂），Precision=0.800、Specificity=0.667（一起非事故判为高危），符合供电企业安全预警中优先降低漏报的保守识别策略。

4.3. Validation Against Comparison Methods

在相同输入、样本划分与阈值下，所提方法Recall、F1?score、AUC均高于PSM（基于事故频率统计）、SVM?RE（RBF核SVM）、BDL?RE（三层全连接贝叶斯Dropout网络）及未改进SSA?ACCRI。改进SSA约30代趋于稳定。外推验证集上Recall仍较高但Precision与Accuracy下降，说明对新增样本尚存一定误报，需更多企业与更长时序数据进一步验证。算法对比显示引入混沌初始化+高斯变异+自适应权重的改进SSA较GA、PSO、原始SSA获得更高平均目标函数值与更小标准差（统计显著），仅引入自适应权重的SSA?W次之，表明自适应权重为主要增效因素，混沌初始化与高斯变异进一步提升搜索稳定性。

4.4. Robustness Analysis

C33特征周期随事故样本数K≥60后波动很小，测试集Recall保持高位，Accuracy与F1?score变化微弱，表明在当前企业样本及扰动范围内ACCRI参数辨识与高危辨识结果具一定鲁棒性。

4.5. Discussion on Engineering Integration Feasibility and Computational Load

ACCRI输入源自安全生产管理系统、工作票/操作票系统、设备台账与缺陷管理、停电事件管理、配网自动化、气象与自然灾害记录等，一般无需改动现有主站系统架构，重点在于数据接口、指标清洗、时间对齐与归一化。计算可采用"离线参数辨识＋在线风险计算"部署：离线定期用历史事故样本更新τ_l与ω_l（计算量大但非实时）；在线仅需滚动更新各三级指标在τ_l内平均风险暴露值并按式(4)加权累加得ACCRI(t)，单次计算复杂度与三级指标数N呈线性关系（通常<1 s），适合嵌入企业安全生产监控平台或智能电网数据中台。

结论（翻译自Conclusions）：

研究人员构建了基于事故标定累积风险指数（ACCRI）的供电企业作业安全风险评估方法并通过案例验证其有效性，主要结论如下：(1) ACCRI通过对各三级指标在其特征周期内平均风险暴露值进行加权累加，实现了多维风险因素及其时间尺度差异的统一定量化表征；(2) ACCRI参数辨识模型可联合辨识三级指标的特征周期与权重，固定周期对比及鲁棒性分析表明辨识所得特征周期比较统一固定时间窗具更优风险区分能力；(3) 事故样本数确定方法与改进SSA提高了参数辨识效率与稳定性，对比实验显示相同输入与测试样本下所提方法在Accuracy、Recall、F1?score、AUC等指标上表现良好。