電力基坑有害氣體風險評估方法設計

文宗山,景國明,樊彥國

(1.河南送變電建設有限公司,河南 鄭州 450000;2.國網河南省電力公司安全監察部, 河南 鄭州 450000)

0 引言

我國正在建設數量更多、規模更大的電力工程項目[1]。電力項目的投資增多使建設周期被迫拉長,導致項目的結構與功能越發復雜。在這種情況下,電力工程項目的安全問題受到關注。電力基坑在施工中往往存在很多安全隱患。建設周期越長,各種隱患就越明顯[2]。有害氣體就是其中1種容易被忽略的安全隱患。建設周期越長,有害氣體越容易引發安全事故,并有可能造成人員傷亡。因此,對電力基坑有害氣體風險進行評估具有現實意義。

對于有害氣體風險評估問題的研究,目前已經取得一定成果。劉洪波等[3]通過Fluent軟件模擬揮發性氣體的空間分布,實施了工人的健康風險定量評價。但該方法未對傳感器響應靈敏度進行控制,獲得的傳感器數據不足,評估精度較差。余清秀等[4]為解決復雜地形天然氣泄漏問題,通過氣體擴散風險軟件實施風險評價。但該方法未對傳感器數據進行有效處理,獲得的評估結果準確率不高。

為了解決以上方法應用在電力基坑有害氣體風險評估中準確率較低的問題,本文設計了1種電力基坑有害氣體風險評估方法。該方法創新性地利用密度和加權方法改進聚類算法,實現傳感數據的聚類挖掘;使用改進閾值函數去噪方法對傳感器數據實施去噪處理;基于靜態響應和動態響應構建傳感器響應靈敏度控制模型,提供全面數據;基于圖神經網絡構建電力基坑有害氣體風險評估模型,實現風險評估。測試結果表明,本文方法提升了電力基坑有害氣體風險評估準確率。

1 電力基坑有害氣體風險評估

1.1 傳感器數據挖掘

本文采用加權和密度方法改進聚類算法,挖掘電力基坑有害氣體傳感器數據[5]。

本文引入間接密度可達性對聚類算法進行改進,以更充分地描述域內外數據鏈,找到挖掘聚類的間接密度可達目標。其中:鄰域內為相關數據,需要聚類挖掘;鄰域外為不相關數據,無需挖掘。

傳感器數據中核心對象鄰域內的數據鏈表示為:

Q={q1,q2,…,qm}

(1)

式中:qm為第m個數據對象,也是數據對象鏈中的核心對象。

核心對象鄰域外的數據鏈[6]描述為:

QQ={qq1,qq2,…,qqm-n}

(2)

式中:qqm-n為第(m-n)個域外數據。

域內外數據鏈的描述為:

QP={qp1,qp2,…,qpn}

(3)

式中:qpn為第n個域外數據[7]。

對于某數據點qqi,當其滿足式(4),則數據點qqi為核心對象的間接密度可達目標。

(4)

式中:d(qqi,qpj)為qqi與qpj之間的距離;s為設定的距離閾值。

本文引入局部密度的概念,在對各數據點對應半徑領域密度進行計算時,只考慮各數據對象對于計算結果的影響,而不考慮周邊局部數據對象與鄰域外數據對象的影響,以獲得數據核心對象間接密度可達目標內的局部聚類挖掘最優值[8]。本文引入動態鄰域半徑的概念,以獲得全局最優聚類挖掘結果。在算法設計中,密度可達與動態數據集模擬主要通過以下步驟來實現。

①計算局部密度值。

(5)

式中:u為可達距離;zk為實際密度值;zk+1為后確定的簇密度吸引點的實際密度值[9]。

②搜索最大局部密度點。

本文對數據集內的最大局部密度點進行搜索,引入第一個簇的密度吸引中心點作為聚類中心。本文獲取直接密度對應的第一個子簇B01-01。本文以動態鄰域半徑ξ為依據,記錄外點集密度δ。

(6)

③獲取密度數據簇。

本文以獲得的聚類密度中心與動態鄰域半徑數學式為依據,獲取第一個密度數據簇B1。

④獲取各密度數據簇。

本文在最大密度吸引點外,以數據點密度數學式為依據,對其他密度吸引點進行依次尋找,以獲取原始大數據集對應的各密度數據簇。

⑤實現動態增量聚類。

本文根據各吸引點對應的自適應密度可達距離,局部重新劃分數據集。在劃分過程中,當分割后存在局部增量,則需要在局部增量中對各間接密度可達的對應數據點進行重新搜索,以實現動態增量聚類。

B01-01中的內點與δ之間的距離為:

rt=f×M(B01-01)

(7)

式中:f為距離調節系數;M(B01-01)為全部數據對象的對應平均距離[10]。

當距離計算結果小于動態鄰域半徑,則可得到第二個簇,并在δ中將B01-01直接刪除。本文尋找第二個簇的子聚類并實施類比,直至完成所有數據簇聚類工作。

1.2 傳感器響應靈敏度控制模型

為了提高風險評估準確率,本文基于預處理的數據,建立動態和靜態模型對傳感器響應靈敏度進行控制。

1.2.1 傳感器數據處理

對于聚類挖掘出的氣體監測數據,需要實施去噪處理。所采用的去噪方法是改進閾值函數去噪方法。該方法的具體處理步驟如下。

①根據氣體監測數據特點,自適應選擇小波基,并選取分解層數。

②對監測數據實施離散平穩小波變換,獲取各分解尺度上對應的小波系數。

T={t1,k,t2,k,…,ti,k}

(8)

式中:ti,k為第i個分解尺度上所對應的小波系數。

③對T實施幅度拉伸預處理。以前后高頻小波系數對應的標準差為依據,對是否需要實施該預處理進行判定。

(9)

式中:T′為T的預處理結果;β為放大倍數;ε1為第一層中高頻小波系數間的標準差。

1.2.2 傳感器響應靈敏度控制模型

氣體傳感器對電力基坑有害氣體的響應分為靜態響應和動態響應。

靜態響應模型指在氣體相對靜態情況下傳感器電阻與檢測有害氣體濃度的關系。靜態響應模型為:

logRs=m′logC+n′

(10)

式中:n′為波爾茲曼常數;C為結電阻大小;m′為氣體濃度。

在實際場景中,由于有害氣體濃度呈現動態變化,利用上述靜態模型控制傳感器無法有效響應。因此,本文需要建立氣體傳感器動態模型,以反映氣體濃度隨時間變化輸入到傳感器的動態響應特性。

動態響應系統中,輸入與輸出關系不是常數,而是隨著時間的變化而變化的。同時,氣體傳感器動態模型需要考慮氣體濃度轉換的影響。本文將氣體濃度轉換視為能量元轉換問題。能量元(濃度)轉換前后系數的正負符號需確保一致。

T″=sgn(T′)W

(11)

式中:T″為濃度轉換結果;sgn(·)為靈敏度動態響應函數;W為T′的轉換矩陣。

能量元轉換式具體如下。

Fa=T″(T′)2

(12)

為保證傳感器的動態響應靈敏度,本文設置1個靈敏度閾值,并引入固定閾值準則。通過選取最優閾值,對污染氣體濃度能量源評估閾值進行量化處理,用F′a表示處理后的結果。

靈敏度最優閾值選取函數具體如下。

(13)

式中:SD(i)為第i層能量元的對應固定閾值標準差;M為總小波層數。

本文對F′a實施平穩小波逆變換系數還原處理,以防止出現無響應問題。

(14)

本文由此實現傳感器響應靈敏度控制,獲得更加充分的有害氣體濃度變化數據,為風險評估奠定基礎。

1.3 電力基坑有害氣體風險評估

本文基于傳感器響應靈敏度控制模型優化控制下獲得的有害氣體濃度變化數據,利用機器學習中的圖神經網絡構建三層結構的電力基坑有害氣體風險評估模型,以實現電力基坑有害氣體風險評估。

基于圖神經網絡的電力基坑有害氣體風險評估模型包括實體級注意力層、自注意機制學習層、氣體無害和有害分類層。

實體級注意力層主要負責通過注意力機制在特定關系下對電力基坑有害氣體這一目標實體的重要性進行學習,以獲取鄰居實體影響下有害氣體濃度傳播特征,并將特征輸入自注意機制學習層進行學習。

已知的氣體傳播路徑集合為:

η={η1,η2,…,ηx′,…,ηg}

(15)

式中:ηx′為第x′個已知的氣體傳播路徑;ηg為第g個已知的有害氣體傳播路徑。

不同傳播路徑下,所定義的有害氣體傳播特征嵌入集合為:

(16)

本文根據傳感器響應靈敏度控制模型的閾值、自注意機制學習層,學習氣體不同傳播路徑的濃度傳感靈敏度控制的重要性,并為其分配權重。通過這個過程,可以計算特征二次嵌入向量值,從而挖掘有害氣體濃度特征中的深層信息。

特征嵌入向量值為:

(17)

(18)

式中:softmax為邏輯回歸模型;E(ηv)為傳感器響應靈敏度特征的注意力系數。

通過氣體無害和有害分類層判定氣體的實際評價類別,可實現風險等級劃分。

(19)

本文由此完成電力基坑有害氣體風險評估模型的構建,實現風險等級評估。

2 評估測試

2.1 試驗數據與評估結果

本文利用設計的基于機器學習的電力基坑有害氣體風險評估方法對某電力工程中的多個電氣基坑實施有害氣體風險評估。試驗電力工程是1個1 000 kV的變電站項目工程,建設周期較長。氣體傳感器采用ZigBee協調器連接。

在試驗電力工程中共有8個電力基坑。

各基坑的建設數據如表1所示。

本文通過基于密度和加權的改進聚類算法實施以上電力基坑有害氣體風險評估數據的挖掘,并將其作為試驗數據。

本文通過改進閾值函數去噪方法對試驗數據中的氣體監測數據實施去噪處理。試驗設置小波基分解層數為5、小波系數為0.8、放大倍數為3。

為了控制傳感器的響應靈敏度,本文構建了基于氣體濃度轉換的傳感器響應靈敏度控制模型。在該模型中,傳感器波爾茲曼常數設定為1.380 650 5×10-23J/K,電阻大小設定為80 MΩ。在該模型控制下,傳感器可以獲得關于有害氣體濃度變化的信息。

有害氣體濃度變化如圖1所示。

圖1 有害氣體濃度變化圖

對比圖1(a)和圖1(b)可知,傳感器能夠靈敏感知氣體濃度變化,獲得有效的傳感數據。本文基于傳感數據,通過專家法對目標實體實施風險評估。

本文以風險等級劃分原則為依據,確定目標實體的風險等級劃分實際情況。

風險等級劃分原則如表2所示。

表2 風險等級劃分原則

在風險評估模型應用前,需要對模型進行訓練。本文將目標實體的標簽集合、鄰接矩陣、特征矩陣作為模型輸入,并對模型的參數進行設置。模型訓練參數如下:初始學習率為0.001;語義級注意力向量為156維;正則化參數為0.005;注意力系數為0.1;注意力頭數(已知有害氣體傳播路徑總數)為10;停止訓練閾值為100個連續周期。

本文利用構建的電力基坑有害氣體風險評估模型對8個電力基坑實施有害氣體風險評估。8個電力基坑的風險等級評估結果如下:基坑4、基坑5、基坑6的風險評估等級為低等級;基坑2的風險評估等級為中低等級;基坑1、基坑3、基坑8的風險評估等級為中等級;基坑7的風險評估等級為中高等級。評估結果證明,通過本文設計方法能夠實現電力基坑的風險等級評估。

2.2 評估性能測試

本文測試本文方法的實際評估性能。在測試中,本文將文獻[3]方法和文獻[4]方法作為對比方法,共同進行性能測試評估。

3種方法的風險評估準確率計算式為:

(20)

式中:v′為正確分類樣本數量;ρ為總樣本數量。

3種方法的風險評估準確率測試結果對比如圖2所示。

圖2 風險評估準確率測試結果對比

由圖2可知:本文方法的風險評估準確率均值最高達到95% 以上;文獻[3]方法和文獻[4]方法的風險評估準確率最高均值均低于85%。這說明本文方法的風險評估準確率高于文獻[3]方法和文獻[4]方法。同時,在樣本個數不斷增加的情況下,文獻[3]方法和文獻[4]方法的風險評估準確率降幅很大,而本文方法的降幅則較小。這證明了本文方法的評估性能更好,更適用于樣本數較多的情況。

3 結論

本文在電力基坑施工風險的研究中,針對基坑有害氣體問題設計了1種基于機器學習的電力基坑有害氣體風險評估方法。本文首先利用密度和加權方法改進聚類算法,挖掘電力基坑有害氣體傳感數據;然后采用改進閾值函數對傳感器數據進行去噪處理;接著基于靜態響應和動態響應構建傳感器響應靈敏度控制模型;最后基于機器學習構建電力基坑有害氣體風險評估模型,完成有害氣體風險等級評估。測試結果表明,該方法不僅能夠實現風險等級評估,還達到了很高的評估準確率,對于電力工程項目的安全保障有現實意義。