CN104239688A - 一种基于人因可靠性分析的电力倒闸方法 - Google Patents

Abstract

本发明涉及一种基于人因可靠性分析的电力倒闸方法，包括以下步骤：1)进行电力倒闸的人因可靠性分析，包括以下步骤：11)根据CREAM获取操作员的认知功能和可能的失误类型，得到操作员基本操作失误概率HEP₀；12)通过通用绩效条件，对基本失误概率HEP₀进行修订，得到整个倒闸流程的基本失误概率HEP；HEP＝HEP₀*α，α＝10^0.25β，β＝Σρ_i，i＝1，2，...，9；13)根据操作员行为相关性得到失误修复系数η；14)根据失误修复系数η得到操作员行为相关性的整个倒闸流程的失误率λ，λ＝HEP*(1-η)；2)根据人因可靠性分析的结果进行班组电力倒闸操作。与现有技术相比，本发明具有安全可靠等优点。

Description

一种基于人因可靠性分析的电力倒闸方法

技术领域

本发明涉及电力安全领域，尤其是涉及一种基于人因可靠性分析的电力倒闸方法。 

背景技术

倒闸操作为一项复杂的日常工作，其操作项目繁多，稍有不慎，就会造成误操作事故。电气误操作发生的原因主要包括技术设备缺陷，运行管理方面不完善，以及操作员人为失误。随着设备可靠性不断提高，人为因素的重要性也随之凸显。目前已有研究者借鉴核电站、航空航天等安全性要求较高领域人因可靠性方面研究的成果，研究电力系统中人为失误。但电网领域的人因可靠性研究尚处于起步阶段，目前还没有发展出适用于电力系统的人因可靠性方法。 

由于电网操作的复杂性，电力操作员往往以班组的形式出现，这种情况下操作的相关性对HRA结果会产生很大影响。根据任务和技术的特点，操作班组的组成方式以及规模也会不同，比如决策者-执行者-咨询者模式，监护操作员-执行操作员模式等。THERP(Technique for Human Error Rate Prediction)、ATHEANA(A Technique for Human Event Analysis)等HRA方法都考虑到人因失误事件之间的相关性，现有通用绩效条件(通用绩效)“多人合作质量”对认知控制模式的影响，以及提出基于决策树(DT)的人为行为之间相关性，但是以上方法都没有充分考虑操作行为相关性影响因素，也没有考虑操作相关性对失误修复的效用。 

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人因可靠性分析的电力倒闸方法。 

本发明的目的可以通过以下技术方案来实现： 

一种基于人因可靠性分析的电力倒闸方法，包括以下步骤： 

1)进行电力倒闸的人因可靠性分析，包括以下步骤： 

11)根据CREAM分析操作员的认知功能和可能的失误类型，得到操作员基本操作失误概率HEP₀； 

12)通过通用绩效条件，对基本失误概率HEP₀进行修订，得到整个倒闸流程的基本失误概率HEP； 

HEP＝HEP₀*α 

α＝10^0.25β

β＝Σρ_i，i＝1，2，...，9 

其中，α为权重因子，并且根据通用绩效条件所处的状态决定，ρ_i表示第i个通用绩效条件的影响系数； 

13)根据操作员行为相关性得到失误修复系数η； 

14)根据失误修复系数η得到操作员行为相关性的整个倒闸流程的失误率λ 

λ＝HEP*(1-η)； 

2)根据人因可靠性分析的结果进行班组电力倒闸操作。 

所述的步骤13)包括以下步骤： 

131)获取影响操作相关性水平的下层因素，包括操作票的质量、规程的完善性、资源的完备性、操作员的知识经验、注意力水平、执行动力和热情、合作与交流、团队的凝聚力和角色意识； 

132)根据下层因素得到影响操作相关性水平的中层因素，包括组织因素、个人因素和班组因素，得出操作相关性水平影响因素与操作员行为相关性的关系； 

133)通过模糊理论，根据评判标准对操作员行为相关性影响因素的状态评价进行打分，对结果进行模糊处理，得出每种影响因素属于不同等级的隶属度，并判断专家判断的不确定性； 

134)建立贝叶斯网络模型，通过专家调研和评估得到各个子节点的条件概率，子节点与影响操作相关性水平的下层因素一一对应； 

135)通过模糊推理得到各个中间节点的条件概率，中间节点与影响操作相关性水平的中层因素一一对应； 

$P=(O=O_1)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_1|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_2)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_2|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_3)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_3|T=T_i,P=P_j,R=R_k)]$

其中，P(O＝O₁)、P(O＝O₂)、P(O＝O₃)为中间节点分别为好、中、差的概率，P(T＝T_i)、P(R＝R_k)、P(P＝P_j)分别为该中间节点对应的子节点的高、中、低的概率； 

136)通过MSBNX计算得到人为误操作修复系数η。 

所述的步骤133)中的每种影响因素的隶属度时根据高斯模糊函数得出。 

与现有技术相比，本发明具有以下优点： 

一、安全性能高，采用CREAM和贝叶斯网络模型得出精确的整个倒闸流程的失误率。 

二、可信度高，采用专家调研和评估得到了各个下层影响因素的影响概率，使得整个倒闸流程的失误率计算更加准确客观。 

三、更加符合电力系统操作实际，电力系统倒闸操作一般为监护操作，操作班组由操作员和监护员组成，操作员之间的相关性会影响操作失误概率。本方法考虑率操作相关性，更加符合实际。 

附图说明

图1为本发明的方法流程图。 

图2为操作员行为相关性与影响因素的关系。 

图3为组织因素专家评判标准。 

图4为个人因素专家评判标准。 

图5为班组因素专家评判标准。 

图6为相关性影响因素不同层次隶属度表。 

图7为根据MSBNX计算人为误操作修复系数计算图。 

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。 

实施例： 

如图1所示，一种基于人因可靠性分析的电力倒闸方法，包括以下步骤： 

1)进行电力倒闸的人因可靠性分析，包括以下步骤： 

11)根据CREAM获取操作员的认知功能和可能的失误类型，得到操作员基本操作失误概率HEP₀； 

12)通过通用绩效条件，对基本失误概率HEP₀进行修订，得到整个倒闸流程的基本失误概率HEP； 

HEP＝HEP₀*α 

α＝10^0.25β

β＝∑ρ_i，i＝1，2，...，9 

其中，α为权重因子，并且根据通用绩效条件所处的状态决定，ρ_i表示第i个通用绩效条件的影响系数； 

13)根据操作员行为相关性得到失误修复系数η； 

14)根据失误修复系数η得到操作员行为相关性的整个倒闸流程的失误率λ， 

λ＝HEP*(1-η)； 

2)根据人因可靠性分析的结果进行班组电力倒闸操作。 

所述的步骤13)包括以下步骤： 

131)分析得到影响操作相关性水平的下层因素，包括操作票的质量、规程的完善性、资源的完备性、操作员的知识经验、注意力水平、执行动力和热情、合作与交流、团队的凝聚力和角色意识； 

132)如图2所示，综合定性分析影响操作相关性水平的中层因素，包括组织因素、个人因素和班组因素，得出操作相关性水平影响因素与操作员行为相关性的关系； 

133)如图3、图4和图5所示的判定标准，通过模糊理论，根据评判标准对操作员行为相关性影响因素的状态评价进行打分，结果进行模糊处理，得出每种影响因素属于不同等级的隶属度，如图6所示，并判断专家判断的不确定性； 

134)建立贝叶斯网络模型，通过专家调研和评估得到各个子节点的条件概率，子节点与影响操作相关性水平的下层因素一一对应； 

135)通过模糊推理得到各个中间节点的条件概率，中间节点与影响操作相关性水平的中层因素一一对应； 

$P=(O=O_1)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_1|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_2)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_2|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_3)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_3|T=T_i,P=P_j,R=R_k)]$

其中，P(O＝O₁)P(O＝O₂)P(O＝O₃)为中间节点分别为好、中、差的概率，P(T＝T_i)P(R＝R_k)P(P＝P_j)分别为该中间节点对应的子节点的高、中、低的概率； 

136)如图7所示，通过MSBNX计算得到人为误操作修复系数η。 

Claims (3)

1.一种基于人因可靠性分析的电力倒闸方法，其特征在于，包括以下步骤：

1)进行电力倒闸的人因可靠性分析，包括以下步骤：

11)根据CREAM获取操作员的认知功能和可能的失误类型，得到操作员基本操作失误概率HEP₀；

12)通过通用绩效条件，对基本失误概率HEP₀进行修订，得到整个倒闸流程的基本失误概率HEP：

HEP＝HEP₀*α

α＝10^0.25β

β＝Σρ_i，i＝1，2，...，9

其中，α为权重因子，并且根据通用绩效条件所处的状态决定，ρ_i表示第i个通用绩效条件的影响系数；

13)根据操作员行为相关性得到失误修复系数η；

14)根据失误修复系数η得到操作员行为相关性的整个倒闸流程的失误率λ：

λ＝HEP*(1-η)；

2)根据人因可靠性分析的结果进行班组电力倒闸操作。

2.根据权利要求1所述的一种基于人因可靠性分析的电力倒闸方法，其特征在于，所述的步骤13)包括以下步骤：

131)获取影响操作相关性水平的下层因素，包括操作票的质量、规程的完善性、资源的完备性、操作员的知识经验、注意力水平、执行动力和热情、合作与交流、团队的凝聚力和角色意识；

132)根据下层因素得到影响操作相关性水平的中层因素，包括组织因素、个人因素和班组因素，得出操作相关性水平影响因素与操作员行为相关性的关系；

133)通过模糊理论，根据评判标准对操作员行为相关性影响因素的状态评价进行打分，对结果进行模糊处理，得出每种影响因素属于不同等级的隶属度，并判断专家判断的不确定性；

134)建立贝叶斯网络模型，通过专家调研和评估得到各个子节点的条件概率，子节点与影响操作相关性水平的下层因素一一对应；

135)通过模糊推理得到各个中间节点的条件概率，中间节点与影响操作相关性水平的中层因素一一对应；

$P=(O=O_1)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_1|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_2)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_2|T=T_i,P=P_j,R=R_k)]$

$P=(O=O_3)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}P(T=T_i)\×\underset{j=1}{\overset{3}{\mathrm{\Σ}}}P(P=P_j)\×[\underset{k=1}{\overset{3}{\mathrm{\Σ}}}P(R=R_k)\×P(O=O_3|T=T_i,P=P_j,R=R_k)]$

其中，P(O＝O₁)、P(O＝O₂)、P(O＝O₃)为中间节点分别为好、中、差的概率，P(T＝T_i)、P(R＝R_k)、P(P＝P_j)分别为该中间节点对应的子节点的高、中、低的概率；

136)通过MSBNX计算得到人为误操作修复系数η。

3.根据权利要求2所述的一种基于人因可靠性分析的电力倒闸方法，其特征在于，所述的步骤133)中的每种影响因素的隶属度时根据高斯模糊函数得出。