CN106127607A - 一种电力事故上下层级原因相关度的分析方法 - Google Patents
一种电力事故上下层级原因相关度的分析方法 Download PDFInfo
- Publication number
- CN106127607A CN106127607A CN201610481227.1A CN201610481227A CN106127607A CN 106127607 A CN106127607 A CN 106127607A CN 201610481227 A CN201610481227 A CN 201610481227A CN 106127607 A CN106127607 A CN 106127607A
- Authority
- CN
- China
- Prior art keywords
- degree
- association
- reason
- expert
- accident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000000205 computational method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明揭示了一种电力事故上下层级原因相关度的分析方法,首先判断层级原因的分类属性;再分析事故事件原因库中上下层级事件原因的相关度,对于事件涉及到的原因库,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度,对于事件未涉及到的原因库,采用专家决策法计算各级原因的相关度;最后通过动态权重更新事故事件原因库中上下层级事件原因的相关度。本发明能够分析下级事件原因发生对导致上级事件原因发生的影响程度(即相关度),对事故成因进行定性和定量的分析,提出事故预防的解决措施,提高安全生产管理水平。此外,该分析方法使得相关度的计算尽可能客观化,逐步脱离人为因素的影响。
Description
技术领域
本发明属于电力工程领域,具体涉及一种电力事故上下层级原因相关度的分析方法。
背景技术
电力行业是国民经济的基础产业,与经济发展和社会稳定具有密切联系。保证持续、高效的电力供应是关系到国计民生的大事,也是电力部门工作注重的焦点。因此,针对当前电力生产的特点和电力企业的具体情况,选择一种全面的、系统的电力事故上下层级原因相关度的分析方法,对电力企业的安全事故进行故障树分析、研究,提高电力企业安全管理水平,保障安全生产,预防和控制事故,具有十分重要的现实意义。
南方电网公司一直把安全生产放在开展电力生产的首位,素有“安全第一”的目标和口号,并相应设置了各级安全监察管理机构,制订了《电力生产安全工作规程》、《电力生产事故调查规程》等系列规章制度和许多的反事故措施等执行细则。目前,在对电力企业的安全事故进行事故树分析的过程中,一般采用事故树分析方法对事故事件发生、原因、责任和暴露问题开展研究分析,通过逐层推得所有可能的原因,找出系统可能存在的部件事故、环境影响、人为失误与系统事故之间的逻辑关系,用倒立的树状图表示出来,进而找出系统的薄弱环节,提出防止同类事故事件发生的管理措施和技术防范措施。
发明内容
本发明的目的在于针对现有技术中的上述缺陷,提供一种电力事故上下层级原因相关度的分析方法,便于对电力事故开展事故分析。
为实现上述发明目的,本发明采用了如下技术方案:
一种电力事故上下层级原因相关度的分析方法,包括以下步骤:
(1)将事故事件原因库划分为事件涉及到的原因库和事件未涉及到的原因库,判断层级原因的分类属性:层级原因在事故汇编出现的次数≥1,则属于事件涉及到的原因库,否则属于事件未涉及到的原因库;
(2)分析事故事件原因库中上下层级事件原因的相关度:
1)对于事件涉及到的原因库,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度;
2)对于事件未涉及到的原因库,采用专家决策法计算各级原因的相关度;
(3)通过动态权重更新事故事件原因库中上下层级事件原因的相关度
动态权重仅针对统计中出现过,专家咨询问卷中也存在的事件原因。j项事件原因在事故事件中出现后,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算得到相关度bj,结合采用专家决策法获得的相关度rj,其出现后的相关度求解公式为:Rj=w1bj+w2rj,式中,w1为相关度bj的所占权重,w2为相关度rj的所占权重。
上述基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度包括以下步骤:
(1)通过查找事务数据库中所有支持度大于最小支持度的频繁项集,将Apriori算法应用于事故树上下级原因分析,最小支持度设定为零,得出的频繁项集的支持度即为事故树上下层级原因之间的相关度;
(2)计算基础统计量;根据事故原因统计的特点作假设,进行影响效应显著性分析;计算出事故发生总平均数及各因素在对应各种水平上导致事故发生的平均次数;计算离差平方和,算出各因素对平均事故发生次数的离散程度;最后进行假设检验,根据F分布判断这一段时间内各因素对事故的发生是否具有显著贡献。
上述专家决策法计算各级原因的相关度包括以下步骤:
(1)成立课题小组,制定专家咨询表,遴选咨询专家,并对咨询结果进行整理汇总和统计分析;
(2)对专家决策法研究的结果,用常规的统计方法分析:
1)专家基本情况的描述,对专家的个人基本情况进行描述性分析;
2)统计专家的积极系数,以专家咨询问卷的有效回收率来表示;
3)计算专家意见集中程度,以专家对事件原因相关度评分的均数和满分比表示;
4)分析专家的权威程度,包括专家对咨询内容的熟悉程度、专家对咨询内容做出选择的判断依据和专家的基本系数三个因素方面的分析;
5)根据专家的评分和相关公式,求取相关度。
上述根据专家的评分和相关公式求取相关度的方法为:
j项事件原因相关度的计算方法如下:式中,m表示参加j项事件原因相关度评价的专家总数;Cij表示i专家对j项事件原因相关度的评分值;Cr表示i专家的权威系数;rj取值越大,则对应的j项事件原因对导致上级事件原因发生的影响程度越高。
相比于现有技术,本发明的优势在于:
本分析方法能够分析下级事件原因发生对导致上级事件原因发生的影响程度(即相关度),确定事故事件发生的成因、责任和暴露问题,进而找出系统的薄弱环节,提出防止同类事故事件发生的管理措施和技术防范措施。此外,该分析方法还可以对事故事件进行统计分析,帮助企业实现相关度的科学统计和管理,使得相关度的计算尽可能客观化,逐步脱离人为因素的影响。
附图说明
图1是本发明的流程图。
图2是统计得到的相关度的权重和事件出现次数的拟合曲线图。
具体实施方式
以下结合实施例对本发明技术方案作进一步非限制性的详细说明。
电力事故上下层级原因相关度的分析方法的步骤是:
步骤1:判断该层级原因的分类属性。若事故事件原因库中的任意层级原因,在南方电网公司近年典型事故汇编出现的次数≥1,称该层级原因在历史事故事件中有所涉及;否则,称该层级原因在历史事故事件中未涉及。因此,可将事故事件原因库划分为事件涉及到的原因库和事件未涉及到的原因库。
步骤2:分析事故事件原因库中上下层级事件原因的相关度。
1)对于事件涉及到的原因库,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度。
2)对于事件未涉及到的原因库,采用专家决策法计算各级原因的相关度。
步骤3:通过动态权重更新事故事件原因库中上下层级事件原因的相关度。
动态权重仅针对统计中出现过,专家咨询问卷中也存在的事件原因。采用专家调查问卷对事件未涉及到的原因的相关度进行确定,是因为该部分原因的出现为小概率事件,出现概率低。因而可认为当该类原因出现次数达到10次及以上时,根据统计原理和数据挖掘方法得到的原因相关度已经符合客观实际,此时若沿用加权方法求得的相关度会因专家们的主观思想造成正确性降低,因而在此情况下,weight=1。
使用MATLAB的curve Fitting对数据进行拟合,拟合函数为指数函数,得到如下公式:weight=1.106e-0.005998t-1.098e-0.3053t (1)
式中,weight为统计得到的相关度的权重,t为事件出现次数,拟合曲线如图2所示。
拟合优越性的相关指标如下:
SSE=0.0003496
R-square=0.9998
Adjusted R-square=0.9997
RMSE=0.005186
Adjusted R-square可以反映拟合结果的好坏,越接近于1,说明拟合结果越好,数据预测也越成功。
表1根据公式(1)计算出动态权重
原因出现次数(t) | 统计权重(w1) | 专家权重(w2) |
0 | 0 | 1 |
1 | 0.2895 | 0.7105 |
3 | 0.6465 | 0.3535 |
6 | 0.8933 | 0.1067 |
8 | 0.9618 | 0.0382 |
10 | 1 | 0 |
当该层级原因(设为j项事件原因)在事故事件中出现后,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算得到相关度bj,结合采用专家决策法获得的相关度rj,其出现后的相关度求解公式如下:Rj=w1bj+w2rj,式中,w1为相关度bj的所占权重,w2为相关度rj的所占权重。
上述步骤2中基于Apriori算法及方差分析的故障树上下级原因相关度的分析法的步骤是:
1.求取相关度
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。Apriori算法通过查找事务数据库中所有支持度大于最小支持度的频繁项集,将Apriori算法应用于事故树上下级原因分析,得出的频繁项集的支持度便是事故树上下层级原因之间的相关度,此时最小支持度应该设定为零。
Apriori算法使用了候选项集的概念,首先产生出物项集合,称为候选项集,若候选项集的支持度大于或等于最小支持度,则该候选物项集合为频繁项集合(LargeItemset)。此支持度为频繁项集的概率。
假设一个简单事务数据库D的模型,如表2所示,001-010代表10个电力事故树,A、B、C、D、E分别代表事故一级原因的人的因素-心理生理性危险和有害因素、人的因素-行为性危险和有害因素、物的因素-物理性危险和有害因素、环境因素和管理因素。
表2简单事故树数据库的模型
TID | 项 |
001 | A B C |
002 | A B D E |
003 | A B C E |
004 | B C E |
005 | C D |
006 | B D E |
007 | A B E |
008 | A B C D E |
009 | D E |
010 | B C D E |
假定最小支持度s=0%,即在例子中数据库中的10个事务里至少存在1个。在每一次迭代中,Apriori算法都产生了一个大项集,然后计算每一个候选所出现的次数,最后在预先给定的最小支持度s=0%的基础上确定大项集。
挖掘大项集,也就是事务支持度大于预先给定的最小阈值的项的集合。
表3生成阶段
项集 |
{A} |
{B} |
{C} |
{D} |
{E} |
表4计算阶段
项集 | 计数 | b[%] |
{A} | 5 | 50 |
{B} | 8 | 80 |
{C} | 6 | 60 |
{D} | 6 | 60 |
{E} | 8 | 80 |
在第一次迭代的第一步中,所有单个项都作为候选集。接着计算每一个候选集的出现次数,然后在阈值s的基础上选择频繁项集。表4所示的b分别代表该项集的支持度即上下层级原因之间的相关度。
2.对相关度进行检验
1)基础统计量计算
每个事故考虑下级原因对上级原因的影响程度,把上级原因所对应的所有下级原因作为影响因子,下级原因发生导致上级原因发生的关联程度假设为一级相关和二级相关,以A、B、C代表不同的下级原因,用1、2代表一级相关和二级相关,得到表5的列表统计。
表5下级原因影响因子的水平组合表
2)作假设
根据伤亡事故原因统计的特点,假定母体Yn服从正态分布N(μn,σ2)。假设三个因子中任意两个之间没有交互作用,为了对人的因素、物的因素和环境因素三种影响因子对母体所产生的效应进行检验,需要做影响效应显著性分析。作以下三个假设:
假设H1:a1=a2=0
假设H2:b1=b2=0
假设H3:c1=c2=0
其中a1、a2代表A因子在各自水平上的效应。
若假设H1成立,则表示A因素在这一段时间内对上级原因的发生无显著影响;否则,A因素在这一段时间内对上级原因的发生有显著影响。同样,假设H2和H3成立,则分别表示B因素和C因素在这一段时间内对上级的发生无显著影响,否则,分别表示B因素和C因素在这一段时间内对上级原因的发生有显著影响。
3)平均数计算
事故发生总平均数表示一个企业或者一个行业在一段时间内导致事故发生的直接原因事件出现的基本情况,用表示,计算方法如下:
A因素、B因素和C因素三个影响因子分别在一级相关和二级相关两种水平上有其对应的平均值,反映一个因子在对应各种水平上导致事故发生的平均次数。
对于A因素在两种水平的平均值分别用和表示。
同样,对于B因素和C因素在两种水平的平均值分别用和表示。
4)离差平方和计算
离差平方和反映A因素、B因素和C因素三种影响因子对平均事故发生次数的离散程度,用QT表示。
可以进行分解:
QT=QA+QB+QC+QE
其中,QA是因子A引起的离差平方和;QB是因子B引起的离差平方和;QC是因子C引起的离差平方和;QE反映误差。因子A引起的离差平方和QA反映了A因素在两种相关水平上的平均值之间的差异;同样,QB和QC分别反映了B因素和C因素在两种相关水平上的平均值之间的差异。
5)假设检验
自由度等于水平减1,即QA、QB、QC的自由度都为1,QT的自由度为7。利用分解定理[5]可知,FA、FB、FC均服从自由度为(1,4)的F分布。其中和分别是由A因素、B因素和C因素引起的均方离差,是均方误差。
为了检验三个假设H1、H2和H3需要给定显著水平α,可以查F分布上侧分位数表得到相同自由度对应的Fα值,使P{F≥Fα}=α成立。
由计算得到FA值,若FA≥Fα(1,4)成立,表示小概率事件出现,则拒绝假设H1,即认为这一段时间内A因素对事故的发生有显著贡献;若FA<Fα(1,4)成立,表示小概率事件没有出现,则接受假设H1,即认为这一段时间内A因素对上级原因的发生没有显著影响。
同样,由计算得到的FB、FC值,若FB≥Fα(1,4)、FC≥Fα(1,4)分别成立,则分别拒绝假设H2和H3,即认为这一段时间内B因素或C因素对事故的发生有显著贡献;若FB<Fα(1,4)、FC<Fα(1,4)分别成立,则分别接受假设H2和H3,即认为这一段时间内物的因素或环境因素对事故的发生没有显著贡献。
上述步骤3中采用专家决策法计算各级原因的相关度的步骤是:
1.成立课题小组,制定专家咨询表,遴选咨询专家,并对咨询结果进行整理汇总和统计分析。
2.对专家决策法研究的结果,应用常规的统计方法分析。
(1)专家基本情况的描述
对专家的年龄、职称、职务、文化程度及工作年限等基本情况进行描述性分析,以说明专家的专业水平以及经验丰富程度等,便于说明参加该项目评估、预测专家的水平与结果的可信与可靠程度的联系。
(2)专家的积极系数
专家的积极系数是指专家对本研究关心、合作的程度,一般以专家咨询问卷的有效回收率来表示。问卷的回收率越高,说明专家积极程度越高。
问卷回收率=回收问卷数/发放问卷数
有效回收率=有效问卷数/回收问卷数
(3)专家意见集中程度
专家对各事件原因相关度的意见集中程度,一般以专家对事件原因相关度评分的均数Mj和满分比Kj表示。专家根据自己的认识对问卷中的该级事件原因条目与上级事件原因的相关度给出评分。根据李克特量表法(Likert scale),将相关度评分分为5个等级,分别赋予不同的量化值。5=完全相关,4=比较相关,3=一般相关,2=不太相关,1=完全不相关。由专家选择认为合适的分值。
1)均数的计算方法如下:
式中,mj表示参加j事件原因相关度评价的专家数,Cij表示i专家对j事件原因相关度的评分值。均数Mj取值越大,则对应的j事件原因与上级事件原因的相关度越高。
2)满分比的计算方法如下:
式中,m′j表示给满分的专家数,mj表示参加j事件原因相关度评价的专家数。满分比Kj越大,说明对该事件原因相关度给出满分的专家比例越大,对应的j事件原因与上级事件原因的相关度越高。
(4)专家的权威程度
对评价结果进行处理时,通常要考虑专家对某一问题的权威程度。专家的权威程度Cr由以下因素决定:一是专家对咨询内容的熟悉程度Cs,二是专家对咨询内容做出选择的判断依据Ca,三是专家的基本系数Cb。权威系数等于判断系数、熟悉程度系数和基本系数的算术平均值。一般认为权威系数≥0.60为可信度高,意见可以采纳。其值越大,说明专家判断的科学性越大,结果可信度越高。权威系数的计算方法为:
专家对咨询内容的熟悉程度分为5个等级,分别赋予不同的量化值。1.0=很熟悉,0.8=熟悉,0.6=一般,0.4=不熟悉,0.2=很不熟悉(见表6)。专家对对咨询内容做出选择的判断依据主要分为理论分析、实践经验、国内外资料和直觉判断。其影响程度分为大、中、小,分别赋予不同的量化值(见表7)。专家的基本情况主要分为技术职称、工作岗位、岗位年限。技术职称分为中级、副高、正高,工作岗位分为运行检修、设备、试验等,岗位年限分为5年以下、5~10年、10年以上,分别赋予不同的量化值(见表8)。
表6专家熟悉程度评分
等级 | 很熟悉 | 熟悉 | 一般 | 不太熟悉 | 很不熟悉 |
评分 | 1.0 | 0.8 | 0.6 | 0.4 | 0.2 |
表7专家判断依据评分
表8专家基本系数评分
(5)相关度的数据处理
根据专家的评分和相关公式,求取相关度。j项事件原因相关度的计算方法如下:
式中,m表示参加j项事件原因相关度评价的专家总数,Cij表示i专家对j项事件原因相关度的评分值,Cr表示i专家的权威系数。rj取值越大,则对应的j项事件原因对导致上级事件原因发生的影响程度越高。
对rj进行归一化处理的方法如下:
经过归一化处理后,j项事件原因相关度的取值范围:0≤rj′≤1。
需要指出的是,上述实施例仅为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。
Claims (4)
1.一种电力事故上下层级原因相关度的分析方法,其特征在于,包括以下步骤:
(1)将事故事件原因库划分为事件涉及到的原因库和事件未涉及到的原因库,判断层级原因的分类属性:层级原因在事故汇编出现的次数≥1,则属于事件涉及到的原因库,否则属于事件未涉及到的原因库;
(2)分析事故事件原因库中上下层级事件原因的相关度:
1)对于事件涉及到的原因库,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度;
2)对于事件未涉及到的原因库,采用专家决策法计算各级原因的相关度;
(3)通过动态权重更新事故事件原因库中上下层级事件原因的相关度
动态权重仅针对统计中出现过,专家咨询问卷中也存在的事件原因,j项事件原因在事故事件中出现后,采用基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算得到相关度bj,结合采用专家决策法获得的相关度rj,其出现后的相关度求解公式为:Rj=w1bj+w2rj,式中,w1为相关度bj的所占权重,w2为相关度rj的所占权重。
2.根据权利要求1所述的电力事故上下层级原因相关度的分析方法,其特征在于,所述基于Apriori算法及方差分析的故障树上下级原因相关度的分析方法计算各级原因的相关度包括以下步骤:
(1)通过查找事务数据库中所有支持度大于最小支持度的频繁项集,将Apriori算法应用于事故树上下级原因分析,最小支持度设定为零,得出的频繁项集的支持度即为事故树上下层级原因之间的相关度;
(2)计算基础统计量;根据事故原因统计的特点作假设,进行影响效应显著性分析;计算出事故发生总平均数及各因素在对应各种水平上导致事故发生的平均次数;计算离差平方和,算出各因素对平均事故发生次数的离散程度;最后进行假设检验,根据F分布判断这一段时间内各因素对事故的发生是否具有显著贡献。
3.根据权利要求1所述的电力事故上下层级原因相关度的分析方法,其特征在于,所述专家决策法计算各级原因的相关度包括以下步骤:
(1)成立课题小组,制定专家咨询表,遴选咨询专家,并对咨询结果进行整理汇总和统计分析;
(2)对专家决策法研究的结果,用常规的统计方法分析:
1)专家基本情况的描述,对专家的个人基本情况进行描述性分析;
2)统计专家的积极系数,以专家咨询问卷的有效回收率来表示;
3)计算专家意见集中程度,以专家对事件原因相关度评分的均数和满分比表示;
4)分析专家的权威程度,包括专家对咨询内容的熟悉程度、专家对咨询内容做出选择的判断依据和专家的基本系数三个因素方面的分析;
5)根据专家的评分和相关公式,求取相关度。
4.根据权利要求3所述的电力事故上下层级原因相关度的分析方法,其特征在于,所述根据专家的评分和相关公式求取相关度的方法为:
j项事件原因相关度的计算方法如下:式中,m表示参加j项事件原因相关度评价的专家总数;Cij表示i专家对j项事件原因相关度的评分值;Cr表示i专家的权威系数;rj取值越大,则对应的j项事件原因对导致上级事件原因发生的影响程度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610481227.1A CN106127607A (zh) | 2016-06-24 | 2016-06-24 | 一种电力事故上下层级原因相关度的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610481227.1A CN106127607A (zh) | 2016-06-24 | 2016-06-24 | 一种电力事故上下层级原因相关度的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127607A true CN106127607A (zh) | 2016-11-16 |
Family
ID=57265804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610481227.1A Pending CN106127607A (zh) | 2016-06-24 | 2016-06-24 | 一种电力事故上下层级原因相关度的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127607A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN110244184A (zh) * | 2019-07-04 | 2019-09-17 | 国网江苏省电力有限公司 | 一种频繁项集的配网线路故障规律挖掘方法、系统及介质 |
CN111372049A (zh) * | 2020-03-11 | 2020-07-03 | 上海工程技术大学 | 一种轨道交通危险源识别与智能预警设备及方法 |
CN111915855A (zh) * | 2020-07-20 | 2020-11-10 | 浙江浙能台州第二发电有限责任公司 | 用于百万千瓦超超临界机组报警系统的报警分析方法 |
CN113064934A (zh) * | 2021-03-26 | 2021-07-02 | 安徽继远软件有限公司 | 电力传感网感知层故障关联规则挖掘方法及系统 |
CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
CN115719998A (zh) * | 2022-11-17 | 2023-02-28 | 宁波天仑电气股份有限公司 | 一种智能开关柜的监管方法、系统以及存储介质 |
-
2016
- 2016-06-24 CN CN201610481227.1A patent/CN106127607A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN108550263B (zh) * | 2018-06-01 | 2021-03-23 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN110244184A (zh) * | 2019-07-04 | 2019-09-17 | 国网江苏省电力有限公司 | 一种频繁项集的配网线路故障规律挖掘方法、系统及介质 |
CN111372049A (zh) * | 2020-03-11 | 2020-07-03 | 上海工程技术大学 | 一种轨道交通危险源识别与智能预警设备及方法 |
CN111372049B (zh) * | 2020-03-11 | 2021-10-08 | 上海工程技术大学 | 一种轨道交通危险源识别与智能预警设备及方法 |
CN111915855A (zh) * | 2020-07-20 | 2020-11-10 | 浙江浙能台州第二发电有限责任公司 | 用于百万千瓦超超临界机组报警系统的报警分析方法 |
CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
CN113064934A (zh) * | 2021-03-26 | 2021-07-02 | 安徽继远软件有限公司 | 电力传感网感知层故障关联规则挖掘方法及系统 |
CN113064934B (zh) * | 2021-03-26 | 2023-12-08 | 安徽继远软件有限公司 | 电力传感网感知层故障关联规则挖掘方法及系统 |
CN115719998A (zh) * | 2022-11-17 | 2023-02-28 | 宁波天仑电气股份有限公司 | 一种智能开关柜的监管方法、系统以及存储介质 |
CN115719998B (zh) * | 2022-11-17 | 2023-06-16 | 宁波天仑电气股份有限公司 | 一种智能开关柜的监管方法、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127607A (zh) | 一种电力事故上下层级原因相关度的分析方法 | |
Xu et al. | Risk prediction and early warning for air traffic controllers’ unsafe acts using association rule mining and random forest | |
Panchal et al. | Integrated fuzzy AHP-CODAS framework for maintenance decision in urea fertilizer industry | |
Li et al. | The accident early warning system for iron and steel enterprises based on combination weighting and Grey Prediction Model GM (1, 1) | |
CN107274093B (zh) | 一种电网运行安全的风险评估方法 | |
CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
Tsoukalas et al. | Prediction of occupational risk in the shipbuilding industry using multivariable linear regression and genetic algorithm analysis | |
Abdat et al. | Extracting recurrent scenarios from narrative texts using a Bayesian network: application to serious occupational accidents with movement disturbance | |
Omidvari et al. | Presenting of failure probability assessment pattern by FTA in Fuzzy logic (case study: Distillation tower unit of oil refinery process) | |
CN104102762A (zh) | 云模型模糊层次分析法在铁路信号系统风险分析中的应用 | |
CN102496069A (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
An et al. | Railway risk assessment-the fuzzy reasoning approach and fuzzy analytic hierarchy process approaches: a case study of shunting at waterloo depot | |
CN106022596A (zh) | 一种城市燃气管道系统危险性预测评价方法 | |
CN104951588A (zh) | 一种矿井通风系统辅助设计方法 | |
CN104463446A (zh) | 一种基于案例推理的应急预案评估系统运行方法 | |
CN112069666B (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
CN104281525A (zh) | 一种缺陷数据分析方法及利用其缩减软件测试项目的方法 | |
Hamta et al. | Improving the Identification and prioritization of the most important risks of safety equipment in FMEA with a hybrid multiple criteria decision-making technique | |
CN110472225A (zh) | 基于词扩展lda的铁路事故原因分析方法 | |
Zhang et al. | Safety Assessment in Road Construction Work System Based on Group AHP‐PCA | |
CN107256445B (zh) | 生产环境安全性的分析方法、装置和系统 | |
Kasyoki Muoka et al. | Statistical models for count data | |
Fayek et al. | Application of fuzzy logic to quality assessment of infrastructure projects at conceptual cost estimating stage | |
Zhou et al. | A new risk analysis approach to seek best production action during new product introduction | |
Li et al. | Comprehensive evaluation model of coal mine safety under the combination of game theory and TOPSIS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |
|
WD01 | Invention patent application deemed withdrawn after publication |