《International Journal of Hydrogen Energy》：Beyond quantitative risk assessment: A spatial machine learning framework for risk-informed hydrogen appliance deployment
编辑推荐：
氢能安全风险评估与空间分区方法研究。基于阿尔伯塔30,000起火灾事故数据，融合人口、建筑特征等10维空间数据，构建LGBM机器学习模型实现氢能部署风险分级，准确率达80%，空间风险分区精准识别高危社区并指导安全改造策略。
Kanishkar Venkatesan|Anirudha Joshi|Fereshteh Sattari|Lianne Lefsrud|Mohd Adnan Khan
阿尔伯塔大学工程安全与风险管理学院化学与材料工程系，加拿大埃德蒙顿，阿尔伯塔省，T6G 1H9
摘要
氢作为一种实用的低碳燃料，正在住宅供暖领域得到广泛应用，它有助于实现脱碳目标，但由于其高扩散性和宽燃爆范围，也引发了一些安全问题。本研究开发了一个基于数据的框架，用于评估加拿大各住宅区域部署氢能设备的社会风险。该框架使用阿尔伯塔省30,000起经过验证的火灾事故数据，并结合了人口统计、基础设施和地理空间特征进行训练。该框架具有出色的预测能力，准确率为0.80，接收者操作特征曲线下面积（ROC-AUC）为0.91。居住人数、资产价值和建筑高度等关键因素能够解释不同地区氢能相关风险的变化。通过这些空间风险地图，可以识别出需要改造或额外安全措施的社区，并为监管机构和规划者提供针对氢能的特定分区工具，以支持安全、可持续的能源转型规划。虽然该框架是在阿尔伯塔省验证的，但也可适用于其他省份和国际环境。
引言
随着加拿大朝着2050年实现净零温室气体排放的目标迈进，氢能已成为国家脱碳路径的核心组成部分。联邦政府的相关计划（如2030年减排计划和加拿大氢能战略）强调将氢能及其与天然气的混合物作为难以电气化的领域（包括住宅和商业供暖）的短期脱碳方案[1,2]。同时，多个省份正在开展试点项目和监管试验，探索将氢能整合到现有的天然气分配网络和终端设备中，充分利用加拿大庞大的天然气基础设施和不断增长的低碳氢能生产能力[3]。在冬季需求较高的国家，氢能作为一种可调度热能的补充选项，能够有效利用现有资源。
然而，氢能的部署也带来了独特的技术和安全挑战。如果管理不当，氢的高扩散性、宽燃爆范围和低点火能量会增加泄漏和点火事件的发生概率及其后果[4]。与天然气相比，氢在材料兼容性、储存行为和燃烧特性上的差异要求进行有针对性的基础设施升级和严格的安全规划，尤其是在人口密集的住宅和商业环境中[5]。因此，在公共场所大规模采用氢能需要严格的风险评估和缓解策略[6]。定量风险评估（QRA）是氢能安全评估的基石，能够提供与储存、分配和终端使用系统相关的事故可能性和后果的概率估计[7,8]。设施和组件级别的QRA已被广泛用于支持工程设计、代码制定和监管决策，以评估管道故障、设备故障和意外释放等风险[9]。
然而，针对氢能的特定终端使用分区仍然有限。例如，英国的H21 Leeds City Gate项目利用工程模拟和QRA评估了将城市燃气网络完全转换为氢能的可能性[10]。研究团队扩展了CONIFER模型，以评估电子控制比例阀（ECV）下游的泄漏、扩散、点火、爆炸后果、热辐射以及相对于天然气的社会风险，为他们的测试计划提供了依据[11,12]。HyDeploy项目则获得了《燃气安全（管理）法规》（GS(M)R）的豁免权限，在选定的试验区域混合使用最高20%的氢能，并通过QRA证据证明其安全性与天然气相当[13,14]，支持了Keele等地区的试验[15]。不过，这两个项目都集中在同质的试验区域内，没有开发出适用于多样化城乡环境的预测性、区域性的风险分区方法。
传统QRA框架（基于特定场景的事件树分析、确定性后果建模、固定缓冲区土地利用规划方法）的局限性在于它们基于假设的情景且缺乏空间维度。这些方法通常假设暴露条件均匀，并按站点单独配置，无法反映建筑类型、人口密度、应急响应能力和温度、风速等环境条件的地理差异[16,17]。即使结合了地理信息系统（GIS），传统方法也往往依赖线性加权或基于规则的分类，无法捕捉区域风险驱动因素之间的非线性相互作用。这限制了它们在政策相关问题（如应优先在何处部署氢能设备、哪些社区需要改造以及社会脆弱性如何在不同地区变化）中的应用。
监督机器学习（ML）提供了一种补充方法，它可以直接从大型、异构的数据集中学习复杂的非线性关系，从而在包括氢能系统在内的不同城乡环境中实现一致且可扩展的风险等级分类[18]。结合事后可解释工具（如SHapley Additive Explanations，SHAP），ML模型可以通过量化单个特征对预测结果的贡献来保持透明度[19]。在这种背景下，ML可以作为高级筛选和分区工具，帮助制定基于风险的氢能设备部署策略。
在住宅和商业环境中，这种需求尤为突出，因为这些地方的基础设施特征、居住人数和防火系统在城乡之间存在显著差异。国家火灾信息数据库（NFID）的数据显示，住宅物业在加拿大结构性火灾事件中占多数，占比约为60%，并在2005年至2013年间上升至69-75%[20]。加拿大统计局的最新统计数据显示，截至2021年，住宅建筑仍然是报告的结构性火灾事件的主要来源[21]。先前的研究表明，包括随机森林（RF）在内的监督ML方法在火灾风险分区方面优于传统的统计和基于规则的GIS方法，因为它们能够捕捉到不同地区的异质性、非线性风险驱动因素[22,23]。梯度提升和集成机器学习模型（如XGBoost（XGB）和Light Gradient Boosting Machine（LGBM）在复杂能源系统和氢能处理单元的事故可能性和后果评估中也表现出色[24]。在组件和系统层面，基于数据的集成机器学习框架已成功应用于整合多源数据和增强特征（如材料属性、环境参数和操作条件），以预测火灾情景下氢储罐的关键安全指标（如爆裂压力）[25]。这些发现表明，ML非常适合将历史火灾脆弱性和区域特征转化为与氢能设备部署相关的空间社会风险分类。
据作者所知，目前尚无现有框架能够将监督ML与区域人口统计、基础设施和历史火灾数据结合起来，根据社会风险优先考虑氢能设备的部署区域。这种优先级划分至关重要，因为这些因素不仅影响事故的可能性和后果严重性，还直接影响公众对氢能作为新兴能源的认知。在没有基于风险的分区方法的情况下，部署策略可能会使脆弱社区面临过度风险，同时对低风险地区造成不必要的限制。
为解决这一难题，本研究开发了一个基于监督ML的框架，用于根据氢能设备部署相关的社会风险对住宅区域进行空间分类。通过选择阿尔伯塔省作为案例研究，该框架展示了其有效性——该省具有多样化的城乡基础设施和活跃的氢能试点项目。通过整合十年的NFID火灾事故数据（2005-2015年）[26]以及区域人口统计、环境和基础设施特征，模型生成了明确的空间社会风险地图，识别出需要优先改造或加强安全措施的社区。这一基于数据、可解释的框架支持基于风险的氢能推广规划、政策分区和明智的监管决策，同时也可适用于具有类似数据集的其他地区。
方法论
本研究开发了一种监督ML框架，将住宅区域分为三类社会风险：可接受、尽可能低（ALARP）和高风险。该方法适用于各个地区，利用历史事故记录以及人口统计、基础设施、环境和地理空间特征。尽管这里使用的是加拿大的火灾事故和人口普查数据，但该框架具有普遍适用性。
模型基准测试和选择
使用5折随机交叉验证（5-fold Randomized CV）训练并调整了多个监督ML模型的超参数，以确保性能估计的稳定性。如表2所示，通过性能指标确定了最有效的社会风险分类器。候选算法包括RF、XGB、LGBM、SVC、MLP以及组合算法（如RF + XGB、RF + LGBM和结合LGBM、MLP和DT的堆叠集成，详见SN3）。评估采用了80-20的比例训练-测试分割。
基于风险的分区和部署策略
将这些发现转化为部署策略，可以将基于ML的分析与实际的氢能安全管理相结合。当应用于推广规划时，社会风险分类器为市政规划者、公用事业公司和应急服务提供可扩展的工具，将区域暴露数据和历史火灾事故转化为可操作的空间洞察。
低风险区域可以优先采用符合CSA B149.1标准的氢能技术。
结论
本研究提出了一个基于ML的框架，用于对加拿大住宅环境中氢能设备部署相关的社会风险进行空间分类。该ML算法使用了阿尔伯塔省2005-2015年的30,000条历史火灾事故记录进行训练，数据仅限于住宅、商业和机构建筑等结构性火灾，并结合了地理空间、人口统计和基础设施特征。
LGBM的性能优于RF和XGB。
作者贡献声明
Kanishkar Venkatesan：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论研究、数据分析、概念化。Anirudha Joshi：撰写 – 审稿与编辑、可视化、验证、监督、项目管理、方法论研究、数据分析、概念化。Fereshteh Sattari：撰写 – 审稿与编辑、验证、监督、资源协调、项目管理、资金筹集。Lianne Lefsrud：
数据使用声明
本研究仅使用公开可获取的数据。火灾事故记录来自国家火灾信息数据库（NFID），该数据库汇总了加拿大各省和地区消防部门报告的匿名化事故统计数据。NFID数据集不包含个人身份信息，根据加拿大统计局的数据发布框架用于研究和政策分析。
所有数据均已获取。
利益冲突声明
作者声明以下可能的利益冲突：Lianne Lefsrud表示获得了自然科学与工程研究委员会（NSERC）的财务支持。如果还有其他作者，他们声明没有已知的可能影响本文工作的财务利益或个人关系。
致谢
作者感谢NSERC DGECR（项目编号：2018-00219，项目名称：“开发安全管理系统模型”）以及工程学院和Lynch 工程安全与风险管理学院的风险、创新与可持续性主席（RISC）提供的资金支持。作者还感谢Alberta Innovates（协议编号：222302661）在“阿尔伯塔省氢能价值链发展的代码、标准、监管和保险差距分析”项目中的资助。
