基于水電站生產應急指揮的輔助決策模型研究及應用

靳 帥, 蔣 敏， 田 若 朝

(國能大渡河枕頭壩發電有限公司，四川 樂山 614700)

1 概 述

傳統的水電站應急預案演練通常通過預設一個邊界條件，針對某一個突發狀況開展對應預案的應急演練，而實際情況一般比較復雜。一個應急事件出現時會引發多個應急預案同時啟動，需要在短時間內對多項應急處置資源進行快速調配和部署，這依賴于應急指揮人員的個人技能水平，因此對處置效果帶來極大的不確定性。

在實際的生產運行過程中，應急事件發生時，應急指揮人員通常被動應對，容易出現頭腦空白，手足無措的狀況。或是忙于接打電話，疲于應對各種詢問，無法有效進行應急處置。當某個因素引發了多個應急預案并發啟動時，會導致無所適從，組織混亂。因此應急處置過程中，大量的時間浪費在物資查找，資源協調上，嚴重影響處置效能。

2 問題分析及解決思路

水電站生產應急指揮所面臨的困境和難題從本質上來講是在多種因素概率條件作用下的綜合預測決策問題，主要是三個方面的問題，即水電站生產過程中面臨哪些應急風險、各應急風險之間有哪些關聯關系、應急風險發生后如何處置。針對這些問題，通過對水電站生產過程中各種風險數據、管理數據、環境數據收集與分析，開展全方位、全過程、全要素的風險識別、應急事件預判和應急處置預控[1]，輔助生產應急指揮進行決策，即通過對應急風險因子分析、應急事件的耦合關系分析、應急處置輔助決策自動匹配三種方式進行解決。

該課題研究以大渡河流域枕頭壩水電站為基礎，對電站所處的地理位置、社會環境、生產工藝流程等因素分析，從對安全生產構成重大威脅的自然災害、突發公共衛生事件、社會安全事件、安全生產事故等風險因素分析著手。通過數據分析和模型建立，提前計算事故或災害發生的可能性，對災害預警，指導現場值守人員有針對性地開展應急預案的演練；事故發生時能夠從容應對，并根據模型給出的處置輔助決策，合理安排應急處置工作，對人員、物資、車輛、措施等應急物資進行有效配置。當多個應急預案同時啟動時能夠高效應對，并根據災害發生的嚴重程度和影響范圍進行合理的決策，從而實現應急事件處置的超前提醒、科學管理、高效處置和資源合理分配[2]。課題研究思路見圖1。

圖1 課題研究思路

3 研究內容

課題根據枕頭壩水電站長期運行情況及所處區域典型的安全生產影響因素，有針對性地選取典型特征數據。首先采集氣象水情數據、設備隱患數據、設備檢修數據、兩票數據等歷史數據，開展相應的數據預處理，運用專家調查法或主觀概率法征集有關專家的意見建立初步因子集與相關影響系數，同時選取關鍵影響因子進行回歸算法和時間序列算法模型預測，建立不同因子的最優預測模型。接著結合應急事件和影響因子的相關系數、建立機器學習分類模型，實現對應急事件風險等級預測，根據各應急事件的影響因子間的因果關系，建立多應急事件的整體風險鏈耦合預測模型；最后基于模型的結果對可能發生的應急風險進行有匹配對應預防與處置方案，實現輔助決策。并結合電站現有資源，提前為應急指揮人員提供科學的應急資源分配實施方案。

3.1 應急風險分析

風險水平是某個(或多個)致災因子造成某種(或多種)負面后果(如人員傷亡、財產損失等)的概率大小。由于其準確定量計算十分困難，該課題研究主要參考LEC評價風險方法，用事件發生可能性、致災強度、事故后果進行度量。承災體可以為人員、設備或建筑，其本身的脆弱性(其自身的易損性和暴露在致災因子中的程度)，以及受到外部保護或應急響應的情況(應急能力水平衡量)。

為有效構建應急風險因子集，首先采集電站投運以來積累的近十萬條運行數據，九萬多條氣象數據。選取了已發布的24個標準應急預案、26個應急處置方案，近200多次預案演練數據、事故處理經驗數據等，所選取的數據量大、范圍廣、連續性強，對這些數據采用多種方式處理分析，也為后續的模型構建做準備。

通過對采集數據分析，梳理出枕頭壩電站已有的應急致災因子情況，參考行業規定和現場實際運行經驗，整理形成危害因素和威脅因素兩類因子，應急風險因子分析見圖2。結合歷史數據及運行經驗分析，危害因素是電站最易產生的因素，因此重點針對危害因素的各個因子進行研究。

圖2 應急風險因子分析

3.2 模型構建

(1)影響因子及應急事件等級預測模型。應急事件的影響因子多為危害因素，由于各應急事件的情況不同，危害因素中的外部環境因子對應急事件的影響也各不相同。對應急事件的風險等級預估，首先需要對影響該應急事件的影響因子進行預測。考慮到該次選取的影響因子溫度、庫水位、氣象、水流量等的特征較多，除了其他的環境變量的影響外，影響因子間還存在一定的自相關特性，因此選取多機器學習回歸算法，對影響因子進行預測。

通過分析影響各特征因子和影響因子間的相關性以及各影響因子的自相關性，建立相關性網絡。使用機器學習算法(局部加權回歸、K近鄰回歸)和時間序列算法進行建模，將影響各影響因子的特征因子和自相關性輸入至不同的模型算法中進行訓練和驗證，評估模型的泛化能力，對影響因子進行預測。建立模型結果評估體系，包括但不限于擬合優度R方、平均絕對誤差MAE、均方誤差MSE、均方根誤差RMSE等評估指標，對各模型算法的預測結果進行評估，選取最優預測算法。

(2)基于多特征分析的應急事件風險等級預測模型。考慮到應急事件的多樣性和影響應急事件的影響因子的多樣性，基于大數據技術分析，采用多維度多層級的機器學習算法。根據影響因子和應急事件之間的相關性分析結果，提取各應急事件的主控因子，建立應急事件風險等級預測模型。該課題中采用樸素貝葉斯分類算法、隨機森林算法、基于softmax的logistic算法，對應急事件風險等級進行預測，具體如下：

使用機器學習算法建立應急事件風險等級預測模型，將影響應急事件的影響因子和主控因子輸入至各模型算法中進行學習和訓練，評估模型的泛化能力，調整各模型算法參數；將影響因子預測模型中得到的影響因子預測結果輸入至訓練后的應急事件風險等級預測模型中，對應急事件風險等級進行預測。建立PRF分類評價體系，對模型分類結果進行評估，優選出最優分類算法。其中，PRF分類評價體系包括準確率、召回率和F1值(F1-score)。

(3)基于KSIM的惡劣天氣風險鏈耦合預測模型。在應急事件的影響因子中，有很多影響因子將影響多個應急事件風險等級。不同應急事件的影響因子中，大部分影響因子是相同的，即一個影響因子可能會對多個應急事件產生影響，且多應急事件中，不同事件之間存在關聯關系，并產生相互影響，導致應急事件的風險等級產生變化。

該課題研究中，因時間短、數據多、任務重，選擇從惡劣天氣出發，采用KSIM預測法(Kane Simulation Model)，基于交叉影響分析，推導引發的其他應急事件，結合應急事件和影響因子的相關系數、應急事件風險等級預測結果、各應急事件的相關性、發生該應急事件的嚴重程度等因素，建立多應急事件的整體風險鏈耦合預測模型，對電站的整體應急事件風險進行評估，實現超前預警，保證電站的安全運行。

(4)應急人員能力與安排分析。在應急預案處理中，針對不同的應急地點、應急崗位，需有不同的應急人員安排。而現有的應急人員安排多為管理者根據應急人員日常表現及所在崗位等，人為進行應急工作安排，缺乏數據支撐和量化分析，容易因應急工作安排不恰當而導致應急事件不能達到及時有效處理。該課題中，通過采集到的工作人員的應急能力數據，量化數據特征，形成多特征維度的綜合評價體系，采用BIRCH層次聚類算法，對應急人員進行應急能力畫像分析，得到應急人員應急能力的綜合評價，為應急處置工作安排提供數據支撐。

4 研究成果應用

課題研究中選用2020年汛期大渡河流域強降雨期間的數據，對該研究的思路及構建的模型進行驗證，通過搭建的防汛應急指揮系統以可視化的方式展現出應急風險分析、應急事件預測、應急預案及相應處置方式推薦的全流程的輔助決策內容[3]。通過模型計算預測，得出“全站停電事故”發生概率超過閾值，同時給出相應的處置方案：

(1)增加2人支援運行夜班。

(2)安排保護專業人員檢查枕深線線路保護裝置運行狀態。

(3)安排專人對廠房、機組、排水泵、出線場等重點部位的巡視檢查。

(4)備足防汛沙袋，檢查廠房門口、尾水平臺防汛物資齊備。

(5)維護人員準備好應急排水泵，并進行檢查。

(6)防汛應急皮卡進入待命狀態。

(7)建議啟動防惡劣天氣應急預案、全站停電事故應急預案、廠用電中斷事故處置方案的演練。

在處置方案的具體實施過程中，系統結合人員畫像系統，根據不同的處置項目，快速匹配維護和運行人員，合理推薦安排應急人員及應急任務，依據應急處置進程和應急資源的數據進行相應的調配，對整個應急處置過程進行跟蹤，根據不同應急狀態更新處置策略。應急處置完畢后結合處置過程的反饋數據，自動形成應急處置報告，為后續的優化提升積累經驗和提供指導。

5 結 語

該課題研究通過分析近年實際運行數據，深入挖掘數據價值，構建應急處置輔助決策模型，將模型融入枕頭壩水電站應急管理，加快“智能自主，人機協同”智慧電廠建設[4]。研究成果提供了一種全新的應急處置模式，將傳統的依靠人工啟動應急預案的方式轉變為通過機器自學習啟動。變應急處置的被動應對為主動出擊；將應急處置從簡單的因果關系角度提升到時空的維度中。根據不同時期、不同災害的威脅程度，有針對性地制定應急對策，實現了應急管理的全面覆蓋和綜合應對[5],也是數據驅動管理模式變革的大膽嘗試。

該研究成果建立的基于多機器學習算法和時間序列算法的應急預案高發時段預測數據模型，結合氣象、水文信息，做出應急預案高發時段預測，為應急指揮人員提供合理的應急處置建議，有效提高事故處理效率，降低了經濟損失。但受限于當前所采集到的數據量，仍需通過更多的數據和應用實踐進一步驗證和改進模型，不斷地優化算法，實現更準確的預測。