基于水电站生产应急指挥的辅助决策模型研究及应用

靳 帅, 蒋 敏， 田 若 朝

(国能大渡河枕头坝发电有限公司，四川 乐山 614700)

1 概 述

传统的水电站应急预案演练通常通过预设一个边界条件，针对某一个突发状况开展对应预案的应急演练，而实际情况一般比较复杂。一个应急事件出现时会引发多个应急预案同时启动，需要在短时间内对多项应急处置资源进行快速调配和部署，这依赖于应急指挥人员的个人技能水平，因此对处置效果带来极大的不确定性。

在实际的生产运行过程中，应急事件发生时，应急指挥人员通常被动应对，容易出现头脑空白，手足无措的状况。或是忙于接打电话，疲于应对各种询问，无法有效进行应急处置。当某个因素引发了多个应急预案并发启动时，会导致无所适从，组织混乱。因此应急处置过程中，大量的时间浪费在物资查找，资源协调上，严重影响处置效能。

2 问题分析及解决思路

水电站生产应急指挥所面临的困境和难题从本质上来讲是在多种因素概率条件作用下的综合预测决策问题，主要是三个方面的问题，即水电站生产过程中面临哪些应急风险、各应急风险之间有哪些关联关系、应急风险发生后如何处置。针对这些问题，通过对水电站生产过程中各种风险数据、管理数据、环境数据收集与分析，开展全方位、全过程、全要素的风险识别、应急事件预判和应急处置预控[1]，辅助生产应急指挥进行决策，即通过对应急风险因子分析、应急事件的耦合关系分析、应急处置辅助决策自动匹配三种方式进行解决。

该课题研究以大渡河流域枕头坝水电站为基础，对电站所处的地理位置、社会环境、生产工艺流程等因素分析，从对安全生产构成重大威胁的自然灾害、突发公共卫生事件、社会安全事件、安全生产事故等风险因素分析着手。通过数据分析和模型建立，提前计算事故或灾害发生的可能性，对灾害预警，指导现场值守人员有针对性地开展应急预案的演练；事故发生时能够从容应对，并根据模型给出的处置辅助决策，合理安排应急处置工作，对人员、物资、车辆、措施等应急物资进行有效配置。当多个应急预案同时启动时能够高效应对，并根据灾害发生的严重程度和影响范围进行合理的决策，从而实现应急事件处置的超前提醒、科学管理、高效处置和资源合理分配[2]。课题研究思路见图1。

图1 课题研究思路

3 研究内容

课题根据枕头坝水电站长期运行情况及所处区域典型的安全生产影响因素，有针对性地选取典型特征数据。首先采集气象水情数据、设备隐患数据、设备检修数据、两票数据等历史数据，开展相应的数据预处理，运用专家调查法或主观概率法征集有关专家的意见建立初步因子集与相关影响系数，同时选取关键影响因子进行回归算法和时间序列算法模型预测，建立不同因子的最优预测模型。接着结合应急事件和影响因子的相关系数、建立机器学习分类模型，实现对应急事件风险等级预测，根据各应急事件的影响因子间的因果关系，建立多应急事件的整体风险链耦合预测模型；最后基于模型的结果对可能发生的应急风险进行有匹配对应预防与处置方案，实现辅助决策。并结合电站现有资源，提前为应急指挥人员提供科学的应急资源分配实施方案。

3.1 应急风险分析

风险水平是某个(或多个)致灾因子造成某种(或多种)负面后果(如人员伤亡、财产损失等)的概率大小。由于其准确定量计算十分困难，该课题研究主要参考LEC评价风险方法，用事件发生可能性、致灾强度、事故后果进行度量。承灾体可以为人员、设备或建筑，其本身的脆弱性(其自身的易损性和暴露在致灾因子中的程度)，以及受到外部保护或应急响应的情况(应急能力水平衡量)。

为有效构建应急风险因子集，首先采集电站投运以来积累的近十万条运行数据，九万多条气象数据。选取了已发布的24个标准应急预案、26个应急处置方案，近200多次预案演练数据、事故处理经验数据等，所选取的数据量大、范围广、连续性强，对这些数据采用多种方式处理分析，也为后续的模型构建做准备。

通过对采集数据分析，梳理出枕头坝电站已有的应急致灾因子情况，参考行业规定和现场实际运行经验，整理形成危害因素和威胁因素两类因子，应急风险因子分析见图2。结合历史数据及运行经验分析，危害因素是电站最易产生的因素，因此重点针对危害因素的各个因子进行研究。

图2 应急风险因子分析

3.2 模型构建

(1)影响因子及应急事件等级预测模型。应急事件的影响因子多为危害因素，由于各应急事件的情况不同，危害因素中的外部环境因子对应急事件的影响也各不相同。对应急事件的风险等级预估，首先需要对影响该应急事件的影响因子进行预测。考虑到该次选取的影响因子温度、库水位、气象、水流量等的特征较多，除了其他的环境变量的影响外，影响因子间还存在一定的自相关特性，因此选取多机器学习回归算法，对影响因子进行预测。

通过分析影响各特征因子和影响因子间的相关性以及各影响因子的自相关性，建立相关性网络。使用机器学习算法(局部加权回归、K近邻回归)和时间序列算法进行建模，将影响各影响因子的特征因子和自相关性输入至不同的模型算法中进行训练和验证，评估模型的泛化能力，对影响因子进行预测。建立模型结果评估体系，包括但不限于拟合优度R方、平均绝对误差MAE、均方误差MSE、均方根误差RMSE等评估指标，对各模型算法的预测结果进行评估，选取最优预测算法。

(2)基于多特征分析的应急事件风险等级预测模型。考虑到应急事件的多样性和影响应急事件的影响因子的多样性，基于大数据技术分析，采用多维度多层级的机器学习算法。根据影响因子和应急事件之间的相关性分析结果，提取各应急事件的主控因子，建立应急事件风险等级预测模型。该课题中采用朴素贝叶斯分类算法、随机森林算法、基于softmax的logistic算法，对应急事件风险等级进行预测，具体如下：

使用机器学习算法建立应急事件风险等级预测模型，将影响应急事件的影响因子和主控因子输入至各模型算法中进行学习和训练，评估模型的泛化能力，调整各模型算法参数；将影响因子预测模型中得到的影响因子预测结果输入至训练后的应急事件风险等级预测模型中，对应急事件风险等级进行预测。建立PRF分类评价体系，对模型分类结果进行评估，优选出最优分类算法。其中，PRF分类评价体系包括准确率、召回率和F1值(F1-score)。

(3)基于KSIM的恶劣天气风险链耦合预测模型。在应急事件的影响因子中，有很多影响因子将影响多个应急事件风险等级。不同应急事件的影响因子中，大部分影响因子是相同的，即一个影响因子可能会对多个应急事件产生影响，且多应急事件中，不同事件之间存在关联关系，并产生相互影响，导致应急事件的风险等级产生变化。

该课题研究中，因时间短、数据多、任务重，选择从恶劣天气出发，采用KSIM预测法(Kane Simulation Model)，基于交叉影响分析，推导引发的其他应急事件，结合应急事件和影响因子的相关系数、应急事件风险等级预测结果、各应急事件的相关性、发生该应急事件的严重程度等因素，建立多应急事件的整体风险链耦合预测模型，对电站的整体应急事件风险进行评估，实现超前预警，保证电站的安全运行。

(4)应急人员能力与安排分析。在应急预案处理中，针对不同的应急地点、应急岗位，需有不同的应急人员安排。而现有的应急人员安排多为管理者根据应急人员日常表现及所在岗位等，人为进行应急工作安排，缺乏数据支撑和量化分析，容易因应急工作安排不恰当而导致应急事件不能达到及时有效处理。该课题中，通过采集到的工作人员的应急能力数据，量化数据特征，形成多特征维度的综合评价体系，采用BIRCH层次聚类算法，对应急人员进行应急能力画像分析，得到应急人员应急能力的综合评价，为应急处置工作安排提供数据支撑。

4 研究成果应用

课题研究中选用2020年汛期大渡河流域强降雨期间的数据，对该研究的思路及构建的模型进行验证，通过搭建的防汛应急指挥系统以可视化的方式展现出应急风险分析、应急事件预测、应急预案及相应处置方式推荐的全流程的辅助决策内容[3]。通过模型计算预测，得出“全站停电事故”发生概率超过阈值，同时给出相应的处置方案：

(1)增加2人支援运行夜班。

(2)安排保护专业人员检查枕深线线路保护装置运行状态。

(3)安排专人对厂房、机组、排水泵、出线场等重点部位的巡视检查。

(4)备足防汛沙袋，检查厂房门口、尾水平台防汛物资齐备。

(5)维护人员准备好应急排水泵，并进行检查。

(6)防汛应急皮卡进入待命状态。

(7)建议启动防恶劣天气应急预案、全站停电事故应急预案、厂用电中断事故处置方案的演练。

在处置方案的具体实施过程中，系统结合人员画像系统，根据不同的处置项目，快速匹配维护和运行人员，合理推荐安排应急人员及应急任务，依据应急处置进程和应急资源的数据进行相应的调配，对整个应急处置过程进行跟踪，根据不同应急状态更新处置策略。应急处置完毕后结合处置过程的反馈数据，自动形成应急处置报告，为后续的优化提升积累经验和提供指导。

5 结 语

该课题研究通过分析近年实际运行数据，深入挖掘数据价值，构建应急处置辅助决策模型，将模型融入枕头坝水电站应急管理，加快“智能自主，人机协同”智慧电厂建设[4]。研究成果提供了一种全新的应急处置模式，将传统的依靠人工启动应急预案的方式转变为通过机器自学习启动。变应急处置的被动应对为主动出击；将应急处置从简单的因果关系角度提升到时空的维度中。根据不同时期、不同灾害的威胁程度，有针对性地制定应急对策，实现了应急管理的全面覆盖和综合应对[5],也是数据驱动管理模式变革的大胆尝试。

该研究成果建立的基于多机器学习算法和时间序列算法的应急预案高发时段预测数据模型，结合气象、水文信息，做出应急预案高发时段预测，为应急指挥人员提供合理的应急处置建议，有效提高事故处理效率，降低了经济损失。但受限于当前所采集到的数据量，仍需通过更多的数据和应用实践进一步验证和改进模型，不断地优化算法，实现更准确的预测。