靳 帥, 蔣 敏, 田 若 朝
(國能大渡河枕頭壩發(fā)電有限公司,四川 樂山 614700)
傳統(tǒng)的水電站應(yīng)急預(yù)案演練通常通過預(yù)設(shè)一個邊界條件,針對某一個突發(fā)狀況開展對應(yīng)預(yù)案的應(yīng)急演練,而實際情況一般比較復(fù)雜。一個應(yīng)急事件出現(xiàn)時會引發(fā)多個應(yīng)急預(yù)案同時啟動,需要在短時間內(nèi)對多項應(yīng)急處置資源進行快速調(diào)配和部署,這依賴于應(yīng)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(chǎn)運行過程中,應(yīng)急事件發(fā)生時,應(yīng)急指揮人員通常被動應(yīng)對,容易出現(xiàn)頭腦空白,手足無措的狀況?;蚴敲τ诮哟螂娫挘S趹?yīng)對各種詢問,無法有效進行應(yīng)急處置。當某個因素引發(fā)了多個應(yīng)急預(yù)案并發(fā)啟動時,會導(dǎo)致無所適從,組織混亂。因此應(yīng)急處置過程中,大量的時間浪費在物資查找,資源協(xié)調(diào)上,嚴重影響處置效能。
水電站生產(chǎn)應(yīng)急指揮所面臨的困境和難題從本質(zhì)上來講是在多種因素概率條件作用下的綜合預(yù)測決策問題,主要是三個方面的問題,即水電站生產(chǎn)過程中面臨哪些應(yīng)急風(fēng)險、各應(yīng)急風(fēng)險之間有哪些關(guān)聯(lián)關(guān)系、應(yīng)急風(fēng)險發(fā)生后如何處置。針對這些問題,通過對水電站生產(chǎn)過程中各種風(fēng)險數(shù)據(jù)、管理數(shù)據(jù)、環(huán)境數(shù)據(jù)收集與分析,開展全方位、全過程、全要素的風(fēng)險識別、應(yīng)急事件預(yù)判和應(yīng)急處置預(yù)控[1],輔助生產(chǎn)應(yīng)急指揮進行決策,即通過對應(yīng)急風(fēng)險因子分析、應(yīng)急事件的耦合關(guān)系分析、應(yīng)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(chǔ),對電站所處的地理位置、社會環(huán)境、生產(chǎn)工藝流程等因素分析,從對安全生產(chǎn)構(gòu)成重大威脅的自然災(zāi)害、突發(fā)公共衛(wèi)生事件、社會安全事件、安全生產(chǎn)事故等風(fēng)險因素分析著手。通過數(shù)據(jù)分析和模型建立,提前計算事故或災(zāi)害發(fā)生的可能性,對災(zāi)害預(yù)警,指導(dǎo)現(xiàn)場值守人員有針對性地開展應(yīng)急預(yù)案的演練;事故發(fā)生時能夠從容應(yīng)對,并根據(jù)模型給出的處置輔助決策,合理安排應(yīng)急處置工作,對人員、物資、車輛、措施等應(yīng)急物資進行有效配置。當多個應(yīng)急預(yù)案同時啟動時能夠高效應(yīng)對,并根據(jù)災(zāi)害發(fā)生的嚴重程度和影響范圍進行合理的決策,從而實現(xiàn)應(yīng)急事件處置的超前提醒、科學(xué)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
課題根據(jù)枕頭壩水電站長期運行情況及所處區(qū)域典型的安全生產(chǎn)影響因素,有針對性地選取典型特征數(shù)據(jù)。首先采集氣象水情數(shù)據(jù)、設(shè)備隱患數(shù)據(jù)、設(shè)備檢修數(shù)據(jù)、兩票數(shù)據(jù)等歷史數(shù)據(jù),開展相應(yīng)的數(shù)據(jù)預(yù)處理,運用專家調(diào)查法或主觀概率法征集有關(guān)專家的意見建立初步因子集與相關(guān)影響系數(shù),同時選取關(guān)鍵影響因子進行回歸算法和時間序列算法模型預(yù)測,建立不同因子的最優(yōu)預(yù)測模型。接著結(jié)合應(yīng)急事件和影響因子的相關(guān)系數(shù)、建立機器學(xué)習(xí)分類模型,實現(xiàn)對應(yīng)急事件風(fēng)險等級預(yù)測,根據(jù)各應(yīng)急事件的影響因子間的因果關(guān)系,建立多應(yīng)急事件的整體風(fēng)險鏈耦合預(yù)測模型;最后基于模型的結(jié)果對可能發(fā)生的應(yīng)急風(fēng)險進行有匹配對應(yīng)預(yù)防與處置方案,實現(xiàn)輔助決策。并結(jié)合電站現(xiàn)有資源,提前為應(yīng)急指揮人員提供科學(xué)的應(yīng)急資源分配實施方案。
風(fēng)險水平是某個(或多個)致災(zāi)因子造成某種(或多種)負面后果(如人員傷亡、財產(chǎn)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(fēng)險方法,用事件發(fā)生可能性、致災(zāi)強度、事故后果進行度量。承災(zāi)體可以為人員、設(shè)備或建筑,其本身的脆弱性(其自身的易損性和暴露在致災(zāi)因子中的程度),以及受到外部保護或應(yīng)急響應(yīng)的情況(應(yīng)急能力水平衡量)。
為有效構(gòu)建應(yīng)急風(fēng)險因子集,首先采集電站投運以來積累的近十萬條運行數(shù)據(jù),九萬多條氣象數(shù)據(jù)。選取了已發(fā)布的24個標準應(yīng)急預(yù)案、26個應(yīng)急處置方案,近200多次預(yù)案演練數(shù)據(jù)、事故處理經(jīng)驗數(shù)據(jù)等,所選取的數(shù)據(jù)量大、范圍廣、連續(xù)性強,對這些數(shù)據(jù)采用多種方式處理分析,也為后續(xù)的模型構(gòu)建做準備。
通過對采集數(shù)據(jù)分析,梳理出枕頭壩電站已有的應(yīng)急致災(zāi)因子情況,參考行業(yè)規(guī)定和現(xiàn)場實際運行經(jīng)驗,整理形成危害因素和威脅因素兩類因子,應(yīng)急風(fēng)險因子分析見圖2。結(jié)合歷史數(shù)據(jù)及運行經(jīng)驗分析,危害因素是電站最易產(chǎn)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(yīng)急風(fēng)險因子分析
(1)影響因子及應(yīng)急事件等級預(yù)測模型。應(yīng)急事件的影響因子多為危害因素,由于各應(yīng)急事件的情況不同,危害因素中的外部環(huán)境因子對應(yīng)急事件的影響也各不相同。對應(yīng)急事件的風(fēng)險等級預(yù)估,首先需要對影響該應(yīng)急事件的影響因子進行預(yù)測??紤]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(huán)境變量的影響外,影響因子間還存在一定的自相關(guān)特性,因此選取多機器學(xué)習(xí)回歸算法,對影響因子進行預(yù)測。
通過分析影響各特征因子和影響因子間的相關(guān)性以及各影響因子的自相關(guān)性,建立相關(guān)性網(wǎng)絡(luò)。使用機器學(xué)習(xí)算法(局部加權(quán)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(guān)性輸入至不同的模型算法中進行訓(xùn)練和驗證,評估模型的泛化能力,對影響因子進行預(yù)測。建立模型結(jié)果評估體系,包括但不限于擬合優(yōu)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(yù)測結(jié)果進行評估,選取最優(yōu)預(yù)測算法。
(2)基于多特征分析的應(yīng)急事件風(fēng)險等級預(yù)測模型??紤]到應(yīng)急事件的多樣性和影響應(yīng)急事件的影響因子的多樣性,基于大數(shù)據(jù)技術(shù)分析,采用多維度多層級的機器學(xué)習(xí)算法。根據(jù)影響因子和應(yīng)急事件之間的相關(guān)性分析結(jié)果,提取各應(yīng)急事件的主控因子,建立應(yīng)急事件風(fēng)險等級預(yù)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(yīng)急事件風(fēng)險等級進行預(yù)測,具體如下:
使用機器學(xué)習(xí)算法建立應(yīng)急事件風(fēng)險等級預(yù)測模型,將影響應(yīng)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(xué)習(xí)和訓(xùn)練,評估模型的泛化能力,調(diào)整各模型算法參數(shù);將影響因子預(yù)測模型中得到的影響因子預(yù)測結(jié)果輸入至訓(xùn)練后的應(yīng)急事件風(fēng)險等級預(yù)測模型中,對應(yīng)急事件風(fēng)險等級進行預(yù)測。建立PRF分類評價體系,對模型分類結(jié)果進行評估,優(yōu)選出最優(yōu)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(fēng)險鏈耦合預(yù)測模型。在應(yīng)急事件的影響因子中,有很多影響因子將影響多個應(yīng)急事件風(fēng)險等級。不同應(yīng)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(yīng)急事件產(chǎn)生影響,且多應(yīng)急事件中,不同事件之間存在關(guān)聯(lián)關(guān)系,并產(chǎn)生相互影響,導(dǎo)致應(yīng)急事件的風(fēng)險等級產(chǎn)生變化。
該課題研究中,因時間短、數(shù)據(jù)多、任務(wù)重,選擇從惡劣天氣出發(fā),采用KSIM預(yù)測法(Kane Simulation Model),基于交叉影響分析,推導(dǎo)引發(fā)的其他應(yīng)急事件,結(jié)合應(yīng)急事件和影響因子的相關(guān)系數(shù)、應(yīng)急事件風(fēng)險等級預(yù)測結(jié)果、各應(yīng)急事件的相關(guān)性、發(fā)生該應(yīng)急事件的嚴重程度等因素,建立多應(yīng)急事件的整體風(fēng)險鏈耦合預(yù)測模型,對電站的整體應(yīng)急事件風(fēng)險進行評估,實現(xiàn)超前預(yù)警,保證電站的安全運行。
(4)應(yīng)急人員能力與安排分析。在應(yīng)急預(yù)案處理中,針對不同的應(yīng)急地點、應(yīng)急崗位,需有不同的應(yīng)急人員安排。而現(xiàn)有的應(yīng)急人員安排多為管理者根據(jù)應(yīng)急人員日常表現(xiàn)及所在崗位等,人為進行應(yīng)急工作安排,缺乏數(shù)據(jù)支撐和量化分析,容易因應(yīng)急工作安排不恰當而導(dǎo)致應(yīng)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(yīng)急能力數(shù)據(jù),量化數(shù)據(jù)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(yīng)急人員進行應(yīng)急能力畫像分析,得到應(yīng)急人員應(yīng)急能力的綜合評價,為應(yīng)急處置工作安排提供數(shù)據(jù)支撐。
課題研究中選用2020年汛期大渡河流域強降雨期間的數(shù)據(jù),對該研究的思路及構(gòu)建的模型進行驗證,通過搭建的防汛應(yīng)急指揮系統(tǒng)以可視化的方式展現(xiàn)出應(yīng)急風(fēng)險分析、應(yīng)急事件預(yù)測、應(yīng)急預(yù)案及相應(yīng)處置方式推薦的全流程的輔助決策內(nèi)容[3]。通過模型計算預(yù)測,得出“全站停電事故”發(fā)生概率超過閾值,同時給出相應(yīng)的處置方案:
(1)增加2人支援運行夜班。
(2)安排保護專業(yè)人員檢查枕深線線路保護裝置運行狀態(tài)。
(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(yīng)急排水泵,并進行檢查。
(6)防汛應(yīng)急皮卡進入待命狀態(tài)。
(7)建議啟動防惡劣天氣應(yīng)急預(yù)案、全站停電事故應(yīng)急預(yù)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(tǒng)結(jié)合人員畫像系統(tǒng),根據(jù)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(yīng)急人員及應(yīng)急任務(wù),依據(jù)應(yīng)急處置進程和應(yīng)急資源的數(shù)據(jù)進行相應(yīng)的調(diào)配,對整個應(yīng)急處置過程進行跟蹤,根據(jù)不同應(yīng)急狀態(tài)更新處置策略。應(yīng)急處置完畢后結(jié)合處置過程的反饋數(shù)據(jù),自動形成應(yīng)急處置報告,為后續(xù)的優(yōu)化提升積累經(jīng)驗和提供指導(dǎo)。
該課題研究通過分析近年實際運行數(shù)據(jù),深入挖掘數(shù)據(jù)價值,構(gòu)建應(yīng)急處置輔助決策模型,將模型融入枕頭壩水電站應(yīng)急管理,加快“智能自主,人機協(xié)同”智慧電廠建設(shè)[4]。研究成果提供了一種全新的應(yīng)急處置模式,將傳統(tǒng)的依靠人工啟動應(yīng)急預(yù)案的方式轉(zhuǎn)變?yōu)橥ㄟ^機器自學(xué)習(xí)啟動。變應(yīng)急處置的被動應(yīng)對為主動出擊;將應(yīng)急處置從簡單的因果關(guān)系角度提升到時空的維度中。根據(jù)不同時期、不同災(zāi)害的威脅程度,有針對性地制定應(yīng)急對策,實現(xiàn)了應(yīng)急管理的全面覆蓋和綜合應(yīng)對[5],也是數(shù)據(jù)驅(qū)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(xué)習(xí)算法和時間序列算法的應(yīng)急預(yù)案高發(fā)時段預(yù)測數(shù)據(jù)模型,結(jié)合氣象、水文信息,做出應(yīng)急預(yù)案高發(fā)時段預(yù)測,為應(yīng)急指揮人員提供合理的應(yīng)急處置建議,有效提高事故處理效率,降低了經(jīng)濟損失。但受限于當前所采集到的數(shù)據(jù)量,仍需通過更多的數(shù)據(jù)和應(yīng)用實踐進一步驗證和改進模型,不斷地優(yōu)化算法,實現(xiàn)更準確的預(yù)測。