基于水电站应急指挥的决策方法、存储介质及电子设备

技术领域

本申请涉及水电站应急管理技术领域，具体而言，涉及一种基于水电站应急指挥的决策方法、存储介质及电子设备。

背景技术

水电站在日常运行过程中，会面临气象、地质、设备、水文等多方面灾害的威胁，当这些灾害发生时，需要现场值守人员立即按照应急预案进行应急处置，此时应急指挥具有涉及人员多、设备多、时间紧、过程复杂度高等特点，对值守人员的正确应对具有较大的挑战；在实际过程中一个应急事件出现时往往会引发多个应急预案同时启动，对应急处置水平提出了更高的要求，需要短时间内实现对多项应急处置资源的快速调配和部署，严重依赖于应急指挥人员的个人技能水平，对处置效果带来极大的不确定性。这些情况，往往导致应急处置失效，事故范围的扩大，给电站的安全稳定和设备财产安全带来极大的威胁。因此，开展基于水电站生产应急指挥的辅助决策相关研究，迫在眉睫。

发明内容

本申请的目的在于提供一种基于水电站应急指挥的决策方法、存储介质及电子设备，用以改善现有技术中存在的应急响应速度慢和应急效率低的技术缺陷。

第一方面，本申请实施例提供了一种基于水电站应急指挥的决策方法，方法包括：将基于若干组应急数据获得的多个影响因子输入至影响因子预测模型，获取相对应的影响因子预测值，其中，应急数据具有多种类型，影响因子用于表征与水电站应急指挥相关的致灾类型，一个影响因子对应至少一个应急事件；将影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值；基于应急事件风险等级预测值进行耦合预测，并根据耦合预测结果确定辅助决策。

结合第一方面，在第一种可能的实现方式中，将基于若干组应急数据获得的多个影响因子输入至影响因子预测模型，获取相对应的影响因子预测值，包括：基于各个影响因子间的相关性和每个影响因子的自相关性，获得影响因子的相关性参数和每个影响因子的特征参数；将影响因子的相关性参数和特征参数同时输入至若干个机器学习回归模型和若干个时间序列模型进行预测，其中，至少两个机器学习回归模型的类型不同，至少两个时间序列模型的类型不同；建立预测结果评估模型，对各个机器学习回归模型和各个时间序列模型的预测结果进行评估，选取最优预测模型；将最优预测模型输出值确定为多个影响因子分别相对应的影响因子预测值。

结合第一方面，在第二种可能的实现方式中，将影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值，包括：基于若干个机器学习分类算法模型建立应急事件预测模型，并使用多个应急事件对应的所有影响因子、每个应急事件对应的主控因子和每个应急事件的应急事件风险等级训练应急事件预测模型，获得应急事件风险等级预测模型，其中，应急事件风险等级预测模型包括若干个分类预测模型；将多个影响因子分别相对应的影响因子预测值输入至应急事件风险等级预测模型，获得多种分类预测结果；对多种预测分类结果进行评估，从应急事件风险等级预测模型中确定出最优分类预测模型；将最优分类预测模型输出值确定为多个影响因子分别对应的应急事件风险等级预测值。

结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，将所述影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值，还包括：判断影响因子是否包含重要标识，若是，根据重要标识确定影响因子对应的应急事件，并将该包含重要标识的影响因子确定为该影响因子对应的应急事件的主控因子。

结合第一方面的第一种可能的实现方式，在第四种可能的实现方式中，基于所述应急事件风险等级预测值进行耦合预测，并根据耦合预测结果确定辅助决策，包括：基于多种应急事件风险等级预测值、多种影响因子的相关性参数和KSIM预测法，建立多应急事件风险耦合预测模型；根据多应急事件风险耦合预测模型的耦合预测结果，确定处理应急事件的应急人员和应急处理预案。

结合第一方面，在第五种可能的实现方式中，在将基于若干组应急数据获得的多种影响因子输入至影响因子预测模型，获取相对应的影响因子预测值之前，方法还包括：获得预设时长内与水电站应急指挥相关的所有应急数据，其中，应急数据包括特征量数据、应急指挥处理数据和气象数据；对所有应急数据进行预处理，获得统一格式后的若干组应急数据，其中，预处理包括：删除过滤无效数据、填补应急数据中的缺失值和数据归一化处理；基于统一格式后的若干组应急数据，获得多种与水电站应急指挥相关的应急致灾因子。

结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，在基于统一格式后的若干组应急数据，获得多种与水电站应急指挥相关的应急致灾因子之后，在将基于若干组应急数据获得的多种影响因子输入至影响因子预测模型，获取相对应的影响因子预测值之前，方法还包括：根据预设规则，将多种应急致灾因子划分为危害因素和威胁因素，其中，危害因素用于表示水电站高发频率的应急致灾因子，威胁因素用于表示水电站低发频率的应急致灾因子；将危害因素对应的应急致灾因子确定为影响因子。

结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，在将危害因素对应的应急致灾因子确定为影响因子之后，方法还包括：对与影响因子相对应的应急事件进行风险等级评定，确定每个影响子对应的应急事件的应急事件风险等级，其中，应急事件等级用于表示应急事件的风险高低。

第二方面，本申请实施例提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被计算机运行时执行如第一方面及结合第一方面的任一种可能的实现方式中的基于水电站应急指挥的决策方法。

第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器、通信总线、通信接口以及存储器；通信总线分别连接处理器、通信接口和存储器；存储器存储有计算机可读取指令，当所述处理器执行可读取指令时，运行如第一方面及结合第一方面的任一种可能的实现方式中的基于水电站应急指挥的决策方法。

与现有技术相比，本发明的有益效果为：本申请实施例提供了一种基于多特征分析混合机器学习算法的水电站应急指挥的决策方法，结合多年气象数据、水文数据、设备数据、应急预案和应急人员配置数据，实现多源数据的科学化、结构化关联管理，可以提前为应急指挥人员提出科学的人员、物资、车辆、措施等应急处置实施的方案，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，从而提高了应急响应速度和应急处理效率。

附图说明

图1为本申请实施例提供的一种电子设备的示例性结构框图；

图2为本申请实施例提供的一种基于水电站应急指挥的决策方法的流程示意图；

图3为本申请实施例提供的另一种于水电站应急指挥的决策方法的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参阅图1，本申请一些可能的实施例提供了一种电子设备10。电子设备10可以为个人电脑(Personal Computer，PC)、平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)等，或电子设备10可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。

进一步地，电子设备10可以包括：存储器111、通信接口112、通信总线113和处理器114,其中，处理器114、通信接口112和存储器111通过通信总线113连接。处理器114用于执行存储器111中存储的可执行模块，例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，电子设备10也可以具有其他组件和结构。

其中，存储器111可能包含高速随机存取存储器(Random Access Memory RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

通信总线113可以是ISA总线((Industry Standard Architecture，工业标准体系结构)、PCI总线(Peripheral Component Interconnect，外设部件互连标准)或EISA总线(Extended Industry Standard Architecture，扩展工业标准结构)等。通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器114可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器114中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器114可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcess,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。

本发明实施例定义的装置所执行的方法可以应用于处理器114中，或者由处理器114实现。处理器114可以通过与电子设备10中其它模块或者元器件配合，从而执行基于水电站应急指挥的决策方法。下面将对基于水电站应急指挥的决策方法的执行进行详细地说明。

请参阅图2和图3，本申请一些可能的实施例提供了一种基于水电站应急指挥的决策方法，方法包括：步骤S11、步骤S12和步骤S13。

步骤S11：将基于若干组应急数据获得的多个影响因子输入至影响因子预测模型，获取相对应的影响因子预测值，其中，应急数据具有多种类型，影响因子用于表征与水电站应急指挥相关的致灾类型，一个影响因子对应至少一个应急事件；

步骤S12：将影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值；

步骤S13：基于应急事件风险等级预测值进行耦合预测，并根据耦合预测结果确定辅助决策。

下面对该基于水电站应急指挥的决策方法的执行流程做详细的说明。

在步骤S11之前，基于水电站应急指挥的决策方法还包括：获得预设时长内与水电站应急指挥相关的所有应急数据，其中，应急数据包括特征量数据、应急指挥处理数据和气象数据；对所有应急数据进行预处理，获得统一格式后的若干组应急数据，其中，预处理包括：删除过滤无效数据、填补应急数据中的缺失值和数据归一化处理；基于统一格式后的若干组应急数据，获得多种与水电站应急指挥相关的应急致灾因子。

详细地，收集水电站应急事件的相关数据，与水电站应急事件的相关数据包括：特征量数据、应急指挥处理数据和气象数据等。具体地，特征量数据包括应急事件发生的原因；应急指挥处理数据包括应急事件处理预案；气象数据包括：温度、降雨量、流量和水位。作为一种可能的实施方式，与水电站应急事件的相关数据还包括：应急人员应急能力数据，应急人员应急能力数据为通过采集到的与应急人员相关的管理年限、管理权限和工作岗位采用BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)层次聚类算法综合计算获得的，应急人员应急能力数据可以客观的反映出应急人员的应急能力。

在本申请实施例中，预设时长为距离最近五年，对获得的所有应急数据进行预处理。通过应急数据预处理，统一数据格式，删除无效数据、过滤错误数据、数据进行归一化等方式，确保应急数据的完整性、全面性、合法性、唯一性，剔除应急数据中的异常，对于应急数据中的缺失值使用邻近值进行填补，最终获得多种与水电站应急指挥相关的应急致灾因子。

作为一种可能的实施方式，在获得多种与水电站应急指挥相关的应急致灾因子之后，方法还包括：根据预设规则，将多种应急致灾因子划分为危害因素和威胁因素，其中，危害因素用于表示水电站高发频率的应急致灾因子，威胁因素用于表示水电站低发频率的应急致灾因子；将危害因素对应的应急致灾因子确定为影响因子。具体地，预设规则根据水电站该行业规定和水电站的现场实际运行经验，将多种应急致灾因子划分为危害因素和威胁因素，其中，危害因素是水电站容易产生的因素，发生频率较高，因此，针对确定为影响因子的危害因素进行特征数据工程，以应急事件相关系数，例如，Spearman秩相关系数、kendall秩相关系数，建立危害因素因子的特征研究。

在将危害因素对应的应急致灾因子确定为影响因子之后，方法还包括：对与影响因子相对应的应急事件进行风险等级评定，确定每个影响子对应的应急事件的应急事件风险等级，其中，应急事件等级用于表示应急事件的风险高低。在本申请实施例中，进行风险等级评定的采用LEC评价法。该方法用与系统风险有关的三种因素指标值的乘积来评价操作人员伤亡风险大小，风险分值D＝LEC，其中，L为事故发生可能性，E为人员暴露于危险程度，C为事故后果。D值越大，说明该系统风险越大。对不同的风险值，采取离散的方法，划分为不同的应急事件等级，具体的应急措施包括：增加安全措施、改变发生事故的可能性、减少人体暴露于危险环境中的频繁程度和减轻事故损失。通过上述步骤，确定出与水电站应急指挥相关的影响因子以及影响因子与应急事件风险等级。

步骤S11：将基于若干组应急数据获得的多个影响因子输入至影响因子预测模型，获取相对应的影响因子预测值，其中，应急数据具有多种类型，影响因子用于表征与水电站应急指挥相关的致灾类型，一个影响因子对应至少一个应急事件。

详细地，基于各个影响因子间的相关性和每个影响因子的自相关性，获得影响因子的相关性参数和每个影响因子的特征参数；将影响因子的相关性参数和特征参数同时输入至若干个机器学习回归模型和若干个时间序列模型进行预测，其中，至少两个机器学习回归模型的类型不同，至少两个时间序列模型的类型不同；建立预测结果评估模型，对各个机器学习回归模型和各个时间序列模型的预测结果进行评估，选取最优预测模型；将最优预测模型输出值确定为多个影响因子分别相对应的影响因子预测值。

应急事件的影响因子多为危险因素，由于各应急事件的情况不同，危害因素中的外部环境因子如气象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，需要对影响该应急事件的影响因子进行预测。

在对应急事件的影响因子进行分析时，需要对应急事件的影响因子进行相关性分析，得到各个影响因子的特征参数和影响因子的相关性参数，建立多个影响因子的相关性网络，其中，影响因子的相关性参数包括：影响因子间的相关性以及各个影响因子的自相关性，特征参数表示影响该影响因子的参数。

除了外部环境因子的影响外，影响因子间还存在一定的自相关特性。因此采用机器学习回归算法，对影响因子进行预测。在本申请实施例中，机器学习回归算法包括局部加权回归算法(Local Weighted Regression，LWR)和K近邻回归(k-Nearest NeighborAlgorithm for Regression，KNN回归)。由于部分影响因子受天气、季节等多方面影响较大，可通过时间序列预测分析方法对其进行分析预测，本课题中采用ARIMA算法和Holt-Winters算法两种时间序列模型来对时间序列的影响因子进行预测。ARIMA算法对时间序列数据进行差分运算使其平稳化，Holt-Winters算法则基于加法模型构建，其可对存在年、周、季节乃至假期等因素的非线性趋势进行拟合，对时间序列数据都具有极强的预测能力。

使用若干个类型的机器学习回归算法和若干个类型的时间序列算法进行建模，将影响各影响因子的特征参数和影响因子的相关性参数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。影响因子输入多个机器学习回归模型和时间序列模型中，输出每个模型下对应的影响因子输出值。

建立预测结果评估模型，包括：拟合优度R方、平均绝对误差MAE、均方误差MSE和均方根误差RMSE评估指标，通过对各模型算法的预测结果进行评估，选取最优预测模型和最优预测模型对应的最优预测算法，并将最优预测模型输出值确定为多个影响因子分别相对应的影响因子预测值。

在多个模型中选取出最优预测算法，这是由影响因子本身所具有的特征所决定的，不同的影响因子具有的特征不同，从影响因子预测模型中选取出的最优预测模型是不同的。

步骤S12：将影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值。

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，，基于影响因子和应急事件之间的相关性分析结果和各应急事件的主控因子采用多维度多层级的机器学习分类算法，建立应急事件风险等级预测模型。

详细地，基于若干个机器学习分类算法模型建立应急事件预测模型，并使用多个应急事件对应的所有影响因子、每个应急事件对应的主控因子和每个应急事件的应急事件风险等级训练应急事件预测模型，获得应急事件风险等级预测模型，其中，应急事件风险等级预测模型包括若干个分类预测模型；将多个影响因子分别相对应的影响因子预测值输入至应急事件风险等级预测模型，获得多种分类预测结果；对多种预测分类结果进行评估，从应急事件风险等级预测模型中确定出最优分类预测模型；将最优分类预测模型输出值确定为多个影响因子分别对应的应急事件风险等级预测值。

作为一种可能的实施方式，判断影响因子是否包含重要标识，若是，根据重要标识确定影响因子对应的应急事件，并将该包含重要标识的影响因子确定为该影响因子对应的应急事件的主控因子。即人工标注每个应急事件的主控因子，其中，主控因子表示与该应急事件的相关性最大的影响因子。

在本申请实施例中，多种机器学习分类算法包括：朴素贝叶斯分类算法(NaiveBayesian Classifier，NBC)、随机森林算法(Random Forest，RF)、基于softmax的logistic算法。

使用多种机器学习分类算法建立应急事件预测模型，即应急事件预测模型包括多种机器学习分类模型；并使用多个应急事件对应的所有影响因子、每个应急事件对应的主控因子和每个应急事件的应急事件风险等级训练应急事件预测模型，并评估模型的泛化能力以调整应急事件预测模型内各个模型算法参数以获得应急事件风险等级预测模型。

将多个影响因子分别相对应的影响因子预测值输入至应急事件风险等级预测模型，对应急事件风险等级进行预测，获得多种分类预测结果。建立PRF分类评价体系，对多种分类预测结果进行评估，优选出最优分类算法，并将最优分类预测模型输出值确定为多个影响因子分别对应的应急事件风险等级预测值，其中，PRF分类评价体系包括准确率(Precision)、召回率(Recall)和F1值(F1-score)。

步骤S13：基于应急事件风险等级预测值进行耦合预测，并根据耦合预测结果确定辅助决策。

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，有很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，有很多应急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。

在本申请实施例中，基于气象数据，选取出恶劣天气中的水电站的应急事件和影响因子，基于多种应急事件风险等级预测值、多种影响因子的相关性参数和KSIM(KaneSimulation Model，KSIM)预测法，建立多应急事件风险耦合预测模型；根据多应急事件风险耦合预测模型的耦合预测结果，确定处理应急事件的应急人员和应急处理预案。通过这种方法流程，可以基于交叉影响分析，推导一种影响因子引发其他应急事件的可能性，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。

通过本申请实施例提供的基于水电站应急指挥的决策方法，可以根据影响因子预测模型和应急事件风险等级预测模型，建立应急预案处置措施，包括对人员的提前安排、各项物资的提前准备、车辆的优化调度和事故的预防措施等，为应急指挥人员提供辅助决策，提前做好事故预防，确保设备安全、高效的运行。

综上所述，本申请实施例提供一种基于水电站应急指挥的决策方法，方法包括：将基于若干组应急数据获得的多个影响因子输入至影响因子预测模型，获取相对应的影响因子预测值，其中，应急数据具有多种类型，影响因子用于表征与水电站应急指挥相关的致灾类型，一个影响因子对应至少一个应急事件；将影响因子预测值输入至应急事件风险等级预测模型，获取应急事件风险等级预测值；基于应急事件风险等级预测值进行耦合预测，并根据耦合预测结果确定辅助决策。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。