大型流域工程建设风险预警与管控研究

张 志 豪， 李 善 平， 王 力， 刘 金 飞

(1.中国电建集团成都勘测设计研究院有限公司，四川 成都 610072；2.国能大渡河流域水电开发有限公司，四川 成都 610041)

0 引 言

水电工程数字化和智能化往往针对某类具体业务需求开展研究与应用。随着计算机技术发展和流域整体风险管控需求的增长，数字流域研究已成为水电工程数字化研究领域的新热门方向，如数字雅砻江、智慧金上[1]等，但目前尚处于起步阶段，主要侧重于数据的集成和展示，尚未通过对工程数字化中积累的海量实时监控数据的分析和挖掘，实现对电站级、流域级的风险自动识别、预警和辅助决策。

如何适应水电开发的发展形势和前沿技术的发展，进行管理创新；如何结合流域层级工程建设综合管理职能，研究建立智慧工程风险预警管控体系；如何基于电站层级智能化建设所积累的海量数据，研究风险自动识别和管控模型；如何打通流域各电站开发过程状态监控数据，建立企业工程建设大数据中心，在项目公司日常管理智能化的基础上，研发流域工程建设管控平台，以工程重大安全、质量、进度、投资、环保问题和关键部位管理为重点，通过大数据及决策分析模型，对各管理要素趋势性、系统性问题的分析、预警、决策与综合管理，实现工程建设管理的自动预判、自主决策、自我演进等，是相关领域研究发展的趋势[2-5]。

1 智慧工程建设管控分级预警指标体系

分级指标体系，是按照流域级、集团级工程管控需求，从各工程建设期、运维期产生海量数据中抽丝剥茧而形成的关键管控信息，这些关键指标的数据、历史趋势、关联约束等信息，将时刻反馈出一个电站工程在建设、运维期的整体状态、项目管理情况，是各电站工程的关键控制性指标[6-8]。

(1)安全管控指标。重大安全隐患数量、隐患整改及时率、安全事故数量；安全检查隐患整改完成率、危险源(点)在控情况、安全习惯性违章、危险源(点)在控率、安全生产费用投入、人员安全培训、安委会召开次数、特种作业；增加安全监测指标。

(2)质量管控指标。如机电工程质量管控指标、检测频次(原材料、半成品和成品)完成率、单元工程质量评定合格率、单元工程质量评定优良率、检测不合格数量整改率。

(3)投资管控指标。如年度投资完成偏差率、资金计划完成率、进度与投资偏差率、预计造价增减率、甲供材料使用率、备用资金使用率、保险项目结案率。

(4)环水保管控指标。环水保设施按时投用率、珍稀动植物保护区变化指标、环保水保投资完成率、环保水保问题整改率、环境监测数据合格率、“三同时”措施任务完成率[9-10]。

(5)进度与投资协同管控指标。进度完成率与投资完成率的匹配性指标，如挣值法。

(6)枢纽与移民的进度匹配度。

(7)枢纽与送出的进度匹配度。

2 智慧工程建设管控算法模型

围绕预警指标体系，以数据挖掘为基础、以算法模型为核心、以应用场景为主线，按照“大感知、大传输、大存储、大计算、大分析”的要求，从数据来源、算法模型、应用场景等展开研究，逐一落实形成数据驱动管理的管控模型。具体工作包括[11]：

(1)指标项计算模型。包括上述指标体系中各指标项的数据来源、计算公式、分级阈值等。

(2)预警阈值的自适应模型。部分预警阈值需根据历史状况、工程阶段等条件进行动态调整，如边坡变形速率等。

(3)风险原因分析相关性模型。如施工质量与工序质量的相关性[12]，与管理人员到岗到勤率的相关性等，用于系统自动分析风险的原因、支撑风险处置决策。

3 智慧工程风险决策支持体系

以问题导向，解决工程建设中的实际问题，围绕预警指标体系，分析各项预警指标异常时，可能的原因及应对策略分析，形成相应的决策支持体系[13]。具体工作包括：

(1)制定风险决策支持响应流程。当预警产生，根据风险原因分析结果，驱动预警指标相关特征数据与知识融合，匹配决策知识库对应处理方案，由用户研究并选择处理方案，跟踪方案处理结果，并将其经验凝练形成知识存入决策知识库[14]。

(2)决策知识库的构建。以工程进度、质量、安全、投资、环保五控制管控为重点划分知识库，并对各管控要素知识以及措施方案按照说明性知识、过程性知识进行总结、分类、组织。以进度管控为例主要包括：

①资源配置影响知识；

②工期优化知识；

③费用优化知识；

④资源优化知识；

⑤类似工程纠偏案例知识；

⑥施工技术影响知识；

⑦赶工风险知识等。

4 智慧工程管控平台

面向大渡河工程管理大部制的管理职能，研发流域工程管控数据中心平台。以智慧工程风险预警管控体系及管控模型为基础，以大渡河智慧企业大数据中心为支撑，在项目公司日常管理智能化的基础上，以工程重大安全、质量、进度、投资、环保问题和关键部位管理为重点，通过大数据及决策分析模型，对各管理要素趋势性、系统性问题的分析、预警、决策与综合管理，实现工程建设管理的自动预判、自主决策、自我演进[15]。系统覆盖大屏、移动端，包含基础与特色功能。

4.1 智慧工程管控平台基础功能

4.1.1 智慧工程管控平台(大屏端)

含流域综合展示模块、前期管理、安全管控模块、投资管控模块、环水保管控模块、科技管理模块、机电工程管控模块、移民工程管控模块、送出工程管控模块、多维度协同管理、知识库、预警信息分级管控等。

4.1.2 智慧工程管控平台(移动端)

对接移动基础平台、前期管理展示与查询、安全管控模块展示查询、投资管控模块展示查询、环水保管控模块展示查询、科技管理展示查询、机电工程管控模块查询展示、移民工程管控模块查询展示、送出工程管控模块查询展示、个人管理。

4.2 智慧工程管控平台特色功能

4.2.1 工程建设全生命周期高阶管理

以项目公司智能化建设为基础，建立标准统一、流程规范、业务量化的工程管控体系，体现公司层级从发展规划、项目立项、前期设计、建设实施、竣工验收、移交运营到工程寿命终止的全阶段、全周期的重点管理。

4.2.2 工程建设全方位风险预警、全要素智能调控

通过对工程建设过程中各种风险数据管理和管控模型分析，对接国电大渡河大数据中心，打通建设中业主、设计、监理、施工、政府等相关方的数据，与各电站的智慧工程建设共同形成工程安全、质量、进度、投资、环保与机电、移民搬迁等专业的大感知、大传输、大储存、大数据、大计算、大分析的管控体系，实现全方位、全过程风险识别，全专业、全要素智能调控。

4.2.3 管控对象及业务可视化

掌控流域工程建设当前的整体状态(对象可视化)，实现业务过程计划、实际、偏差的度量(业务可视化)，监控管控要素的状态(数据可视化)。

4.2.4 管控流程的固化与优化

针对工程开工、工程核准、移民手续、环保手续、送出审批、风险分级预警与处理等流程[16]，固化在工程管控平台，优化处理流程体验，实现系统自动提醒与失效预警。

4.2.5 大数据相关性分析模型

利用大数据分析技术，通过数据挖掘和相关性分析，建立工程五控制(安全、质量、进度、投资、环保)分析预测模型。

4.2.6 数据驱动的人机交互决策

系统根据预警原因匹配措施库，以友好的界面展示，通过人性化的交互方式供决策者确定预警原因、选择处理措施，做出决策[17]。

4.2.7 重大风险的预警及处置闭环管理

工程管控平台辅以移动端APP，实现工程建设五要素的风险识别、分级预警、辅助决策、处理反馈、措施优化的闭环管理。

4.2.8 远程诊断会商

建立远程会商平台，进行公司、项目部、工地现场、外部专家等多方即时沟通，对工程设计方案、施工方案、工程进度质量等进行论证和交流[18]。

4.2.9 措施库、知识库自我演进

基于爬虫技术的知识库自我扩充；知识库-支撑自主决策-处理反馈-扩充知识库的自我演进机制；基于用户喜好的知识个性化推送[19]。

4.2.10 建立智慧工程建设长效监控机制

项目公司智能化建设进展监控；系统应用情况(数据稽核、用户数量、使用次数)监控与预警；建设效益统计分析。

5 应用场景示例

针对土石坝施工过程中可能出现的质量问题，对应用场景进行示例。

5.1 数据采集

土石坝施工过程中，土石料碾压是施工质量控制的重点环节。在施工过程中，利用物联网技术实时采集的碾压范围、碾压遍速等自动采集数据，以及压实度等人工采集数据。这些数据通过工程现场各类APP、系统实时汇集，并在各业务系统中进行分析和处理，同时，数据通过筛选后，进入大渡河工程数据中心，并按照分级预警指标体系进行数据筛选，形成预警体系的基础数据。

5.2 指标预警

当指标出现异常时，系统应首先判断该指标预警的可信度，排除如数据污染或填报错误等原因造成的异常预警。对无法排除异常情况的预警，则进入指标预警处置体系，系统自动推送主要指标预警，如大坝填筑单元工程优良率持续下降。同时，系统根据指标间的关联关系(同类业务、同部位等)，自动推送次要指标数据，如大坝填筑单元工程优良率指标相关的心墙料检测合格率、碾压行驶速度、铺料厚度、碾压覆盖范围、碾压遍数等指标，从以上指标中，系统将自动筛选出有明显异常情况的指标(通常情况下在主要指标未预警的情况下，次级指标并不作为流域级工程管理预警指标)。用户可通过主要预警指标的数据特征与次级指标的异常情况，分析异常情况的可能原因。

5.3 存在的风险

系统自动针对指标预警情况进行风险提示。系统将利用风险关联模型，根据预警指标的具体类型，提取对应可能发生的风险，推送至管理层。风险管理模型具备预设及人工筛选功能，通过大量样本的决策选择机制，优化关联关系。推送的风险结果将包含如风险发生的可能性、风险的严重性等相关信息，为管理决策提供风险评估的支撑数据。

5.4 风险原因

系统对主要指标预警及次要指标异常情况进行综合分析判断，根据指标—原因关联关系，从原因库中提取可能造成指标异常及预警的原因。如当系统推送大坝填筑单元工程优良率持续下降指标预警时，进一步筛选关联次级指标，挖掘心墙料检测合格率、碾压覆盖范围两个次级指标数据异常[20]。系统根据以上结果，遍历原因库，通过预设指标-原因关联关系，筛选出可能的原因包括现场交底不足、现场管控不足、碾压宽度不达标等。管理人员可根据规范、经验及现场具体情况对推送原因进行调整、修改，并对原因分析结果进行确认。确认后的指标—原因结果将反馈至系统，为下一次原因分析提供训练、分析样本。

5.5 风险原因模型判断

由于影响工程预警指标的原因是多元的，不仅需要判断造成风险的原因种类，还应当分析原因对风险的占比或贡献度。因此，系统应提供风险原因分析模型，模型提供风险-原因贡献度预设指标，管理员可通过对实际的了解、调查，调整风险-原因之间的关系或贡献占比，并将样本反馈至系统，系统通过多次的成果反演，将实现风险原因判断的自我演进和真实趋近[21]。

5.6 决策支持

针对预警情况、风险原因分析结果，系统还提供决策支持功能，基于措施库、案例库中的数据资料，根据风险-原因-措施之间的关联关系，推送潜在可解决问题的措施。同时，类似原因分析及风险分析，用户可对措施预案的合理性、关联性进行调整、新增，系统将自动对结果进行分析，通过样本训练调整关联关系。如针对土石坝碾压施工交底不足的情况，从措施库中可获得决策支持包括以控制碾压参数为主，以试坑法检测干容重为辅的“双控”法进行质量检测、“按规定的错距宽度进行碾压，低速行走。反馈振动碾压操作人员，提示运行位置、碾压遍数、行车速度等标识”。措施库基于规范建立，确保其可行性和正确性。

5.7 预警闭合

通过系统对风险、原因、措施等环节的相关分析成果(含预警情况、原因分析结果、风险告知结果、措施预案)推送至流域级工程管理部门及项目管理人员，各方应对预警情况进行反馈，并形成预警处理闭环。

6 结 语

在水电站项目层级数字化、智能化建设的技术、数据和系统建设成果的基础上，聚焦工程重大安全、质量、进度、投资、环保问题和关键部位管理等管控重点，建立流域风险指标体系，利用大数据分析技术，研究并建立水电水利领域智慧工程风险预警模型、风险决策模型，对各管理要素趋势性、系统性问题的分析、预警、决策与综合管理，通过流域智慧工程管控平台，实现工程建设管理的自动预判、自主决策、自我演进，对提升大型流域水电工程建设智能化管控水平、应对新形势下水电开发面临的挑战，具有重要意义。