★ 渝能（集团）有限责任公司 张峰

关键词：智慧电厂；报警分级；阈值过滤；多模态通知

当前智慧电厂报警处理多采用传统静态分级或单一阈值过滤方法。前者依据固定标准分级，无法随工况动态调整，易生冗余报警；后者依靠固定阈值判断，难以适应不同设备与工况的参数波动，分级准确率低、过滤不彻底^[1,2]。此外， 传统报警通知多为单一模态与终端，无法匹配报警等级与运维需求，容易导致报警响应延迟^[3]。

为解决上述问题，本文提出了一种分级过滤与多模态协同通知的优化方法：首先采集报警信息，构建多维度权重分级模型实现初步分级，再利用动态阈值过滤算法剔除冗余；通知环节构建等级-模态映射机制，整合多终端设计协同方案，形成完整流程。该方法为智慧电厂提供了高效精准的报警处理方案。

1   报警信息分级过滤方法

1.1   多维度权重分级建模

为量化各指标对报警分级的影响，需要计算各指标权重，本文采用层次分析法完成权重求解。该方法通过构建判断矩阵并进行一致性检验，确保了权重计算的合理性。

计算各指标权重时，首先构建判断矩阵，然后通过对各指标间重要程度进行两两比较，确定判断矩阵元素值。判断矩阵需满足一致性检验，以避免因主观判断偏差导致权重计算结果失真。  一致性检验通过计算一致性指标CI和随机一致性比率CR实现，计算公式如式（1）～（2）所示：

式中，λ_max代表判断矩阵的最大特征值； n代表判断矩阵的阶数，也就是所选指标的数量。CI值越小，表明判断矩阵的一致性越好；当CI为0时，判断矩阵完全一致，此时计算出的指标权重可信度最高。

式中，RI为平均随机一致性指标，其数值根据判断矩阵阶数确定， 可通过查阅相关标准表格获取。当CR小于0 .1时，认为判断矩阵通过一致性检验，可继续计算各指标权重；若CR大于等于0 .1，则需重新调整判断矩阵元素值，直至通过一致性检验。通过一致性检验后，计算各指标权重，将各指标实际数值与对应权重相乘并求和，得到报警信息的综合评分，依据综合评分区间确定报警等级，完成多维度权重分级建模。

1.2   工况动态阈值过滤设计

通过计算窗口内数据的统计特征值，可实现报警阈值的动态调整。滑动窗口内数据均值是重要的统计特征值之一，其计算公式如式（3）所示：

式中，k代表滑动窗口内数据的数量，xi代表滑动窗口内第个运行参数数据^[4]。μ反映了窗口内运行参数的平均水平，作为动态阈值调整的重要参考依据，其数值大小直接影响动态阈值的计算结果，进而影响报警信息的过滤效果。

动态阈值T的计算如式（4）所示：

式中，α为调整系数，可根据电厂设备运行稳定性要求进行设定。不同设备类型与运行工况下α值可灵活调整，以适配多维度权重分级中不同设备重要系数对应的报警需求；б代表滑动窗口内数据的标准差，反映了数据的离散程度，标准差越大，说明参数波动越剧烈，动态阈值范围需相应扩大，以避免误判冗余报警。当报警信息对应的参数值超出动态阈值范围时，判定为有效报警；若在阈值范围内，则判定为冗余报警并予以过滤，从而提高了报警信息的有效性与精准性。过滤后的有效报警信息将进入多模态通知环节，为运维人员提供准确的报警内容。

2   多模态通知方法创新研究

2.1   等级-模态映射机制构建

本文引入模态适配度概念，用于量化不同通知模态对各报警等级的适配程度。模态适配度F需结合运维人员岗位需求与报警等级特性进行计算，其具体计算公式如式（5）所示：

式中， ω1 、ω2 、ω3分别代表传递速度、覆盖范围、信息承载能力的权重系数，且ω1+ ω2 + ω3 = 1 ，可通过专家打分法确定各权重系数值。打分过程需参考不同岗位运维人员对通知性能的需求权重，例如现场巡检人员更关注传递速度，中控室人员更关注信息承载能力；S代表通知模态的传递速度评分； C代表通知模态的覆盖范围评分；Ι代表通知模态的信息承载能力评分。各项评分范围均为0～10分，根据各模态实际性能指标确定具体分值，这些分值的设定需与报警等级对应的处理时效要求相匹配^[5]。

根据模态适配度计算结果，建立报警等级与通知模态的映射关系，其映射关系可通过映射系数表示。映射系数的大小直接决定了模态选择的优先级，其计算公式如式（6）所示：

式中，F为模态适配度； L为报警等级系数。基于前文报警分级结果， 将紧急报警等级系数设为3、重要报警等级系数设为2、一般报警等级系数设为1，等级系数的设定与报警处理时效要求正相关。根据值大小确定各报警等级对应的最优通知模态， 值越大，表明该通知模态越适合对应报警等级，以此构建科学合理的等级-模态映射机制，确保通知方式与报警等级高度适配。

2.2   多终端协同通知实现

为确保各终端间通知传递的协同性，避免信息拥堵或遗漏，需确定各终端的通知优先级。优先级的设定需结合报警等级、运维人员岗位需求以及终端特性，与前文报警处理时效要求和模态适配度紧密关联。终端通知优先级P的计算如式（7）所示：

式中，β1、β2、β3分别代表终端与报警设备距离权重、终端使用频率权重、终端响应速度权重，三者之和为1。通过分析运维人员工作轨迹与终端使用数据确定各权重值，例如现场巡检人员工作轨迹靠近设备，终端与报警设备距离权重β1可适当提高；D代表终端与报警设备的距离评分，距离越近评分越高，这与现场终端适配声光模态、及时提示现场人员的需求相契合；代表终端使用频率评分，使用频率越高评分越高，如中控人员常用中控终端，其使用频率评分较高； 代表终端响应速度评分，响应速度越快评分越高，如移动终端响应速度快，适合重要报警的快速通知。各项评分范围均为0～10分，评分标准需参考报警等级对应的处理时效要求，确保优先级高的终端能优先传递紧急或重要报警信息。

根据终端通知优先级确定各终端的通知顺序后，还需计算各终端的通知时间间隔，避免通知信息同时推送造成信息拥堵，影响运维人员对紧急报警信息的及时关注。时间间隔的设定需与报警等级的紧急程度相关联，紧急报警的时间间隔应更小，确保信息快速传递。通知时间间隔At的计算如式（8）所示：

式中，h为时间间隔系数，根据电厂运维响应要求设定具体数值。对于紧急报警，可设定较小的值，缩短时间间隔，确保各终端快速依次推送；  P为终端通知优先级，优先级越高， P值越大，Δt越小，通知越及时，符合紧急报警优先处理的需求。

3   实验验证

3.1   电厂实测数据测试

本次实验选取某智慧电厂300MW机组的关键设备作为研究对象，首先采集设备连续30天的运行报警数据，划分为5组测试数据，每组包含240条原始报警信息；分别采用本文多维度权重分级+动态阈值过滤方法、传统静态分级方法、单一阈值过滤方法对每组数据进行处理，重点统计三种方法在不同数据组中的报警响应时间。三种方法的报警响应时间对比结果如图1所示。

图1 三种方法的报警响应时间对比结果图

由图1可知，在5组不同实验数据中，本文方法的报警响应时间始终保持在1.6～1.9s之间，平均响应时间为1.76s；传统静态分级方法的报警响应时间在4.9～5.3s之间，平均响应时间为5.1s；单一阈值过滤方法的报警响应时间在5.2～5.6s之间，平均响应时间为5.4s。实验结果表明， 本文方法的报警响应时间显著低于两种传统方法，且数据波动范围小，稳定性强。本文方法通过多维度权重分级精准筛选有效报警，减少冗余信息对处理流程的干扰，同时结合多模态通知的协同推送机制，让报警信息能快速传递到运维人员手中。相比传统方法的固定分级与单一通知模式，本文方法在响应效率上具备明显且稳定的优势。

3.2   方法效果对比分析

本次实验选取某智慧电厂300MW机组的锅炉、汽轮机、发电机及辅机系统作为测试对象，采集以上设备连续40天的运行报警数据，按设备类型与工况差异划分为6组测试数据，每组包含300条原始报警信息；分别采用本文多维度权重分级+动态阈值过滤方法、传统静态分级方法、单一阈值过滤方法对每组数据进行处理，统计三种方法的冗余报警过滤率与分级准确率；通过多组数据对比，分析三种方法的综合处理效果。

本次实验采用冗余报警过滤率和分级准确率评价方法效果。其中，冗余报警过滤率通过过滤的冗余报警数量与原始报警总数量的比值再乘以100%得到；分级准确率通过分级正确的报警数量与有效报警总数量的比值再乘以100%得到。两个指标分别反映方法剔除冗余报警的能力和对报警等级判断的精准度。具体实验结果如表1所示。

表1 三种方法效果对比

由表1可知，在6组实验数据中，本文方法冗余报警过滤率均在89.7%以上，最高达93.1%，传统静态分级方法最高仅68.2%，单一阈值过滤方法最高为76.3%。本文方法比传统方法平均高23.8个百分点，比单一阈值方法平均高16.5个百分点；在分级准确率方面，本文方法均超95.9%，最高达98.1%，传统方法最高为84.1%，单一阈值方法最高为80.5%。本文方法比传统方法平均高13.9个百分点，比单一阈值方法平均高17.8个百分点。实验结果表明，无论是锅炉高负荷、汽轮机启停还是发电机稳定等不同设备与工况，本文方法在剔除冗余报警和精准判断报警等级两方面都优于传统静态分级方法和单一阈值过滤方法，综合处理效果更优，更能满足智慧电厂对报警信息处理的高效性与准确性需求。

4   结束语

综上，本文方法在响应时间、过滤率与准确率上均优于传统方法，可为电厂运维提供高效支持。未来可结合AI优化权重计算与阈值调整的自适应能力，拓展多模态通知交互功能，推动电厂运维更智能高效。

作者简介：

张   峰（1982-），男，陕西西安人， 本科，现就职于渝能（集团）有限责任公司，主要研究方向为水电厂自动化设备 。

参考文献：

[1] 潘晓东. 多模态数据融合在森林火灾预警监测中的应用研究[J]. 中国应急管理, 2024, (6) : 63 - 66.

[2] 张家玉. 基于多模态数据融合的电厂风机叶片故障检测方法研究[J]. 自动化应用, 2024, 65 (13) : 199 - 201.

[3] 贾志军, 王荣. 面向多模态过程的凝汽器故障诊断[J]. 工业控制计算机, 2024, 37 (8) : 61 - 63.

[4] 程学鸣, 余海, 廖嘉佳. 基于多模态大模型的电厂环境与设备安全主动预警系统[J]. 粘接, 2025, 52 (04) : 145 - 147 + 151.

[5] 吴铮, 张悦, 董泽, 等. 基于AHC-GP混合模型的火电机组报警数据过滤方法[J]. 热能动力工程, 2023, 38 (3) : 174 - 182.

摘自《自动化博览》2026年8月刊