王 寧，胡 哲，鄧 杰，文慧山，黃永立，周興杰，鄭力勇，高東明

（中國南方電網(wǎng)超高壓輸電公司 廣州局?？诜志?，海南 ?？?460106）

0 引 言

海南聯(lián)網(wǎng)工程是我國首個(gè)長距離、大容量、超高壓的跨海聯(lián)網(wǎng)工程，支撐海南全島建設(shè)“一區(qū)一港”“三區(qū)一中心”重大戰(zhàn)略的實(shí)施。海底電纜面臨3大安全風(fēng)險(xiǎn)，即海纜自身風(fēng)險(xiǎn)、海床風(fēng)險(xiǎn)、海面風(fēng)險(xiǎn)。其中海面風(fēng)險(xiǎn)暴露率最大，屬于人為風(fēng)險(xiǎn)，包括海洋工程、航運(yùn)、漁業(yè)等活動的錨害風(fēng)險(xiǎn)。為了保障海底電纜的安全，中國南方電網(wǎng)超高壓輸電公司?？诜志纸⑵辗ㄐ麄?、監(jiān)視干預(yù)、巡視及維護(hù)、應(yīng)急處置以及檢測檢修“五位一體”的海纜綜合保障體系，在海底電纜運(yùn)維方面取得較好的成效。

2019年二回海纜投運(yùn)后，海纜規(guī)模和保護(hù)區(qū)面積也隨之增加，海纜監(jiān)控面積成倍擴(kuò)大，再加上瓊州海峽船舶流量大幅增加，海纜運(yùn)維外部環(huán)境更加嚴(yán)峻，面臨的各類風(fēng)險(xiǎn)也隨之加劇。目前，海底電纜商用監(jiān)視系統(tǒng)存在雷達(dá)識別精度不夠等問題，導(dǎo)致告警誤報(bào)率高、輔助決策數(shù)據(jù)孤立雜散，影響判斷效率。海纜監(jiān)控作業(yè)嚴(yán)重依賴人工，運(yùn)維人員需要在海量告警中篩選少部分真正的風(fēng)險(xiǎn)告警，人工易誤判、漏判，導(dǎo)致風(fēng)險(xiǎn)得不到及時(shí)管控，進(jìn)而造成海纜損傷。目前，原有非數(shù)字化和智能化的運(yùn)維方法難以滿足海纜安全的要求，對運(yùn)維工具、措施以及人員技能水平提出更高的要求。

在數(shù)字化、智能化大背景下，筆者所在的海纜運(yùn)維團(tuán)隊(duì)經(jīng)過多年現(xiàn)場實(shí)踐，結(jié)合具有噪聲的基于密度的聚類方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）、支持向量機(jī)（Support Vector Machine，SVM）模型、Flink實(shí)時(shí)流式數(shù)據(jù)處理框架等開展智能告警，在節(jié)省人力物力的同時(shí)，提高告警準(zhǔn)確性。通過融合多元數(shù)據(jù)，根據(jù)不同數(shù)據(jù)及其比重加權(quán)得出每一艘告警船舶的風(fēng)險(xiǎn)等級，科學(xué)調(diào)配各類應(yīng)急處置資源。

1 系統(tǒng)構(gòu)成

針對海底電纜運(yùn)維場景中存在的海面風(fēng)險(xiǎn)，系統(tǒng)主要通過前端數(shù)據(jù)捕獲、告警算法、決策建議來實(shí)現(xiàn)海上船舶風(fēng)險(xiǎn)的具象化和風(fēng)險(xiǎn)管控智能化。通過岸邊雷達(dá)、船舶自動識別系統(tǒng)（Automatic Identification System，AIS）、雷達(dá)盲區(qū)實(shí)時(shí)影像系統(tǒng)進(jìn)行前端數(shù)據(jù)捕捉，將海上船舶具象為可監(jiān)控和可加工的數(shù)據(jù)。通過數(shù)據(jù)研究，捕捉船舶在航行過程中做出危險(xiǎn)行為的影響因子和判斷依據(jù)，據(jù)此開發(fā)告警算法，提前預(yù)判風(fēng)險(xiǎn)船舶。通過算法的智能判斷，系統(tǒng)根據(jù)多元數(shù)據(jù)的加權(quán)綜合判斷船舶的風(fēng)險(xiǎn)等級，給出決策建議。

瓊州海峽海底電纜專業(yè)監(jiān)控系統(tǒng)利用近海小目標(biāo)雷達(dá)系統(tǒng)、近岸盲區(qū)管控系統(tǒng)實(shí)現(xiàn)對海面目標(biāo)的感知，將雷達(dá)站上報(bào)的每一個(gè)目標(biāo)坐標(biāo)數(shù)據(jù)稱為點(diǎn)跡，對點(diǎn)跡進(jìn)行處理后，將同一批目標(biāo)的點(diǎn)跡連接在一起，從而得到目標(biāo)完整的航跡[1]。新型引航系統(tǒng)是將AIS融合在安裝電子海圖顯示與信息系統(tǒng)（Electronic Chart Display and Information System，ECDIS）的電腦中，引航員除了可以隨時(shí)獲得顯示在ECDIS的本船舶船位之外，還可以對周圍相關(guān)船只進(jìn)行跟蹤，及時(shí)獲取相關(guān)船只的動態(tài)數(shù)據(jù)與靜態(tài)數(shù)據(jù)，為引航安全提供保障[2]。

海面風(fēng)險(xiǎn)主要分為2部分：一是當(dāng)海纜拋錨拖錨時(shí)，船錨會對海底電纜造成損傷；二是當(dāng)海纜擱淺時(shí)，船體會擠壓海纜，造成海纜損傷。在船舶行為觸發(fā)告警后，為了便于人為科學(xué)決策，需要對每個(gè)告警目標(biāo)進(jìn)行風(fēng)險(xiǎn)評估。

風(fēng)險(xiǎn)評估分成2個(gè)方面，一個(gè)是評估風(fēng)險(xiǎn)發(fā)生的概率，另一個(gè)是評估風(fēng)險(xiǎn)發(fā)生后的威脅程度。實(shí)時(shí)計(jì)算目標(biāo)的風(fēng)險(xiǎn)發(fā)生概率，主要包括船舶因素、外部因素。其中，船舶因素包括目標(biāo)的航速、距離海纜的位置、目標(biāo)的軌跡行為、船舶類型、船長、違規(guī)歷史以及來往次數(shù)等，外部因素包括水文（流向、流速）、氣象（風(fēng)向、風(fēng)速）等。目標(biāo)的風(fēng)險(xiǎn)威脅程度包括船舶因素和海纜因素，其中船舶因素包括船舶類型、船長等，海纜因素包括海纜區(qū)段、本體動態(tài)是否異常、海纜受威脅程度、海纜埋深以及海纜保護(hù)方式等。

基于目前可采集數(shù)據(jù)的實(shí)際情況，本系統(tǒng)主要采用以下數(shù)據(jù)作為風(fēng)險(xiǎn)計(jì)算參數(shù)。（1）船舶參數(shù)，包括船舶距離海纜距離、船長、速度以及吃水量等；（2）外部環(huán)境參數(shù)，包括水深等；（3）海纜本體參數(shù)，包括海纜埋深等。在測試過程中對不同的參數(shù)給予不同的比重加權(quán)，最終得到每艘船舶的具體風(fēng)險(xiǎn)分?jǐn)?shù)，根據(jù)分?jǐn)?shù)劃分高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)以及可接受風(fēng)險(xiǎn)，根據(jù)不同風(fēng)險(xiǎn)等級采用不同的管控手段，實(shí)現(xiàn)智能科學(xué)決策。

2 算法模型

2.1 拋錨預(yù)測算法模型

海纜拋錨的預(yù)判因素主要是船舶速度，船舶速度可以通過船舶加速度進(jìn)行具體的測算。利用船舶加速度數(shù)值，基于DBSCAN聚類算法、SVM模型提前預(yù)判船舶拋錨行為。SVM是一類按照監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其決策邊界是對樣本學(xué)習(xí)求解的最大邊距超平面[3-5]。拋錨預(yù)測算法模型流程如圖1所示。

圖1 拋錨預(yù)測算法模型流程

拋錨預(yù)測算法模型的思路如下：（1）從Redis中讀取前端模版配置的報(bào)警區(qū)域及報(bào)警條件等參數(shù)，從Kafka中讀取船只實(shí)時(shí)數(shù)據(jù)；（2）整合數(shù)據(jù)，根據(jù)Redis中的省份、報(bào)警區(qū)域、報(bào)警日期等條件過濾出滿足條件的實(shí)時(shí)船只數(shù)據(jù)；（3）對實(shí)時(shí)數(shù)據(jù)進(jìn)行key by（即將數(shù)據(jù)流按照指定key進(jìn)行分區(qū)或分組），將同一ID的數(shù)據(jù)分配到同一算子進(jìn)行處理，對流式數(shù)據(jù)做開窗操作，窗口長度為10 min，滑動步長為3 min；（4）使用DBSCAN密度聚類算法對數(shù)據(jù)進(jìn)行異常值檢測處理，并對數(shù)據(jù)進(jìn)行特征轉(zhuǎn)換及歸一化、數(shù)據(jù)分桶操作，得到相同維度的數(shù)據(jù)；（5）加載提前訓(xùn)練好的SVM模型；（6）將特征轉(zhuǎn)換后的標(biāo)準(zhǔn)維度數(shù)據(jù)輸入SVM模型中，通過模型判斷該船只發(fā)生拋錨的概率，當(dāng)概率高于50%時(shí)，認(rèn)為該船只會發(fā)生拋錨；（7）基于最后1個(gè)點(diǎn)的數(shù)據(jù)，判斷是否滿足報(bào)警模版船長、速度等條件；（8）輸出報(bào)警數(shù)據(jù)至Kafka。

2.2 擱淺預(yù)測算法模型

海纜擱淺的預(yù)判因素主要是船舶吃水和預(yù)測點(diǎn)水深，若船只最大吃水大于預(yù)測點(diǎn)水深時(shí)，判斷該船只存在擱淺風(fēng)險(xiǎn)，對其行為進(jìn)行報(bào)警。系統(tǒng)團(tuán)隊(duì)利用Flink實(shí)時(shí)流式數(shù)據(jù)處理框架對船舶實(shí)時(shí)數(shù)據(jù)進(jìn)行處理，計(jì)算船舶的行駛預(yù)測點(diǎn)。擱淺預(yù)測算法模型流程如圖2所示。

圖2 擱淺預(yù)測算法模型流程

擱淺預(yù)測算法模型的思路如下：（1）從redis中讀取前端模版配置的報(bào)警區(qū)域及報(bào)警條件等參數(shù)，從Kafka中讀取船只實(shí)時(shí)數(shù)據(jù)；（2）整合數(shù)據(jù)，根據(jù)Redis中的省份、報(bào)警區(qū)域、報(bào)警日期等條件過濾出滿足條件的實(shí)時(shí)船只數(shù)據(jù)；（3）對實(shí)時(shí)數(shù)據(jù)進(jìn)行key by，將同id的數(shù)據(jù)分配到同一算子進(jìn)行處理，對流式數(shù)據(jù)做開窗操作，窗口長度為3 min，滑動步長為1 min；（4）使用DBSCAN密度聚類算法對數(shù)據(jù)進(jìn)行異常值檢測處理，獲取窗口數(shù)據(jù)中的平均速度及最新點(diǎn)的經(jīng)緯度、航向等數(shù)據(jù)，預(yù)測5 min后的經(jīng)緯度；（5）通過水深查詢接口來查詢預(yù)測點(diǎn)的水深，基于船長范圍得到船只的最大吃水，若船只最大吃水大于等于水深，則判斷船只存在擱淺風(fēng)險(xiǎn)；（6）基于最后1個(gè)點(diǎn)的數(shù)據(jù)，判斷是否滿足報(bào)警模版船長、速度范圍等條件；（7）輸出報(bào)警數(shù)據(jù)至Kafka。

目前海面船舶管控系統(tǒng)均采用雷達(dá)與船舶自動識別系統(tǒng)收集前端數(shù)據(jù)，雷達(dá)采用無線電的方法發(fā)現(xiàn)目標(biāo)并測定船舶的空間位置，無法區(qū)分“船”與“非船”，海面存在大量的“非船”目標(biāo)（海浪、漁網(wǎng)、航標(biāo)等）會被雷達(dá)頻繁檢測并觸發(fā)預(yù)警，大量的“非船”目標(biāo)告警會浪費(fèi)人力去主動甄別。在智能化的大背景下，海纜運(yùn)維團(tuán)隊(duì)使用DBSCAN密度聚類算法學(xué)習(xí)構(gòu)建船舶行為與雜散目標(biāo)特征，使系統(tǒng)能有效區(qū)分“船”與“非船”目標(biāo)，有效降低誤警率，大幅減輕監(jiān)視人員人工辨識船舶目標(biāo)預(yù)警和虛假目標(biāo)預(yù)警的負(fù)擔(dān)。

3 結(jié) 論

本系統(tǒng)深度匹配海纜運(yùn)維使用場景，針對海纜海面風(fēng)險(xiǎn)配套相應(yīng)的告警算法用于預(yù)判海纜風(fēng)險(xiǎn)行為，提前預(yù)判告警，運(yùn)維單位管控窗口前移，將發(fā)生后修復(fù)轉(zhuǎn)變?yōu)榘l(fā)生前制止。此外，系統(tǒng)通過船舶風(fēng)險(xiǎn)數(shù)據(jù)比重加權(quán)計(jì)算出船舶的風(fēng)險(xiǎn)等級，實(shí)現(xiàn)決策的科學(xué)性。通過新技術(shù)的應(yīng)用與流程的優(yōu)化，促進(jìn)管理水平和效率的提升，實(shí)現(xiàn)管理模式的優(yōu)化。