智能核电厂的发展及应用

黄建华,郭天觉

(1.中国核动力研究设计院，四川 成都 610000;2.和昇集团 香港)

核电厂收集了大量历史、实时运转和维修数据，这些数据是一个核电厂非常宝贵的资产，如果善加利用，将会帮助核电厂的运转和维修更安全、更有效能，过去因为受技术限制大量数据并没有被充分利用。

利用大数据和机器学习技术(Big Data and Machine Learning)提升生产力，国内外很多非核能工业已经广泛实施，核电厂也已开始应用，但仍有很大改善空间。

本论文提出核电厂“数字双胞胎”集成大数据和机器学习技术构想，就是数据驱动建模加上物理驱动建模观念，有别于一般常用的单独数据驱动建模方法，并依此开发预测维护系统和操作辅助工具，建立智能核电厂，目的是更有效的利用核电厂历史、实时运转和维修数据，帮助核电厂的工程师和操作员更安全、更有效能地运转和维修核电厂。

1 智能核电厂的目标

智能核电厂总体目标是：

1)帮助核电厂工程师和操作员减少无预警跳机;

2)帮助核电厂工程师和操作员在突发状况或天灾状况时(风灾、水灾、地震等)能及时反应，保持机组安全、稳定运转;

3)遇到不明状况时帮助核电厂工程师和操作员了解根本原因，并作最佳处理建议，操作员并能预知处理后的行为;

4)帮助核电厂工程师和维护员了解设备状况，并提供早期故障预警，使维护员能针对设备维修作最佳之规划。

最终目标是进一步改善核电厂运转效率、成本效益以及运转安全。具体行动目标是利用以下资源和技术：

1)核能电厂收集的大量历史运转和维修数据;

2)先进建模和仿真技术;

3)数据同化技术(Data Assimilation)。

建立核能电厂“数字双胞胎”又称“数字孪生”(NPP Digital Twin)

运用“数字双胞胎”、大数据和机器学习技术，研发并聚焦于以下应用：

1)使用核能电厂“数字双胞胎”建立核能电厂物理驱动模型(简称物理模);

2)使用大数据和机器学习技术建立核能电厂数据驱动模型(简称数据模);

3)整合物理模、数据模落实核电厂预测性维护系统(Predictive Maintenance System);

4)整合物理模、数据模开发核电厂智能操作辅助工具(Smart Operation Aid)。

2 大数据、机器学习在工业上的应用

2.1 非核能工业应用简介

大数据、机器学习已经广泛应用在非核能工业上，比较常见的应用包括：工艺优化(Process Optimization)、预测性维护(Predictive Maintenance)、 “数字双胞胎” 。

2.1.1 工艺优化应用介绍

应用机器学习，工艺优化可以使数千种工业流程受益，包括各行各业，例如,化学工业、塑料行业、玻璃制造、半导体制造、矿石选矿、气体处理、炼油厂、电厂等。

以火力电厂为例，工艺优化已经应用到下列范围：效率优化(Efficiency Optimization)、灵活性优化(Flexibility Optimization)、可用性优化(Availability Optimization)、容量优化(Capability Optimization)、减排优化(Emission Reduction Optimization)。

2.1.2 预测性维护应用介绍

预测性维护是电力工业不可或缺的一部分，有助于提高生产率并降低成本。预测性维护工具可检查运行设备的状况，并帮助预见其维护需求，以实现最佳性能并避免任何设备故障。

预测性维护已经广泛在非核能工业应用，很多供应商都提供这方面的产品。以下介绍几家较知名的厂商以及他们的产品：

Maximo资产绩效管理(APM)是IBM APM套件的关键部分。它的主要关键领域是使维护经理能够确定和管理资产可靠性风险，这些风险可能会严重影响工厂或业务运营。它可以根据预测评分，确定可能影响资产运行状况的因素来制定行动，并对影响资产绩效的历史因素提供全面比较。

Siemens的预测学习平台基于云的开放式IoT操作系统MindSphere，可以提前通知资产缺陷，从而使公司避免计划外的设备停机。

Microsoft在全球范围内开发，许可和支持软件，服务，设备和解决方案。借助Microsoft Azure，该公司将自己设置为工业物联网(IoT)解决方案以及预测性维护的主要公共云平台。

Enel已将GE的Predix平台用于检查，预测和增强Enel电厂的可靠性。 GE使用其先进的预测分析来监视数据，检测和识别任何与设备有关的问题，并规划维护活动以帮助减少设备停机时间。

Aveva是一家英国信息技术公司。 2018年，Aveva与总部位于法国的施耐德电气的工业软件业务合并。 PRiSM是Aveva[1]提供的预测资产分析软件。 PRiSM的功能包括：

1)使用高级模式识别的软件，执行设备建模;

2)使用历史数据描述设备正常运行的方式并建立模型;

3)持续实时监控行为;

4)操作不同于历史规范时发出警报，在发现设备问题时提出预警;

5)先进的分析功能，包括问题识别和根本原因分析。

2.1.3 “数字双胞胎”或“数字孪生”应用介绍

“数字双胞胎”简单来说就是有形资产到数字平台映射的描述，从而产生一个与该有形资产一模一样的虚拟复制品(Virtual Replica)。“数字双胞胎”技术已经在很多非核能工业上应用，包括飞机发动机、风力发电机、汽车工业、电厂等。

“数字双胞胎”的主要供应商包括：Siemens、Bently、ABB、AVEVA、GE、Schneider和其他[2-3]。

“数字双胞胎”应用范例

GE公司在全球范围内开发了数以万计“数字双胞胎”，其中包括来自电力，能源，航空和医疗保健等行业的各种资产，以及其自己的工厂和流程的资产。

主要电动汽车生产商之一的Tesla为其生产的每辆汽车都配备了一个“数字双胞胎”。该公司根据汽车的车辆识别号(VIN)识别每辆汽车的“数字双胞胎”。在该技术的帮助下，数据不断地从汽车到工厂来回发送。

Siemens为其燃气轮机机群实施了“数字双胞胎”以解决他们在燃气轮机机群运营上遇到的困难。它允许使用复杂的仿真和数据分析来为机群运营建模。提供的功能包括：

1)系统KPI预测;

2)燃气轮机机群和维护设施的运营可视化;

3)瓶颈识别和成本核算;

4)假设情景探索为运营以及投资决策提供依据。

2.2 核能工业应用简介

2.2.1 法国 EDF大数据、机器学习应用介绍

EDF是欧洲核能发电最大的电力公司，共有59 部核能发电机组，总发电量63 GW。EDF的核能发电大数据、机器学习规划应用在大修管理,运转和维护两方面[4]。在大修管理方面的应用包括：使用虚拟现实进行大修准备和工作前简报说明以及使用机器学习来协助工厂维护和改善。在运转和维护方面的应用包括：开发基于计算机的程序以及电子工作包、电脑化操作员辅助系统、开发用于运营和维护的数字孪生以及利用高级在线监测，用于状态监测和诊断。

2.2.2 美国Exelon大数据、机器学习应用介绍

Exelon是美国领先的核能发电公司。Exelon作为创新领导者的地位以及能源行业中唯一的财富500强公司提供了独特的机会来开发和采用新的数字技术，包括和GE合作共同开发基于Predix平台的应用程序，专门为能源行业提供下一代解决方案。Exelon 使用 Predix 平台从风力涡轮机，水力发电大坝和核电站中获取数据，并将其转换为资产的“数字双胞胎”。借助这些“数字双胞胎”， Exelon可以运行预测分析并创建可行的情报来解决问题。这项新功能使Exelon 能够优化资产性能，利用维护资源做出更明智的决策并改善资产的可持续性。

3 大数据、机器学习发展近况

3.1 一些专家的看法

在2018全球人工智能与机器人峰会上，清华大学人工智能研究院院长张钹院士做了题为“走向真正的人工智能”(Towards a Real Artifitial Intelligence)的大会报告，其中提出大数据、机器学习发展最近所遇到的一些根本问题以及可能的解决方案[5]：

“通过数据驱动建立的系统能不能算是有智能呢？必须打一个很大的问号，就是说你做出来的人脸识别系统甚至识别率会比人还高，但是我们还不能说它有智能，为什么呢？这种通过数据驱动做出来的系统，它的性能跟人类差别非常大，鲁棒性很差，很容易受干扰，会发生重大的错误，需要大量的训练样本……

还有一个办法就是把数据驱动跟知识驱动结合起来。刚才讲了，人的智能没法通过单纯的大数据学习把它学出来，那怎么办？很简单，加上知识，让它有推理的能力，做决策的能力，这样就能解决突发事件……”

2018年7月11日纽约时报在标题“Is There a Smarter Path to Artificial Intelligence?”文章中也有类似说法[6]。

加州大学伯克利分校的教授迈克尔·乔丹(Michael I. Jordan)说：“那里没有真正的智慧。”(乔丹教授是四月份发表的一篇论文的作者，论文的目的是缓和围绕人工智能的崇高期望)。他说“我认为过分相信这些蛮力算法是一种错误的信念。”

“深度学习算法在一批相关数据(例如人脸图片)上进行训练，然后再获取越来越多的数据，从而稳步提高了软件的模式匹配精度。尽管这项技术取得了成功，但结果在很大程度上仅限于那些拥有大量数据集，且任务定义明确的领域，例如为图像加卷标或将语音转换为文本……”

3.2 大数据和机器学习在工业上的应用

对于大数据和机器学习在工业上的应用来说，大多数时候解决工业问题使用的是蛮力方法：收集大量数据，然后应用机器学习算法寻找到一个模式。这就是Jordan教授在2018年7月11日纽约时报中所说的“蛮力方法”与现实物理世界并无关系。

因此，提出了我们的方法：数据驱动建模(Data-Driven Modeling)+物理驱动建模(Physics-Driven Modeling)这和张钹院士提出的数据驱动与知识驱动结合有点类似，在物理世界包括工业世界的行为依据物理定律，机器学习再往前走需要数据驱动建模与物理驱动建模结合。

3.3 数据驱动建模与物理驱动建模介绍

3.3.1 数据驱动建模

数据驱动建模是目前使用大数据解决工业问题普遍使用方法，就是采用大量可用数据(大数据)，使用机器学习方法依据这大量数据建立模型，一般来说可用数据量越大模型越准确。此方法的缺点是模型依据大量数据建立，当遇到数据不足状况时模型便不可靠，一般工业应用大部分是正常运转数据，通常非正常运转或紧急状況运转数据不多。而且使用此方法使用者不容易了解所获得结果其中的物理意义。

3.3.2 物理驱动建模

物理驱动建模就是使用物理、数学方程式建立模型，一般来说系统越简单，对系统相关物理现象越了解，模型越准确。因为依据基本物理建成，所以比较有预测能力。此方法的缺点是当遇到复杂物理现象和复杂系统时不容易建立准确模型，而且如果没有足够设计数据也不容易建立准确模型。