Page 10 - 电力与能源2023年第六期

556 包 立，等：数字孪生核电站建设思路及关键技术

优化升级。 扩充，适用于小样本；在线增强是指在模型训练时
核电站数字孪生能力如图 3 所示。数字孪生 每次加载相同的样本数量，但需要对样本内容进
核电站应从设计方提出总体技术要求与具体性能 行 预 处 理 ，以 达 到 扩 充 样 本 的 效 果 ，适 用 于 大
指标，通过型号驱动、技术引领，与制造、检测、运 样本。
行、维护技术相互迭代、反哺升级，具备运行状态 增强样本通常是基于一个样本进行星状扩
同步、运行预测预判、趋势变化推演分析、智能策 充，还有一些方法需要结合多个样本的情况进行
略机器学习、高阶多维解析等能力。同时，完整的 线性扩充。例如，合成少数类过采样（SMOTE）

型号技术体系将进一步促进运行性能验证与优 算法通过对少数类样本进行随机线性插值合成新
化，从而实现设备特性和多物理场耦合仿真，全范 样本，但存在类内样本聚合性差、类间样本差异性
围反映建模对象的真实物理过程，推算部分无传 不足的缺陷 。Sample Pairing 法是将两个经过
［6］
感器量测的系统状态，在平行世界中低成本地试
几何变换等基础增强操作的图像样本取像素平均
错或从中凝炼发现共性知识 ［4-5］ 。
值得到新样本，标签取其中的一种，缺陷是可解释
［7］
2 核电数字化关键技术 性差 。Mixup 法则随机选取两个样本 X a，X b，通
过对这两个样本进行线性插值获得新样本 X c 。
［8］
目前，核电数字化转型的主要难点有：信息不
上述方法都要求数据已被标注，当数据没有
畅通、存在数据孤岛；核电设备故障等隐患的推演
标签时可以采用神经网络进行无监督学习。无监
和预测能力不足；核电系统运行透明度和可追溯
［9］
督学习主要有变分自编码网络（VAE） 、改进的
性较差，缺乏精确的运行趋势分析能力。针对以
自动编码器（IAE） ，以及生成对抗网络（GAN）、
［10］
上问题，本文提出了核电数字化关键技术：通过数
AutoAugment ［11］ 等方法。
据生成与增强技术，解决数据不准确、不充足的问
2.2 区块链技术
题；通过区块链技术，解决信息不畅通的问题；通
区块链是一种基于全网共识的分布式数据
过深度学习技术，提高运行趋势分析能力；通过场
库，采用区块链式结构保留所有历史交易信息，并
景编排与批量模拟增强运行透明度，实现运行过
保证数据不可篡改。它利用 P2P 网络和密码学确
程的可推演、可预测。
保数据被安全地传输和访问。通过共识机制，节
2.1 数据生成与增强技术
高质量、多类别的海量数据是核电系统准确 点自发维护数据，保持数据的真实性、一致性，具
感知、智能决策的基础，是深度学习等数据挖掘策 有去中心化、安全可追溯的优点。在核电数字化
略发挥性能的前提。在实际运行情况下，故障样 的背景下，引入区块链设计核电数据存储方案、存
本往往少于正常样本，在数据分析环节经常面临 储权能合约 ［12］ ，以及涵盖可再生能源申报、消费、
数据比例不均衡、数据缺失、数据不足等问题。因 追踪、消纳考核的智能合约 ［13］ ，可为各种核电服务
此，有必要引入数据增强技术以保证数据分析的 构建一个可信赖的底层平台。基于这个平台，各
准确性。数据增强可分为离线增强和在线增强两 产业单元能够建立多样化的智能合约，创建通行

种：离线增强是指在模型训练之前对数据集进行 证，实现基于链的协作。这不仅可以提高动态数

图 3 核电站数字孪生能力