Page 11 - 电力与能源2023年第六期

包 立，等：数字孪生核电站建设思路及关键技术 557

据存储的机密性与访问的吞吐量、降低时延与能 足核电对安全性和可靠性的高要求。
耗，以及解决不同平台的数据共享问题 ［14］ ，还可以 （2）纯数据驱动模式对历史数据的依赖性强，
实现新能源发用电过程全生命周期的追踪，为新 缺乏理论支撑，不能保证最坏的情况，只考虑了统
能源的消纳提供支持。 计性质，未能有效利用物理机理和因果定律等先
例如，在核电站的不同技术或业务模块中建 验专业知识，对于数据瑕疵和不确定性缺乏系统

设相应的区块链条，这些模块通过各种智能合约 的分析和处理机制。
范式相互连接，形成“虚实平行的产业链”，进而实 因此，需要将领域知识与机器学习方法相结
现自主、高效的运行和智能化的核能产业 ［15］ 。 合，研究场景编排与批量模拟的方法，完成系统层
2.3 深度学习技术 面虚拟实体（VE）模型的参数赋值 ［23］ ，为数据密集
核电设备的复杂程度往往高于普通电力设 型科学发现提供数据资源。
备，其运行模式更多、特征变化更微弱，需要借助
3 典型应用场景
深度学习技术对核电运营全过程进行监测、干预
和控制，从而确保核电机组的平稳安全运行，提升 3.1 建设工程管理
在役核电机组的运行水平 ［16］ 。深度学习技术主要 目前，核电站工程进度管理主要依靠传统的
基于数据驱动，通过分析输入输出数据感知设备 人力汇总、收集方式来完成，不仅费时费力，而且
状态，进而实现设备异常辨识、寿命预测和故障诊 效率低下。针对工程现场施工管理工作繁复、管
断。例如，支持向量机（SVM）模型已被应用于核 理难度大、协作方多、不可控因素多等问题，结合

电系统暂态过程的异常检测 ［17］ 、稳压器破口事故 移动互联网、物联网、5G、虚拟现实等新一代信息
检测 ［18］ 、轴承故障诊断 ［19］ 等领域；深度信念网络 技术，全面实现对项目建设全过程的实时监控、智
（DBN）被 应 用 于 堆 芯 热 电 偶 异 常 ［20］ 、失 水 事 故 能感应、数据采集与高效协同，成为提升核电安全
（LOCA）和 U 型管破裂 ［21］ 、蒸汽超负荷 ［22］ 等故障 质量管理效率和可靠性的重要手段。
的诊断；卷积神经网络（CNN）凭借其在图像数据 通过“物联”+“互联”协同，搭建在建设时期

特征提取方面的优势，在故障定位领域得到广泛 就投入使用的智慧工地监管中心，完成对建设现
应 用 ；循 环 神 经 网 络（RNN）和 长 短 时 记 忆 网 络 场人员、施工机械、健康安全环境（HSE）、质量、施
（LSTM）则善于处理时序数据，被应用于研究核 工监控与预警平台等功能的开发，并通过可靠稳
电故障过程中的特征演变情况。 定、低延时、易部署的联通网络，实现对现场人员、
深度学习技术利用神经网络、机器学习算法 设备、环境、安全等关键数据的可视化呈现与大数
等工具抽取核电数据的特征，其低成本、高精度、 据积累，打造以项目为核心的多方协同、多级联
高泛化性使其成为核电数字化转型的重要技术之 动、管理预控、整合高效的立体式管控体系，从而

一，并有望形成核电系统状态评估的体系化方案， 有效提升项目的质量安全与防造假能力以及总承
从而大幅度提高设备状态预测的精准度。 包监管效能。智慧工地技术架构如图 4 所示。
2.4 场景编排与批量模拟技术 3.2 设备状态评估
对于核电系统的认知，传统的分析模式和纯 核电设备运行环境复杂，这意味着需要考虑
数据驱动模式都存在不足。 多维因素。大部分机理驱动模型对复杂条件进行
（1）传统分析模式侧重于确定性，忽略了概率 简化或仅适用于理想情况，因此难免存在一定的

性，基于决定论和简化论进行分析，通过假设和简 局限性。为了解决这个问题，引入数字孪生技术
化来构建物理机理和业务知识模型。虽然这种模 进行设备状态的智能评估，具体如下。
式可以较好地处理理想、典型和极端情况，但传统 （1）基 于 数 据 分 析 及 经 验 总 结 进 行 风 险 评

分析模式容易产生误差传递和误差累积，难以满 估，利用设备历史故障数据，结合各种关联因素，