智能核電廠的發展及應用

黃建華,郭天覺

(1.中國核動力研究設計院，四川 成都 610000;2.和昇集團，香港)

4 自我調適的建模和仿真技術

4.1 建立準確模型的挑戰

要建立一個設備、系統、組件的準確模型的先決條件就是要取得該設備、系統、組件的充分設計數據，但這些完整數據很多時候不容易取得，這是建立一個設備、系統、組件的準確模型的第一個挑戰?？v使取得所需設計數據無法建立一個設備、系統、組件的準確模型，其中因素包括：控制方程式的局限性、離散方法的局限性、求解方法的局限性以及計算機計算的局限性。

一般設備、系統、組件的控制方程式都是依據質量守恒、動量守恒、能量守恒原理建立偏微分控制方程，但工程師對自然界的了解有其局限，在這個過程中做了很多近似假設，這就是所謂的認知不確定性(epistemic uncertainties)。就算工程師對某一過程有充分了解，但自然現象基本上是偶然的，例如做兩次完全相同的實驗，實驗結果不會完全相同，這就是所謂的偶然不確定性(aleatoric uncertainties)，因此控制方程式從一開始便沒有辦法百分之一百仿真一套設備、系統、組件的行為。

控制方程式建立后便是用離散方法把連續的時間、空間分成網格點，把原來的偏微分控制方程轉換成矩陣方程以便使用計算機計算，常用的離散方法包括：有限差分、有限元、有限體積，不管用什么方法必存在截斷錯誤(truncation error)，現在最先進的計算機代碼采用的離散方法并沒有超越二階精度[7]。此外通常是網格點越多，網格間隔越少精準度越高，因此產生的矩陣方程尺度會越大，以致所需求的計算機資源越多。所以離散方法的精準度受到離散方法本身以及計算機資源的局限。

建立矩陣方程的下一步是使用計算機求解矩陣方程，現在最先進的計算機代碼采用的求解方法是迭代法，例如：JFNK(Jacobian Free Newton Krylov)[7]，但迭代法先天就是一個近似方法而非精確方法，因此所得的值是近似值而非精確值。

以上計算都要使用計算機執行，無論計算機的功能多么強大，它仍然是有限的。這意味著計算機需要有限的時間才能完成操作，并且計算機僅具有有限的存儲空間，因此計算機計算有其局限性。局限性之一就是精度誤差，計算機內存中最基本的單元是構成二進制數系統基礎的兩個二進制整數0和1，二進制數系統在處理整數和整數運算時不發生誤差，但數值大小受到限制。二進制數系統在處理浮點數和浮點運算時產生誤差，這就是所謂計算機精度誤差。

上述所說的誤差很多時候是累積誤差，就是說計算時間越久，誤差越大。

4.2 改善模型準確度方法——數據同化技術

4.2.1 數據同化技術介紹

數據同化技術(Data Assimilation)是一種使用測量數據不斷改善計算數值的方法，每一次計算都會使用測量數據改善計算數值作為下一次計算的基礎。此方法已經在大氣建模中成功使用，也被美國“輕水反應堆高級模擬聯合會”(CASL，The Consortium for Advanced Simulation of Light Water Reactors)用作不確定性量化(UQ)和敏感性分析(SA)工具[8]。

數據同化技術基本上是一種貝葉斯推理(Bayesian inference)技術，包括控制方程式的時間更新部分和依據測量取得的測量更新部分。時間更新和測量更新是一個循環如圖1所示。

圖1 數據同化循環Fig.1 Data assimilation cycle

時間更新方程負責向前(及時)預測當前狀態和誤差協方差，測量更新方程式則負責反饋，即用于將新的度量合并到先驗估計(a priori estimate)中以獲得改進的后驗估計(a posteriori estimate)。時間更新會提前預測當前狀態估計。測量更新會通過當時的實際測量來調整預計的估算值。

4.2.2 數據同化理論說明

數據同化數學公式包括以下空間和列向量：

各列向量相互關系如圖2所示[8]。

圖2 數據同化各列向量相互關系Fig.2 Each column vector relationship of data assimilation

(1)

(2)

從此二差距可以產生以下成本函數：

(3)

以下用大氣建模和反應堆堆芯熱工建模說明控制空間、觀察運算符和觀察空間。

使用在大氣建模中時的控制空間就是包括在大氣3D 領域中所模擬的溫度、壓力、濕度、風速、風向等的空間，其數量以千萬網格點計算。觀察運算符就是大氣原始方程的演化模型，通常用一組偏微分方程表示。觀察空間就是在大氣3D 領域中所測量的數據，包含地表溫度，輻射度，云量等衛星數據的空間，其數量以百萬測量點計算。

使用在反應堆堆芯熱工建模(例如,RELAP-5)中時的控制空間就是包含二相3D 領域的溫度、壓力、流速、氣泡率等的空間，其數量以千網格點計算。觀察運算符就是二相3D守恒方程。觀察空間就是堆芯測量數據包括溫度、壓力、流速等的空間，其數量以萬測量點計算。

1)4D-Var 方法[9]

2)Kalman Filter方法[10]

5 智能核電廠五部曲

智能核電廠之建立可以分為5部分。

(1)智能核電廠第一部曲

智能核電廠第一部曲就是建立數字核電廠項目，第一部曲的工作項目包括：

1)收集配合核電廠設計數據;

2)采用最先進仿真工具建立配合核電廠仿真器;

3)依據參考文件建立數字核電廠平臺;

4)把核電廠仿真器安裝于數字核電廠平臺;

5)完成數字核電廠建置。

數字核電廠建置的詳細說明請參考[11]。

(2)智能核電廠第二部曲

智能核電廠第二部曲就是在數字核電廠的基礎上建立核電廠“數字雙胞胎”，第二部曲的工作項目包括：

1)收集配合核電廠歷史運轉和維護數據;

2)使用核電廠歷史運轉數據，落實數據同化技術;

3)整合數字核電廠和數據同化技術;

4)完成核電廠“數字雙胞胎”建置。

此部分在非核工業已有很多成功經驗。

(3)智能核電廠第三部曲

智能核電廠第三部曲就是依據核電廠“數字雙胞胎”和大量核電廠歷史運轉和維護數據建立核電廠物理模和數據模，第三部曲的工作項目包括：

1)以核電廠“數字雙胞胎”為基礎建立核電廠物理模;

2)依據核電廠歷史運轉和維護數據建立核電廠數據模;

3)物理模和數據模并互相比較驗證;

4)完成核電廠物理模和數據模建置。

這部分在非核工業作者已有成功經驗。

(4)智能核電廠第四部曲

智能核電廠第四部曲就是依據第三部曲建立的核電廠物理模、數據模和建立電廠預測維護系統：

1)針對不同設備、系統和組件整合并建立各自大數據

①物理模產生的計算大數據;

②數據模產生的實體大數據。

2)使用機器學習算法提供設備、系統和組件早期故障預警

這部分在非核工業作者已有成功經驗。

(5)智能核電廠第五部曲

智能核電廠第五部曲就是依據第三部曲建立的核電廠物理模和數據模和建立核電廠智能操作輔助工具，操作輔助工具在第三代核電廠已有提供，例如升降載輔助工具、正常操作輔助工具等，但這些都是邏輯基礎輔助工具，因此輸入信息都要非常精準，方能得到正確響應[12]。

智能操作輔助工具則是通過大數據/機器學習，就算輸入信息并不非常精準也能提供最佳回應，同時可以通過“數字雙胞胎”讓用戶可以預測回應的后續反應。

智能操作輔助工具是一個咨詢輔助工具，最后執行還是由操作員決定，就像有一位非常有經驗的老師在旁協助。

使用大數據/機器學習算法提供智能操作輔助工具的功能包括：

1)幫助核電廠工程師和操作員在突發狀況或天災狀況(風災、水災、地震等)能及時反應，保持機組安全、穩定運轉;

2)遇到不明狀況時幫助核電廠工程師和操作員了解根本原因并作最佳處理;

3)和“數字雙胞胎”結合，可以預測回應的后續反應，并利用先進人機接口讓工程師和操作員充分了解。

6 智能核電廠架構設計

圖3顯示智能核電廠在研發階段的架構設計，說明如下：

1)依據核電廠設計數據，并采用先進核電廠仿真平臺，例如3KeyMaster，建立先進的核電站仿真器(Advanced NPP Simulator)。

2)數據同化機(Data Assimilation Machine)從核電廠歷史運轉和維護數據庫服務器取得核電廠的儀器數據歷史數據，采用數據同化技術改善先進的核電站仿真器計算數據，并建立核電廠數字雙胞胎。

3)核電廠“數字雙胞胎”產生設備、系統、組件物理模數據并存儲于數據庫供后續應用。

4)各設備、系統、組件的數據模數據從數據庫傳送到大數據機，并和“數字雙胞胎”產生的物理模數據整合，經過數據組裝、數據篩選等步驟，產生適合機器學習的數據。

5)機器學習機從大數據機取得各設備、系統、組件經過整合、組裝、篩選的數據利用機器學習算法預測各設備、系統、組件的狀態和行為并及時提供工程師和操作員維修，操作建議和行動指南。

6)機器學習機的建議和行動指南反饋到“數字雙胞胎”，讓“數字雙胞胎”告知工程師和操作員如果執行這些建議和行動指南的后續效應。

圖4顯示智能核電廠在應用階段的架構設計，和圖3主要差別在于在研發階段智能核電廠是脫機的，獨立執行不會對核電廠有任何影響，經過研發和驗證，核電廠可以選擇智能核電廠與核電廠聯機取得實時運行和維護數據，如此更能有效地為核電廠提供實時的建議和行動指南。

圖3 智能核電廠上層架構設計示意圖——研發階段Fig.3 Schematic of the design of the upper-level architecture of a smart nuclear power plant—the R&D stage

圖4 智能核電廠上層架構設計示意圖——應用階段Fig.4 Schematic of the design of the upper-level architecture of a smart nuclear power plant—the application stage

7 智能核電廠的實施

(1)智能核電廠的實施取決于以下先決條件

1)找到配合核電廠愿意合作，并提供下列數據

①核電廠設計數據用以建立核電廠“數字雙胞胎”;

②核電廠歷史運轉和維護數據建立核電廠數據模。

2)全部開發、測試、驗證將在核電廠數字雙胞胎上進行，完全不影響配合核電廠運轉;

3)配合核電廠愿意提供咨詢、討論。

(2)智能核電廠的關鍵技術(Key technologies)包括如下內容

1)建立數字核電廠，并在此基礎上建立核電廠先進仿真器(NPP Advanced Simulator);

2)核電廠數據同化應用技術(NPP Data Assimilation Application Methodology);

3)核電廠大數據/機器學習方法應用技術(NPP Big Data/Machine Learning Application Methodology)。

智能核電廠的實施應組織相應的研發團隊，預計初步的研發時間，由相應的團隊分別平行完成，包括數字核電廠和核電廠先進仿真器建立、核電廠數據同化應用技術研發、核電廠大數據/機器學習方法應用技術研發，然后各組團隊共同合作完成智能核電廠的整合，接著各組團隊共同合作完成智能核電廠的驗證。

8 總結

一般而言工廠所要達成的目標包括：降低過程風險，降低運營成本，提高系統可靠性并增強工業競爭力，從而提高生產率。近年來，大數據和機器學習技術已用于幫助非核工業實現這些目標。許多全球公司已經提供了軟件工具來幫助這些領域的客戶，例如，GE的Predix、Siemens的MindSphere、Aveva的PRiSM、IBM的Maximo APM等。核電廠也已開始利用這些技術。但是，由于缺乏對客觀世界的真正了解，中美兩國專家都注意到了大數據和機器學習技術的局限性?！皵底蛛p胞胎”已被不同行業應用于幫助其運營。在本文中，介紹了物理驅動建模以及數據驅動建模的概念，以為核電廠(NPP)提供預測性維護系統和操作輔助工具。換句話說，將“數字雙胞胎”與大數據和機器學習相集成，以改善對客觀世界(在本文中客觀世界為NPP)的真實理解。但是，由于缺乏完整的設計數據，對物理的理解不足以及此過程中固有的不準確性等因素，因此構建“數字雙胞胎”存在困難。本文通過從NPP收集操作數據來提高“數字雙胞胎”精確度的概念。這意味著“數字雙胞胎”將會根據核電廠的運行數據連續進行自我調整。在本文中說明如何基于能自我調整的“數字雙胞胎”集成大數據和機器學習技術開發核電廠設備、系統和組件的預測維護系統以及為核電廠工程師和操作員提供操作輔助工具，提供建立智能核電廠的理論和實踐。