核能5.0——智能时代的核电工业新形态与体系架构

2.3 平行核电系统的研究内容

基于平行系统理念, 结合核电生产的实际特点,平行核电系统包括基础构建层、数据和知识层、计算实验层和平行执行层等, 如图2所示. 该系统可动态模拟核电真实系统复杂运行过程, 实现对核电生产过程的状态监测、核电系统未知情景的智能模拟计算、核电应急方案的滚动优化分析及核电运行过程的在线推演评估与优化、人机交互高风险区域分析等, 增强核电安全固有属性, 提升核电整体安全性与竞争力. 其核心思想为, 通过神经网络、行为分析模型等代理建模方法, 对电厂系统、设备、人员建立模型, 组成同实际系统等价的人工系统. 在人工系统上, 通过计算实验或试验来认识实际系统各要素间正常和非正常状态下的演化规律和相互作用关系,通过两者的相互连接, 对两者之间的行为进行对比和分析, 研究对各自未来状态的借鉴和预估, 相应调节各自的控制与管理方式, 最后利用所认识的规律,通过平行控制实现正常情况下优化实际系统的控制和较少意外的发生, 非正常情况下找到让系统迅速恢复正常的方法, 提高应急控制水平[18−22].

基础构件: 构建具备大规模数据分布式存储与海量数据分布式计算能力的基于SOA (Serviceoriented architecture) (或云计算) 平台. 遵循FIPA(The Foundation for Intelligent Physical Agents)规范建立多智能体环境, 并开发代理管理系统、分布式目录服务器和代理通信通道等多代理平台组件,实现平台内部的代理生命周期服务、消息通信服务;最后, 结合实验平台的具体应用, 构建应用领体, 以实现平台内部代理间的语义互操作性.

数据和知识:运用基于代理建模方法对具体应用示范领域中的参与者、环境、规则和机制建模并构建各自的模型库; 其次, 结合各应用领域的发展现状, 基于实时监测数据构建场景库. 基于XML语言设计一套形式化表示方法来统一描述实验平台中的领域知识, 并运用机器学习和自然语言处理技术半自动地构建领域知识库, 实现平台内部领域知识的存储、表达与推理.

图2 平行核电系统的主要研究内容

图3 平行核电能系统运行流程图

计算实验:设计同时支持真实与虚拟实验场景的场景生成器. 场景生成器能够接受最终用户输入的场景或自动提取场景库中的特定实验场景, 实例化实验场景中的交互机制与管理规则, 并传递给事件驱动引擎完成计算实验仿真; 基于离散事件仿真技术实现事件驱动引擎, 并动态模拟实验场景中各代理的交互与通信过程. 事件驱动引擎采用仿真时钟模拟实验平台运行时的特定时刻和时间变化, 按时间顺序存储、分析和确定实验过程中离散事件及事件间的引发关系. 通过仿真时钟的推进和离散事件的处理来驱动和模拟计算实验的过程; 最后, 研制适用于计算实验平台的算法分析工具, 并以模块和组件的形式应用于实验平台中. 重点开发各类群体策略学习与优化算法、定性与定量计算实验研究算法以及对各应用领域提供特定支持的专用算法模块.这些工具将动态地分析、研究和优化计算实验过程及其结果, 并实时更新知识库.

平行控制:基于智能探测、传感网络与多源信息融合技术实时地监测、收集与融合互联网开源数据和各应用领域的结构化数据, 并基于实时监测数据生成或调整实验场景; 其次, 设计一套完整的软件库和高层应用程序协议, 服务于实验平台与终端用户之间的接口, 使得终端用户能够方便地管理和配置实验平台以及实验平台内部代理的运行; 实时监控和研究实验场景中的不安全因素, 实现事件安全的被动式查询与主动式风险研究及预警; 同时通过计算实验和反馈调控实现半自动化计算研究和优化,生成实时最优决策. 最后, 设计动态可视化的人机交互界面, 以文本、图、表等形式全方位地呈现计算实验模拟及其交互控制过程[23−25], 如图3所示.

2.4 平行核电体系架构

为实现虚实结合的平行控制, 平行核电管控系统如图4所示.

图4 平行核电管控系统

图4中左侧为目前传统的核电工业自动化领域,包括底层过程控制系统 (Distributed control system, DCS)、生产执行系统 (Manufacturing execution system, MES) 及企业资源规划管理系统 (Enterprise resource planning, ERP). 右侧为本文提出的虚拟人工核电系统, 对应的知识自动化领域. 采用构建人工系统、计算实验和平行执行 (ACP), 实现对核电工业自动化系统的建模、计算和控制; 基于ACP 的虚拟人工核电系统和核电工业自动化系统形成核电社会物理信息系统(Cyber-physical-socialsystems, CPSS); 采用 ACP 反复观察评估后, 通过虚实平行互动, 形成描述、预测和引导 (Description,prediction, prescription, DPP) 的分析、决策和执行过程, 最终利用虚拟核电系统对实际核电系统实施闭环有效的控制与管理.

虚拟人工核电系统从工业自动化领域通过大反馈获得核电系统的物理、现场运行及社会信息等大数据, 通过机器学习、数据驱动和语言建模, 进入知识自动化领域. 知识自动化基于ACP、CPSS 及DPP等建模、计算和控制过程, 形成优化的控制决策、通过大闭环引导实际核电系统优化运行.

以核电相关群体为社会管理的观测、建模、计算及运营对象, 知识自动化可实现对网络信息的捕捉、识别、追踪、解析及预测. 其本质内容在于以用户为中心, 通过采用面向基础设施的架构、面向平台的架构、面向软件的架构, 使用 Web 挖掘等技术对互联网、移动互联网及智联网的文本、视频等数据进行采集; 同时借助机器学习及云计算等技术实现数据的过滤、分析和结构化, 获取信息特征; 通过特定的建模手段及方法实现知识的合成, 结合行为动力学特征, 针对核电相关群体进行群体涌现行为计算与宏观社会现象预测, 进而主动提供基于知识的智能推荐与基于决策的智慧服务, 实现核电管理自动化的全过程[26−28].

基于以上论述系统架构分为六层, 如图5所示.

对象层:对应物理核电系统, 包括核电工业全产业链, 囊括了核原料生产、加工、利用、废料处理等环节, 核电站设计、建造、发电运维、改造、拆除等全生命周期环节, 核电研究相关产业以及核电周边产业; 同时包含人、财、物及社会等对核电工业系统的影响.

数据采集与信息形成层:分成两个部分, 一是目前已有的工业自动化系统及信息系统. 主要包括DCS 系统、MES系统及企业级ERP系统. 二是在互联网和多种通讯模式下, 人与社会对核电工业的互动, 将更加便捷和密切, 通过Internet等渠道收集大量的信息, 并作用于物理核电系统, 称为感知和执行, 这一过程产生的信息将包含大量的人与社会因素. 最后通过大数据、模式识别、区块链、云计算和社会计算等手段, 汇集以上所有数据信息, 形成有效的信息层.

存储层:将数据采集和信息形成层形成的数据分门别类存入核电站运维数据库、工业自动化数据库、专家知识库、政策数据库、核电相关人员数据库等各种数据库.

特征抽取及知识合成层:采用自然语言处理、机器学习、智能控制等人工智能技术, 实现特征抽取和知识合成.

解析层:基于特征抽取及知识合成层获得的知识和特征, 通过人机结合、知行合一、虚实融合等手段, 建立虚拟人工核电系统各环节模型和系统模型,实现虚拟人工核电系统的构建, 完成物理世界、精神世界、人工世界的三统一. 同时对平行核电产业进行平行系统建模, 完成全产业链平行化的目标.

平行控制层:基于虚拟人工核电系统模型, 采用计算实验, 获得优化控制策略, 采用平行执行模式,实现对虚拟人工核电系统和实际核电系统的同步反馈. 平行执行对实际核电系统, 引导人与社会的活动; 采用软件定义机器模式, 与物理定义机器进行控制互动. 平行执行可以调整虚拟人工核电系统的模型、参数、运行方式, 使虚拟人工系统与实际系统一致, 为下一步引导实际系统做准备. 最后, 实现物理、社会、赛博空间的互联互通, 共同融合, 实现默顿牛顿系统的大统一. 同时, 在执行过程中, 运用动态闭环的管理方式进行平行控制与管理[29−33].

2.5 平行核电系统的应用

平行核电系统的研究, 可应用在核电系统设计改进、事故规程优化、运行推演、并发事故情景模拟、学习培训、人员应急疏散演练、应急方案优化与验证等多个方向[34−41], 如图6所示：

图5 平行核电框架

图6 平行核电系统的主要应用

对运行部门, 提供核电系统的在线推演平台, 可以评估运行人员的操作风险, 以及对风险事件提供智能决策；

对应急部门, 模拟真实事故场景、同时考虑社会和人的心理行为主观能动影响等缺点, 保证在应急情况下人员的快速疏散及救援工作的顺利开展;

对设计部门, 可由事故后原因分析转变为事前设计预防, 改进设计方案, 防止此类事故的发生, 为在最大程度上避免重大核事故的发生;

对培训部门, 可以作为核电操作的辅助教学平台, 以直观的形式显示核电的运行机理, 同时, 可模拟更多故障事件, 提高操作人员处理事件能力.