基于深度学习工况预测的稳压器控制优化

为了优化传统核电站稳压器控制,本文将深度学习方法引入PID控制器。将长短期记忆(Long Short-Term Memory,LSTM)模型使用传统PID控制仿真数据训练后,为PID控制器提供工况预测数据,弥补因为传感器信号传输以及PID控制器计算带来的反馈延迟,从而使得PID控制器能够依据更实时的工况进行控制信号的计算。在验证实验中,对基于上述方法的智能PID控制器进行了功能验证和复杂工况运行验证。实验结果表明,智能PID控制器能够有效降低传统PID控制过程中的超调量(最高可降低80.7%),同时可以将传统PID控制达到稳态的时间缩短最多60.73s。该控制器的控制性能虽然受工况变化影响仍然较大,但是为核电站稳压器的智能优化方法进行了有益探索,为后续进一步利用人工智能方法改进传统核电站仪控方法提供了借鉴。

基于深度学习的核电站事故预测及故障诊断方法

一种基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型被用来预测核电站异常工况,以有效解决核电安全系统中工况参数预测的问题。该模型利用LSTM对于长时间序列数据处理的优势,关注异常工况中核心参数的预测。根据异常工况的预测需要,LSTM模型预测功能的训练通过历史运行数据集和滚动更新方法(Rolling Update,RU)完成,并且通过测试数据集进行了实验验证。实验结果表明,此模型能够在事故工况下有效地预测核心参数变化趋势,损失值可低至3.7×10^-6。同时在小型失水事故(LOCA)的模拟工况预测中,LSTM模型能够对存在差异的同一类事故做出准确的工况走势预测,展现了其对于同类型事故工况的良好适应性。与传统数理统计方法和传统RNN方法的对比结果证明,基于LSTM的深度学习方法能够有效提升异常工况预测的准确度和时效性。

实时工况仿真场景下蒸汽发生器液面智能预测模型的实现与验证

本文使用基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型来预测核电站蒸汽发生器的液面工况,以有效地解决蒸汽发生器液面控制过程中的参数预测问题。该模型在SIMULINK环境下,实现并且构建了一个使用传统PID控制器的实时工况验证平台,对其进行功能和性能验证。PID控制回路的反馈信号为LSTM模型提供实时在线的输入更新,从而获得LSTM模型对于液面变化的实时预测结果。通过与传统RNN模型的对比实验证明,LSTM模型所具有的长时间序列数据处理优势对于蒸汽发生器核心参数的预测非常有效而且精准。LSTM模型对液面的预测误差可低至-1.1887×10-4,预测过程的损失值可低至1.4130×10-8。而且实验结果显示,LSTM模型在预测过程中具有较快的收敛能力,可以在更短的时间内输出准确的预测结果,这对于及时而准确地判断蒸汽发生器的工作状况,维持核电站正常运行具有重要意义。利用LSTM模型的快速准确预测能力,还可以在未来对传统的PID控制方法实行智能化改造,提升蒸汽发生器液面控制的快速响应能力。

核电站失水事故的智能预警及仿真方法研究

使用基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)和卷积长短期记忆(Convolutional Long-Short Term Memory,ConvLSTM)模型进行核电站失水事故(Loss of Coolant Accident,LOCA)的预警及仿真综合模型的构建。利用CNN的特征提取能力有效识别不同破口尺寸的相关特征,并对工况发展进行预测分类,判定事故发生可能性并给出事故预警。利用预警阶段生成的事故种类判定,使用ConvLSTM在给定时长中计算LOCA工况中的关键系统参数变化情况,实现基于深度学习的LOCA工况仿真。多种方式的实验验证了该模型较好的功能性和适应性,事故类型判定正确率达到88%,仿真工况与原始值的误差保持在10-5量级。利用深度学习模型在特征提取和数值拟合方面的能力,将来还可以对核电站的工况仿真与故障分析进行进一步的智能化改进。