Dynamic Characteristics Analysis on MHTGR Plant’s Secondary Side Fluid Flow Network

Multipe NSSS (Nuclear Steam Supply System) modules use the common feeding-water system to drive the common turbine power generation set. The SSFFN (secondary side fluid flow network) of MHTGR plant has features i.e. strong-coupling and nonlinearity. A wide range of power switching operation will cause unsteady flow, which may destroy the working elements and will be a threat for normal operation. To overcome those problems, a differential-algebraic model and PI controllers are designed for the SSFFN. In MATLAB\SIMULINK environment, a simulation platform is established and used to make a simulation of SSFFN of a MHTGR plant with two NSSS modules, which uses feedwater valves to control the mass flow rate in each module instead of feedwater pump. Results reflect good robustness of controllers.

基于代理模型的碳捕集与电厂集成调度优化

燃烧后碳捕集技术被认为是目前减少燃煤电厂碳排放最可行的技术之一。但化学法碳捕集装置能耗较高,占用发电负荷,需要将其与发电过程耦合调度,通过错峰捕集降低系统运行成本。本文将碳捕集过程与发电过程集成,通过引入烟气旁路和溶剂储罐两种辅助设备,基于以小时为单位的动态电价和用电量,对耦合系统进行优化调度。针对因碳捕集过程机理模型复杂而无法与系统调度模型协同求解的难题,本文基于流程模拟和神经网络训练构建碳捕集过程代理模型,考虑电力市场和碳市场收益,以电厂日收益最大为优化目标,采用数学规划法优化设计调度方案。最后,以一个600MW的发电厂为算例,进行了系统的最优调度方案和碳捕集过程操作参数的优化。基于优化结果分析了电厂与碳捕集协同调度的规律特性,验证了集成方法的有效性,展示了其在优化碳捕集与电厂集成调度方面的应用前景。

融合蛋白质语言模型与深度神经网络的植物蛋白质相互作用预测研究

预测植物中的蛋白质-蛋白质相互作用(PPI)具有重要的生物学意义。同时采用了4种编码方法及深度神经网络构建了蛋白质相互作用预测模型。结果表明,提出的融合蛋白质语言模型Ankh与深度神经网络的方法构建的PPI预测模型性能在3种植物数据集上均获得了最优的AUPR和AUC值,Sen及MCC值也均优于其他4种蛋白质相互作用预测模型。当模型在水稻、大豆的植物PPI数据集上进行测试时,所提出的模型AUPR值分别为0.8025、0.7301,AUC值分别为0.9562、0.9507。这些优异的结果表明,融合蛋白质语言模型Ankh的PPI模型可以作为植物蛋白质相互作用预测的一个有前途的工具。

核电厂地下管网结构化数据建模研究

在数字化设计平台建设过程中,为了解决缺少专业设计软件的情况下少量地下管网模型的生产和集成问题,需要建立一种与设计软件解绑的建模方式。通过研究使用结构化的管网数据驱动生成三维模型的方法,实现核电厂已有地下管道和管道附属物快速逆向建模,进一步实现核电厂室外工程设计模型和施工模型的集成与应用。

受灾经历 、社会网络嵌入和种植业农户投保行为

利用中国土地经济调查(CLES)1417个农户微观调查数据,运用两部分模型和Heckman样本选择模型,探讨受灾经历和社会网络嵌入对种植业农户投保选择和投保支出的影响,进一步分析社会网络嵌入分化对农户参保行为存在的异质性影响。结果表明:①受灾经历通过修正农户的风险认知,对农户的投保行为产生显著正向影响;②社会网络嵌入通过软化农户的信息约束,对农户的投保行为产生显著正向影响;③社会网络嵌入会通过先行者的“榜样效应”打破农户的认知偏见,促使农户进行理性的参保决策。因此,建议做好受灾理赔工作,重视社会网络的非正式信息传递作用,进一步加强灾害预报信息的传播水平,促进农户优化自身的风险认知,主动采用农业保险工具来规避生产风险。

基于轻量化网络对植物叶斑病的目标检测研究

为了提高植物叶斑病的检测效率和精度,引入主流的目标检测模型YOLOv5对叶斑病进行检测。结果显示,模型在检测较小的叶斑病时精度不高,且模型权重体积较大,不利于在终端边缘设备上部署。为此,对YOLOv5模型进行改进。首先,采用经过SCSE模块修改的MobileNetv3轻量化网络结构替代原有的CSP-Darknet53主干网络,从而降低模型的参数量和计算复杂度;其次,使用K-means++聚类方法优化Anchors参数,使先验框更好地为目标检测模型提供信息,增强模型的性能和泛化能力,减少对标注数据的依赖;最后,在主干网络的最后一层引入ASPPF模块,提高模型在不同尺度上的检测性能。实验结果表明,与原YOLOv5s算法相比,改进方法在植物叶斑病检测任务中表现更优,精确率、召回率和mAP等指标分别提高了2%、2.7%和1.5%,模型大小降低了39.1%。通过优化YOLOv5模型,实现了对不同植物类型大小不一的叶斑病的高效检测,有效降低了模型的大小,并提高了模型的检测精度。

基于源-网-厂-河耦合仿真的水体污染治理效果分析

水体污染治理效果的量化评估在方案制定中起着重要作用,而数学模型是量化评估的重要手段。以苦竹溪流域为研究对象,基于城市水系统控制仿真模型(Simuwater)开展源-网-厂-河耦合仿真的水体污染模拟,分析流域径流污染、排口入河污染、河道水质等,从而对陆域污染治理效果和水域污染治理效果进行量化评估。实例研究表明:Simuwater模型操作简单,数据需求低,且具备源-网-厂-河动态模拟功能,可模拟陆域污染负荷及河道水质浓度变化过程,并可推广应用于流域级别的水环境治理效果评估。

乙烯生产装置优化人工神经网络模型的建立

建立了一个用于乙烯生产装置优化的人工神经网络模型。该神经网络模型是以BP网络为基础的多层网络。该神经网络模型训练过程和应用优化过程是互逆过程。示例表明：训练后的神经网络模型可对乙烯生产装置进行快速工艺参数优化，获得较优的操作数据。

基于改进稠密胶囊网络模型的植物识别方法

植物识别意义重大,但是由于植物种类繁多,规模数据集标注和构建困难,因此植物物种识别作为精细分类任务仍然面临巨大挑战。该研究提出一种改进稠密胶囊网络模型用于植物物种识别。首先,在网络初始端引入自注意力层,通过增加特征图中待识别区域的特征权值以降低背景信息对于识别任务的干扰。其次,在改进模型胶囊层间使用局部约束动态路由算法,实现局部区域内胶囊路由选择和转换矩阵共享机制,降低网络参数规模,减小网络训练学习计算负载。在试验数据集上计算结果表明,当输入图片尺度为32×32像素时,该研究模型平均识别准确率为77.2%,参数规模仅为1.8M。当输入图片尺度为227×227像素时,该研究模型平均识别准确率为95.1%,参数规模仅为5.2M。试验结果表明提出的改进稠密胶囊网络模型在识别分类和降低模型参数规模上均有大幅提升。

核电机组二回路建模与动态仿真

基于物理规律采用了非线性模块化建模的方法,对压水堆核电机组主蒸汽系统、凝结水给水系统和汽轮机通流部分等二回路系统建立了动态模型。考虑了蒸汽的可压缩性、非平衡两相热交换等因素,利用流体网络软件求解微分方程与代数方程以实现仿真。将二回路与一回路系统集成后进行测试验证。仿真结果表明模型精度取决于模块划分的程度,通过精选算法与模块适当的划分,可以获得实时仿真系统所需要的精度。

基于神经网络和过程机理特性的锅炉蒸发系统仿真

文中构建了一种基于神经网络和过程机理特性的自然循环锅炉蒸发系统仿真模型。该模型在型式上为混合人工神经网络模型 ,具有十分理想的仿真速度 ;在网络模型的设计上 ,较好地考虑了系统及网络输入与输出间的物理基础 ,网络模型在一定程度上由常规的黑箱模型转化为“灰箱模型”。与常规的神经网络模型相比 ,该网络模型的训练除了具有通常的输入输出间纯数值映射关系学习功能之外 ,还较为充分地体现了系统输入与输出间的物理机理学习 ,从而保基金项目 :教育部高校骨干教师资助计划资助项目 (GG 470 10 188 10 42 )。证了网络模型的联想能力、对系统过渡过程的预报能力和外推效果。同时 ,利用前述的仿真方法还能够实现锅炉蒸发系统的在线建模 ,加强了模型对实际系统的描述能力。文中通过仿真试验结果证明了上述建模方法的有效性。

计及输电阻塞的发电公司最优竞价模型

为了实现电力市场环境下发电公司最优竞价,根据对市场内其他机组报价系数的预测,建立计及竞争对手报价的发电公司竞价模型,求取未计及输电容量约束时的最优竞价系数。建立市场出清模型,计算各机组出力期望值,根据上述期望值进行潮流计算。当预测有输电阻塞发生时,将输电阻塞对电力公司竞价策略的影响引入竞价模型中,并基于灵敏度分析以阻塞费用最小为目标确定发电公司出力调整量。通过Matlab仿真分析表明,采取上述方法得到的最优竞价系数进行报价时,能实现发电公司利润最大化的目标。

考虑风电随机性的电力系统厂/网双层分解协调经济调度方法

针对大规模风电接入给省级电网带来的挑战,提出一种考虑风电随机性和网络安全约束的厂/网双层分解协调经济调度方法。上层以电网的安全经济运行为目标,决策变量是各个电厂的出力和弃风量,交替求解主问题和误差场景子问题,以确保使全网运行费用最小和电网有足够的能力去应对风电的随机性;下层求解电厂子问题,以电厂内机组的经济运行为目标,决策变量为各个机组的出力。采用Benders分解算法求解上述模型,产生2种最优切割以近似误差场景子问题和电厂子问题。通过对含3个风电场的某省级电网的计算,验证了所提方法的有效性。

基于神经网络和过程机理的锅炉过热系统动态仿真

神经网络模型由于缺乏物理基础 ,其外推能力不够理想 ,甚至有时其预报结果与实际系统的基本规律相矛盾 ;机理模型通常过于复杂 ,且无法描述未知扰动的影响 ,一般难以在线应用。该文基于神经网络和过程机理特性 ,构建了电厂锅炉过热蒸汽系统仿真模型。在仿真模型设计上 ,充分地考虑了过热蒸汽系统输入与输出间的物理基础 ,网络的训练基金项目 :高等学校骨干教师资助计划资助项目 (GG 470 10 188 10 42 )。除了具有通常的数值映射关系学习功能之外 ,还具有过程机理学习功能 ,从而保证了文中的网络模型较常规的神经网络模型具有十分良好的联想能力、对系统过渡过程的预报能力和外推效果。初步研究表明 ,文中提出的基于神经网络和过程机理的仿真建模方法 ,可以有效地克服复杂系统仿真精度和仿真速度间的矛盾 ,拓宽仿真系统的工程应用领域。

网络控制系统时延的分析及补偿

网络控制系统是计算机、通信技术和控制技术融合发展所形成的一个新领域。网络诱导时延的分析与补偿是该研究领域的关键问题。分析了网络诱导时延,并建立了具有随机时延的网络控制系统在单包传输下的模型。然后引入全维状态观测器,在此基础上对系统的网络时延进行补偿。最后给出了不同情况下的仿真图,验证了时延的不利影响及补偿方法的有效性。

火电厂时间序列的神经网络预报

神经网络用于火电厂时间序列预报无需作平稳性假设。它从序列样本中学习序列本身的内在规律，从而建立正确的火电厂时间序列模型。神经网络将寻求序列规律的过程转化为Ｒｎ →Ｒｍ 逼近的非线性映射的非线性优化问题，用经过改进的静态ＢＰ算法可以取得较为满意的结果。适当增加输入单元的历史序列样本，可以得到对序列更为精确的预报。

基于模型参考神经网络实现锅炉水位自适应控制

锅炉水位是影响锅炉安全运行的重要参数,而水位控制系统是一个复杂的非线性系统。设计了一个稳定的参考模型来表达所期望的汽包水位特性,再通过构建神经网络控制器,控制锅炉水位输出曲线匹配期望的锅炉水位特性。神经网络控制器由2个神经网络组成:被控对象辨识神经网络和控制神经网络,采用反向传播学习算法作为神经网络训练算法。仿真结果表明,采用该神经网络控制器的系统输出性能明显优于采用传统控制器的系统。

应用神经网络和统计模型预测大豆生长发育阶段

预测大豆的物候期对指导大豆生产、安排农事活动等具有重大意义。本研究构建了一种简单有效的预测模型,使大豆种植者能够较准确地预测大豆各生育阶段的具体日期。试验地位于美国密西西比Delta研究推广中心(经度:90°55'W,纬度:33°25'N)。试验进行了5年,前4年(1998—2001)数据构建模型,第5年(2002)的数据验证模型。为简化模型,杂草、病虫害、干旱等干扰因素被优化排除。采用逐步回归(SR)、神经网络(ANN)以及内插法构建模型。营养(V-stage)和生殖(R-stage)生长阶段分别建模。结果表明,通过播种日期(PD)和从播种到某阶段的相对平均天数能很准确地预测营养生长各阶段的具体日期;可通过播种日期和成熟期组数值(MG)准确预测生殖生长各阶段的具体日期。3种方法中,神经网络所构建的模型准确度最高,具有较好的推广应用价值。

基于BP神经网络的杨梅大棚内气温预测模型研究

利用2009年12月-2010年5月塑料大棚内外观测的气象数据,构建了基于BP神经网络的杨梅生产大棚内的最高、最低气温预测模型,根据逐时转化系数计算出棚内相应的逐时气温,达到逐时预报大棚内气温的目的。通过模拟回代和对独立试验数据的验证,基于BP神经网络模型对大棚内日最低气温、日最高气温和逐时气温预测值与实际值的回归估计标准误差(RMSE)分别为0.8℃、1.4℃和0.7℃,精度明显高于同时利用逐步回归法建立的模型。该模型所需参数少,实用性强,模拟精度高,可为设施杨梅气象服务和环境调控提供依据。

基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。