基于SVR数据中心空调系统瞬态热参数预测

数据中心空调系统是维持数据中心的关键设备,直接影响到数据中心的安全运行,目前对空调系统的研究大多集中在节能降耗以及气流优化等领域。在空调故障影响等瞬态变化领域的研究仍然较少。因此有必要探究空调系统故障对机房气流组织的影响,建立针对空调失效极端工况下的快速温度预测模型,为能效控制系统及运行系统提供参考。本文根据空调系统故障实验分别建立了空调冷冻水泵失效及风机失效情况下的关键位置的温度变化时间序列预测模型,模型基于线性核函数支持向量回归机。研究表明相较于非线性核函数支持向量机,线性核函数支持向量机更适合进行冷冻水泵失效时的热参数预测。

基于自适应RBF神经网络预测堆芯热工水力参数的方法研究

反应堆堆芯热工参数的变化直接影响反应堆的安全,准确预测反应堆堆芯在各种工况下的关键热工参数变化趋势,能够大幅度提高反应堆的安全性,有效防止核电厂事故的发生。堆芯内热工水力特性参数受诸多因素的影响,为对其预测方法进行初步研究,确定神经网络预测的可行性,本文选用中国实验快堆(China Experimental Fast Reactor,CEFR)为研究对象,以燃料包壳表面最高温度、质量流量为预测量,通过子通道程序Subchanflow生成数据样本后,使用目前应用较为广泛的两种自适应神经网络方法自行开发预测程序,开展CEFR燃料组件稳态工况下热工参数预测分析,以及选用1/2的CEFR堆芯为研究主体,开展瞬态工况下热工参数的单步与连续预测分析。结果表明:相较于自适应反向传播(Backpropagation,BP)神经网络,自适应径向基(Radial Basis Function,RBF)神经网络具有更强的拟合能力和更高的预测精度,其在稳态工况下最大误差为0.5%;在瞬态工况下,存在个别局部点预测精度较差,但总体上自适应RBF神经网络在温度和质量流量预测良好,温度平均相对误差不超过1%,而流量平均相对误差不超过6%。自适应RBF神经网络模型能够在流动不稳定情况下提供较短时间内的实时预测,其预测结果具有一定参考价值。