CN110533294A - 一种基于人工智能技术的核电厂运行故障报警方法 - Google Patents
一种基于人工智能技术的核电厂运行故障报警方法 Download PDFInfo
- Publication number
- CN110533294A CN110533294A CN201910692879.3A CN201910692879A CN110533294A CN 110533294 A CN110533294 A CN 110533294A CN 201910692879 A CN201910692879 A CN 201910692879A CN 110533294 A CN110533294 A CN 110533294A
- Authority
- CN
- China
- Prior art keywords
- power plant
- operating parameter
- residual error
- data
- nuclear power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000013461 design Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000004927 clay Substances 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Neurology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种基于人工智能技术的核电厂运行故障报警方法,其特征在于,包括:(1)对于运行故障可能影响的核电厂运行参数进行定量分析;(2)根据结果进行筛选,确定最终参数;(3)根据最终参数建立神经元网络模型,并对进行训练;(4)确定计算训练残差降维曲线数据和测试残差降维曲线数据,并确定报警功能触发的阈值;(5)根据所述最终参数和相应的触发阈值实现运行故障报警。本发明的有益效果如下:针对特定的电厂运行参数,借助神经元网络算法的预测值和报警阈值可形成“动态”的电厂运行参数运行带。该运行带能够随着机组的运行工况的变化而进行适应性的变化,有效避免了复杂工况下的漏报警和虚报警问题。
Description
技术领域
本发明涉及核工业领域,具体涉及一种基于人工智能技术的核电厂运行故障报警方法。
背景技术
随着核电厂控制系统数字化程度的不断提高,一些基础的人工智能系统(如:基于固定逻辑的专家系统、辅助决策和故障诊断系统)已经在核电厂运行领域得到应用,起到了辅助运行人员监控和决策的作用。但是,由于核安全对技术的可靠性和成熟性有较高要求,核电运行中更加深入和复杂的人工智能应用(如直接执行控制的智能系统)尚处于探索阶段,距离实现工程应用仍存在不小的距离。
在大型商用压水堆核电机组中,有数千个涵盖了众多系统和设备的报警信号。在现有核电厂中,这些报警信号的设计主要基于“静态阈值比较”技术。当被监测参数超过提前预设的“静态报警阈值”时,会触发相关的报警信号。这种静态报警能监测到绝大多数的故障,在核电厂中应用广泛。
在现役核电机组中,静态报警能监测到绝大多数的故障,在核电厂中应用广泛,但是,静态阈值报警的触发仅考虑单个电厂运行参数的数值变化,而没有充分考虑多个核电厂运行参数之间的相关性,使得对于运行数据的利用效率还偏低。也正是因为如此,在某些复杂工况下,传统报警系统容易出现“虚报警”和“漏报警”的问题。
“虚报警”是指:只要运行参数超过报警阈值,无论机组当前的运行工况是否“异常”,都会触发相关报警,而这些报警却往往是虚假报警。如:当机组紧急停堆时,相关运行参数在机组瞬态运行过程中波动幅度较大,在某一时间段内可能突破了报警阈值,报警被触发。但是,这些报警的触发并不意味着机组存在除紧急停堆之外的其余需关注事项,产生这些报警仅会干扰操纵员的操作。
“漏报警”是指:只要运行参数处于报警阈值允许的运行范围内,机组就无视相关参数的变化,即使此时参数的运行值已经超出了合理的预期值,现有报警系统也不会触发报警。如:机组在停运过程中发生SGTR事故时,由于机组的运行特性SG液位在短时间内并不会超过报警阈值,因此,传统报警系统无法探测此类事故。
有鉴于此,特提出本发明。
发明内容
针对现有技术中存在的缺陷,本发明的目的是提供一种基于人工智能技术的核电厂运行故障报警方法,旨在解决各个参数之间相互影响而产生的“虚报警”和“漏报警”的问题。
本发明的技术方案如下:
一种基于人工智能技术的核电厂运行故障报警方法,包括:
(1)对于运行故障可能影响的核电厂运行参数进行定量分析;
(2)根据定量分析结果进行筛选,确定最终参数;
(3)根据最终参数建立神经元网络模型,并对相关模型进行训练;
(4)根据训练完成的模型确定计算训练残差降维曲线数据和测试残差降维曲线数据,并根据该训练残差降维曲线数据和测试残差降维曲线数据确定报警功能触发的阈值;
(5)根据所述最终参数和相应的触发阈值实现运行故障报警。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(1)中,进行定量分析之前,先梳理运行故障在机组正常运行期间发生时,机组所处的稳态和瞬态运行工况,再基于工程判断和专家分析,初步定性分析运行故障可能影响的核电厂运行参数。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(1)中,对运行故障可能影响的核电厂运行参数进行定量分析的方法包括:
(101)模拟无故障时的机组运行状态以得到核电厂运行参数的趋势变化数据;
(102)模拟运行故障时的机组运行状态以得到故障时核电厂运行参数的趋势变化数据;
(103)确定残差曲线数据以得到每个参数在给定初始运行工况下的残差平均值,计算残差阈值集合。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(2)中,根据定量分析结果进行筛选包括:
(201)筛除残差平均值与残差阈值比值小于1的运行参数;
(202)筛除与其他运行参数相关度过高和过低的运行参数;
经过上述筛除后的运行参数即为最终参数。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(202)中,筛除与其他运行参数相关度过高和过低的运行参数的方法包括:
(2021)对不同工况下发生运行故障时的运行参数数据进行降维以得到不同工况下的同一运行参数数据;
(2022)根据降维后的数据计算运行参数之间的相关度;
(2023)若两个运行参数之间的相关度>0.995,则这两个运行参数相关度过高,仅保留两者之一作为故障报警功能的输入参数;
(2024)若某运行参数与其他运行参数的相关度均不大于0.5,则与其他运行参数相关度过低,筛除该运行参数。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(2022)中,计算运行参数之间的相关度的公式如下:
其中:
rxy为运行参数x和运行参数y之间的相似度;
σxy为向量x和向量y的协方差,计算公式为:
向量x为运行参数x在所有工况下,对时间积分得到的数值,组成的向量;
向量y为运行参数y在所有工况下,对时间积分得到的数值,组成的向量;
σx和σy分别为向量x和向量y的标准方差,计算公式为:
xi和yi分别为向量x和向量y的第i个元素,
和分别为x和y的样本平均值,计算公式为:
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(3)中,最终参数的数量为u,所述神经元网络模型的数量等于最终参数的数量;所述神经元网络模型均为2层模型,采用BP算法;每个神经元网络模型的输入层有(u-1)个节点,输出层有1个节点;
每个神经元网络模型以其对应的1个最终参数为该神经元网络模型的输出节点,其余的最终参数为输入节点;用于训练该神经元网络模型的数据为不同工况下,模拟无故障时的机组运行数据集合。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,步骤(4)中,根据训练完成的模型确定计算训练残差降维曲线数据的方法包括:
(401)根据神经元网络模型计算最终参数的预测值曲线;
(402)将所述预测值曲线与训练该神经元网络模型的数据的实测值曲线作差,差值数据即为训练残差曲线数据;
(403)对训练残差曲线数据降维,得到训练残差降维曲线数据;
步骤(4)中,根据训练完成的模型确定计算测试残差降维曲线数据的方法包括:
(404)将所述预测值曲线与测试数据的实测值曲线作差,差值数据即为测试残差曲线数据;
(405)对测试残差曲线数据降维,得到测试残差降维曲线数据;
其中,所述测试数据为不同工况下同一故障的最终参数的测试数据。
进一步地,上述的基于人工智能技术的核电厂运行故障报警方法,所述步骤(4)中,确定的报警功能触发的阈值范围为不小于训练残差降维曲线数据中的最大值且不大于测试残差降维曲线数据中的最小值。
本发明的有益效果如下:
1、本发明针对特定的电厂运行参数,借助神经元网络算法的预测值和报警阈值可形成“动态”的电厂运行参数运行带。该运行带能够随着机组的运行工况的变化而进行适应性的变化,有效避免了复杂工况下的漏报警和虚报警问题。
2、本方法具有较好的适用性,适合对各类核电厂的运行故障和事故开展基于人工智能技术的报警设计。
3、本方法具有较好的经济性,在部分情况下,此方法使用的数据可以来自于电厂已有的运行数据,可不需要大规模的增加传感器测点。可以在不大幅提高核电厂造价的条件下,提高电厂运行的安全性和经济性。
4、本方法具有较好的可操作性,可充分利用核电工业界已有的模拟机生成相关设计数据,用于本方法相关设计工作。
附图说明
图1为本发明的基于人工智能技术的核电厂运行故障报警方法的流程图。
图2为本发明中对运行故障可能影响的核电厂运行参数进行定量分析的流程图。
图3为本发明中筛除与其他运行参数相关度过高和过低的运行参数的流程图。
图4为本发明中根据训练完成的模型确定计算训练残差降维曲线数据的流程图。
图5为本发明中根据训练完成的模型确定计算测试残差降维曲线数据的流程图。
图6为本发明实例中训练残差降维曲线集合CJOFC和测试残差降维曲线集合CJFC随时间变化的曲线图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供了一种基于人工智能技术的核电厂运行故障报警方法,该方法针对给定的运行故障F,包括:
S1、对于运行故障可能影响的核电厂运行参数进行定量分析;
S2、根据定量分析结果进行筛选,确定最终参数;
S3、根据最终参数建立神经元网络模型,并对相关模型进行训练;
S4、根据训练完成的模型确定计算训练残差降维曲线数据和测试残差降维曲线数据,并根据该训练残差降维曲线数据和测试残差降维曲线数据确定报警功能触发的阈值;
S5、根据所述最终参数和相应的触发阈值实现运行故障报警。
其中步骤S1中,进行定量分析之前,先梳理运行故障F在机组正常运行期间发生时,机组所处的稳态和瞬态运行工况,再基于工程判断和专家分析,初步定性分析运行故障可能影响的核电厂运行参数。本实施例中,稳态和瞬态运行工况用集合{Bi(i=1,2...m)}表示;初步定性分析运行故障F可能影响的核电厂运行参数用集合AF={Pk(k=1,2...)}表示;Pk表示核电厂运行参数。
如图2所示,步骤S1中,对运行故障可能影响的核电厂运行参数进行定量分析的方法包括:
S101、模拟无故障时的机组运行状态以得到核电厂运行参数的趋势变化数据,以集合表示;
其中,表示参数Pk在工况Bi下的随时间变化的曲线。
S102、模拟运行故障时的机组运行状态以得到故障时核电厂运行参数的趋势变化数据,以集合表示;
其中,表示参数Pk在工况Bi下受运行故障F影响后的随时间变化曲线。
S103、确定残差曲线数据以得到每个参数在给定初始运行工况下的残差平均值,计算残差阈值集合。
本实施例中,对于同样的初始运行工况Bi,集合 中的每个向量与集合中的每个向量相减,得到残差曲线数据,以集合表示;其中,
而后,计算残差向量从0时刻到tend时刻的平均值,得到每个参数在给定初始运行工况下的残差平均值:
其中,tend表示使用分析工具模拟相关工况时的物理进程时间的总长度。
最后计算残差阈值集合:
TF={tPk(k=1,2...)}={c×RangePk(k=1,2...)};c为根据工程经验判断的经验系数;RangePk为参数Pk对应的仪表量程。
通过步骤(1)能够定性定量的分析的各参数数据,从而为以下实现参数筛选提供依据。
步骤S2中,根据定量分析结果进行筛选包括:
S201、筛除残差平均值与残差阈值比值小于1的运行参数;
S202、筛除与其他运行参数相关度过高和过低的运行参数;
经过上述筛除后的运行参数即为最终参数,以集合DF={Pi(i=1,2,3...,u)}表示。
步骤S201中,对于每个Bi,若参数Pk对应的所有都成立,则表明参数Pk在各初始运行工况Bi下,受运行故障F影响均过小,需将Pk参数从模型特征参数中剔除。在剔除参数Pk后,集合AF变为集合EF={Pi(i=1,2,3...,l)}。
具体而言的,如图3所示,步骤S202中,筛除与其他运行参数相关度过高和过低的运行参数的方法包括:
S2021、对不同工况下发生运行故障时的运行参数数据进行降维以得到不同工况下的同一运行参数数据;基于核电厂系统和设备的运行特性等考虑,对于每个Bi下,使用模拟机模拟插入运行故障F后的机组运行故障数据集
进行降维。降维的方式为,将针对不同运行工况Bi下插入故障F得到的Pk有关的数据进行求和,得到HF:
HF=[MP1 ... MP1]
其中,
S2022、根据降维后的数据计算运行参数之间的相关度;计算运行参数之间的相关度的公式如下:
其中:
rxy为运行参数x与运行参数y之间的相似度;
σxy为向量x和向量y的协方差,计算公式为:
向量x为运行参数x在所有工况下,对时间积分得到的数值,组成的向量;
向量y为运行参数y在所有工况下,对时间积分得到的数值,组成的向量;
σx和σy分别为向量x和向量y的标准方差,计算公式为:
xi和yi分别为向量x和向量y的第i个元素,
和分别为x和y的样本平均值,计算公式为:
根据运行参数之间的相关度对中运行参数进行筛选的原则如下:
S2023、若两个运行参数(例如Pi和Pj)之间的相关度>0.995(即ri,j>0.995,),则这两个运行参数相关度过高,仅保留两者之一作为故障报警功能的输入参数;
S2024、若某运行参数(Pi)与其他运行参数的相关度均不大于0.5(即对于参数Pi,max(ri,j)(j=1,2,...,l)<0.5),则参数Pi与其他运行参数相关度过低,筛除该运行参数。
经过上述步骤的筛选,最终参数的数量为u,步骤S3中,所述神经元网络模型的数量等于最终参数的数量;所述神经元网络模型均为2层模型,采用BP算法;每个神经元网络模型的输入层有(u-1)个节点,输出层有1个节点;
每个神经元网络模型以其对应的1个最终参数为该神经元网络模型的输出节点,其余的最终参数为输入节点;用于训练该神经元网络模型的数据为不同工况下,模拟无故障时的机组运行数据集合。具体而言,对于第i个神经元网络模型来说,Pi为该神经元网络模型的输出节点,除Pi之外的(u-1)个参数为输入节点。用于训练神经元络模型的数据为所有Bi工况下,使用模拟机模拟无故障时的机组运行数据集合:
如图4所示,步骤S4中,根据训练完成的模型确定计算训练残差降维曲线数据的方法包括:
S401、根据神经元网络模型计算最终参数的预测值曲线;
S402、将所述预测值曲线与训练该神经元网络模型的数据的实测值曲线作差,差值数据即为训练残差曲线数据,即:
S403、对训练残差曲线数据降维,得到训练残差降维曲线数据,以集合
CJOFC=[CANJOFB1(t) ... CANJOFBm(t)]表示;
其中
如图5所示,步骤S4中,根据训练完成的模型确定计算测试残差降维曲线数据的方法包括:
S404、将所述预测值曲线与测试数据的实测值曲线作差,差值数据即为测试残差曲线数据;其中,所述测试数据为不同工况下同一故障的最终参数的测试数据;本实施例中为使用模拟机模拟插入故障F时的机组运行数据集合:
测试残差曲线数据以集合
表示。
S405、对测试残差曲线数据降维,得到测试残差降维曲线数据;测试残差降维曲线数据以集合CJFC=[CANJFB1(t) ... CANJFBm(t)]表示;其中,
本实施例中,根据训练残差降维曲线集合CJOFC和测试残差降维曲线集合CJFC,确定报警功能触发的阈值TH。确定的报警功能触发的阈值范围为不小于训练残差降维曲线数据中的最大值且不大于测试残差降维曲线数据中的最小值;即,TH∈(MAX(CJOFC),MIN(CJFC))。
为便于理解,本说明书还参照上述具体实施方式给出了实验性实例:
以压水堆核电厂中的“化学与容积控制系统泄漏故障”(简称:泄漏故障)为例,对本专利的实施方法进行说明:
S1、对于运行故障可能影响的核电厂运行参数进行定量分析
首先,分析目标运行故障可能发生的运行工况。
对于“泄漏故障”,梳理该运行故障在机组正常运行期间发生时,机组所处的稳态和瞬态运行工况清单:
B={稳态运行工况(B1),升功率运行工况(B2),降功率运行工况(B3),停堆工况(B4)}
然后,开展核电厂运行故障对核电厂运行参数的影响范围定性分析。
基于工程判断和专家分析,初步定性分析运行故障F可能影响的核电厂运行参数集合,共10个参数:
AF={上充流量、下泄流量、泵001轴封注入水流量、泵002轴封注入水流量、泵003轴封注入水流量、泵001轴封返回水流量、泵002轴封返回水流量、泵003轴封返回水流量、一回路温度、核功率};
然后,开展核电厂运行故障对核电厂运行参数影响的定量分析
S101、在4个给定的初始运行工况下,使用模拟机模拟无故障时的机组运行状态,得到集合AF中每个参数的趋势变化数据集合:
AFBi0是10个机组运行参数在每个正常运行工况下的数据向量,是一个维度为参数和物理运行时间步数的二维矩阵。在本例中,由于模拟机的计算时间步数为600步,因此,AFBi0是10×600的矩阵。
S102、在给定的4个初始运行工况下,使用模拟机模拟插入“泄漏故障”。同样,得到AF中每个参数的趋势变化数据集合:
S103、对于同样的初始运行工况,数据集合AFBi0中的每个向量与数据集合AFBiF中的每个向量相减,得到残差数据集合:
计算残差向量(t)从0时刻到tend时刻的积分值,得到残差积分值集合:
注:在本例中,在每个模拟机组运行工况下,对于每个机组运行参数曲线,模拟机都计算了600个数据点。
计算残差阈值集合TF。
根据工程经验,设定c为0.2,因此,
TF={tPk(k=1,2,...,10)}={0.2×RangePk(k=1,2,...,10)}
S2、根据定量分析结果进行筛选,确定最终参数
S201、对于每个初始运行工况,参数“001轴封返回水流量”、“001轴封返回水流量”和“001轴封返回水流量”对应的所有都成立,因此需将上述3个参数剔除,得到:
EF={Pi(i=1,2,...,7)}
S202、筛除与其他运行参数相关度过高和过低的运行参数
S2021、对于每个初始运行工况下,使用模拟机模拟插入运行故障F后的机组运行故障数据集:
进行降维。得到HF:
HF=[MP1 ... MP7]
其中,
S2022、计算HF中每个参数与集合中其余6个参数的相关度,得到相关度矩阵C:
S2023、泵001轴封注入水流量、泵002轴封注入水流量、泵003轴封注入水流量两两之间的相关度均大于0.995,因此,只留泵001轴封注入水流量。
S2024、“一回路平均温度”与其他参数的相关度的绝对值均小于0.5,因此,剔除“一回路平均温度”。
经筛选后的参数集合为DF={上充流量、下泄流量、泵001轴封注入水流量、核功率}。
S3、建立智能报警功能所需的神经元网络模型
基于本方法,共需建立4个神经元网络模型。其中,所建立的每个神经元网络模型均为2层模型,采用BP算法;每个神经元网络模型的输入层有3个节点,输出层有1个节点。
对相关模型进行训练
4个神经元网络模型训练所使用的输入/输出参数为:
用于训练神经元络模型的数据为所有Bi工况下,使用模拟机模拟无故障时的机组运行数据集合:
根据训练完成的模型确定计算训练残差降维曲线数据和测试残差降维曲线数据:经过步骤S401-403,通过计算得到训练残差降维曲线集合:
CJOFC=[CANJOFB1(t) ... CANJOFB4(t)]
经过步骤S404和405,通过计算得到测试残差降维曲线集合:
CJFC=[CANJFB1(t) ... CANJFB4(t)]。
其中,对于第i个神经元网络模型来说,用于测试的数据为各初始工况下,使用模拟机模拟插入故障F时的机组运行数据集合:
最终,根据训练残差降维曲线集合CJOFC和测试残差降维曲线集合CJFC,确定报警功能触发的阈值TH。
S5、根据所述最终参数和相应的触发阈值实现运行故障报警。
本发明针对特定的电厂运行参数,借助神经元网络算法的预测值和报警阈值可形成“动态”的电厂运行参数运行带。该运行带能够随着机组的运行工况的变化而进行适应性的变化,有效避免了复杂工况下的漏报警和虚报警问题。具有较好的适用性,适合对各类核电厂的运行故障和事故开展基于人工智能技术的报警设计。在部分情况下,此方法使用的数据可以来自于电厂已有的运行数据,可不需要大规模的增加传感器测点。可以在不大幅提高核电厂造价的条件下,提高电厂运行的安全性和经济性。本方法具有较好的可操作性,可充分利用核电工业界已有的模拟机生成相关设计数据,用于本方法相关设计工作。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于人工智能技术的核电厂运行故障报警方法,其特征在于,包括:
(1)对于运行故障可能影响的核电厂运行参数进行定量分析;
(2)根据定量分析结果进行筛选,确定最终参数;
(3)根据最终参数建立神经元网络模型,并对相关模型进行训练;
(4)根据训练完成的模型确定计算训练残差降维曲线数据和测试残差降维曲线数据,并根据该训练残差降维曲线数据和测试残差降维曲线数据确定报警功能触发的阈值;
(5)根据所述最终参数和相应的触发阈值实现运行故障报警。
2.如权利要求1所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(1)中,进行定量分析之前,先梳理运行故障在机组正常运行期间发生时,机组所处的稳态和瞬态运行工况,再基于工程判断和专家分析,初步定性分析运行故障可能影响的核电厂运行参数。
3.如权利要求1所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(1)中,对运行故障可能影响的核电厂运行参数进行定量分析的方法包括:
(101)模拟无故障时的机组运行状态以得到核电厂运行参数的趋势变化数据;
(102)模拟运行故障时的机组运行状态以得到故障时核电厂运行参数的趋势变化数据;
(103)确定残差曲线数据以得到每个参数在给定初始运行工况下的残差平均值,计算残差阈值集合。
4.如权利要求3所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(2)中,根据定量分析结果进行筛选包括:
(201)筛除残差平均值与残差阈值比值小于1的运行参数;
(202)筛除与其他运行参数相关度过高和过低的运行参数;
经过上述筛除后的运行参数即为最终参数。
5.如权利要求4所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(202)中,筛除与其他运行参数相关度过高和过低的运行参数的方法包括:
(2021)对不同工况下发生运行故障时的运行参数数据进行降维以得到不同工况下的同一运行参数数据;
(2022)根据降维后的数据计算运行参数之间的相关度;
(2023)若两个运行参数之间的相关度>0.995,则这两个运行参数相关度过高,仅保留两者之一作为故障报警功能的输入参数;
(2024)若某运行参数与其他运行参数的相关度均不大于0.5,则与其他运行参数相关度过低,筛除该运行参数。
6.如权利要求5所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于,步骤(2022)中,计算运行参数之间的相关度的公式如下:
其中:
rxy为运行参数x与运行参数y之间的相似度;
σxy为向量x和向量y的协方差,计算公式为:
向量x为运行参数x在所有工况下,对时间积分得到的数值,组成的向量;
向量y为运行参数y在所有工况下,对时间积分得到的数值,组成的向量;σx和σy分别为向量x和向量y的标准方差,计算公式为:
xi和yi分别为向量x和向量y的第i个元素,
和分别为x和y的样本平均值,计算公式为:
7.如权利要求1所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(3)中,最终参数的数量为u,所述神经元网络模型的数量等于最终参数的数量;所述神经元网络模型均为2层模型,采用BP算法;每个神经元网络模型的输入层有(u-1)个节点,输出层有1个节点;
每个神经元网络模型以其对应的1个最终参数为该神经元网络模型的输出节点,其余的最终参数为输入节点;用于训练该神经元网络模型的数据为不同工况下,模拟无故障时的机组运行数据集合。
8.如权利要求7所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:步骤(4)中,根据训练完成的模型确定计算训练残差降维曲线数据的方法包括:
(401)根据神经元网络模型计算最终参数的预测值曲线;
(402)将所述预测值曲线与训练该神经元网络模型的数据的实测值曲线作差,差值数据即为训练残差曲线数据;
(403)对训练残差曲线数据降维,得到训练残差降维曲线数据;
步骤(4)中,根据训练完成的模型确定计算测试残差降维曲线数据的方法包括:
(404)将所述预测值曲线与测试数据的实测值曲线作差,差值数据即为测试残差曲线数据;
(405)对测试残差曲线数据降维,得到测试残差降维曲线数据;
其中,所述测试数据为不同工况下同一故障的最终参数的测试数据。
9.如权利要求8所述的基于人工智能技术的核电厂运行故障报警方法,其特征在于:所述步骤(4)中,确定的报警功能触发的阈值范围为不小于训练残差降维曲线数据中的最大值且不大于测试残差降维曲线数据中的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692879.3A CN110533294B (zh) | 2019-07-30 | 2019-07-30 | 一种基于人工智能技术的核电厂运行故障报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910692879.3A CN110533294B (zh) | 2019-07-30 | 2019-07-30 | 一种基于人工智能技术的核电厂运行故障报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533294A true CN110533294A (zh) | 2019-12-03 |
CN110533294B CN110533294B (zh) | 2024-04-16 |
Family
ID=68661016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910692879.3A Active CN110533294B (zh) | 2019-07-30 | 2019-07-30 | 一种基于人工智能技术的核电厂运行故障报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533294B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102593A (zh) * | 2020-09-18 | 2020-12-18 | 浙江浙能长兴发电有限公司 | 基于火力发电厂生产实时数据自学习模型的保障运行安全的预报警技术应用 |
CN112149278A (zh) * | 2020-08-21 | 2020-12-29 | 中国核电工程有限公司 | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 |
CN113178055A (zh) * | 2021-04-28 | 2021-07-27 | 贵州乌江水电开发有限责任公司索风营发电厂 | 一种基于远程集控的电厂维护报警方法 |
CN113238530A (zh) * | 2021-04-25 | 2021-08-10 | 中国核电工程有限公司 | 监测系统显示功能设计方法及系统、验证方法、显示方法 |
CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
CN113641156A (zh) * | 2021-08-03 | 2021-11-12 | 上海核工程研究设计院有限公司 | 一种核电厂运行瞬态识别和评价系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN103019094A (zh) * | 2011-09-19 | 2013-04-03 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
-
2019
- 2019-07-30 CN CN201910692879.3A patent/CN110533294B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN103019094A (zh) * | 2011-09-19 | 2013-04-03 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
Non-Patent Citations (2)
Title |
---|
姚良忠,毛蓓琳: "人工神经元网络在核电工程中的应用现状", 核动力工程, no. 01, 28 February 1995 (1995-02-28) * |
董学育, 刘志远, 陈来九: "基于人工神经元网络的测量数据正确性的验证方法在发电厂控制系统中的应用研究", 中国电机工程学报, no. 12, 30 December 1999 (1999-12-30) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149278A (zh) * | 2020-08-21 | 2020-12-29 | 中国核电工程有限公司 | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 |
CN112102593A (zh) * | 2020-09-18 | 2020-12-18 | 浙江浙能长兴发电有限公司 | 基于火力发电厂生产实时数据自学习模型的保障运行安全的预报警技术应用 |
CN113238530A (zh) * | 2021-04-25 | 2021-08-10 | 中国核电工程有限公司 | 监测系统显示功能设计方法及系统、验证方法、显示方法 |
CN113178055A (zh) * | 2021-04-28 | 2021-07-27 | 贵州乌江水电开发有限责任公司索风营发电厂 | 一种基于远程集控的电厂维护报警方法 |
CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
CN113641156A (zh) * | 2021-08-03 | 2021-11-12 | 上海核工程研究设计院有限公司 | 一种核电厂运行瞬态识别和评价系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110533294B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533294A (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
Sobajic et al. | An artificial intelligence system for power system contingency screening | |
Khatibi et al. | Inclusive Multiple Models (IMM) for predicting groundwater levels and treating heterogeneity | |
CN105608842A (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
CN108347352A (zh) | 一种电力系统中信息系统及设备性能的诊断方法 | |
Yang et al. | A Petri net approach to early failure detection and isolation for preventive maintenance | |
CN107153915A (zh) | 一种变电站不变化遥测数据自动检测的方法和系统 | |
Han et al. | Quantifying signed directed graphs with the fuzzy set for fault diagnosis resolution improvement | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
CN213126080U (zh) | 设备远程监测与故障预警系统 | |
CN108269021A (zh) | 基于NB-IoT电网信息物理融合风险监测系统及方法 | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
Randles et al. | A Formal Approach to the Engineering of Emergence and its Recurrence | |
Espinosa-Paredes et al. | Modeling of the High Pressure Core Spray Systems with fuzzy cognitive maps for operational transient analysis in nuclear power reactors | |
CN115212996A (zh) | 一种磨煤机故障诊断系统 | |
Bartal et al. | Nuclear power plants transient diagnostics using LVQ or some networks don't know that they don't know | |
Kim et al. | A quantitative approach to modeling the information flow of diagnosis tasks in nuclear power plants | |
CN111553061A (zh) | 核电厂台风应急响应及预警装置及其构建方法 | |
Chen et al. | Prediction of Automatic Scram during Abnormal Conditions of Nuclear Power Plants Based on Long Short‐Term Memory (LSTM) and Dropout | |
CN109739210A (zh) | 设备部件健康状态的评估方法及装置 | |
Alexandru et al. | An architectural system solution for technical diagnosis | |
Guo et al. | Accident scenario diagnostics with neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |