CN111797511A - 一种核电站高精度高保真实时仿真和行为预测方法及装置 - Google Patents
一种核电站高精度高保真实时仿真和行为预测方法及装置 Download PDFInfo
- Publication number
- CN111797511A CN111797511A CN202010548243.4A CN202010548243A CN111797511A CN 111797511 A CN111797511 A CN 111797511A CN 202010548243 A CN202010548243 A CN 202010548243A CN 111797511 A CN111797511 A CN 111797511A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- correction
- prediction
- parameters
- power station
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
- G21D3/002—Core design; core simulations; core optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/08—Regulation of any parameters in the plant
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明涉及一种核电站高精度高保真实时仿真和行为预测方法及装置。所述的方法包括步骤:(1)基于相同的设计参数构造核电站仿真机和物理核电站;(2)平行运行核电站仿真机和物理核电站,实时获取核电站仿真机输出的预测参数和物理核电站的运行参数;(3)将表征同一物理量的预测参数和运行参数进行一一比对,采用大规模并发‑并行的参数搜索修正算法和基于人工智能的模式识别修正算法对核电站仿真机中的预测模型以及预测模型输入参数进行修正,直至预测参数达到指定精度;(4)根据设定工况运行核电站仿真机获取预测参数,完成物理核电站系统的行为预测。与现有技术相比,本发明具有预测准确性高、参数真实性高等优点。
Description
技术领域
本发明涉及核电站仿真和行为预测方法及系统,尤其是涉及一种核电站高精度高保真实时仿真和行为预测方法及装置。
背景技术
现有核电站仿真机,主要是基于热工水力系统程序等专业软件对核电站一回路和二回路的主要设备和管线以及控制系统建立计算模型,将反应堆的设计参数或者实际反应堆的技术参数作为输入变量,来计算核电站在不同工作状态下的系统反应,为设计优化以及实际操控提供参考和指导。
现有的各型核电站大都按照自身的设计特点和实际施工现状度身定制了一套仿真计算软件(仿真机)作为操控员训练以及实际操控预演等使用。目前,仿真计算软件一般是在核电站服役前期即采用业界公认的成熟经典的专业软件,然后针对本电站的设计,运行参数编制计算卡,再经过初始的调试和验证,即可正式交付使用方使用。虽然在使用过程中,可以根据电站运行的具体情况来调整计算卡的相关参数,以获得不同运行状态的计算结果。考虑到核电站系统实际是一个庞大的现代工业系统,涉及的参数成千上万,一旦投运后,由于核电站带有辐射的特性,许多的参数无法再实时的获取,即使获取了部分参数,也无法完全推演出所有关键参数相对初始设计参数的变化。这样,运行一段时期后,仿真机的预测,特别是预测的精度会由于关键参数缺失的缘故渐渐偏离实际的结果。其次,采用附带严重事故计算模块的仿真计算软件,可以计算预测核电站在发生严重事故时,事故发展进程及相关的后果。然而,由于真实条件下的严重事故往往发生在核电站运行一段时候后,仿真机计算的准确性仍然受上述参数不确定性的影响,更重要的是,严重事故的系统计算或者预测,往往是没有系统级的试验验证的,这也导致其预测结果可能失真。
需要注意的是,上述“参数不确定性”以及“严重事故预测未经过实际验证”的问题,和计算程序和计算方法本身的精确性和适用性并不冲突,即使后二者改进的极致完美,也无法完全解决前者的问题,即仅仅采用高精度的计算方法和计算程序来进行核电站仿真和行为预测,由于输入参数和验证修正的缺陷,仍然会导致预测结果的误差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种核电站高精度高保真实时仿真和行为预测方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种核电站高精度高保真实时仿真和行为预测方法,该方法包括如下步骤:
(1)基于相同的设计参数构造核电站仿真机和物理核电站;
(2)平行运行核电站仿真机和物理核电站,实时获取核电站仿真机输出的预测参数和物理核电站的运行参数;
(3)将表征同一物理量的预测参数和运行参数进行一一比对,采用大规模并发-并行的参数搜索修正算法和基于人工智能的模式识别修正算法对核电站仿真机中的预测模型以及预测模型输入参数进行修正,直至预测参数无限逼近运行参数而达到指定精度,完成核电站仿真机的修正;
(4)将给定的物理核电站系统的起始运行工况输入至修正后的核电站仿真机,运行核电站仿真机获取预测参数,完成物理核电站系统的行为预测。
优选地,步骤(3)包括两类修正模式:
第一类修正模式:核电站仿真机中用于预测所有预测参数的预测模型均保持不变,对预测模型的输入参数进行修正;
第二类修正模式:对核电站仿真机中部分预测模型进行修正,剩余预测模型本身不修正,但对剩余预测模型的输入参数进行修正。
优选地,步骤(3)具体修正步骤包括:
(31)在初始修正周期中,两类修正模式同时并发进行,且在每一类修正模式下并发多个修正方案,进而核电站仿真机按照多个修正方案并行运行得到各修正方案下的预测参数;
(32)到达下一修正周期,分别选择上一修正周期中预测精度前k位的k组修正方案,分别对k组修正方案重复进行步骤(31)中的修正;
(33)重复执行步骤(32)直至预测参数无限逼近运行参数而达到指定精度,选取最优修正方案,完成核电站仿真机的修正。
优选地,第一类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值;
然后,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,其中,Sj对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj,采用参数搜索修正算法对输入参数集合EX进行修正,而所有预测模型不做修正。
优选地,输入参数集合EX修正方式为:根据Sj与RSj的误差来确定EXSj的修正值集合EXSRaj,并构成输入参数修正值总集合EXSRZ1=(EXSR0,EXSRa1,EXSRa2,…,EXSRam),其中EXSR0为在EX中所有未与任意一个Sj对应的输入参数的集合,完成输入参数的修正。
优选地,第一类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ1作为一组修正方案,同时基于输入参数修正值总集合EXSRZ1和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ1′形成N组修正方案;
EXSRZ1′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ1,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ1′中的任一修正值exsrz1t=romt*exsrt,生成一组EXSRZ1′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ1′。
优选地,第二类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值;
然后,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,若在连续多步的时间步进中,Sj和RSj的对比误差维持不变或不断增大的子集Sj记作Sj′,其余记作Sj″,Sj′对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj′,Sj″对应的输入参数记作EXSj″,Sj′对应的运行参数记作RSj′,Sj″对应的运行参数记作RSj″,进而,对于Sj′对应的输入参数EXSj′及预测模型采用基于人工智能的模式识别方法进行修正,对于Sj″对应的输入参数EXSj″采用参数搜索修正算法进行修正,而Sj″对应的预测模型不做修正,最终完成输入参数集合EX的修正以及部分预测模型的修正。
优选地,Sj′对应的输入参数EXSj′及预测模型的修正具体为:对于Sj′,采用基于人工智能的模式识别方法,以Sj′无限逼近RSj′无目标,直接修正EXSj′得到修正值集合EXSRbj′,同时将得到Sj′的预测模型替换为人工智能识别模型,该人工智能识别模型根据EXSRbj′直接得到预测结果;
Sj″对应的输入参数EXSj″的修正具体为:对于Sj″,根据Sj″与RSj″的误差来确定EXSj″的修正值集合EXSRaj″;
最终构成输入参数修正值总集合EXSRZ2=(EXSR0′,EXSRb1′,EXSRb2′,…,EXSRbp′,EXSRa1″,EXSRa2″,…,EXSRaq″),其中EXSR0′为在EX中所有未与任意一个Sj对应的输入参数的集合,p为采用基于人工智能的模式识别方法进行修正的输入参数子集总个数,q为采用采用参数搜索修正算法进行修正的输入参数子集总个数,p+q=m。
优选地,第二类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ2作为一组修正方案,同时基于输入参数修正值总集合EXSRZ2和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ2′形成N组修正方案;
EXSRZ2′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ2,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ2′中的任一修正值exsrz2t=romt*exsrt,生成一组EXSRZ2′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ2′。
一种核电站高精度高保真实时仿真和行为预测装置,该装置包括存储器和处理器,所述的存储器用于存储计算机程序,所述的处理器用于当执行所述的计算机程序时实上述所述的方法。
与现有技术相比,本发明具有如下优点:
(1)本发明创新的使核电站仿真机与物理核电站平行运行,并实时将物理核电站的运行参数接入核电站仿真机,与核电站仿真机的预测参数进行实时比对,在大型计算机技术支持下,采用大规模并发/并行的参数搜索修正和基于人工智能的模式识别修正算法,实时调整电站仿真机的预测模型和预测模型的输入参数,使仿真系统在长期运行和比对修正中,其实时预测参数逐步逼近物理核电站的运行参数结果,这一新的仿真计算方法,在参数真实性和预测可靠性上,都大大超过现有的仿真机运行效果。
(2)本发明方法可用于在正常运行,检修维护,以及事故条件下,准确预测核电站系统行为和诊断故障原因,为核电站安全经济的运行提供更可靠的保障。
附图说明
图1为本发明核电站高精度高保真实时仿真和行为预测方法的运行示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种核电站高精度高保真实时仿真和行为预测方法,该方法包括如下步骤:
(1)基于相同的设计参数构造核电站仿真机和物理核电站;
(2)平行运行核电站仿真机和物理核电站,实时获取核电站仿真机输出的预测参数和物理核电站的运行参数;
(3)将表征同一物理量的预测参数和运行参数进行一一比对,采用大规模并发-并行的参数搜索修正算法和基于人工智能的模式识别修正算法对核电站仿真机中的预测模型以及预测模型输入参数进行修正,直至预测参数无限逼近运行参数而达到指定精度,完成核电站仿真机的修正;
(4)将给定的物理核电站系统的起始运行工况输入至修正后的核电站仿真机,运行核电站仿真机获取预测参数,完成物理核电站系统的行为预测。
核电站仿真机输出的预测参数包含但不限于核电站的热工水力、核物理参数及循环、材料、运行控制以及安全等设计参数,热工水力参数如一、二回路压力,流量,进出口温度,核物理参数如燃料富集度,燃料棒,组件和队芯构件的几何尺寸,燃料循环周期和组件排布设计,堆芯结构材料,控制棒材料和几何结构,启动堆的设计参数,正常运行的温度压力,以及安全设备的压力和温度以及材料,投入安全设施的相关阈值条件等等。其中,部分参数是可以通过物理核电站直接测量得到的(即上述物理核电站的运行参数),部分是无法进行测量的,本发明修正的目的是使得核电站仿真机输出的预测参数和物理核电站实际状态(包括上述可测量的物理核电站的运行参数以及部分不可测量的运行参数)能保持平行一致。
步骤(3)包括两类修正模式:
第一类修正模式:核电站仿真机中用于预测所有预测参数的预测模型均保持不变,对预测模型的输入参数进行修正;
第二类修正模式:对核电站仿真机中部分预测模型进行修正,剩余预测模型本身不修正,但对剩余预测模型的输入参数进行修正。
步骤(3)具体修正步骤包括:
(31)在初始修正周期中,两类修正模式同时并发进行,且在每一类修正模式下并发多个修正方案,进而核电站仿真机按照多个修正方案并行运行得到该修正方案下的预测参数;
(32)到达下一修正周期,分别选择上一修正周期中预测精度前k位的k组修正方案,分别对k组修正方案重复进行步骤(31)中的修正;
(33)重复执行步骤(32)直至预测参数无限逼近运行参数而达到指定精度,选取最优修正方案,完成核电站仿真机的修正。
第一类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,
对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值,可以选用上一时刻核电站仿真机输出的对应的预测参数作为给定值,在起始时刻,给定值可为0;
然后,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,其中,Sj对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj,采用参数搜索修正算法对输入参数集合EX进行修正,而所有预测模型不做修正。其中,对集合X的归类可按核工程传统的“现象排序表”方法,从系统-设备-现象多级分类入手,在物理现象下再按学科门类进行热工水力,核物理,材料,控制,运行,燃料循环,安全等具体类别归集。
其中,输入参数集合EX修正方式为:根据Sj与RSj的误差来确定EXSj的修正值集合EXSRaj,并构成输入参数修正值总集合EXSRZ1=(EXSR0,EXSRa1,EXSRa2,…,EXSRam),其中EXSR0为在EX中所有未与任意一个Sj对应的输入参数的集合,完成输入参数的修正。第一类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ1作为一组修正方案,同时基于输入参数修正值总集合EXSRZ1和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ1′形成N组修正方案,EXSRZ1′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ1,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ1′中的任一修正值exsrz1t=romt*exsrt,生成一组EXSRZ1′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ1′,由此并发N+1组修正方案。
第二类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,
对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值;
然后,同时上述方案,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,若在连续多步的时间步进中,Sj和RSj的对比误差维持不变或不断增大的子集Sj记作Sj′,其余记作Sj″,Sj′对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj′,Sj″对应的输入参数记作EXSj″,Sj′对应的运行参数记作RSj′,Sj″对应的运行参数记作RSj″,进而,对于Sj′对应的输入参数EXSj′及预测模型采用基于人工智能的模式识别方法进行修正,对于Sj″对应的输入参数EXSj″采用参数搜索修正算法进行修正,而Sj″对应的预测模型不做修正,最终完成输入参数集合EX的修正以及部分预测模型的修正。
Sj′对应的输入参数EXSj′及预测模型的修正具体为:对于Sj′,采用基于人工智能的模式识别方法,以Sj′无限逼近RSj′无目标,直接修正EXSj′得到修正值集合EXSRbj′,同时将得到Sj′的预测模型替换为人工智能识别模型,该人工智能识别模型根据EXSRbj′直接得到预测结果;Sj″对应的输入参数EXSj″的修正具体为:对于Sj″,根据Sj″与RSj″的误差来确定EXSj″的修正值集合EXSRaj″;最终构成输入参数修正值总集合EXSRZ2=(EXSR0′,EXSRb1′,EXSRb2′,…,EXSRbp′,EXSRa1″,EXSRa2″,…,EXSRaq″),其中EXSR0′为在EX中所有未与任意一个Sj对应的输入参数的集合,p为采用基于人工智能的模式识别方法进行修正的输入参数子集总个数,q为采用采用参数搜索修正算法进行修正的输入参数子集总个数,p+q=m。第二类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ2作为一组修正方案,同时基于输入参数修正值总集合EXSRZ2和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ2′形成N组修正方案,EXSRZ2′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ2,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ2′中的任一修正值exsrz2t=romt*exsrt,生成一组EXSRZ2′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ2′,由此并发N+1组修正方案。
步骤(3)具体实施过程为:参照图1,在第一个修正周期的起始时刻t1,比对预测参数和运行参数,从而并发2类修正模式,每种修正模式下有N+1中修正方案,并行运行2(N+1)种修正方案得到2(N+1)组预测参数,到达第二个修正周期的起始时刻t2,选择上一修正周期中预测精度前k位的k组修正方案,在每组修正方案下,再次并发2类修正模式,每种修正模式下有N+1中修正方案,从而在第二个修正周期中并行运行2k(N+1)种修正方案得到2k(N+1)组预测参数,以此类推重复执行下去直至预测结果达到指定精度停止修正,选取具有最优精度的修正方案作为最优方案,从而用于核电站仿真机的预测。
步骤(3)完成核电站仿真机的修正后,还包括对核电站的特定行为结果进行原因诊断计算,即以核电站特定测量参数(例如事故瞬态时的输出参数)组合为目标R,通过上述(3)中的步骤,利用已获得优化预测模型,确定最接近目标R的预测参数组合X,其对应的输入参数组合EX即是诊断的电站状态(事故原因)。
一种核电站高精度高保真实时仿真和行为预测装置,该装置包括存储器和处理器,所述的存储器用于存储计算机程序,所述的处理器用于当执行所述的计算机程序时实上述所述的方法。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,该方法包括如下步骤:
(1)基于相同的设计参数构造核电站仿真机和物理核电站;
(2)平行运行核电站仿真机和物理核电站,实时获取核电站仿真机输出的预测参数和物理核电站的运行参数;
(3)将表征同一物理量的预测参数和运行参数进行一一比对,采用大规模并发-并行的参数搜索修正算法和基于人工智能的模式识别修正算法对核电站仿真机中的预测模型以及预测模型输入参数进行修正,直至预测参数无限逼近运行参数而达到指定精度,完成核电站仿真机的修正;
(4)将给定的物理核电站系统的起始运行工况输入至修正后的核电站仿真机,运行核电站仿真机获取预测参数,完成物理核电站系统的行为预测。
2.根据权利要求1所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,步骤(3)包括两类修正模式:
第一类修正模式:核电站仿真机中用于预测所有预测参数的预测模型均保持不变,对预测模型的输入参数进行修正;
第二类修正模式:对核电站仿真机中部分预测模型进行修正,剩余预测模型本身不修正,但对剩余预测模型的输入参数进行修正。
3.根据权利要求2所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,步骤(3)具体修正步骤包括:
(31)在初始修正周期中,两类修正模式同时并发进行,且在每一类修正模式下并发多个修正方案,进而核电站仿真机按照多个修正方案并行运行得到各修正方案下的预测参数;
(32)到达下一修正周期,分别选择上一修正周期中预测精度前k位的k组修正方案,分别对k组修正方案重复进行步骤(31)中的修正;
(33)重复执行步骤(32)直至预测参数无限逼近运行参数而达到指定精度,选取最优修正方案,完成核电站仿真机的修正。
4.根据权利要求3所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,第一类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值;
然后,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,其中,Sj对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj,采用参数搜索修正算法对输入参数集合EX进行修正,而所有预测模型不做修正。
5.根据权利要求4所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,输入参数集合EX修正方式为:根据Sj与RSj的误差来确定EXSj的修正值集合EXSRaj,并构成输入参数修正值总集合EXSRZ1=(EXSR0,EXSRa1,EXSRa2,…,EXSRam),其中EXSR0为在EX中所有未与任意一个Sj对应的输入参数的集合,完成输入参数的修正。
6.根据权利要求5所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,第一类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ1作为一组修正方案,同时基于输入参数修正值总集合EXSRZ1和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ1′形成N组修正方案;
EXSRZ1′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ1,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ1′中的任一修正值exsrz1t=romt*exsrt,生成一组EXSRZ1′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ1′。
7.根据权利要求3所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,第二类修正模式的具体修正方式为:
首先,获取核电站仿真机当前输出的预测参数集合X=(x1,x2,…,xn),其中xi表示第i个预测参数,i=1,2,…,n,n表示预测参数的总个数,其中,前p个预测参数为物理核电站可直接获取的物理量,其余n-p个预测参数为物理核电站不可直接获取的物理量,X=f(EX),其中,EX为输入参数集合,f为预测模型,EX=(ex1,ex2,…,ext),ext表示第t个输入参数,t=1,2,…,t,t表示预测参数的总个数,对应地,获取物理核电站的运行参数集合R=(r1,r2,…,rn),集合R中各元素表征的物理量与集合X一一对应,前p个运行参数为直接获取的物理核电站的运行参数,其余为给定值;
然后,将集合X分为m个子集S1、S2、…Sm,同时对应将集合R分为m个子集为RS1、RS2、…、RSm,一一比对Sj和RSj,j=1,2,…,m,若在连续多步的时间步进中,Sj和RSj的对比误差维持不变或不断增大的子集Sj记作Sj′,其余记作Sj″,Sj′对应输入参数集合中的部分输入参数,将该部分输入参数记作EXSj′,Sj″对应的输入参数记作EXSj″,Sj′对应的运行参数记作RSj′,Sj″对应的运行参数记作RSj″,进而,对于Sj′对应的输入参数EXSj′及预测模型采用基于人工智能的模式识别方法进行修正,对于Sj″对应的输入参数EXSj″采用参数搜索修正算法进行修正,而Sj″对应的预测模型不做修正,最终完成输入参数集合EX的修正以及部分预测模型的修正。
8.根据权利要求7所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,
Sj′对应的输入参数EXSj′及预测模型的修正具体为:对于Sj′,采用基于人工智能的模式识别方法,以Sj′无限逼近RSj′无目标,直接修正EXSj′得到修正值集合EXSRbj′,同时将得到Sj′的预测模型替换为人工智能识别模型,该人工智能识别模型根据EXSRbj′直接得到预测结果;
Sj″对应的输入参数EXSj″的修正具体为:对于Sj″,根据Sj″与RSj″的误差来确定EXSj″的修正值集合EXSRaj″;
最终构成输入参数修正值总集合EXSRZ2=(EXSR0′,EXSRb1′,EXSRb2′,…,EXSRbp′,EXSRa1″,EXSRa2″,…,EXSRaq″),其中EXSR0′为在EX中所有未与任意一个Sj对应的输入参数的集合,p为采用基于人工智能的模式识别方法进行修正的输入参数子集总个数,q为采用采用参数搜索修正算法进行修正的输入参数子集总个数,p+q=m。
9.根据权利要求8所述的一种核电站高精度高保真实时仿真和行为预测方法,其特征在于,第二类修正模式下并发多个修正方案的具体方式为:将输入参数修正值总集合EXSRZ2作为一组修正方案,同时基于输入参数修正值总集合EXSRZ2和输入参数集合EX随机产生N组输入参数修正值扩展集合EXSRZ2′形成N组修正方案;
EXSRZ2′组成方式:生成N组随机数列ROMn,每个随机数列含有t个随机数romt,romt的随机变化范围为(0,z),z为过修正系数,z取值为1~2,令输入参数修正值exsrt∈EXSRZ2,选取一组随机数列ROMt,则对应的输入参数修正值扩展集合EXSRZ2′中的任一修正值exsrz2t=romt*exsrt,生成一组EXSRZ2′,采用N组随机数列进行上述操作得到N组输入参数修正值扩展集合EXSRZ2′。
10.一种核电站高精度高保真实时仿真和行为预测装置,其特征在于,该装置包括存储器和处理器,所述的存储器用于存储计算机程序,所述的处理器用于当执行所述的计算机程序时实现如权利要求1~9任意一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548243.4A CN111797511B (zh) | 2020-06-16 | 2020-06-16 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
US17/638,189 US20220405446A1 (en) | 2020-06-16 | 2021-06-07 | High-precision high-fidelity real-time simulation and behavior prediction method and device for nuclear power station |
PCT/CN2021/098564 WO2021254190A1 (zh) | 2020-06-16 | 2021-06-07 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548243.4A CN111797511B (zh) | 2020-06-16 | 2020-06-16 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797511A true CN111797511A (zh) | 2020-10-20 |
CN111797511B CN111797511B (zh) | 2023-07-14 |
Family
ID=72803527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548243.4A Active CN111797511B (zh) | 2020-06-16 | 2020-06-16 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220405446A1 (zh) |
CN (1) | CN111797511B (zh) |
WO (1) | WO2021254190A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420459A (zh) * | 2021-07-16 | 2021-09-21 | 利晟(杭州)科技有限公司 | 一种基于大延时算法的污水处理系统 |
WO2021254190A1 (zh) * | 2020-06-16 | 2021-12-23 | 上海交通大学 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013270A1 (en) * | 2011-07-05 | 2013-01-10 | Renesas Mobile Corporation | Methods, Devices and Computer Program Products Providing for Establishing a Model for Emulating a Physical Quantity Which Depends on at Least One Input Parameter, and Use Thereof |
CN105223932A (zh) * | 2015-10-21 | 2016-01-06 | 中广核工程有限公司 | 核电站安全预警方法、系统以及核电站仿真技术平台 |
CN109426655A (zh) * | 2017-08-22 | 2019-03-05 | 合肥捷达微电子有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100399759B1 (ko) * | 2000-11-01 | 2003-09-29 | 한국과학기술원 | 원자력 발전소의 디지털 온라인 능동 시험 발전소 보호시스템 및 그 방법 |
CN104299660A (zh) * | 2013-07-15 | 2015-01-21 | 中广核工程有限公司 | 基于核电站的仿真测试方法和系统 |
CN107885097B (zh) * | 2017-10-24 | 2021-11-09 | 中广核核电运营有限公司 | 一种核电站模拟仪控系统dcs改造闭环验证系统及方法 |
CN111797511B (zh) * | 2020-06-16 | 2023-07-14 | 上海交通大学 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
-
2020
- 2020-06-16 CN CN202010548243.4A patent/CN111797511B/zh active Active
-
2021
- 2021-06-07 US US17/638,189 patent/US20220405446A1/en active Pending
- 2021-06-07 WO PCT/CN2021/098564 patent/WO2021254190A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013270A1 (en) * | 2011-07-05 | 2013-01-10 | Renesas Mobile Corporation | Methods, Devices and Computer Program Products Providing for Establishing a Model for Emulating a Physical Quantity Which Depends on at Least One Input Parameter, and Use Thereof |
CN105223932A (zh) * | 2015-10-21 | 2016-01-06 | 中广核工程有限公司 | 核电站安全预警方法、系统以及核电站仿真技术平台 |
CN109426655A (zh) * | 2017-08-22 | 2019-03-05 | 合肥捷达微电子有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021254190A1 (zh) * | 2020-06-16 | 2021-12-23 | 上海交通大学 | 一种核电站高精度高保真实时仿真和行为预测方法及装置 |
CN113420459A (zh) * | 2021-07-16 | 2021-09-21 | 利晟(杭州)科技有限公司 | 一种基于大延时算法的污水处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111797511B (zh) | 2023-07-14 |
WO2021254190A1 (zh) | 2021-12-23 |
US20220405446A1 (en) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220405446A1 (en) | High-precision high-fidelity real-time simulation and behavior prediction method and device for nuclear power station | |
US6862329B1 (en) | In-cycle shuffle | |
US20110224966A1 (en) | System and method for evaluating nuclear reactor fueling plan | |
CN109491922A (zh) | 一种基于模型驱动的测试方法和装置 | |
US20100235143A1 (en) | Method for the generation of analytical redundancy relations for system diagnostics | |
Barinov et al. | Methods of thermomechanical reliability validation of thermal water-moderated and water-cooled reactor cores | |
Mandelli et al. | Linking classical PRA models to a dynamic PRA | |
CN112507516B (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN110688152B (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
CN113948231B (zh) | 核电厂小破口事故的关键现象的识别方法及装置 | |
CN113111568B (zh) | 镍基合金应力腐蚀裂纹扩展速率预测方法 | |
Prošek et al. | Quantitative assessment of MCP trip transient in a VVER | |
JP2021039024A (ja) | 炉心計算方法、炉心計算プログラムおよび炉心計算装置 | |
Levenets et al. | Studies of the features of the sorption of an europium by natural and synthetic zeolites for using it in the nuclear energy | |
CN113837535B (zh) | 一种用于核电厂严重事故进程回溯的方法 | |
Siqiao et al. | Research on artificial intelligent nuclear power plant emergency operating guide | |
ALAtawneh et al. | A SE approach to predict the peak cladding temperature using artificial neural network | |
Sun et al. | Security Analysis Based on Probabilistic Safety Analysis Coupled With Deterministic Safety Analysis Used RAVEN | |
CN107947181A (zh) | 一种基于类热启动环境的解耦的全线性化最优潮流模型 | |
Mazurok et al. | Analysis of existing thermal-hydraulic analysis methodologies in the framework of resource extension of reactor pressure vessels | |
Park et al. | An Application of New Dynamic PSA Framework to Large Break LOCA Scenario | |
Serbanescu | A specific experience on some challenges in defining an d using defense in depth and safety margin concepts, as highlighted by the safety improvement process | |
Fynan et al. | Application of Gaussian process model to generate a success criteria map with estimate of safety margin and uncertainty analysis | |
Rychkov | EDF experience in integrated deterministic probabilistic safety analysis for risk assessment | |
CN116070733A (zh) | 不确定性电网预防控制措施优化方法、系统及存储介质 |
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 |