CN111897240A - 一种基于核动力系统运行的仿真方法及系统 - Google Patents

Abstract

本发明涉及一种基于核动力系统运行的仿真方法及系统。该方法包括获取核动力系统中子系统的实际运行数据；构建子系统的子任务仿真模型并确定子系统的子任务仿真模型的影响因素；利用流体力学、热传学以及自动控制原理确定影响因素的预估值；判断预估值是否为修正值；若预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到影响因素的最优值；利用影响因素的最优值修正子系统的子任务仿真模型；根据所有修正后的子系统的子任务仿真模型确定核动力系统的任务仿真模型；进而确定修正后的核动力系统的任务仿真模型；利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。本发明提高核动力系统运行的仿真的精确性和工作效率。

Description

一种基于核动力系统运行的仿真方法及系统

技术领域

本发明涉及核动力系统运行的仿真领域，特别是涉及一种基于核动力系统运行的仿真方法及系统。

背景技术

随着现代仿真技术的发展，对模型精度的要求也越来越高，核电机组运行的安全性及经济性要求核电站必须配备高精度的核电站仿真机。当设备模型不能完全反映设备本身时，就会产生设备建模误差。同时在核电厂运行过程中，随着时间的推移，管网等设备的特性如阻力，换热系数，还有工作点等都可能发生变化，因此引入的不确定性，将使得原来建立的仿真模型并不能准确的反映主冷却剂系统和化容系统的实际运行状况；另外由于测量手段的限制，现场数据也存在误差和不确定性，可能会导致数据失真。当仿真模型偏差比较大时，会影响反应堆的运行安全，因此需要对仿真模型及时校正，随时保持仿真模型相关参数正确。目前通常采用人工操作进行仿真模型中相关参数的调整，但步骤多、耗时长，无法满足仿真模型优化与修正对及时性的要求。

由于核动力系统复杂、含有大量过程参数且各参数间会相互影响，所以目前针对热工水力过程进行仿真模型智能优化的案例较少，但仿真模型智能优化在化工、船舶、军事等领域已经有了一些应用，在信息技术领域也有人进行了方法的探究。

在国外，针对其他过程系统，Krotil将在线仿真技术应用到流动过程的早期设计中，提出在此过程中最重要的两步分别是选择合适的仿真数值计算方法和如何与实际过程的输入输出数据进行有机结合。Cardin和Castagna论述了针对生产工艺系统执行在线仿真的可能性，他们主要解决了在线仿真模块初始化的部分功能。Arango提出将实际测量数据引入到在线仿真建模过程中，主要开发了不同运行特性下的计算公式选择模块。Deuerlein提出在线仿真过程中的数据参数化概念，将配水系统在运行过程中的参数进行总结，主要分为物理特性参数，远程控制参数和非远程控制参数，将这些参数对仿真精度的影响进行了说明。Ou提出仿真模型的在线更新算法，可以对与实际系统同步运行的仿真模型进行适应性更新，以满足在线准确性的需求。

而针对核动力系统，国外包括美国、法国、加拿大、日本等国家的部分核电站已经将在线机理仿真系统投入使用，但是主要是针对堆芯内的反应堆物理过程。美国西屋公司开发的BEACON系统具有在线监测、仿真、故障预测的功能。BEACON利用堆芯内外的测量装置测量功率分布并完成堆芯三维功率分布的重构，从而实现对堆芯状态的在线监测。SCORPIO是由挪威Halden项目组开发的用于进行反应堆堆芯在线跟踪或状态预测的仿真系统，经过数次改进与升级，在西欧国家和俄联邦国家的数座核电站中有所使用。

由于核动力系统系统复杂、含有大量过程参数且各参数间会相互影响，所以目前并没有针对热工水力过程进行在线机理仿真和趋势预测的实用方法。Gofuku提出应用实时在线仿真模型进行压水堆主冷却剂管道的小破口事故诊断，但是该技术对蒸汽发生器二次侧做了过多简化，同时没有考虑自动控制系统对在线仿真过程的影响，与实际过程具有较大差距。美国爱达荷实验室在其2011年发布的《长期仪表、信息和控制系统(II&C)现代化未来愿景和策略》中率先提出了利用先进的核、热工水力、电气仿真模型以及超实时仿真技术分析核动力系统当前运行性能并预测其运行状态的技术思想。

在国内，针对其他过程系统，李颖栋等针对成品油管道系统进行在线仿真，提出在线仿真过程的“黑箱”理论，利用管道两端的压力、流量、温度等数据对管道的水力状态进行模拟仿真；李志恒提出向仿真系统提供机组运行数据，构建一个完整的数字化模型的设想，并介绍了在线仿真系统的结构及实现方法。陈强军阐述了流控工业在线仿真的有关概念，分别从数据资源共享、仿真建模和任务功能上进行分析，分析了在线仿真在流程工业系统应用中的特点。

而针对核动力系统，陈兆晋利用GSE平台的相关仿真软件开发火电厂高精度两相流在线仿真模型，但是仿真模型本身存在准确性不高的问题。马振涛对中国的伊敏电厂建立在线仿真系统，可以接收现场控制系统的实时数据。卢超实现了基于电厂实时数据的在线仿真关键技术，其针对岭澳核电站3号机组蒸汽旁排阀的故障，将电厂实时数据引入到数学模型中，验证了在线仿真系统的逼真性。台湾科学技术大学建立了基于模糊逻辑的仿真模型，并对蒸汽发生器传热管温度进行在线仿真和状态预测，但其应用范围十分有限。哈尔滨工程大学的赵强针对压水堆堆芯的在线仿真问题提出堆芯参数重构模型，并通过仿真实验证明了所述方法的可行性。中广核公司工程设计院正在进行状态分析与预测相关技术的研究，目前他们开发的预测系统可以对二回路给水调节控制过程进行预测，但是还有许多关键技术有待解决。

发明内容

本发明的目的是提供一种基于核动力系统运行的仿真方法及系统，提高核动力系统运行的仿真的精确性和工作效率。

为实现上述目的，本发明提供了如下方案：

一种基于核动力系统运行的仿真方法，包括：

获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据；

根据所述实际运行数据构建对应的子系统的多个子任务仿真模型；

根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素；

利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值；

判断所述影响因素的预估值是否为修正值；

若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型；

若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型；

根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型；

利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

可选的，所述根据所述实际运行数据构建对应的子系统的多个子任务仿真模型，之后还包括：

对所述子系统的子任务仿真模型进行初始化；

利用热平衡计算法对初始化的参数进行校核。

可选的，所述利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值，之后还包括：

利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

可选的，所述判断所述影响因素的预估值是否为修正值，具体包括：

根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型；

根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据；

根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差；

判断所述均方误差是否小于设定阈值；

若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值；

若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

一种基于核动力系统运行的仿真系统，包括：

实际运行数据获取模块，用于获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据；

子系统的子任务仿真模型构建模块，用于根据所述实际运行数据构建对应的子系统的多个子任务仿真模型；

影响因素确定模块，用于根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素；

影响因素的预估值确定模块，用于利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值；

判断模块，用于判断所述影响因素的预估值是否为修正值；

第一修正模块，用于若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型；

第二修正模块，用于若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型；

修正后的核动力系统的任务仿真模型确定模块，用于根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型；

核动力系统运行的仿真模块，用于利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

可选的，还包括：

初始化模块，用于对所述子系统的子任务仿真模型进行初始化；

校核模块，用于利用热平衡计算法对初始化的参数进行校核。

可选的，还包括：

边界参数自动匹配模块，用于利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

可选的，所述判断模块具体包括：

更新单元，用于根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型；

更新后的仿真运行数据确定单元，用于根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据；

均方误差确定单元，用于根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差；

判断单元，用于判断所述均方误差是否小于设定阈值；

修正值第一确定单元，用于若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值；

修正值第二确定单元，用于若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种基于核动力系统运行的仿真方法及系统，采用群体智能算法，对造成偏差的因素进行分析，并对模型中的相关参数进行及时的优化和修正，从而代替耗时的人工修正过程，提高修正速度，以保证实现仿真模型与实际运行状况的一致性和同步性。为提高技术整体的计算速度和算法寻优精度，在模型方面采用了子任务划分，减少了优化参数数目，并且给出预估值和优化范围。使仿真模型的更详细划分，使得仿真计算输出结果不只是单独的一个点，而是由所划分的节点所形成的区域，能够更加合适的设备的运行特性及参数分布情况，仿真计算精度自然更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种基于核动力系统运行的仿真方法流程示意图；

图2为群体智能优化算法进行参数寻优流程示意图；

图3为本发明所提供的一种基于核动力系统运行的仿真系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于核动力系统运行的仿真方法及系统，提高核动力系统运行的仿真的精确性和工作效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种基于核动力系统运行的仿真方法流程示意图，如图1所示，本发明所提供的一种基于核动力系统运行的仿真方法，包括：

S101，获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据。为了能够区分运行数据的工况，对正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据记性标注。

S102，根据所述实际运行数据构建对应的子系统的多个子任务仿真模型；基于分布式和模块化的思想将所述子系统划分为多个子任务仿真模型。以避免群体智能算法优化过程中优化目标个数的限制。

作为一个具体的实施例，主冷却剂系统可按关键设备划分出蒸汽发生器一次侧，稳压器，主冷却剂泵等子任务仿真模型。

S102之后还包括：

对所述子系统的子任务仿真模型进行初始化。

利用热平衡计算法对初始化的参数进行校核。通过不平衡情况进行分析，修正输入参数使其满足平衡关系，以避免计算不收敛和计算初期不稳定现象。即，在子任务仿真模型初始化阶段，利用基本不平衡关系进行校核，可以保证在仿真计算初始阶段不会因为参数不匹配而导致的仿真模计算过程不收敛、计算初期不稳定现象，并有效的提升仿真计算的效率。

S103，根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素；

具体的，通过经验知识和数据分析来确定子任务仿真模型与实际电厂运行过程中产生偏差的影响因素，从而得到该子任务仿真模型的影响因素。

作为一个具体的实施例，以两相动态非平衡的稳压器仿真模型为例，其使用的经验公式中包含有闪蒸流量系数、冷凝流量系数、波动管阻力系数、波动管热损失系数、壁面换热系数、壁面至环境散热系数和壁面热容量7个经验系数，其符号对应为[x_Mi,x_Vi,x_3i,k_3i,K_Pi,K_exi,M_cpi]，其不确定性很可能导致仿真结果与实际运行状况的偏差。

S104，利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值；进而，能够所缩小参数寻优范围，减少仿真模型修正过程所需的时间。

S104之后还包括：

利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

使用计算机接受的实际设备动态输入参数，作为子任务仿真模型的边界条件，计算子任务仿真模型内各区域的参数值。通过内部接口关系进行模块之间参数传递，从而实现对子任务模型各个参数的求解，得到子任务模型各参数仿真值。

作为一个具体的实施例，上充下泄流量、蒸汽发生器给水流量、蒸汽流量、主泵泄漏量等等,还包括给出与其它模块接口的输出部分,例如蒸汽发生器的压力水位、冷却剂系统压力、稳压器水位等等。同时它也包括了用于模拟冷却剂系统故障工况的有关设置。

以影响参数预估值为依据，确定影响因素集中各变量的优化范围，以闪蒸流量系数x_M为例，由预估值给出其大致优化区间为[x_Mmin,x_Mmax]，再通过启发式搜索算法对各影响因素进行随机搜索。

S105，判断所述影响因素的预估值是否为修正值。

S105具体包括：

根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型。

根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据。

根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差。

判断所述均方误差是否小于设定阈值。

若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值；

若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

S106，若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型。

S107，若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型。

智能优化算法是通过模拟某一自然现象或过程而建立起来的，他们具有适用于高度并行、自组织、自学习与自适应等特征，为解决复杂问题提供了一种新的途径。这类算法包括遗传算法(GA)、粒子群算法(PSO)、模拟退火(SA)和蚁群算法(ACO)等。

遗传算法(GA)是计算机科学人工智能领域中用于解决优化问题的一种搜索启发式算法，属于进化算法的一种，是现代有关智能计算中的关键技术。这种启发式算法通常用来生成有用的解决方案来解决优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

该方法能对整个搜索空间的大量可行解同时并行搜索，这样就克服了传统方法可能陷入收敛于局部最优的困境。由于遗传算法是对整个群体所进行的进化运算，这一特性是的其成为求解多目标优化问题有效解集合的有利手段。目前常用的基于遗传算法的求解方法有：1)权重系数法，此方法实际上与线性加权和法没有本质区别，只是采用了遗传算法的搜索方法。2)并列选择法，先将群体中的全部个体按子目标函数的数目均等地划分为一些字群体，各子目标函数在字群体中独立进行选择运算以形成新的子群体，然后子群体合并为一个完整的群体，在这个完整的群体内进行交叉、变异运算，生成下一代完整群体，如此“分割—并列选择—合并”过程，最终可求出最优解。但易陷入单个目标函数的局部最优解，可考虑改变适应度的计算方法，时满意度高的个体得以保存。3)排序选择法，在此法中选择运算时依据“有效解最优个体”的概念来对群体中的各个个体进行排序，使得排在前面的个体有更多机会遗传到下一代中，这样经过一定的代数后，可求出多目标的有效解。4)小生境Pareto遗传法，它将共享函数的概念引入到求解中，并运用联赛选择机制来选择优良个体遗传到下一代群体中，这样可使解分散在整个Pareto最优解集中。针对遗传算法在应用过程中暴露出来的一些问题，学者们也采用了一些方法来改进。朱学军等提出多个体参与较差的Pareto多目标遗传算法，对遗传算子进行改进，群体中的个体采用真实值表示，使算法求解速度得到提高。杨金明等根据生物界中存在的“杂交”优势，提出多种群变异算法，克服了寻优速度慢，存在“封闭竞争”等问题。于歆杰等提出了在选择阶段之前，利用适应值共享的思想进行适应值调整，而在替换阶段，则采用确定性拥挤思想，可使遗传算法既能收敛又能找到多个峰。

粒子群优化算法通常也被称为微粒群算法。该算法是基于模拟鸟类的觅食行为的基础上发展起来的，通过将鸟群中的每个个体看作是没有质量、没有体积的粒子，采用“速度”和“位置”的概念来进行优化搜索，粒子通过跟踪个体极值及全局极值来实时改变其“速度”和“位置”，从而在整个解空间达到全局最优解的搜索，进而求解复杂优化问题的群体智能随机搜索算法。将单个粒子搜索得到的最优解定义为个体最优解，即个体极值；将整个种群搜索得到最优解定义为全局最优解，即全局极值。

粒子群优化算法的突出优点在于流程简单易实现，算法参数简洁，不需要复杂的调整，对计算机硬件的速度和存储要求不高，对非线性，多峰值问题具有叫强的全局搜索能力。但是PSO算法存在早熟收敛等缺陷，因此多种改进算法及混合算法被提出并应用于各类工程问题。

为了改善原始粒子群算法的收敛性能在速度更新公式中引入惯性权重，并且为了提高算法性能和处理非线性优化搜索问题，分别用线性递减和模糊系统来控制惯性权重。引入了参数粒子群进化速度因子和聚集度因子，提出了动态改变惯性权重的自适应粒子群算法，使算法具有动态适应性，提高了收敛速度和收敛精度。以上针对惯性权重进行改进的粒子群算法统称为带惯性权重的粒子群算法。为了保证粒子群算法的收敛进行了研究，并提出了带收缩因子的粒子群算法，实验证明该收缩因子导致粒子随时间快速收敛，即当粒子在局部和邻域的先前最好点时，粒子振荡幅度减小了。

由于基本粒子群优化算法主要针对连续函数进行搜索运算，但许多实际工程问题都描述为离散的组合优化问题，典型的例子包括调度问题或路由问题。为此，粒子使用二进制字符串进行编码，通过使用sigmoid函数，速度被限制在[0,1]区间之内，并被解释为“概率的变化”。在此基础上，杨红孺等提出改进的二进制离散粒子群优化算法，该算法利用基本粒子群算法中“粒子依赖自身经验及粒子群全体经验，同时克服自身飞行惰性”的思想，改进了粒子的更新运动公式，提高了算法的运算效率，防止早熟收敛。

将小生境技术引入粒子群算法中，提出了小生境粒子群算法(Niche PSO)，实验表明，小生境粒子群优化算法在求解多峰函数的问题上搜索效果优秀。同时使用多个子种群来定位和跟踪多个最优解通过调整适应值计算方式的方法来同时找到多个最优解。基于Niche PSO算法提出了基于聚类的小生境粒子群算法(CBNPSO)，该算法采用聚类算法区分粒子群不同的子粒子群，并采用多种策略实现全局和各子粒子群按不同的粒子群进化，虽然算法与标准PSO相差不多，但小生境的收敛情况明显好于标准的PSO。

由于单个算法总有其优势，也有其缺陷，因此，很多学者通过对多个算法的混合，来扬长避短，并应用于相应的领域。1)基于遗传思想改进粒子群算法：提出繁殖粒子群算法，即给粒子群中的粒子赋予一个杂交概率，在每次迭代中，根据杂交概率选择一定数量的粒子进入一个池中，池中的粒子随机两两杂交，产生相同的子代，并用子代取代父代粒子，以保证种群的粒子数目不变。崔光照等则将引进扰动策略的改进粒子群算法再与遗传算法相结合，提出了改进的粒子群遗传算法(MPSO/GA)，该算法以基本遗传算法为基础，同时将改进的粒子群算法作为遗传算法的一个重要因子，并将该算法对DNA计算中编码序列实现了优化，得到比较好的DNA序列。2)混沌粒子群优化算法：该算法为防止在迭代中出现停滞，利用混沌变量的遍历性，以粒子群当前搜索到的全局最优位置为基础迭代产生一个混沌序列，然后将序列中的最优粒子位置替代当前粒子群中的某一粒子的位置并进行迭代。实验证明，该算法运行稳定并具有较好的鲁棒性和适应性。3)基于模拟退火的粒子群优化算法：以基本粒子群优化算法作为主体运算流程，引入模拟退火机制，并混合了基于遗传思想的粒子群优化算法中的杂交运算和带高斯变异的粒子群优化运算的模拟退火粒子群优化算法(SA-PSO)。理论实验证明，只要迭代次数足够多，模拟退火粒子群算法将以概率收敛于函数最优值。

作为一个具体的实施例，群体智能优化算法的参数寻优流程如图2所示。具体的过程如下：

1)以稳压器为例，其粒子的位置x由7个维度组成，包括闪蒸流量x_M等系数，根据预估值使初值平均分布在[x_Mmin,x_Mmax]上，其他几个维度同理。即第i个粒子x_i＝[x_Mi,x_Vi,x_3i,k_3i,K_Pi,K_exi,M_cpi]。

引入分群优化思想，将所有种群分成最优种群和非最优种群，初始化最优种群和非最优种群的基本参数，如迭代次数J、种群粒子数量N、全局学习因子c₁、个体学习因子c₂、种群间学习因子c₃及初始速度v等，以避免设置单一种群导致粒子全部趋向于局部最优解。

对所有种群的初始位置进行混沌初始化，以保证初始位置覆盖全部解空间。

在约束条件例如涉及到的七个影响参数的取值范围的限制下，分别计算最优种群和非最优种群的初始适应度

适应度是通过将粒子位置代入到子任务仿真模型，然后计算对于电厂中所有实测值与对应仿真值的均方误差来确定的。

仍以稳压器为例，其适应度函数可设置为平均平方误差e_MSE，即：

式中，N为仿真模型计算特性数据的总次数；P_Mi、L_Mi分别为仿真模型计算得出的第i秒的稳压器压力值和水位值；P_Si、L_Si是稳压器实际运行压力值及水位值。

2)：判断当前迭代时间是否达到最大时间，

若大于等于最大迭代时间，则将最优种群和非最优种群的全局最优值传递回子任务仿真模型；

若小于最大迭代时间，则继续执行参数寻优计算；

3)：针对最优种群，采用非线性调整算法更新惯性权重，可以有效避免陷入局部最优。即使用非线性权重调整最优种群，可以有效避免线性递减调整算法和粒子群算法随机搜索过程的不匹配性，加快算法的收敛速度。

更新粒子速度，是粒子到达新的位置，粒子的速度和位置更新公式如下：

v_i(j+1)＝w×v_i(j)+c₁×rand×(pBest-x_i(t))+c₂×rand×(gBest-x_i(t))

x_i(j+1)＝x_i(j)+v_i(j+1)

在速度更新公式中，v_i(j+1)表示的是第j+1代时，第i个粒子的速度；v_i(j)则代表的是第j代时，第i个粒子的速度；pBest为该粒子个体所经过的最优位置，gBest是该粒子所在种群所有粒子经过的全局最优位置。rand为在[0,1]内变化的随机数。

w为惯性权重因子，非线性调整算法的具体计算公式为：

在上述公式中，j为当前迭代次数，J为最大迭代次数。w_max和w_min分别代表惯性权重取值的上限和下限。

该方法可以有效避免线性递减调整算法和粒子群算法随机搜索过程的不匹配性，还能在可以保证该参数的值总体趋势呈现非线性下降的前提下，可以加快算法的收敛速度。

4)：针对非最优种群，引入最优种群的指引作用，使用最优种群粒子指引非最优种群粒子，使得非最优种群粒子向具有全局最优值的粒子位置移动，从而快速跳出局部最优，由于各最优粒子位置不同，也使得算法的搜索速度增快。即在速度更新公式中加入种群间学习因子c₃，按如下速度更新公式，继续更新非最优种群的粒子位置：

v_i(j+1)＝w×v_i(j)+c₁×rand×(pBest-x_i(t))+c₂×rand×(gBest-x_i(t))+c₃×rand×(gBest′-x_i(t))

该公式的前三项意义与前面的速度更新公式相同，c₃为种群间学习因子，gBest'为两个种群整体的全局最优位置。

该步骤可使粒子避免随即变异的盲目性缺陷，按照最优种群中各个全局最优位置的粒子方向发生变异，能快速跳出局部最优，加快搜索速度。

5)：对最优种群和非最优种群分别计算适应度，并分别更新种群中变量位置。

然后，对所有种群按照适应度值进行排序，从最优种群中淘汰掉部分粒子，并引进非最优种群中对应数量的较优质粒子。

6)：非最优种群接收最优种群淘汰掉的部分粒子，重新计算函数的适应度值，并根据该值重新排序，淘汰掉尾部部分适应度差的粒子。

7)：重新计算非最优种群的适应度值，并与所有种群的适应度值进行比较，得到全局最优粒子，并计算全局最优粒子的适应度值。

8)：若适应度值小于等于设定值，则计数1次，若连续计数大于等于5，则将得到的全局最优粒子所对应的影响因素集传递回子任务仿真模型中；若适应度值大于设定值，则回到步骤1)，重复步骤1)-步骤8)，直到达到终止条件。

S108，根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型。

S109，利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

图3为本发明所提供的一种基于核动力系统运行的仿真系统结构示意图，如图3所示，本发明所提供的一种基于核动力系统运行的仿真系统，包括：实际运行数据获取模块301、子系统的子任务仿真模型构建模块302、影响因素确定模块303、影响因素的预估值确定模块304、判断模块305、第一修正模块306、第二修正模块307、修正后的核动力系统的任务仿真模型确定模块308和核动力系统运行的仿真模块309。

实际运行数据获取模块301用于获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据。

子系统的子任务仿真模型构建模块302用于根据所述实际运行数据构建对应的子系统的多个子任务仿真模型。

影响因素确定模块303用于根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素。

影响因素的预估值确定模块304用于利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值。

判断模块305用于判断所述影响因素的预估值是否为修正值。

第一修正模块306用于若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型。

第二修正模块307用于若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型。

修正后的核动力系统的任务仿真模型确定模块308用于根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型。

核动力系统运行的仿真模块309用于利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

本发明所提供的一种基于核动力系统运行的仿真系统，还包括：初始化模块和校核模块。

初始化模块用于对所述子系统的子任务仿真模型进行初始化。

校核模块用于利用热平衡计算法对初始化的参数进行校核。

本发明所提供的一种基于核动力系统运行的仿真系统，其特征在于，还包括：边界参数自动匹配模块。

边界参数自动匹配模块用于利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

所述判断模块具体包括：更新单元、更新后的仿真运行数据确定单元、均方误差确定单元、判断单元、修正值第一确定单元和修正值第二确定单元。

更新单元用于根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型。

更新后的仿真运行数据确定单元用于根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据。

均方误差确定单元用于根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差。

判断单元用于判断所述均方误差是否小于设定阈值。

修正值第一确定单元用于若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值。

修正值第二确定单元用于若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于核动力系统运行的仿真方法，其特征在于，包括：

获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据；

根据所述实际运行数据构建对应的子系统的多个子任务仿真模型；

根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素；

利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值；

判断所述影响因素的预估值是否为修正值；

若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型；

若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型；

根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型；

利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

2.根据权利要求1所述的一种基于核动力系统运行的仿真方法，其特征在于，所述根据所述实际运行数据构建对应的子系统的多个子任务仿真模型，之后还包括：

对所述子系统的子任务仿真模型进行初始化；

利用热平衡计算法对初始化的参数进行校核。

3.根据权利要求1所述的一种基于核动力系统运行的仿真方法，其特征在于，所述利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值，之后还包括：

利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

4.根据权利要求1所述的一种基于核动力系统运行的仿真方法，其特征在于，所述判断所述影响因素的预估值是否为修正值，具体包括：

根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型；

根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据；

根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差；

判断所述均方误差是否小于设定阈值；

若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值；

若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

5.一种基于核动力系统运行的仿真系统，其特征在于，包括：

实际运行数据获取模块，用于获取核动力系统中每一个子系统的实际运行数据；所述实际运行数据包括正常工况下的运行数据、单一故障工况下的运行数据以及多种故障工况下的运行数据；

子系统的子任务仿真模型构建模块，用于根据所述实际运行数据构建对应的子系统的多个子任务仿真模型；

影响因素确定模块，用于根据所述子系统的子任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素；

影响因素的预估值确定模块，用于利用流体力学、热传学以及自动控制原理确定每一所述影响因素的预估值；

判断模块，用于判断所述影响因素的预估值是否为修正值；

第一修正模块，用于若所述影响因素的预估值为修正值，则利用所述影响因素的预估值修正所述子系统的子任务仿真模型；

第二修正模块，用于若所述影响因素的预估值不为修正值，则利用群体智能优化算法进行参数寻优，得到所述影响因素的最优值；利用所述影响因素的最优值修正所述子系统的子任务仿真模型；

修正后的核动力系统的任务仿真模型确定模块，用于根据所有修正后的子系统的子任务仿真模型确定所述核动力系统的任务仿真模型；并返回所述根据所述任务仿真模型的仿真运行数据与所述实际运行数据的偏差，确定所述子系统的子任务仿真模型的影响因素的步骤，直到确定修正后的核动力系统的任务仿真模型；

核动力系统运行的仿真模块，用于利用修正后的核动力系统的任务仿真模型进行所述核动力系统运行的仿真。

6.根据权利要求5所述的一种基于核动力系统运行的仿真系统，其特征在于，还包括：

初始化模块，用于对所述子系统的子任务仿真模型进行初始化；

校核模块，用于利用热平衡计算法对初始化的参数进行校核。

7.根据权利要求5所述的一种基于核动力系统运行的仿真系统，其特征在于，还包括：

边界参数自动匹配模块，用于利用分调控制模块进行所述子系统的子任务仿真模型的边界参数的自动匹配。

8.根据权利要求5所述的一种基于核动力系统运行的仿真系统，其特征在于，所述判断模块具体包括：

更新单元，用于根据每一个所述影响因素的预估值更新所述子系统的子任务仿真模型；

更新后的仿真运行数据确定单元，用于根据更新后的所述子系统的子任务仿真模型确定更新后的仿真运行数据；

均方误差确定单元，用于根据所述更新后的仿真运行数据与所述实际运行数据确定运行数据的均方误差；

判断单元，用于判断所述均方误差是否小于设定阈值；

修正值第一确定单元，用于若所述均方误差小于所述设定阈值，则所述影响因素的预估值为修正值；

修正值第二确定单元，用于若所述均方误差大于等于所述设定阈值，则所述影响因素的预估值不为修正值。

Images