CN112507611B - 一种基于集成学习的反应堆状态转移概率的实时估计方法 - Google Patents
一种基于集成学习的反应堆状态转移概率的实时估计方法 Download PDFInfo
- Publication number
- CN112507611B CN112507611B CN202011342054.8A CN202011342054A CN112507611B CN 112507611 B CN112507611 B CN 112507611B CN 202011342054 A CN202011342054 A CN 202011342054A CN 112507611 B CN112507611 B CN 112507611B
- Authority
- CN
- China
- Prior art keywords
- reactor
- state
- uncertainty
- state transition
- model
- 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.)
- Active
Links
- 230000007704 transition Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 230000009257 reactivity Effects 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004992 fission Effects 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 238000007636 ensemble learning method Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 238000002124 flame ionisation detection Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000002826 coolant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005995 Aluminium silicate Substances 0.000 description 3
- 235000012211 aluminium silicate Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 240000007313 Tilia cordata Species 0.000 description 1
- DTFRTDIWMYASKP-UHFFFAOYSA-N [Sm].[Xe] Chemical compound [Sm].[Xe] DTFRTDIWMYASKP-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052703 rhodium Inorganic materials 0.000 description 1
- 239000010948 rhodium Substances 0.000 description 1
- MHOVAHRLVXNVSD-UHFFFAOYSA-N rhodium atom Chemical compound [Rh] MHOVAHRLVXNVSD-UHFFFAOYSA-N 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明提供的一种基于集成学习的反应堆状态转移概率的实时估计方法，包括评估实时测量信号的不确定度建立基于集成学习的反应堆的状态转移模型Fensemble；建立测量信号的观测模型；基于所述不确定度所述状态转移模型Fensemble和所述观测模型进行反应堆状态的实时预测并获得反应度预测状态的不确定度。本发明通过基于学习的模型替代基于数理模型的模型，能够实现快速的反应堆状态预测，满足实时性的要求，并且可以有效提高反应堆状态预测的效率；通过将测量数据和状态转移模型相结合来获取系统当前状态和未来状态的精确估计以及量化不确定度。
Description
技术领域
本发明属于核反应堆监测及运行支持领域，特别涉及一种基于集成学习的反应堆状态转移概率的实时估计方法。
背景技术
如图1所示，包含有燃料组件的反应堆堆芯部署在一个钢制压力容器内，冷却剂从环路入口处流入，沿着压力容器的壁面往下流后，进入堆芯下部，沿着堆芯轴向高度方向，带走堆芯热量的同时逐渐升温，然后经过堆芯出口处混合，进入环路出口，以进入换热器中进行热交换。因此从冷却剂的温度监测角度，在环路入口、环路出口及堆芯出口位置都布置了大量的热电偶，实时监测温度变化。从中子探测的角度，在压力容器外的四个象限角上部署了固定式的堆外中子探测器系统(EXCORE)，例如硼正比电离室等。且在堆芯内部若干位置上部署了固定式的堆内自给能中子探测器系统(FID)，例如铑、钒等自给能探测器。
反应堆中除了温度、压力、中子通量等很少一部分状态变量可直接测量外，仍存在大量的状态参数无法直接被测量，如有效中子增殖系数Keff、宏观燃耗及核子密度、氙钐等中子毒物分布等。这些测量参数只能够基于测量的其他参数通过数理模型推导得到。
现有基于数理模型的反应堆设计软件已经取得了很大的研究进展，例如中广核集团自主研发的核设计PCM软件包(以及LINDEN等子通道分析软件等，或者国电投集团自主研发的CONSINE软件包等。这些采用较为精细的数理模型的软件，建立了中子扩散、热扩散、流体力学、放射性物质产生与扩散、假定事故下的安全性等基本分析方法及程序。但是，这些数理模型都是近似的对真实反应堆过程的抽象，只能部分的模拟堆内中子行为以及燃耗行为。这些模型统称为状态转移模型，表示堆芯状态由于控制动作转移到下一时刻状态的变化过程。
一方面，状态转移模型的实时性仍难以满足。基于数理方程的模型计算效率限制了实时状态监测的应用。如何进一步的简化以实现实时模拟是本发明拟解决的核心问题。常见的提升模拟效率的方法，通常采用模型简化或者空间简化等形式，例如核设计软件包PCM(王超,杨铄龑,彭思涛,et al.自主PCM核设计软件包的自动化验证[J].核动力工程,2018,2)中采用了等效均匀化假设和中子扩散近似以实现三维堆芯的模拟，点堆方程(黎浩峰,陈文振,朱倩,et al.点堆中子动力学方程的指数基函数法求解[J].核动力工程,2009,30(4):28-31.)虽没有空间分布但常用于基于测量功率变化的反应性以及氙毒的反演监测等。
另一方面，状态转移模型既用于当前时刻下非可测量变量的状态分布，也用于后续时刻堆芯状态的预测，存在未知的误差。这些误差需要被合理的估计，并通过合理的手段被吸收或消除(LI W,QIU R,CAI J,et al.State estimation of external neutronsource driven sub-critical core using adaptive Kalman filter[J].Annals ofNuclear Energy,2020,141(107-313))。发明专利“一种堆芯三维功率分布的在线测量方法”(ZL201610478643.6)通过简化近似或保守估计的手段，实现了功率分布等部分关键安全参数的保守估计，但带有很大的不确定度，在运行过程中需要在保守估计值的基础上叠加一个很大的惩罚因子，这样带来了反应堆运行的保守性，限制运行范围和灵活性，丧失经济性。
发明内容
为了解决现有技术中存在的缺陷，本发明提供了一种基于集成学习的反应堆状态转移概率的实时估计方法。
一种基于集成学习的反应堆状态转移概率的实时估计方法，包括：
评估实时测量信号的不确定度
建立基于集成学习的反应堆的状态转移模型Fensemble；
建立测量信号的观测模型；
基于所述不确定度所述状态转移模型Fensemble和所述观测模型进行反应堆状态的实时估计。
进一步地，所述信号的不确定度其中，k为系数，/>为测量信号的误差标准差，j＝FID,EXCORE,T/C,i＝1,…,Nj。
进一步地，所述评估实时测量信号的不确定度具体包括：
FID中，通过对比理论预测FID电流与测量FID电流的误差标准差来评价不确定度
出口热电偶中，其不确定度为
堆外探测器中，通过对比测量电流轴向分布与测量功率分布的边缘组件权重轴向功率分布的误差标准差σEXCORE，来评价其不确定度，即
进一步地，所述建立基于集成学习的反应堆状态转移概率估计模型Fensemble，具体包括：
构建基于精细模拟的反应堆状态转移样本其中，sm和am分别表示第m个样本的反应堆运行状态和动作，而s′m表示第m个样本中由于动作am反应堆状态sm变化为s′m，M代表样本的总数量；
基于反应堆状态转移样本建立机器学习模型；
基于集成学习的多源多模型的融合，得到所述反应堆状态转移概率估计模型Fensemble：
Fensemble(x)＝wmeta,jFmeta,j(x)+wML,iFML,i(x)
其中，wmeta,j和wML,i为待学习的参数，Fmeta,j和FML,i为利用机器学习或降阶模型预测的结果。
进一步地，在获得待学习的参数wmeta,j和wML,i前，建立用于待学习的参数wmeta,j和wML,i的学习的状态转移偏差数据DATA_EM＝(Fmeta,j(x),R；FML,i(x),R)。
进一步地，基于集成学习的多源多模型的融合中，所述集成学习的方法为stacking。
进一步地，所述建立测量信号的观测模型Mes＝G(x)中，不同原理的探测器信息具有不同的观测模型，具体如下：
EXCORE的观测模型为：
其中，P(r,z)为第r组件轴向第z节块功率，wr,i(r)为第r组件对径向i探测器的权重因子，wz,j(z)为轴向第z个结块对轴向第j个敏感段的权重因子；
T/C的观测模型为：Mes＝G(x)＝Hout(Tout)＝Hin(Tin)+MF(r)×P(r)
其中，H表示流体的焓值，是流体温度与压力的函数，Tin，Tout分别为T/C热电偶测量的入口和出口温度，MF为流体在热电偶位置的搅混因子，P为第r组件的功率；
FID观测模型为：
其中，φg和Σg分别为第g群中子的通量以及探测器等效吸收或裂变反应截面，λ为响应因子。
进一步地，所述基于粒子滤波的反应堆状态转移概率的实时估计，具体包括：
获取当前样本反应堆状态向量χi,t-1和样本的权重wi，其中i表示状态样本的序号，t-1表示当前时间；
基于当前反应堆状态χi,k-1，利用状态转移模型，进行反应堆的状态预测，获得第i个采样状态样本在t时刻下的预测状态Fensemble(χi,t-1)，且有 表示基于m次抽样的t-1时刻反应堆状态χi,t-1转移为t时刻状态χi,t后的平均状态的预测值；
计算t时刻下预测状态的不确定度，即：
其中，表征为集成的状态转移模型的总不确定度；
将预测状态映射到测量空间上，得到：
其中，μmes,t,j表示为对t时刻下的第j种类型探测器的测量值平均估计值；
将预测状态的不确定度映射到测量空间上，得到：
其中，St为一个中间变量，体现了测量不确定度和预测不确定度的综合；
计算测量与预测的残差，即：
yt＝zt-μmes,t
其中，yt为残差，zt为t时刻的反应堆的真实测量值，μmes,t为t时刻下综合不同类型探测器的测量信号的估计；
计算残差相关的贝叶斯增益，即：
基于所述残差和所述贝叶斯增益，更新反应堆的预测状态，即并相应更新反应堆预测状态的不确定度/>
进一步地，获取样本时选用样本权重是相同的且∑wi＝1。
进一步地，所述集成的状态转移模型的总不确定度为
与现有技术相比，本发明能够实现的有益效果至少如下：
(1)通过基于学习的模型替代基于数理模型的模型，能够实现快速的反应堆状态预测。机器学习模型的计算速度非常快，满足实时性的要求。因此，能够实时性的获取隐含不可测量关键参数，这些不可测量的关键安全参数，例如核子密度，有效增值因子(反应性)、功率峰值等，关系了核电的运行安全，也关系了核电后续功率负荷操作变化的核心依据。
(2)通过将测量数据和状态转移模型相结合来获取系统当前状态和未来状态的精确估计以及量化不确定度。
(3)通过基于集成学习模型，能够有效提高反应堆状态预测的效率，基于此，便可能开展基于最优规划控制的先进反应堆自主控制，是实现反应堆自主控制的前提条件，因为控制本身就要去预测模型具备超实时性。
附图说明
图1是背景技术中核反应堆的结构示意图。
图2是本发明实施例提供的实时估计方法的流程图。
图3是岭澳1号机组第1循环下状态转移样本中sm在梯形图。
图4是岭澳1号机组第1循环下状态转移样本中sm在径向象限倾斜上的近万个状态转移情况示意图。
图5是本发明实施例中的反应堆时间递归滤波流程示意图。
图6是本发明实施例中的贝叶斯滤波流程示意图。
图1中，压力容器01，反应堆堆芯02，燃料组件03，堆内自给能中子探测器系统04，堆芯出口位置05，堆外中子探测器系统06，环路入口07，环路出口08。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
步骤1：评估实时测量信号的不确定度。
反应堆状态估计的一个主要挑战是噪声干扰，为随机(不可预测)且不携带有用信息的信号。由于噪声，任何物理量的测量都是不确定的，其不确定性的程度(即不确定度)通常以概率分布的95％-95％置信区间来表示。
因为FID固定在反应堆内难以直接评估不确定性，可以对比理论预测FID电流与测量FID电流的误差标准差来评价探测器精度。基于两点考虑：(1)确定堆芯设计软件能够有效预测FID电流，即预测模型与测量过程保持一致；(2)能够保守估计FID测量精度。一般而言，不同几何的FID具有不同的测量精度，较长的FID比短的FID的不确定性小；随着FID燃耗的增加其测量不确定性显著增加。一般而言，不同FID的保守测量误差标准差σFID从1.5％到4.5％范围变化。
出口热电偶布置在燃料组件顶部的中心位置，入口热电偶布置在环路入口，其测量的流体温度转化为流体通道的焓升，则表征所在组件的轴向积分功率。T/C测量不确定性指，其焓升表征的组件功率与真实组件功率(MID测量得到)的比值的变化程度。如果该比值越稳定(可评估)，则T/C测量不确定性越小。其主要受堆芯功率水平影响：(1)功率下降导致的本身测量精度误差的增加(2)在低功率下横向水流搅混的流场变化导致的不确定性增加。其误差标准差随堆芯功率P变化近似为：其中a为满功率下误差标准差，b为系数。σFID(P)的计算方法是现有技术，如中国发明专利公开的一种标定核反应堆堆芯出口热电偶的方法CN105895175B即公开了其中一种方法,根据岭澳电厂大量运行实测数据分析获得a和b的值。
CPR机组布置堆外探测器轴向六段敏感段，而三代压水堆中通常只布置上下两个敏感段，仅能表征堆芯轴向功率偏移AO＝(UP-DW)/(UP+DW)*100％，UP和DW分别表示上下两段的测量值。研究发现堆芯边缘组件轴向功率的加权AO与堆外探测器的电流加权AO存在线性关系，且线性系数不随堆芯燃耗或换料循环的变化而变化。当且仅当，堆外探测器发生更换时才需要更新线性系数。
EXCORE的不确定度为该不确定评估度的评估是现有方法，如“一种标定核反应堆堆外探测器的方法(CN105006262A)”中即公开了一种方法。利用堆外探测器的堆芯轴向分布表征堆芯边缘组件功率加权分布的误差标准差σEXCORE＜1％。
综上，不同测量硬件不确定度是不一样的,其中k表示95％-95％置信区间上限的系数，需要根据大量的实测数据和敏感性分析进行确定，或者由有经验的工程师与专家进行讨论确定一个保守估计值。
步骤2，建立基于集成学习的反应堆的状态转移模型Fensemble。
反应堆状态演变可以由状态转移方程给出：p(st|s0:t-1,z1:t-1,a1:t)，即当前t时刻状态以所有过去时刻的状态s0:t-1、测量值z1:t-1和控制动作a1:t为条件。如果s完整表述了反应堆内所有的状态参数，包括核子密度的燃耗等信息，那么它是所有历史时刻的总结，因此有：p(st|s0:t-1,z1:t-1,a1:t)＝p(st|st-1,at)，其中，st、st-1、at分别表示是当前时刻的状态、上一时刻的状态和当前时刻的动作。已有大量的反应堆理论研究成果，包括高保真度模型(如蒙特卡罗方法、输运理论或扩散近似等)和低保真度模型(如点堆动力学等)。较高保真度的数理方程模型计算效率难以满足实时性要求，较低保真度引入过多简化假设难以满足精度要求。本发明拟基于元模型方法及集成学习理论，研究反应堆高精度实时模拟方法。
步骤2.1:构建基于精细模拟的反应堆状态转移大数据。
用于设计的软件都经过充分的验证，其计算精度已经满足安全审评的精度要求。为此，本发明第一步即采用设计软件，对反应堆的状态转移过程进行大量模拟。
以核设计软件包PCM为例，本发明通过调整功率运行历史、控制棒棒位、氙震荡、入口温度不均匀、入口流场不均匀等手段构建了大量的反应堆状态转移样本其中sm和am表示第m个样本的反应堆运行状态和动作，而s′m表示第m个样本中由于动作am反应堆状态sm变化为s′m，M代表样本的总数量。
需要构建大量的反应堆运行状态sm的样本，每个反应堆运行状态sm包括了大量的状态参数，例如功率水平P、轴向功率偏移Delta_I，最大象限功率倾斜值MQT等。图3给出了对某机组某一个循环下近万个反应堆转移样本的参数点位置(Delta_I,P),一般而言，构建大量反应堆运行状态时，需要覆盖反应堆允许运行的最大区域(如图3中边界线构成的运行梯形图)。图4给出了同样训练样本中，其最大象限功率倾斜值的分布，需要保证模拟的运行工况尽量覆盖到最大允许象限功率倾斜(2％)的边界，使得构建的反应堆状态转移样本具备代表性，为步骤2.2的状态转移估计奠定良好的训练样本和测试样本的基础。
步骤2.2：状态转移概率估计方法。
本发明利用元模型(代理模型)，以在牺牲一定精度情况下，取代耗时的高精度模拟计算。很多机器学习的方法都能实现元模型的学习，为此本发明仅以高斯过程回归作为一个例子。高斯过程回归作为通用可行的方法，能够快速模拟复杂系统的响应，但在状态参数维度较高时，高斯过程回归的计算复杂度急剧上升，需要采用其他的机器学习拟合方法，例如人工神经网络方法等，这些机器学习模型算法相对成熟，本发明不赘述。
本发明基于高斯回归的方法解决从逼近转移概率p(s′|s,a)问题，其中s和a分别对应当前时刻反应堆的状态以及控制动作，而s′为下一个时刻反应堆的状态，将转移概率估计问题转为一个函数近似问题。在高斯噪音的假设下有：s′＝f(s,a)+ε，其中f是待学习的回归函数，而ε是一个独立的高斯噪声向量。如何在贝叶斯框架下，利用高斯核回归模型，对回归函数f进行估计，已经是很成熟的技术，本发明在此不做赘述。
步骤2.3：基于集成学习的多源多模型融合估计，以获得集成学习模型即状态转移模型Fensemble。
本发明中，涉及的反应堆设计软件模型，可以同时采用基于数理方程的高精度多物理场耦合模拟的反应堆预测模型和基于简化的模型降阶方程的低精度预测模型。通常高精度软件由于计算效率不能满足实时性的要求，需要开展步骤2.2中利用机器学习方法的代理模型概率估计研究，但对于简化降阶的低精度预测模型，随空间分辨率或计算误差有缺陷，但实时性模拟满足要求，可直接作为反应堆状态转移模型。本发明中，通过机器学习理论开展高精度模拟样本学习构建的反应堆状态转移模型的精度，要比直接高精度模拟软件不确定度较大。同样简化降阶的模型也存在空间分辨率不足及不确定度大的问题，本发明提出的集成学习方法，将有效综合基于机器学习的预测模型与低精度降阶模型的优点。
本发明拟采用stacking的集成学习方法。如图5所示，一方面，通过不同精度的第i个设计软件依据步骤2.1建立大数据DATAi，并建立机器学习模型FML,i，其中ML可以为任何一种成熟的机器学习算法，例如人工神经网络、高斯过程回归等；另一方面，简化降阶的数理模型，可直接作为一个状态转移模型存在，即Fmeta,i。在此基础上，本发明拟建立基于各种学习模型结果与真实结果的拟合关系的第二次学习。因此需建立第二层的数据库即状态转移偏差数据DATA_EM＝(Fmeta,j(x),R；FML,i(x),R)以用于待学习的参数wmeta,j和wML,i的学习,其中Fmeta,j和FML,i为利用机器学习或降阶模型预测的结果，而R表示高精度仿真结果或真实反应堆结果。常见的机器学习方法(如线性回归、岭回归、高斯过程回归、决策树及随机森林、神经网络、支持向量机等)都可实现从F(x)到R的映射。或者最简单的线性拟合，得到状态转移模型如下：
Fensemble(x)＝wmeta,jFmeta,j(x)+wML,iFML,i(x)
其中wmeta,j和wML,i为待学习的参数，介于(0，1)之间，并使得∑wmeta,j+∑wML,i＝0。此时，DATA_EM则可用于计算wmeta,j和wML,i权重系数的学习计算，例如典型的最小二乘法等是成熟技术，为公开技术不赘述。x表示为模型的输入，即当前状态下的反应堆状态和动作。
本发明认为，集成学习模型即状态转移模型有助于得到相比于任何一个基础模型更好的结果，Fensemble相比任何一个Fmeta,j和FML,i的预测结果精度要好，并且满足实时性的要求。
步骤2.4:确定状态转移模型的总不确定度。反应堆的状态转移模型，不管是机器学习模型或基于数理方程的模型，或者是集成后的模型，都是带有误差的，本步骤重点评估由于状态转移模型预测结果的不确定度。
状态转移模型Fensemble的总不确定度其不确定度的来源包括三个独立部分：(1)高保真度或低保真度理论模型本身的不确定性/>(由专家或软件评估给定)；(2)远离训练样本点引入的不确定性/>(由机器学习模型(如高斯过程回归训练)给出)；(3)集成学习引入的额外不确定性/>(由集成学习训练给出)。
步骤3:建立测量信号的观测模型。
EXCORE观测方程为：
其中，P(r,z)为第r组件轴向第z节块功率，wr,i(r)为第r组件对径向i探测器的权重因子，wz,j(z)为轴向第z个节块对轴向第j个敏感段的权重因子，可通过蒙卡软件直接计算得到，并在不同燃耗循环间轻微变化。V表示全反应堆堆芯的体积，指的是遍历整个反应堆空间节块。
T/C观测方程为：Hout(Tout)＝Hin(Tin)+MF(r)×P(r)，其中H表示流体的焓值，是流体温度与压力的函数，Tin，Tout分别为T/C热电偶测量的入口和出口温度，MF为流体在热电偶位置的搅混因子，P为第r组件的功率。Hout(Tout)、Hin(Tin)分别表示出口、入口冷却剂的焓值。
FID观测方程为：其中φg和Σg分别为第g群中子的通量以及探测器等效吸收或裂变反应截面，λ为响应因子。RR(r,z)为第r组件轴向第z节块下的FID裂变或系数反应的反应率，其与探测器的电流成正比。
步骤4:基于粒子滤波的反应堆状态概率转移的实时估计。
测量噪声表示探测器中电子的随机的噪声。过程噪声是系统的实际状态与状态转移模型的状态之间的差异,表示为基于该模型所做的任何预测的误差。各种数据同化框架下的滤波技术同时考虑到测量噪声和过程噪声，并获得方差最小的无偏估计。
整体流程如图6的贝叶斯滤波流程图所示，其中隐藏变量可近似为全堆状态参数，包括三维功率分布、三维核子密度、三维燃料及冷却剂温度分布，而可测量变量包括了EXCORE、T/C和FID、环路出入口温度、一回路压力等测量硬件的实时测量信号。
如图6所示，定性的给出主要步骤如下：t时刻的反应堆隐藏变量和可测变量，在t时刻的动作下，通过状态转移模型，可以预测t+1时刻下的反应堆隐藏变量的值及其不确定度，该处的不确定度主要受上一时刻状态不确定度以及步骤2.4中状态转移模型总不确定度的影响，此时可测变量并没有影响。进而根据观测模型，则可以预测t+1时刻的可测变量的值及其不确定度(该处不确定度主要跟上述隐藏变量的不确定度相关)。如图6所示，将预测的t+1时刻下的可测变量值及不确定度，作为可测变量的先验分布，而t+1时刻下的实际测量值及其不确定度(此不确定度即步骤1中度量的探测器信息不确定度)，是更新的一个知识，需要基于更新的知识，实现对t+1时刻下的可测变量在预测和测量两者的权衡，进行贝叶斯定理下的后验估计修正，并进一步根据更新知识，更新预测的t+1时刻下不可测量的值及其不确定度(此不确定度是基于可测变量的测量不去额度与预测不确定度的权衡，来修正和估计不可测变量的预测不确定度，实现最终不可测变量不确定度权衡)的后验估计，实现t+1时刻下的全状态估计。以此反复，进行t+2时刻的估计等。
主要包括：
步骤4.1：如图6所示，t-1时刻下反应堆状态包括可测量参数和不可测量参数的估计，是包括估计值与置信区间的，是概率分布的。因此本发明基于蒙特卡洛原理，从反应堆状态的概率分布空间中进行抽样，获取当前样本反应堆状态向量χp,k-1和样本的权重wp，其中p表示状态样本的序号，t-1表示当前时间，一般采用样本权重是相同的且∑wp＝1，但有时为提高采样效率，降低部分粒子的退化，对采用权重进行差异化设计，例如在状态分布空间中进行均匀抽样，而不是基于状态概率来抽样，此时样本的权重就需要与该状态出现的概率线性相关，提升蒙特卡洛方法的效率。
步骤4.2：基于抽样的当前反应堆状态χp,k-1，利用状态转移模型，进行反应堆的状态预测，获得Fensemble(χp,t-1)，因为Fensemble是集成的，也是随机的，因此有：
其中，P表示用于体现随机性的重复抽样的总次数，Fensemble(χp,t-1)为基于p次抽样的t-1时刻反应堆状态χp,k-1转移为t时刻的状态，表示基于总共P次抽样权重平均的估计值。
步骤4.3：基于抽样的方法，计算t时刻下预测状态估计的不确定度(置信区间)。
其中，表征为集成的状态转移模型的总不确定度。
步骤4.4将预测状态映射到测量空间上：
其中，Fensemble(χi,t-1)表示为第p个采样状态样本在t时刻下的状态估计，Gj表示第j种类型的探测器的观测模型，Gj(Fensemble(χp,k-1))为基于第p个采样状态的第j个类型探测器的t时刻的测量估计值，μmes,t,j表示为对t时刻下的第j种类型探测器的测量值平均估计值。
步骤4.5将预测状态不确定度映射到测量空间上：
其中，表示测量值的误差标准差，已在步骤1中实现。St为一个中间变量，体现了测量不确定度和模型预测不确定度的综合。
步骤4.6计算测量与预测的残差：
yt＝zt-μmes,t
其中，zt为t时刻的反应堆的真实测量值，μmes,t为t时刻下综合不同类型探测器的测量信号的估计。
步骤4.7计算残差相关的贝叶斯增益：
步骤4.8基于贝叶斯增益以及残差，更新反应堆的预测状态：
步骤4.9更新反应堆的预测状态的不确定度：
其中σX,mes,t为t时刻状态下包含隐含变量的反应堆状态xt的不确定度。
基于步骤4.8和步骤4.9，实现了本发明的核心目标，即实现了当前t时刻下反应堆状态预测xt以及获得相关的不确定度σX,mes,t。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，包括：
评估实时测量信号的不确定度；
建立基于集成学习的反应堆的状态转移模型；
建立测量信号的观测模型；
基于所述不确定度、所述状态转移模型/>和所述观测模型进行反应堆状态的实时预测并获得反应度预测状态的不确定度；
其中，所述建立基于集成学习的反应堆状态转移概率估计模型，具体包括：
构建基于精细模拟的反应堆状态转移样本，其中，/>和/>分别表示第m个样本的反应堆运行状态和动作，而/>表示第m个样本中由于动作/>反应堆状态/>变化为，/>代表样本的总数量；
基于反应堆状态转移样本建立机器学习模型；
基于集成学习的多源多模型的融合，得到所述反应堆状态转移概率估计模型：
其中，和/>为待学习的参数，/>和/>为利用机器学习或降阶模型预测的结果；
其中，所述建立测量信号的观测模型中，不同原理的探测器信息具有不同的观测模型，具体如下：
EXCORE的观测模型为：
其中，为第r组件轴向第z节块功率，/>为第r组件对径向i探测器的权重因子，/>为轴向第z节块对轴向第j个敏感段的权重因子；
T/C的观测模型为：
其中，H表示流体的焓值，是流体温度与压力的函数，，/>分别为T/C热电偶测量的入口和出口温度，MF为流体在热电偶位置的搅混因子，P为第r组件的功率；
FID观测模型为：
其中，和/>分别为第g群中子的通量以及探测器等效吸收或裂变反应截面，/>为响应因子；
其中，进行反应堆状态的实时预测并获得反应度预测状态的不确定度，具体包括：
获取当前样本反应堆状态向量和样本的权重/>，其中p表示状态样本的序号，t-1表示当前时间；
基于当前反应堆状态，利用状态转移模型，进行反应堆的状态预测，获得第p个采样状态样本在t时刻下的预测状态/>，且有/>，/>表示基于总共P次抽样权重平均的估计值；
计算t时刻下预测状态的不确定度，即：
其中，表征为集成的状态转移模型的总不确定度；
将预测状态映射到测量空间上，得到：
其中，表示为对t时刻下的第j种类型探测器的测量值平均估计值；
将预测状态的不确定度映射到测量空间上，得到：
其中，为一个中间变量，体现了测量不确定度和预测不确定度的综合；
计算测量与预测的残差，即：
其中，为残差，/>为t时刻的反应堆的真实测量值，/>为t时刻下综合不同类型探测器的测量信号的估计；
计算残差相关的贝叶斯增益，即：
基于所述残差和所述贝叶斯增益，更新反应堆的预测状态，即，并相应更新反应堆预测状态的不确定度/>。
2.根据权利要求1所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于：所述信号的不确定度，其中，/>为系数，/>为测量信号的误差标准差，/>。
3.根据权利要求2所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，所述评估实时测量信号的不确定度，具体包括：
FID中，通过对比理论预测FID电流与测量FID电流的误差标准差来评价不确定度；
出口热电偶中，其不确定度为=/>；
堆外探测器中，通过对比测量电流轴向分布与测量功率分布的边缘组件权重轴向功率分布的误差标准差，来评价其不确定度，即/>=/>。
4.根据权利要求1所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，在获得待学习的参数和/>前，建立用于待学习的参数/>和/>的学习的状态转移偏差数据/>。
5.根据权利要求1所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，基于集成学习的多源多模型的融合中，所述集成学习的方法为stacking。
6.根据权利要求1所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，获取样本时选用样本权重是相同的且。
7.根据权利要求1所述的一种基于集成学习的反应堆状态转移概率的实时估计方法，其特征在于，所述集成的状态转移模型的总不确定度为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011342054.8A CN112507611B (zh) | 2020-11-24 | 2020-11-24 | 一种基于集成学习的反应堆状态转移概率的实时估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011342054.8A CN112507611B (zh) | 2020-11-24 | 2020-11-24 | 一种基于集成学习的反应堆状态转移概率的实时估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112507611A CN112507611A (zh) | 2021-03-16 |
| CN112507611B true CN112507611B (zh) | 2024-03-19 |
Family
ID=74966332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011342054.8A Active CN112507611B (zh) | 2020-11-24 | 2020-11-24 | 一种基于集成学习的反应堆状态转移概率的实时估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507611B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409975B (zh) * | 2021-06-17 | 2022-11-15 | 中国核动力研究设计院 | 基于模型降阶和数据同化的堆芯功率分布监测方法及系统 |
| CN113742936B (zh) * | 2021-09-14 | 2024-04-30 | 贵州大学 | 基于函数型状态空间模型的复杂制造过程建模与预测方法 |
| CN114675538A (zh) * | 2022-03-29 | 2022-06-28 | 中广核研究院有限公司 | 核反应堆的自主控制方法、装置和计算机设备 |
| CN114547988B (zh) * | 2022-04-25 | 2022-07-08 | 西安交通大学 | 一种针对材料均匀分布反应堆的中子输运求解方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107393616A (zh) * | 2017-07-20 | 2017-11-24 | 中广核工程有限公司 | 一种核电厂反应堆透明监测系统及方法 |
| JP2018136226A (ja) * | 2017-02-22 | 2018-08-30 | 東京電力ホールディングス株式会社 | 原子炉リスク管理装置、原子炉リスク管理方法、及び原子炉リスク管理プログラム |
| CN110402467A (zh) * | 2017-02-27 | 2019-11-01 | 泰拉能源公司 | 用于为核反应堆建模的系统和方法 |
| CN111052260A (zh) * | 2017-07-28 | 2020-04-21 | 法马通公司 | 包括阈值的放宽的监测核堆芯的方法以及关联的程序、支架和核反应堆 |
-
2020
- 2020-11-24 CN CN202011342054.8A patent/CN112507611B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018136226A (ja) * | 2017-02-22 | 2018-08-30 | 東京電力ホールディングス株式会社 | 原子炉リスク管理装置、原子炉リスク管理方法、及び原子炉リスク管理プログラム |
| CN110402467A (zh) * | 2017-02-27 | 2019-11-01 | 泰拉能源公司 | 用于为核反应堆建模的系统和方法 |
| CN107393616A (zh) * | 2017-07-20 | 2017-11-24 | 中广核工程有限公司 | 一种核电厂反应堆透明监测系统及方法 |
| CN111052260A (zh) * | 2017-07-28 | 2020-04-21 | 法马通公司 | 包括阈值的放宽的监测核堆芯的方法以及关联的程序、支架和核反应堆 |
Non-Patent Citations (3)
| Title |
|---|
| Uncertainties and probabilities in nuclear reactor regulation;Graham B. Wallis;Nuclear Engineering and Design;20071231;第237卷;1586-1592 * |
| 基于机器学习的小型核反应堆系统状态预测方法;曾聿 等;核动力工程;20180228;第39卷(第01期);117-121 * |
| 实体建模数值反应堆的高质量绘制;曹轶 等;计算机辅助设计与图形学学报;20161130;第28卷(第11期);1924-1932 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112507611A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507611B (zh) | 一种基于集成学习的反应堆状态转移概率的实时估计方法 | |
| Liu et al. | A support vector regression (SVR)-based method for dynamic load identification using heterogeneous responses under interval uncertainties | |
| KR20010062848A (ko) | 원자로에 대한 다수의 운전 제어 변수들을 최적화하기위한 시스템 및 방법 | |
| CN110957011B (zh) | 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法 | |
| JP2007240464A (ja) | 沸騰水型原子炉炉心状態監視装置 | |
| MXPA06015255A (es) | Metodo para determinar imagenes para limites de operación para una operacion de reactor nuclear. | |
| Ghasemi et al. | Probability-based damage detection of structures using surrogate model and enhanced ideal gas molecular movement algorithm | |
| CN112509716A (zh) | 基于信息融合理论的反应堆三维功率概率分布监测方法 | |
| CN114896712A (zh) | 基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法 | |
| Lim et al. | Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm | |
| CN112380776B (zh) | 面向反应堆状态转移概率估计分布的功率负荷控制方法 | |
| Li et al. | Artificial neural network reconstructs core power distribution | |
| Lee et al. | Prediction of DNBR using fuzzy support vector regression and uncertainty analysis | |
| Souza et al. | Neural network correlation for power peak factor estimation | |
| Zhu et al. | Collaborative modeling-based improved moving Kriging approach for low-cycle fatigue life reliability estimation of mechanical structures | |
| Turinsky et al. | Evolution of nuclear fuel management and reactor operational aid tools | |
| Hoseyni et al. | Model uncertainty in severe accident calculations: a structural methodology with application to LOFT LP-FP-2 experiment | |
| Schei | On-line estimation for process control and optimization applications | |
| CN113743022B (zh) | 一种高精度气候变化数据的存储和可视化方法 | |
| Li et al. | State estimation of external neutron source driven sub-critical core using adaptive Kalman filter | |
| Zhang et al. | Thermal power prediction of nuclear reactor core based on LSTM | |
| Abdel-Khalik et al. | Uncertainty quantification, sensitivity analysis, and data assimilation for nuclear systems simulation | |
| CN113392530A (zh) | 一种基于动态模式分解的氙演变预测方法及系统 | |
| Carlos et al. | Parameter estimation in thermalhydraulic models using the multidirectional search method | |
| Angelo | Representing nuclear criticality excursion experiment data by an artificial neural network |
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 |