CN113344266A - 一种核电厂冗余仪表信号预测系统及方法 - Google Patents
一种核电厂冗余仪表信号预测系统及方法 Download PDFInfo
- Publication number
- CN113344266A CN113344266A CN202110599120.8A CN202110599120A CN113344266A CN 113344266 A CN113344266 A CN 113344266A CN 202110599120 A CN202110599120 A CN 202110599120A CN 113344266 A CN113344266 A CN 113344266A
- Authority
- CN
- China
- Prior art keywords
- mean
- meter
- instrument
- redundant
- meters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001983 electron spin resonance imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000025308 nuclear transport Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种核电厂冗余仪表信号预测系统及方法,包括模型训练模块和模型预测模块。所述模型训练模块根据无故障历史数据计算并保存仪表权重、仪表系统误差等模型参数;所述模型预测模块通过训练完成的模型对仪表信号进行在线预测。本发明提供的冗余仪表信号预测方法能够在核电厂正常运行期间对冗余仪表信号进行实时在线监测,通过比较模型预测值和实际测量值的差异,可以提前判断仪表是否出现性能降级或者损坏,从而提高核电厂安全性,降低核电厂运行维护成本。
Description
技术领域
本发明属于核电设计技术,具体涉及一种用于核电厂正常运行工况下冗余仪表在线监测的冗余仪表信号预测系统及方法。
背景技术
目前,核电厂通常会选择在大修期间对仪表进行离线标定测试,对标定结果中不符合精度要求的仪表进行校准,提供可溯源的仪表通道性能监测方法,这是一种周期性维护技术。这种技术通常不能及时发现仪表潜在性能降级,对仪表的拆卸和安装可能导致仪表进一步损坏,而且会增加维护人员的工作负荷和辐照剂量。
在线监测(the on-line monitoring,OLM)技术可以在核电厂正常运行期间,实现对仪表通道、设备或系统性能的监测,判断被监测目标的状态。通过对预测系统状态和实际系统状态的对比分析,判断是否存在系统异常、仪表和设备性能降级,甚至是损坏。该技术对改善核电厂运行的安全性和经济性都有较大帮助,例如可以及时发现系统的异常,通过数据和系统模式分析判断异常类型,做出正确的应对,提高系统的安全性;还可以及时发现潜在的设备降级,合理安排设备维修、维护的方案,以减少核电厂运行维护的工作量和避免因设备降级导致系统的故障,甚至是风险。
2000年7月,美国核管会(NRC)发布的仪表在线校准监测技术安全评价报告(SER)给出了对仪表在线监测技术应用于核工业领域的14条要求。NRC认为,只要仪表在线监测技术满足这14条要求,就可以将美国核电厂技术规范书要求的仪表校准周期由每个换料周期1次,延长至最长8年1次。
EPRI对仪表在线监测技术的经济性进行了评估,结果显示,只要监测通道的数目大于100,就可以实现经济效益,在线监测的仪表通道越多,成本收回的越快。该技术已经在全球多台核电机组上成功应用,EDF旗下的54台机组都装备了OLM技术辅助电厂运行。
但是以上方法所公开的技术属于多输入单输出模型结构,而且模型训练过程和在线监测过程均不涉及对仪表系统误差的计算,也没有考虑到冗余仪表测量信号不同位置对一致性系数所带来的影响。
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核电厂冗余仪表信号预测系统及方法,能够准确预测冗余仪表信号,从而判断仪表是否发生性能降级或者损坏,改善核电厂安全性和经济性。
本发明的技术方案如下:一种核电厂冗余仪表信号预测系统,包括模型训练模块和模型预测模块,所述模型训练模块包括:
历史数据读取单元,实现对无故障历史运行数据的读取;
仪表权重计算单元,用于计算每个仪表的权重;
仪表系统误差计算单元,用于计算仪表系统误差;
模型参数保存单元和冗余仪表信号预测模型,用于保存计算获得的仪表权重与系统误差;
所述模型预测模块包括:
在线数据读取单元,实现对冗余仪表在线运行数据的读取;
模型参数读取单元,实现对模型训练模块过程中所得到的模型参数的读取;
仪表一致性系数计算单元,用于计算每个仪表的一致性系数;
过程变量估计值计算单元,用于计算过程变量估计值;
仪表信号预测值计算单元,用于计算每个输入冗余仪表信号的预测值;
结果输出单元,用于输出仪表信号预测值计算单元的计算结果。
进一步,如上所述的核电厂冗余仪表信号预测系统,其中,通过所述模型训练模块和所述模型预测模块共同形成多输入多输出结构的冗余仪表信号预测模型,其输入信号为针对同一个过程变量的所有冗余仪表信号,并且每一个输出信号分别是对应输入冗余仪表信号的预测值;其中,所述模型训练模块用于获得关键的模型参数,所述模型预测模块利用所述模型训练模块提供的模型参数完成针对输入冗余仪表信号的预测。
一种采用上述系统的核电厂冗余仪表信号预测方法,其中,所述模型训练模块使用无故障历史数据计算每个仪表的权重和系统误差,并将权重和系统误差进行保存;
模型训练模块的运行步骤如下:
1)通过历史数据读取单元获取无故障运行数据,并保存至[n×d]的二维向量X中作为训练数据,其中n为运行数据数目,d为冗余仪表数目;
2)通过仪表权重计算单元,利用X计算每个仪表的权重wi,i=1,2...d;
3)通过仪表系统误差计算单元,利用X计算仪表系统误差xi_sys,i=1,2...d;
4)通过模型参数保存单元,将wi与xi_sys作为模型参数进行保存;
5)保存后的参数存储在冗余仪表信号预测模型中;
所述模型预测模块利用新的冗余仪表运行数据和已保存的模型参数计算得到针对用于仪表信号的预测值并输出;
模型预测模块的运行步骤如下:
1)通过在线数据获取单元获取在线运行数据,
a)可实现单个数据点运行数据的获取,并保存至[1×d]的行向量x中作为训练数据,其中d为冗余仪表数目;
b)可实现窗口数据点运行数据的获取,并保存至[m×d]的二维矩阵X中作为训练数据,其中m为窗口大小;
2)通过模型参数读取单元获取模型参数,将仪表权重保存至wi,i=1,2...d,将仪表系统误差保存至xi_sys,i=1,2...d;
3)通过仪表一致性系数计算单元,利用x或X计算每个仪表的一致性系数Ci,i=1,2...d;
6)通过结果输出单元,将仪表信号预测值计算单元的计算结果输出。
进一步,如上所述的核电厂冗余仪表信号预测方法,其中,所述仪表权重计算单元使用所述无故障历史数据的随机误差来表征相应仪表的精度,并计算所述仪表权重,计算公式为:
公式中,wi为第i个仪表的权重;
Ai为第i个仪表的测量不确定度;
Amax为冗余仪表中的最大测量不确定度;
σi为第i个仪表无故障历史数据的标准差;
σmax为无故障历史数据中仪表的最大标准差。
进一步,如上所述的核电厂冗余仪表信号预测方法,其中,所述仪表系统误差计算单元使用所述无故障历史数据中每个仪表的均值与所述过程变量估计值的均值之间的差值来表征所述仪表系统误差,计算公式为:
公式中,xi_sys为第i个仪表的系统误差;
xi_mean为第i个仪表的无故障历史数据均值;
进一步,如上所述的核电厂冗余仪表信号预测方法,其中,所述仪表一致性系数表征两个冗余仪表之间充分相近的关系,通过计算两个仪表测量值之间的距离,来判断两个仪表之间是否具有一致性;仪表一致性系数Ci的初始值均为0,仪表一致性系数Ci的计算可分为以下三种情况:
(1)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xi_mean-2σi≥xj_mean+2σj,σi为第i个仪表无故障历史数据的标准差,σj为第j个仪表无故障历史数据的标准差,则表明两个仪表不具有重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不小于根据所述无故障历史数据所得到的置信区间的最小距离Limitmin=|xi_mean-xj_mean|-2σi-2σj,并且不大于根据所述无故障历史数据所得到的置信区间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,并且两个仪表的测量值之间的上下位置关系没有发生变化,即(xi-xj)(xi_mean-xj_mean)>0,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值;
(2)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xj_mean-2σj<xi_mean-2σi<xj_mean+2σj<xi_mean+2σi,则表明两个仪表具有部分重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值;
(3)分别在所述无故障历史数据或所述在线数据中,假设满足以下任一个不等式,则表明两个仪表具有包含关系:
xi_mean-2σi<xj_mean-2σj<xj_mean+2σj<xi_mean+2σi
xj_mean-2σj<xi_mean-2σi<xi_mean+2σi<xj_mean+2σj
这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值;
进一步,如上所述的核电厂冗余仪表信号预测方法,其中,所述过程变量估计值计算单元的计算公式为:
公式中,Ci为第i个仪表的一致性系数;
xi为第i个仪表的测量值;
n为冗余仪表数量;
wi为第i个仪表的权重。
进一步,如上所述的核电厂冗余仪表信号预测方法,其中,所述仪表信号预测值计算单元使用所述过程变量估计值来表征冗余仪表所测量过程变量的真值,计算公式为:
xi_sys为第i个仪表的系统误差。
本发明的有益效果如下:
(1)本发明提供的核电厂冗余仪表信号预测方法通过和测量误差理论相结合,具有数学模型可解释性;
(2)该方法简单,易于实现,模型训练速度快,在线监测计算量小,可在线实时对冗余仪表进行信号预测;
(3)采用仪表测量值的标准差来计算仪表权重,可以更准确的表征仪表的精度,可避免因某一仪表权重过大对信号预测带来不良影响;
(4)细致划分了仪表一致性系数的计算方法,使计算出的一致性系数可以更准确表征两个仪表之间的相近关系,从而优化了信号预测结果;
(5)各冗余仪表灵敏度之和为定值,难以出现某一个仪表灵敏度过高的情况,具有较强鲁棒性;
(6)在线监测时,不受核电厂系统波动的影响,可以有效防止出现误报警。
附图说明
图1为本发明一种核电厂冗余仪表信号预测方法的模型结构示意图。
图2为本发明一种核电厂冗余仪表信号预测方法的仪表测量信号位置不具有重叠关系的一致性系数计算图。
图3为本发明一种核电厂冗余仪表信号预测方法的仪表测量信号位置不具部分重叠关系的一致性系数计算图。
图4为本发明一种核电厂冗余仪表信号预测方法的仪表测量信号位置具有包含关系的一致性系数计算图。
图中,1、模型训练模块;2、模型预测模块;101、历史数据读取单元;102、仪表权重计算单元;103、仪表系统误差计算单元;104、模型参数保存单元;105、冗余仪表信号预测模型;201、模型参数读取单元;202、在线数据读取单元;203、仪表一致性系数计算单元;204、过程变量估计值计算单元;205、仪表信号预测值计算单元;206、结果输出单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供了一种核电厂冗余仪表信号预测系统及方法,包括模型训练模块1和模型预测模块2。如图1所示,模型训练模块1包含历史数据读取单元101、仪表权重计算单元102、仪表一致性系数计算单元103、模型参数保存单元104及冗余仪表信号预测模型105;模型预测模块2包含模型参数读取单元201、在线数据读取单元202、仪表一致性系数在算单元203、过程变量估计值计算单元204、仪表信号预测值计算单元205以及结果输出单元206。
模型训练模块1根据获取的无故障历史数据分别计算仪表权重、仪表一致性系数、过程变量估计值和仪表系统误差,以确定模型参数,并将模型参数保存在参数文件中;模型预测模块2通过读取训练完成的模型参数,并根据获取的在线数据分别在线计算仪表一致性系数、过程变量估计值和仪表信号预测值,最后通过输出单元输出结果。
模型训练模块1首先使用一部分核电厂冗余仪表所测量的无故障历史数据作为模型训练数据,无故障历史数据经过数据预处理后,得到每个仪表测量数据的标准差,使用所述无故障历史数据的随机误差来表征相应仪表的精度,并根据仪表权重计算方法计算出每个仪表所对应的权重,在本方法所设计的仪表权重计算方法中,仪表权重最小值为1。仪表权重计算公式为:
公式中,wi为第i个仪表的权重;
Ai为第i个仪表的测量不确定度;
Amax为冗余仪表中的最大测量不确定度;
σi为第i个仪表无故障历史数据的标准差;
σmax为无故障历史数据中仪表的最大标准差。
然后根据过程变量估计值与每个仪表训练数据均值间的差值计算仪表系统误差,仪表系统误差计算公式为:
公式中,xi_sys为第i个仪表的系统误差;
xi_mean为第i个仪表的无故障历史数据均值;
最后将仪表权重和仪表系统误差保存在参数文件中,到此完成整个模型训练模块的计算流程。
在线预测阶段,模型预测模块2首先从容易仪表信号预测模型中读取仪表权重与系统误差。然后通过仪表一致性系数计算单元计算每个仪表的一致性系数。仪表一致性系数C的初始值均为0,一致性系数C的计算可分为以下三种情况:
(1)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xi_mean-2σi≥xj_mean+2σj,σi为第i个仪表无故障历史数据的标准差,σj为第j个仪表无故障历史数据的标准差,则表明两个仪表不具有重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不小于根据所述无故障历史数据所得到的置信区间的最小距离Limitmin=|xi_mean-xj_mean|-2σi-2σj,并且不大于根据所述无故障历史数据所得到的置信区间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,并且两个仪表的测量值之间的上下位置关系没有发生变化,即(xi-xj)(xi_mean-xj_mean)>0,则表明两个仪表在该时刻的测量值具有一致性。
此时,两个仪表的一致性系数C均加1,反之则保持初始值;
(2)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xj_mean-2σj<xi_mean-2σi<xj_mean+2σj<xi_mean+2σi,则表明两个仪表具有部分重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性。
此时,两个仪表的一致性系数C均加1,反之则保持初始值;
(3)分别在所述无故障历史数据或所述在线数据中,假设满足以下任一个不等式,则表明两个仪表具有包含关系:
xi_mean-2σi<xj_mean-2σj<xj_mean+2σj<xi_mean+2σi
xj_mean-2σj<xi_mean-2σi<xi_mean+2σi<xj_mean+2σj
这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性。
此时,两个仪表的一致性系数C均加1,反之则保持初始值;
然后过程变量估计值计算单元根据仪表权重、仪表一致性系数和仪表在线监测值,计算过程标量估计值。过程变量估计值计算公式为:
公式中,Ci为第i个仪表的一致性系数;
xi为第i个仪表的测量值;
n为冗余仪表数量;
wi为第i个仪表的权重。
最后,仪表信号预测值计算单元根据过程变量估计值和系统误差值得到仪表信号预测值,并通过输出单元输出结果。仪表信号预测值计算公式为:
Ci为第i个仪表的一致性系数;
xi为第i个仪表的测量值;
n为冗余仪表数量;
wi为第i个仪表的权重;
xi_sys为第i个仪表的系统误差。
对于本领域技术人员而言,显然本发明的结构不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种核电厂冗余仪表信号预测系统,包括模型训练模块和模型预测模块,其特征在于,所述模型训练模块包括:
历史数据读取单元,实现对无故障历史运行数据的读取;
仪表权重计算单元,用于计算每个仪表的权重;
仪表系统误差计算单元,用于计算仪表系统误差;
模型参数保存单元和冗余仪表信号预测模型,用于保存计算获得的仪表权重与系统误差;
所述模型预测模块包括:
在线数据读取单元,实现对冗余仪表在线运行数据的读取;
模型参数读取单元,实现对模型训练模块过程中所得到的模型参数的读取;
仪表一致性系数计算单元,用于计算每个仪表的一致性系数;
过程变量估计值计算单元,用于计算过程变量估计值;
仪表信号预测值计算单元,用于计算每个输入冗余仪表信号的预测值;
结果输出单元,用于输出仪表信号预测值计算单元的计算结果。
2.如权利要求1所述的核电厂冗余仪表信号预测系统,其特征在于,通过所述模型训练模块和所述模型预测模块共同形成多输入多输出结构的冗余仪表信号预测模型,其输入信号为针对同一个过程变量的所有冗余仪表信号,并且每一个输出信号分别是对应输入冗余仪表信号的预测值;其中,所述模型训练模块用于获得关键的模型参数,所述模型预测模块利用所述模型训练模块提供的模型参数完成针对输入冗余仪表信号的预测。
3.一种采用权利要求1或2所述系统的核电厂冗余仪表信号预测方法,其特征在于,所述模型训练模块使用无故障历史数据计算每个仪表的权重和系统误差,并将权重和系统误差进行保存;
模型训练模块的运行步骤如下:
1)通过历史数据读取单元获取无故障运行数据,并保存至[n×d]的二维向量X中作为训练数据,其中n为运行数据数目,d为冗余仪表数目;
2)通过仪表权重计算单元,利用X计算每个仪表的权重wi,i=1,2...d;
3)通过仪表系统误差计算单元,利用X计算仪表系统误差xi_sys,i=1,2...d;
4)通过模型参数保存单元,将wi与xi_sys作为模型参数进行保存;
5)保存后的参数存储在冗余仪表信号预测模型中;
所述模型预测模块利用新的冗余仪表运行数据和已保存的模型参数计算得到针对用于仪表信号的预测值并输出;
模型预测模块的运行步骤如下:
1)通过在线数据获取单元获取在线运行数据,
a)可实现单个数据点运行数据的获取,并保存至[1×d]的行向量x中作为训练数据,其中d为冗余仪表数目;
b)可实现窗口数据点运行数据的获取,并保存至[m×d]的二维矩阵X中作为训练数据,其中m为窗口大小;
2)通过模型参数读取单元获取模型参数,将仪表权重保存至wi,i=1,2...d,将仪表系统误差保存至xi_sys,i=1,2...d;
3)通过仪表一致性系数计算单元,利用x或X计算每个仪表的一致性系数Ci,i=1,2...d;
6)通过结果输出单元,将仪表信号预测值计算单元的计算结果输出。
6.如权利要求3所述的核电厂冗余仪表信号预测方法,其特征在于,所述仪表一致性系数表征两个冗余仪表之间充分相近的关系,通过计算两个仪表测量值之间的距离,来判断两个仪表之间是否具有一致性;仪表一致性系数Ci的初始值均为0,仪表一致性系数Ci的计算可分为以下三种情况:
(1)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xi_mean-2σi≥xj_mean+2σj,σi为第i个仪表无故障历史数据的标准差,σj为第j个仪表无故障历史数据的标准差,则表明两个仪表不具有重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不小于根据所述无故障历史数据所得到的置信区间的最小距离Limitmin=|xi_mean-xj_mean|-2σi-2σj,并且不大于根据所述无故障历史数据所得到的置信区间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,并且两个仪表的测量值之间的上下位置关系没有发生变化,即(xi-xj)(xi_mean-xj_mean)>0,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值;
(2)分别在所述无故障历史数据或所述在线数据中,假设两个仪表i、j的仪表均值为xi_mean>xj_mean,并且满足xj_mean-2σj<xi_mean-2σi<xj_mean+2σj<xi_mean+2σi,则表明两个仪表具有部分重叠区域,这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值;
(3)分别在所述无故障历史数据或所述在线数据中,假设满足以下任一个不等式,则表明两个仪表具有包含关系:
xi_mean-2σi<xj_mean-2σj<xj_mean+2σj<xi_mean+2σi
xj_mean-2σj<xi_mean-2σi<xi_mean+2σi<xj_mean+2σj
这时两个仪表的一致性可以根据以下准则进行判断:
如果两个仪表的测量值之间的距离|xi-xj|不大于置信区间之间的最大距离Limitmax=|xi_mean-xj_mean|+2σi+2σj,则表明两个仪表在该时刻的测量值具有一致性;
此时,两个仪表的一致性系数Ci均加1,反之则保持初始值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599120.8A CN113344266A (zh) | 2021-05-31 | 2021-05-31 | 一种核电厂冗余仪表信号预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599120.8A CN113344266A (zh) | 2021-05-31 | 2021-05-31 | 一种核电厂冗余仪表信号预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344266A true CN113344266A (zh) | 2021-09-03 |
Family
ID=77472492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110599120.8A Pending CN113344266A (zh) | 2021-05-31 | 2021-05-31 | 一种核电厂冗余仪表信号预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344266A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473084B1 (en) * | 1999-09-08 | 2002-10-29 | C4Cast.Com, Inc. | Prediction input |
KR100867938B1 (ko) * | 2007-09-27 | 2008-11-10 | 한국전력공사 | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 |
CN104798393A (zh) * | 2012-09-27 | 2015-07-22 | 瑞典爱立信有限公司 | 检测多路径以及确定定位测量不确定度 |
CN111898828A (zh) * | 2020-03-09 | 2020-11-06 | 华能四川水电有限公司 | 一种基于极限学习机的水力发电预测方法 |
-
2021
- 2021-05-31 CN CN202110599120.8A patent/CN113344266A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473084B1 (en) * | 1999-09-08 | 2002-10-29 | C4Cast.Com, Inc. | Prediction input |
KR100867938B1 (ko) * | 2007-09-27 | 2008-11-10 | 한국전력공사 | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 |
CN104798393A (zh) * | 2012-09-27 | 2015-07-22 | 瑞典爱立信有限公司 | 检测多路径以及确定定位测量不确定度 |
CN111898828A (zh) * | 2020-03-09 | 2020-11-06 | 华能四川水电有限公司 | 一种基于极限学习机的水力发电预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN109239265B (zh) | 监测设备故障检测方法及装置 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
JP5164954B2 (ja) | 機器診断方法及び機器診断装置 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
Garvey et al. | Validation of on-line monitoring techniques to nuclear plant data | |
CN103400308B (zh) | Gis设备运行状态在线检测方法与系统 | |
CN114926015B (zh) | 基于d-s证据理论的智能电能表质量状态评价方法及系统 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
CN111562037B (zh) | 一种温度表的故障检测方法及装置 | |
CN113344266A (zh) | 一种核电厂冗余仪表信号预测系统及方法 | |
CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
EP3904843B1 (en) | Method and system for measuring interference in a checkweighing device | |
CN114962239A (zh) | 一种基于智能物联网的设备故障检测方法 | |
JPH09113673A (ja) | プラントの異常監視方法及び異常監視装置 | |
Bae et al. | Study on condition based maintenance using on-line monitoring and prognostics suitable to a research reactor | |
Hashemian | Predictive maintenance in nuclear power plants through online monitoring | |
KR102587617B1 (ko) | 선박의 모터 부하를 모니터링하는 시스템 및 방법 | |
KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 | |
EP4258070A1 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
Hashemian | Integrated online condition monitoring system for nuclear power plants |
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 |