CN117308077A - 一种反应堆核电机组蒸发器给水控制系统 - Google Patents
一种反应堆核电机组蒸发器给水控制系统 Download PDFInfo
- Publication number
- CN117308077A CN117308077A CN202311342926.4A CN202311342926A CN117308077A CN 117308077 A CN117308077 A CN 117308077A CN 202311342926 A CN202311342926 A CN 202311342926A CN 117308077 A CN117308077 A CN 117308077A
- Authority
- CN
- China
- Prior art keywords
- water injection
- time sequence
- injection speed
- pressure
- training
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 213
- 238000002347 injection Methods 0.000 claims abstract description 198
- 239000007924 injection Substances 0.000 claims abstract description 198
- 239000013598 vector Substances 0.000 claims abstract description 139
- 230000003993 interaction Effects 0.000 claims abstract description 80
- 230000003247 decreasing effect Effects 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 112
- 238000000605 extraction Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000002452 interceptive effect Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22D—PREHEATING, OR ACCUMULATING PREHEATED, FEED-WATER FOR STEAM GENERATION; FEED-WATER SUPPLY FOR STEAM GENERATION; CONTROLLING WATER LEVEL FOR STEAM GENERATION; AUXILIARY DEVICES FOR PROMOTING WATER CIRCULATION WITHIN STEAM BOILERS
- F22D5/00—Controlling water feed or water level; Automatic water feeding or water-level regulators
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
公开了一种反应堆核电机组蒸发器给水控制系统。其首先通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值,接着,将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量,然后,对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力‑注水速度时序交互特征,最后,基于所述压力‑注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。这样,可以提高给水控制系统的性能,以维持反应堆的稳定运行。
Description
技术领域
本申请涉及给水控制领域,且更为具体地,涉及一种反应堆核电机组蒸发器给水控制系统。
背景技术
反应堆核电机组是一种重要的能源发电设备,其核心部分是反应堆,其中包括蒸发器给水控制系统。反应堆核电机组蒸发器给水控制系统是核电站的重要组成部分,它负责向蒸发器补充给水,以保持蒸发器内的水位和压力稳定。给水控制系统的性能直接影响着核电站的安全和经济运行。在传统的蒸发器给水控制系统中,通常采用比例-积分-微分(PID)控制器,但是PID控制器对于非线性、时变、强耦合的反应堆给水控制系统来说,存在着一定的局限性,例如无法适应参数变化、扰动抑制能力差等。
因此,期望一种优化的反应堆核电机组蒸发器给水控制系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种反应堆核电机组蒸发器给水控制系统。其可以实现对反应堆给水控制系统的智能调节,从而提高给水控制系统的性能,以维持反应堆的稳定运行。
根据本申请的一个方面,提供了一种反应堆核电机组蒸发器给水控制系统,其包括:
数据采集模块,用于通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值;
数据参数时序排列模块,用于将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量;
数据参数时序特征交互模块,用于对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征;以及
注水速度控制模块,用于基于所述压力-注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。
与现有技术相比,本申请提供的反应堆核电机组蒸发器给水控制系统。其首先通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值,接着,将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量,然后,对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征,最后,基于所述压力-注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。这样,可以提高给水控制系统的性能,以维持反应堆的稳定运行。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的反应堆核电机组蒸发器给水控制系统的框图示意图。
图2为根据本申请实施例的反应堆核电机组蒸发器给水控制系统中的所述数据参数时序特征交互模块的框图示意图。
图3为根据本申请实施例的反应堆核电机组蒸发器给水控制方法的流程图。
图4为根据本申请实施例的反应堆核电机组蒸发器给水控制方法的系统架构的示意图。
图5为根据本申请实施例的反应堆核电机组蒸发器给水控制系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为通过压力传感器实时采集反应堆的压力值以及采集注水速度值,并在后端引入数据处理和分析算法来对于反应堆的压力值和注水速度值进行时序交互协同分析,以此来进行注水速度的实时控制,通过这样的方式,能够实现对反应堆给水控制系统的智能调节,从而提高给水控制系统的性能,以维持反应堆的稳定运行。
图1为根据本申请实施例的反应堆核电机组蒸发器给水控制系统的框图示意图。如图1所示,根据本申请实施例的反应堆核电机组蒸发器给水控制系统100,包括:数据采集模块110,用于通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值;数据参数时序排列模块120,用于将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量;数据参数时序特征交互模块130,用于对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征;以及,注水速度控制模块140,用于基于所述压力-注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。
具体地,在本申请的技术方案中,首先,获取由压力传感器采集的反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值。接着,考虑到由于所述反应堆的压力值和所述注水速度值在时间维度上都具有着各自的动态变化规律,并且,这两者之间还具有着时序的协同关联关系,共同对于反应堆的稳定运行产生影响。因此,在本申请的技术方案中,在进行这两者参数的时序特征提取前,需要进一步将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量,以此来分别整合所述反应堆的压力值和所述注水速度值在时间维度上的时序分布信息。
应可以理解,在蒸发器给水控制系统中,压力和注水速度都是随时间变化的时序数据。为了能够获取更多的参数时序信息,以便于后续能够捕捉到更多的时序特征,可以将这些参数数据的时序分布信息表示为时序图像。具体地,在本申请的技术方案中,将所述压力时序输入向量和注水速度时序输入向量通过包含上采样层和向量-图像转化单元的格式转化器以得到压力时序图像和注水速度时序图像。特别地,这里,所述上采样层的作用是将输入向量的扩展到适合图像处理的尺寸。这样做可以保留原始数据的时序关系,并且在后续的处理中能够更好地捕捉到数据参数的时序细节和模式。并且,通过所述向量-图像转化单元能够将反应堆的数据参数时序输入向量转换为图像,可以将反应堆压力数据和注水速度数据的时序关系转化为图像的空间关系。而由于图像具有丰富的空间信息,可以利用图像处理的方法和技术来处理时序数据。此外,由于图像数据具有更高的维度和更丰富的信息,相比于简单的向量形式,图像可以更好地表达数据之间的关联性和变化趋势,以更好地反映所述反应堆压力和所述注水速度的时序动态变化。
然后,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述压力时序图像和所述注水速度时序图像的时序特征提取,特别地,考虑到由于所述反应堆压力值和所述注水速度值在时间维度上具有着波动性,并且其时序变化可能较为微弱,难以通过传统的特征提取方式对其时序特征进行有效地捕捉和刻画。因此,为了从时序图像中提取出更具代表性和有用的特征,在本申请的技术方案中,进一步将所述压力时序图像和所述注水速度时序图像分别通过基于多尺度邻域特征提取模块的时序特征提取器中进行特征挖掘,以分别提取出所述反应堆压力值和所述注水速度值在时间维度上的不同时间跨度下的多尺度时序特征信息,从而得到压力时序特征向量和注水速度时序特征向量。也就是说,由于数据参数的时序图像中包含了反应堆压力和注水速度随时间变化的信息,通过特征提取,可以将这些信息转化为更高层次的抽象表示,以便后续的分类和决策。特别地,所述基于多尺度邻域特征提取模块的时序特征提取器可以在不同的尺度上对数据参数的时序图像进行分析和处理。这样可以捕捉到不同时间尺度上的特征和模式,从而更全面地描述压力和注水速度的变化情况。
进一步地,使用特征交互层对所述压力时序特征向量和所述注水速度时序特征向量进行交互式融合以得到压力-注水速度时序交互特征向量,以此来捕捉所述反应堆压力值的时序多尺度特征和所述注水速度值的时序多尺度特征之间的关联和相互影响。应可以理解,由于传统的注意力机制的目标是学习一个注意力权重矩阵,将较大的权重赋予重要的特征,较小的权重赋予次要的特征,从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权,而忽略了特征之间的依赖关系。而所述特征交互层能够通过基于注意力机制的特征交互,可以捕捉到所述反应堆压力值的时序多尺度特征和所述注水速度值的时序多尺度特征之间的相关性和相互影响,可以学习到不同特征之间的依赖关系,并根据这些依赖关系对特征进行交互和整合,从而得到压力-注水速度时序交互特征向量。
相应地,如图2所示,所述数据参数时序特征交互模块130,包括:格式转化单元131,用于将所述压力时序输入向量和所述注水速度时序输入向量通过包含上采样层和向量-图像转化单元的格式转化器以得到压力时序图像和注水速度时序图像;参数时序多尺度特征提取单元132,用于通过基于深度神经网络模型的时序特征提取器分别对所述压力时序图像和所述注水速度时序图像进行多尺度特征提取以得到压力时序特征向量和注水速度时序特征向量;以及,压力-注水速度交互关联编码单元133,用于对所述压力时序特征向量和所述注水速度时序特征向量进行特征交互关联编码以得到压力-注水速度时序交互特征向量作为所述压力-注水速度时序交互特征。应可以理解,所述数据参数时序特征交互模块130由格式转化单元131、参数时序多尺度特征提取单元132和压力-注水速度交互关联编码单元133三个主要单元组成。所述格式转化单元131的作用是将输入的压力时序向量和注水速度时序向量转化为压力时序图像和注水速度时序图像,为了实现这一转化,该单元采用了上采样层和向量-图像转化单元,上采样层可以将向量数据扩展为图像形式,而向量-图像转化单元则将向量数据转化为对应的图像表示。所述参数时序多尺度特征提取单元132的目标是从压力时序图像和注水速度时序图像中提取多尺度特征,为了实现这一目标,该单元使用了基于深度神经网络模型的时序特征提取器,通过该特征提取器,可以对输入的压力时序图像和注水速度时序图像进行分析和处理,提取出它们的多尺度特征,得到压力时序特征向量和注水速度时序特征向量。所述压力-注水速度交互关联编码单元133的功能是对压力时序特征向量和注水速度时序特征向量进行特征交互关联编码,通过这种交互关联编码,可以捕捉到压力和注水速度之间的时序交互特征,最终,该单元生成压力-注水速度时序交互特征向量,作为所需的压力-注水速度时序交互特征。综合来说,数据参数时序特征交互模块的各个单元分别负责将输入数据进行格式转化、提取多尺度特征,并进行特征交互关联编码,最终得到压力-注水速度的时序交互特征。这些特征可以用于进一步的分析和应用,例如预测、控制或优化相关的系统或过程。
更具体地,在所述参数时序多尺度特征提取单元132中,所述深度神经网络模型为多尺度邻域特征提取模块,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。值得一提的是,多尺度邻域特征提取模块是参数时序多尺度特征提取单元132中的一个组件,用于从输入的压力时序图像和注水速度时序图像中提取多尺度特征。该模块由并行的第一卷积层和第二卷积层以及与它们连接的多尺度特征融合层组成。第一卷积层和第二卷积层使用具有不同尺度的一维卷积核,一维卷积核可以有效地在时序数据中捕捉到不同尺度的特征。通过使用不同尺度的卷积核,第一卷积层和第二卷积层可以分别提取不同尺度的特征。例如,较小尺度的卷积核可以捕捉到局部细节特征,而较大尺度的卷积核可以捕捉到更宽范围的上下文信息。多尺度特征融合层用于将第一卷积层和第二卷积层提取的多尺度特征进行融合,融合可以通过不同的方式进行,例如将特征连接、求和或者使用注意力机制等。多尺度特征融合层的目的是综合利用不同尺度的特征信息,以提高特征表示的多样性和表达能力。多尺度邻域特征提取模块的作用是在参数时序多尺度特征提取单元中增强对压力时序图像和注水速度时序图像的特征提取能力。通过使用不同尺度的卷积核和多尺度特征融合,该模块可以捕捉到不同层次和尺度的特征信息,从而提高对时序数据的理解和建模能力。这有助于提取更丰富、更准确的特征表示,为后续的特征交互关联编码提供更有价值的输入。
更具体地,所述压力-注水速度交互关联编码单元133,用于:使用特征交互层对所述压力时序特征向量和所述注水速度时序特征向量进行交互式融合以得到所述压力-注水速度时序交互特征向量。值得一提的是,特征交互层是压力-注水速度交互关联编码单元133中的一个组件,用于对压力时序特征向量和注水速度时序特征向量进行交互式融合,从而得到压力-注水速度时序交互特征向量。特征交互层通过对压力时序特征向量和注水速度时序特征向量进行交互式融合,将两者的信息进行融合和交叉。这种交互式融合可以通过不同的方式实现,例如使用逐元素相乘、连接、加权求和等操作。通过融合压力和注水速度的特征信息,可以捕捉到它们之间的相关性和相互作用,从而得到更具表达能力的时序交互特征。特征交互层的目的是增强特征的表示能力。通过交互式融合,可以将压力和注水速度的特征相互影响和补充,从而提供更全面、更丰富的特征表示。这有助于捕捉到系统中压力和注水速度之间的复杂关系,提高对系统行为的建模和预测能力。特征交互层的作用是在压力-注水速度交互关联编码单元中实现压力和注水速度特征的交互和融合。通过这种交互式融合,可以获得更具信息丰富度和表达能力的压力-注水速度时序交互特征向量。这些特征向量可以用于后续的分析、预测或控制任务,以更好地理解和应用压力和注水速度之间的关联关系。
继而,再将所述压力-注水速度时序交互特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的注水速度值应增大或应减小。也就是说,利用所述反应堆压力时序特征和所述注水速度时序特征之间的交互关联特征信息来进行分类处理,以此来对于注水速度进行实时控制,通过这样的方式,能够实现对反应堆给水控制系统的智能调节,从而提高给水控制系统的性能,以维持反应堆的稳定运行。
相应地,所述注水速度控制模块140,用于:将所述压力-注水速度时序交互特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的注水速度值应增大或应减小。
更具体地,所述注水速度控制模块140,进一步用于:使用所述分类器的全连接层对所述压力-注水速度时序交互特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括当前时间点的注水速度值应增大(第一标签),以及,当前时间点的注水速度值应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述压力-注水速度时序交互特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的注水速度值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,当前时间点的注水速度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的注水速度值应增大或应减小”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的反应堆核电机组蒸发器给水控制系统,其还包括用于对所述包含上采样层和向量-图像转化单元的格式转化器、所述基于多尺度邻域特征提取模块的时序特征提取器和所述分类器进行训练的训练模块。应可以理解,训练模块在反应堆核电机组蒸发器给水控制系统中起着关键的作用。它用于对包含上采样层和向量-图像转化单元的格式转化器、基于多尺度邻域特征提取模块的时序特征提取器以及分类器进行训练。以下是训练模块的主要功能和用途:1.模型参数学习:训练模块通过使用已标记的训练数据,对系统中的各个组件进行参数学习。模型参数学习的目标是使模型能够从输入数据中学习到数据的潜在规律和特征表示,以便能够对新的未标记数据进行准确的预测和推断。2.优化模型性能:训练模块通过迭代优化算法(如梯度下降)来最小化模型在训练数据上的预测误差或损失函数。通过不断调整模型参数,训练模块可以提高模型的性能,使其能够更好地适应训练数据,并具备更好的泛化能力。3.超参数调优:训练模块还可以用于调优模型的超参数。超参数是指在模型训练之前需要手动设置的参数,如学习率、正则化系数等。通过在训练过程中对不同超参数取值进行尝试和比较,训练模块可以找到最佳的超参数组合,以提高模型的性能和鲁棒性。通过训练模块的训练过程,反应堆核电机组蒸发器给水控制系统的各个组件可以学习到适合特定任务的特征表示和模式识别能力。训练模块的作用是提供一个有效的学习框架,使系统能够自动从数据中学习,并进行预测、推断或控制等任务。
更具体地,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括反应堆在预定时间段多个预定时间点的训练压力值,所述多个预定时间点的训练注水速度值,以及,所述当前时间点的注水速度值应增大或应减小的真实值;训练数据参数时序排列单元,用于将所述多个预定时间点的训练压力值,以及,所述多个预定时间点的训练注水速度值分别按照时间维度排列为训练压力时序输入向量和训练注水速度时序输入向量;训练参数时序格式转化单元,用于将所述训练压力时序输入向量和所述训练注水速度时序输入向量通过所述包含上采样层和向量-图像转化单元的格式转化器以得到训练压力时序图像和训练注水速度时序图像;训练参数时序特征提取单元,用于将所述训练压力时序图像和所述训练注水速度时序图像分别通过所述基于多尺度邻域特征提取模块的时序特征提取器以得到训练压力时序特征向量和训练注水速度时序特征向量;训练压力-注水速度时序特征交互关联编码单元,用于使用所述特征交互层对所述训练压力时序特征向量和所述训练注水速度时序特征向量进行交互式融合以得到训练压力-注水速度时序交互特征向量;分类损失单元,用于将所述训练压力-注水速度时序交互特征向量通过所述分类器以得到分类损失函数值;以及,模型训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含上采样层和向量-图像转化单元的格式转化器、所述基于多尺度邻域特征提取模块的时序特征提取器和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,对所述训练压力-注水速度时序交互特征向量进行基于类度矩阵正则化的权重空间探索约束优化。
特别地,在本申请的技术方案中,所述训练压力时序特征向量和所述训练注水速度时序特征向量分别表达训练压力值和训练注水速度值的局部时域内的局部邻域关联特征,由此,在使用特征间注意力层对所述训练压力时序特征向量和所述训练注水速度时序特征向量进行基于注意力机制的特征交互后,所述训练压力-注水速度时序交互特征向量除了包含所述训练压力值和训练注水速度值的局部时域内的局部邻域关联特征以外,还包括所述训练压力值和所述训练注水速度值在时序分布方向上的依赖关系特征,也就是,所述训练压力-注水速度时序交互特征向量同时包括与样本内时序关联和样本间时序关联对应的多样化时序关联维度的特征表示,这样,在提升了所述训练压力-注水速度时序交互特征向量在交叉维度下的时序关联特征表示的同时,也会导致所述训练压力-注水速度时序交互特征向量在通过分类器进行分类回归时,其在分类结果的概率分布域内的与交叉关联维度的特征分布多样化对应的标签分布富化,从而影响在分类过程中所述分类器的权重矩阵的收敛效果。
基于此,本申请的申请人在将所述训练压力-注水速度时序交互特征向量通过分类器进行分类时,在每次权重矩阵的迭代时,对所述训练压力-注水速度时序交互特征向量进行基于类度矩阵正则化的权重空间探索约束。
相应地,在一个具体示例中,在所述训练的每次权重矩阵迭代时,以如下优化公式对所述训练压力-注水速度时序交互特征向量进行基于类度矩阵正则化的权重空间探索约束优化以得到优化训练压力-注水速度时序交互特征向量;其中,所述优化公式为:其中,/>是所述训练压力-注水速度时序交互特征向量,/>是所述优化训练压力-注水速度时序交互特征向量,且/>为列向量,/>是行向量,/>为可学习的域转移矩阵,例如初始可以设置为上一次迭代的权重矩阵的对角线元素构成的对角矩阵,/>表示上一次迭代的权重矩阵,/>表示迭代后的权重矩阵,/>表示矩阵乘法,表示转置操作。
这里,考虑到权重矩阵的权重空间域与所述训练压力-注水速度时序交互特征向量的分类结果的概率分布域之间的域差异(domain gap),通过权重矩阵/>相对于所述训练压力-注水速度时序交互特征向量/>的类度矩阵正则化表示来作为域间迁移代理(inter-domain transferring agent),来将有价值的标签约束的概率分布转移到权重空间内,从而避免在基于权重空间的分类过程中,富标签化的(rich labeled)概率分布域对于权重空间内的权重分布进行过度探索(over-exploit),提升了权重矩阵的收敛效果,也就提升了所述训练压力-注水速度时序交互特征向量在通过分类器进行分类回归时的训练效果。这样,能够基于反应堆压力和注水速度的时序变化情况来进行注水速度的实时自适应控制,从而实现对反应堆给水控制系统的智能调节,提高给水控制系统的性能,以维持反应堆的稳定运行。
综上,基于本申请实施例的反应堆核电机组蒸发器给水控制系统100被阐明,其可以提高给水控制系统的性能,以维持反应堆的稳定运行。
如上所述,根据本申请实施例的基于本申请实施例的反应堆核电机组蒸发器给水控制系统100可以实现在各种终端设备中,例如具有基于本申请实施例的反应堆核电机组蒸发器给水控制算法的服务器等。在一个示例中,基于本申请实施例的反应堆核电机组蒸发器给水控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的反应堆核电机组蒸发器给水控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的反应堆核电机组蒸发器给水控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的反应堆核电机组蒸发器给水控制系统100与该终端设备也可以是分立的设备,并且该反应堆核电机组蒸发器给水控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图3为根据本申请实施例的反应堆核电机组蒸发器给水控制方法的流程图。图4为根据本申请实施例的反应堆核电机组蒸发器给水控制方法的系统架构的示意图。如图3和图4所示,根据本申请实施例的反应堆核电机组蒸发器给水控制方法,其包括:S110,通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值;S120,将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量;S130,对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征;以及,S140,基于所述压力-注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。
在一个具体示例中,在上述反应堆核电机组蒸发器给水控制方法中,对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征,包括:将所述压力时序输入向量和所述注水速度时序输入向量通过包含上采样层和向量-图像转化单元的格式转化器以得到压力时序图像和注水速度时序图像;通过基于深度神经网络模型的时序特征提取器分别对所述压力时序图像和所述注水速度时序图像进行多尺度特征提取以得到压力时序特征向量和注水速度时序特征向量;以及,对所述压力时序特征向量和所述注水速度时序特征向量进行特征交互关联编码以得到压力-注水速度时序交互特征向量作为所述压力-注水速度时序交互特征。
这里,本领域技术人员可以理解,上述反应堆核电机组蒸发器给水控制方法中的各个步骤的具体操作已经在上面参考图1到图2的反应堆核电机组蒸发器给水控制系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的反应堆核电机组蒸发器给水控制系统的应用场景图。如图5所示,在该应用场景中,首先,获取反应堆在预定时间段多个预定时间点的压力值(例如,图5中所示意的D1),以及,所述多个预定时间点的注水速度值(例如,图5中所示意的D2),然后,将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值输入至部署有反应堆核电机组蒸发器给水控制算法的服务器中(例如,图5中所示意的S),其中,所述服务器能够使用所述反应堆核电机组蒸发器给水控制算法对所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值进行处理以得到用于表示当前时间点的注水速度值应增大或应减小的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种反应堆核电机组蒸发器给水控制系统,其特征在于,包括:
数据采集模块,用于通过压力传感器采集反应堆在预定时间段多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值;
数据参数时序排列模块,用于将所述多个预定时间点的压力值,以及,所述多个预定时间点的注水速度值分别按照时间维度排列为压力时序输入向量和注水速度时序输入向量;
数据参数时序特征交互模块,用于对所述压力时序输入向量和所述注水速度时序输入向量进行时序交互关联分析以得到压力-注水速度时序交互特征;以及
注水速度控制模块,用于基于所述压力-注水速度时序交互特征,确定当前时间点的注水速度值应增大或应减小。
2.根据权利要求1所述的反应堆核电机组蒸发器给水控制系统,其特征在于,所述数据参数时序特征交互模块,包括:
格式转化单元,用于将所述压力时序输入向量和所述注水速度时序输入向量通过包含上采样层和向量-图像转化单元的格式转化器以得到压力时序图像和注水速度时序图像;
参数时序多尺度特征提取单元,用于通过基于深度神经网络模型的时序特征提取器分别对所述压力时序图像和所述注水速度时序图像进行多尺度特征提取以得到压力时序特征向量和注水速度时序特征向量;以及
压力-注水速度交互关联编码单元,用于对所述压力时序特征向量和所述注水速度时序特征向量进行特征交互关联编码以得到压力-注水速度时序交互特征向量作为所述压力-注水速度时序交互特征。
3.根据权利要求2所述的反应堆核电机组蒸发器给水控制系统,其特征在于,所述深度神经网络模型为多尺度邻域特征提取模块,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
4.根据权利要求3所述的反应堆核电机组蒸发器给水控制系统,其特征在于,所述压力-注水速度交互关联编码单元,用于:
使用特征交互层对所述压力时序特征向量和所述注水速度时序特征向量进行交互式融合以得到所述压力-注水速度时序交互特征向量。
5.根据权利要求4所述的反应堆核电机组蒸发器给水控制系统,其特征在于,所述注水速度控制模块,用于:
将所述压力-注水速度时序交互特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的注水速度值应增大或应减小。
6.根据权利要求5所述的反应堆核电机组蒸发器给水控制系统,其特征在于,还包括用于对所述包含上采样层和向量-图像转化单元的格式转化器、所述基于多尺度邻域特征提取模块的时序特征提取器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的反应堆核电机组蒸发器给水控制系统,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括反应堆在预定时间段多个预定时间点的训练压力值,所述多个预定时间点的训练注水速度值,以及,所述当前时间点的注水速度值应增大或应减小的真实值;
训练数据参数时序排列单元,用于将所述多个预定时间点的训练压力值,以及,所述多个预定时间点的训练注水速度值分别按照时间维度排列为训练压力时序输入向量和训练注水速度时序输入向量;
训练参数时序格式转化单元,用于将所述训练压力时序输入向量和所述训练注水速度时序输入向量通过所述包含上采样层和向量-图像转化单元的格式转化器以得到训练压力时序图像和训练注水速度时序图像;
训练参数时序特征提取单元,用于将所述训练压力时序图像和所述训练注水速度时序图像分别通过所述基于多尺度邻域特征提取模块的时序特征提取器以得到训练压力时序特征向量和训练注水速度时序特征向量;
训练压力-注水速度时序特征交互关联编码单元,用于使用所述特征交互层对所述训练压力时序特征向量和所述训练注水速度时序特征向量进行交互式融合以得到训练压力-注水速度时序交互特征向量;
分类损失单元,用于将所述训练压力-注水速度时序交互特征向量通过所述分类器以得到分类损失函数值;以及
模型训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含上采样层和向量-图像转化单元的格式转化器、所述基于多尺度邻域特征提取模块的时序特征提取器和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,对所述训练压力-注水速度时序交互特征向量进行基于类度矩阵正则化的权重空间探索约束优化。
8.根据权利要求7所述的反应堆核电机组蒸发器给水控制系统,其特征在于,在所述训练的每次权重矩阵迭代时,以如下优化公式对所述训练压力-注水速度时序交互特征向量进行基于类度矩阵正则化的权重空间探索约束优化以得到优化训练压力-注水速度时序交互特征向量;
其中,所述优化公式为:其中,/>是所述训练压力-注水速度时序交互特征向量,/>是所述优化训练压力-注水速度时序交互特征向量,且/>为列向量,是行向量,/>为可学习的域转移矩阵,/>表示上一次迭代的权重矩阵,/>表示迭代后的权重矩阵,/>表示矩阵乘法,/>表示转置操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342926.4A CN117308077A (zh) | 2023-10-17 | 2023-10-17 | 一种反应堆核电机组蒸发器给水控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342926.4A CN117308077A (zh) | 2023-10-17 | 2023-10-17 | 一种反应堆核电机组蒸发器给水控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117308077A true CN117308077A (zh) | 2023-12-29 |
Family
ID=89288170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311342926.4A Pending CN117308077A (zh) | 2023-10-17 | 2023-10-17 | 一种反应堆核电机组蒸发器给水控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117308077A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558472A (zh) * | 2024-01-11 | 2024-02-13 | 深圳大学 | 核反应堆冷却系统及其冷却控制方法 |
CN117892073A (zh) * | 2024-03-14 | 2024-04-16 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
-
2023
- 2023-10-17 CN CN202311342926.4A patent/CN117308077A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558472A (zh) * | 2024-01-11 | 2024-02-13 | 深圳大学 | 核反应堆冷却系统及其冷却控制方法 |
CN117558472B (zh) * | 2024-01-11 | 2024-03-15 | 深圳大学 | 核反应堆冷却系统及其冷却控制方法 |
CN117892073A (zh) * | 2024-03-14 | 2024-04-16 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN114519469A (zh) | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN112232577A (zh) | 用于多芯智能表的电力负荷概率预测系统与方法 | |
CN118098603B (zh) | 用于eicu的重症监护临床信息系统及方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
Xu et al. | Graphical modeling for multi-source domain adaptation | |
Zhu et al. | Data/model jointly driven high-quality case generation for power system dynamic stability assessment | |
CN115130591A (zh) | 一种基于交叉监督的多模态数据分类方法及装置 | |
CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
Chen et al. | Uncertainty-Aware Representation Learning for Action Segmentation. | |
Zhang et al. | CarNet: A dual correlation method for health perception of rotating machinery | |
CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其系统 | |
CN117689278B (zh) | 施工质量智能管理系统及方法 | |
Lai et al. | Multi-dimensional self attention based approach for remaining useful life estimation | |
Chen et al. | Label-retrieval-augmented diffusion models for learning from noisy labels | |
CN114492581A (zh) | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 | |
Dan et al. | PF‐ViT: Parallel and Fast Vision Transformer for Offline Handwritten Chinese Character Recognition | |
CN117070741B (zh) | 酸洗机组的控制方法及其系统 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
Fang et al. | Gaugllm: Improving graph contrastive learning for text-attributed graphs with large language models | |
Chen et al. | Domain adversarial-based multi-source deep transfer network for cross-production-line time series forecasting | |
Wang et al. | Hierarchical FFT-LSTM-GCN based model for nuclear power plant fault diagnosis considering spatio-temporal features fusion |
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 |