CN117558472B - 核反应堆冷却系统及其冷却控制方法 - Google Patents
核反应堆冷却系统及其冷却控制方法 Download PDFInfo
- Publication number
- CN117558472B CN117558472B CN202410039606.XA CN202410039606A CN117558472B CN 117558472 B CN117558472 B CN 117558472B CN 202410039606 A CN202410039606 A CN 202410039606A CN 117558472 B CN117558472 B CN 117558472B
- Authority
- CN
- China
- Prior art keywords
- steam flow
- time sequence
- coolant temperature
- training
- steam
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000002826 coolant Substances 0.000 claims abstract description 224
- 238000011217 control strategy Methods 0.000 claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 109
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004781 supercooling Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C15/00—Cooling arrangements within the pressure vessel containing the core; Selection of specific coolants
- G21C15/02—Arrangements or disposition of passages in which heat is transferred to the coolant; Coolant flow control devices
- G21C15/12—Arrangements or disposition of passages in which heat is transferred to the coolant; Coolant flow control devices from pressure vessel; from containment vessel
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C15/00—Cooling arrangements within the pressure vessel containing the core; Selection of specific coolants
- G21C15/02—Arrangements or disposition of passages in which heat is transferred to the coolant; Coolant flow control devices
- G21C15/14—Arrangements or disposition of passages in which heat is transferred to the coolant; Coolant flow control devices from headers; from joints in ducts
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/003—Remote inspection of vessels, e.g. pressure vessels
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/02—Devices or arrangements for monitoring coolant or moderator
- G21C17/022—Devices or arrangements for monitoring coolant or moderator for monitoring liquid coolants or moderators
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本申请涉及智能控制技术领域，其具体地公开了一种核反应堆冷却系统及其冷却控制方法，其利用基于深度学习的人工智能技术对反应堆压力容器内的冷却剂温度数据和蒸汽循环回路的蒸汽流量数据分别进行时序特征提取，并基于冷却剂温度时序特征和蒸汽流量时序特征之间的时序关联特征来确定蒸汽流量的控制策略。这样，能够提高核反应堆的冷却效果，同时避免过热或过冷的情况发生，从而提高核反应堆的安全性。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种核反应堆冷却系统及其冷却控制方法。
背景技术
核反应堆是一种利用核裂变或核聚变反应产生能量的装置，通过控制核反应的速率和温度来实现能量的释放和控制。核反应堆是现代能源领域的重要组成部分，其冷却系统的设计和控制对于确保核反应堆的安全运行具有至关重要的作用。核反应堆冷却系统负责带走核反应堆中产生的热量，维持核反应堆的温度和压力在安全范围内，防止过热和压力失控等危险情况的发生。
传统的核反应堆冷却系统通常依赖于固定的控制策略和设定阈值来实现对反应堆的冷却，然而，这种方法往往难以适应反应堆运行过程中的各种变化，无法根据实时的工况变化做出灵活的调整，导致能源利用率低、运行效率下降。因此，期待一种优化的核反应堆冷却系统及其冷却控制方法。
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核反应堆冷却系统及其冷却控制方法，其利用基于深度学习的人工智能技术对反应堆压力容器内的冷却剂温度数据和蒸汽循环回路的蒸汽流量数据分别进行时序特征提取，并基于冷却剂温度时序特征和蒸汽流量时序特征之间的时序关联特征来确定蒸汽流量的控制策略。这样，能够提高核反应堆的冷却效果，同时避免过热或过冷的情况发生，从而提高核反应堆的安全性。
相应地，根据本申请的一个方面，提供了一种核反应堆冷却系统，包括：冷却剂循环回路，用于将冷却剂从反应堆压力容器中输送到蒸汽发生器，并将所述冷却剂从所述蒸汽发生器输送回所述反应堆压力容器；蒸汽循环回路，用于将蒸汽从所述蒸汽发生器输送到涡轮机，并将凝水从所述涡轮机输送回所述蒸汽发生器；冷却剂流量控制装置，用于调节所述冷却剂循环回路中的所述冷却剂的流量；温度检测装置，用于检测所述反应堆压力容器内的所述冷却剂的温度；温度控制装置，用于调节所述蒸汽循环回路中的所述蒸汽的流量，其中，所述温度控制装置，包括：
冷却剂温度监控模块，用于获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；
蒸汽流量监控模块，用于获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；
时序关联编码模块，用于提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；
蒸汽流量控制策略生成模块，用于基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略。
在上述核反应堆冷却系统中，所述时序关联编码模块，包括：数据预处理单元，用于对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量；时序特征提取单元，用于利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量；关联关系构建单元，用于构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵。
在上述核反应堆冷却系统中，所述数据预处理单元，用于：将所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值分别按照时间维度排列为所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量。
在上述核反应堆冷却系统中，所述深度学习网络模型为基于一维卷积层的时序特征提取器；其中，所述基于一维卷积层的时序特征提取器包括输入层、一维卷积层、基于ReLU激活函数的激活层、池化层和输出层。
在上述核反应堆冷却系统中，所述时序特征提取单元，用于：将所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量。
在上述核反应堆冷却系统中，所述关联关系构建单元，用于：计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵。
在上述核反应堆冷却系统中，所述关联关系构建单元，用于：以如下样本协方差计算公式计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；其中，所述样本协方差计算公式为：
其中，为所述冷却剂温度时序特征向量，/>为所述蒸汽流量时序特征向量，/>表示向量的转置，/>为所述冷却剂温度-蒸汽流量时序关联特征矩阵。
在上述核反应堆冷却系统中，所述蒸汽流量控制策略生成模块，包括：分类判断单元，用于将所述冷却剂温度-蒸汽流量时序关联特征矩阵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蒸汽流量值应增大、应保持或应减小；蒸汽流量控制策略确定单元，用于将所述分类结果作为所述蒸汽流量的控制策略。
在上述核反应堆冷却系统中，还包括用于对所述基于一维卷积层的时序特征提取器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括由所述温度检测装置采集的预定时间段内多个预定时间点的训练冷却剂温度值、由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的训练蒸汽流量值，以及，当前时间点的蒸汽流量值应增大、应保持或应减小的真实值；训练数据时序排列单元，用于将所述多个预定时间点的训练冷却剂温度值和所述多个预定时间点的训练蒸汽流量值分别按照时间维度排列为训练冷却剂温度时序输入向量和训练蒸汽流量时序输入向量；训练数据时序编码单元，用于将所述训练冷却剂温度时序输入向量和所述训练蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练冷却剂温度时序特征向量和训练蒸汽流量时序特征向量；训练数据关联编码单元，用于计算所述训练冷却剂温度时序特征向量和所述训练蒸汽流量时序特征向量之间的样本协方差矩阵以得到训练冷却剂温度-蒸汽流量时序关联特征矩阵；分类损失函数值计算单元，用于将所述训练冷却剂温度-蒸汽流量时序关联特征矩阵通过分类器以得到分类损失函数值；训练优化单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练冷却剂温度-蒸汽流量时序关联特征矩阵展开后得到的训练冷却剂温度-蒸汽流量时序关联特征向量进行训练优化。
根据本申请的另一个方面，提供了一种核反应堆的冷却控制方法，其包括：
获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；
获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；
提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；
基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略。
与现有技术相比，本申请提供的核反应堆冷却系统及其冷却控制方法，其利用基于深度学习的人工智能技术对反应堆压力容器内的冷却剂温度数据和蒸汽循环回路的蒸汽流量数据分别进行时序特征提取，并基于冷却剂温度时序特征和蒸汽流量时序特征之间的时序关联特征来确定蒸汽流量的控制策略。这样，能够提高核反应堆的冷却效果，同时避免过热或过冷的情况发生，从而提高核反应堆的安全性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的核反应堆冷却系统的框图。
图2为根据本申请实施例的核反应堆冷却系统的架构示意图。
图3为根据本申请实施例的核反应堆冷却系统中时序关联编码模块的框图。
图4为根据本申请实施例的核反应堆冷却系统中蒸汽流量控制策略生成模块的框图。
图5为根据本申请实施例的核反应堆冷却系统中训练模块的框图。
图6为根据本申请实施例的核反应堆的冷却控制方法的流程图。
具体实施方式
为便于对本发明实施例的理解，下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本申请提供了一种核反应堆冷却系统，其具体包括：冷却剂循环回路，用于将冷却剂从反应堆压力容器中输送到蒸汽发生器，并将所述冷却剂从所述蒸汽发生器输送回所述反应堆压力容器；蒸汽循环回路，用于将蒸汽从所述蒸汽发生器输送到涡轮机，并将凝水从所述涡轮机输送回所述蒸汽发生器；冷却剂流量控制装置，用于调节所述冷却剂循环回路中的所述冷却剂的流量；温度检测装置，用于检测所述反应堆压力容器内的所述冷却剂的温度；温度控制装置，用于调节所述蒸汽循环回路中的所述蒸汽的流量。
特别地，在所述温度控制装置中，蒸汽流量的大小影响着核反应堆冷却系统的冷却效果。在核反应堆冷却系统中，核反应堆中产生的热量通过蒸汽发生器传递给蒸汽，然后再通过蒸汽循环回路带走。此时，过大的蒸汽流量可能导致蒸汽发生器中的蒸汽温度下降过快，无法充分吸收核反应堆中的热量；而过小的蒸汽流量可能导致蒸汽发生器中的蒸汽温度升高过快，无法充分带走核反应堆中产生的热量。也就是说，过大或过小的蒸汽流量都可能导致核反应堆温度下降缓慢，影响冷却效果。并且，蒸汽循环回路中的蒸汽流量与涡轮机的负荷和运行状态相关。通过调节蒸汽流量，可以实现蒸汽发生器和涡轮机之间的热负荷平衡，避免过热或过冷的情况发生，有助于确保系统的稳定运行，并减少由于温度波动引起的不稳定因素。
传统的蒸汽流量控制方案通常是通过设定阈值来实现对蒸汽流量的控制，然而，这种方法往往难以适应反应堆运行过程中的各种变化，无法根据实时的工况变化做出灵活的调整，导致能源利用率低、运行效率下降。因此，期待一种优化的蒸汽流量控制方法。
针对上述技术问题，本申请的技术构思为利用基于深度学习的人工智能技术对反应堆压力容器内的冷却剂温度数据和蒸汽循环回路的蒸汽流量数据分别进行时序特征提取，并基于冷却剂温度时序特征和蒸汽流量时序特征之间的时序关联特征来确定蒸汽流量的控制策略。这样，能够提高核反应堆的冷却效果，同时避免过热或过冷的情况发生，从而提高核反应堆的安全性。
图1为根据本申请实施例的核反应堆冷却系统的框图。图2为根据本申请实施例的核反应堆冷却系统的架构示意图。如图1和图2所示，根据本申请实施例的核反应堆冷却系统100，包括：冷却剂温度监控模块110，用于获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；蒸汽流量监控模块120，用于获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；时序关联编码模块130，用于提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；蒸汽流量控制策略生成模块140，用于基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略。
在上述核反应堆冷却系统100中，所述冷却剂温度监控模块110，用于获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值。应可以理解，在核反应堆冷却系统中，冷却剂温度是一个重要的参数，其直接反映了核反应堆的热状态和冷却效果。通过获取多个预定时间点的冷却剂温度值，可以分析冷却剂温度的变化趋势、周期性波动以及其他时序特征，从而获得关于冷却系统运行状态和性能的特征信息。
在上述核反应堆冷却系统100中，所述蒸汽流量监控模块120，用于获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值。在本申请的技术方案中，通过采集蒸汽循环回路中多个预定时间点的蒸汽流量值，可以用于分析蒸汽流量的变化趋势、周期性波动以及其他时序特征，从而获得有关蒸汽循环回路运行状态的信息。进而，将蒸汽流量数据和冷却剂温度数据进行关联分析，以评估蒸汽流量对冷却剂温度的影响，为后续的蒸汽流量控制提供依据。
在上述核反应堆冷却系统100中，所述时序关联编码模块130，用于提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵。应可以理解，核反应堆冷却系统中的冷却剂温度和蒸汽流量是相互关联的，冷却剂温度和蒸汽流量的变化会相互影响。通过提取时序关联特征，我们可以捕捉到它们之间的时序模式和趋势，为了理解二者之间的动态关联关系，并根据这种关联关系进行冷却控制，进一步提取冷却剂温度数据和蒸汽流量数据之间的时序关联特征，并通过分析冷却剂温度和蒸汽流量之间的时序关联特征来预测当前时间点下蒸汽流量的变化趋势，从而进行相应的冷却控制。
图3为根据本申请实施例的核反应堆冷却系统中时序关联编码模块的框图。如图3所示，所述时序关联编码模块130，包括：数据预处理单元131，用于对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量；时序特征提取单元132，用于利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量；关联关系构建单元133，用于构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵。
具体地，所述数据预处理单元131，用于对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量。在本申请的一个具体示例中，对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量的实施方式是将所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值分别按照时间维度排列为所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量。应可以理解，在核反应堆冷却系统中，冷却剂温度和蒸汽流量都是随时间变化的参数，二者的变化趋势和波动性对于冷却系统的运行和蒸汽流量参数控制具有重要影响。通过将多个预定时间点的冷却剂温度值和蒸汽流量值按照时间维度排列以形成时间序列数据，能够保留多个预定时间点的蒸汽流量数据和冷却剂温度数据之间的时序关系，便于提取数据在时间维度上的特征信息，如数据的变化趋势、周期性变化等，从而更好地理解和分析冷却剂温度和蒸汽流量之间的关联关系。
具体地，所述时序特征提取单元132，用于利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量。在本申请的一个具体示例中，所述深度学习网络模型为基于一维卷积层的时序特征提取器。也就是说，将所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量。应可以理解，一维卷积层是一种常用的神经网络层，常用于处理时序数据。在本申请的技术方案中，基于一维卷积层的时序特征提取器通过应用一维卷积核在不同时间步上以滑动窗口的方式对输入数据进行卷积处理，从而提取出所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量的时序特征表示，例如冷却剂温度和蒸汽流量的变化趋势、周期性变化、峰值等特征信息，以获取冷却剂温度和蒸汽流量的时序变化规律，进而为后续的蒸汽流量参数控制提供数据基础。具体地，所述基于一维卷积层的时序特征提取器包括输入层、一维卷积层、基于ReLU激活函数的激活层、池化层和输出层。其中，输入层用于接收所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量作为输入；一维卷积层用于使用一维卷积核在输入上进行滑动卷积操作来提取数据的时序特征；ReLU激活函数用于引入非线性特性；池化层用于减少特征图的尺寸，提取更显著的特征；输出层用于输出所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量。
具体地，所述关联关系构建单元133，用于构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵。在本申请的一个具体示例中，构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵的实施方式是计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵。应可以理解，样本协方差矩阵是一种衡量两个变量之间的线性关系的统计量，用于反映变量之间的线性关系和变动趋势。在本申请的技术方案中，所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量被视为两个随机变量。通过计算冷却剂温度时序特征向量和蒸汽流量时序特征向量之间的样本协方差矩阵，可以获得冷却剂温度和蒸汽流量之间的关联特征，包括关联方向、关联强度、关联时延等信息，进而为后续的分类器提供有关蒸汽流量调控的决策依据。
在一个具体示例中，所述关联关系构建单元133，用于：以如下样本协方差计算公式计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；其中，所述样本协方差计算公式为：
其中，为所述冷却剂温度时序特征向量，/>为所述蒸汽流量时序特征向量，/>表示向量的转置，/>为所述冷却剂温度-蒸汽流量时序关联特征矩阵。
在上述核反应堆冷却系统中，在上述核反应堆冷却系统100中，所述蒸汽流量控制策略生成模块140，用于基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略。在本申请的技术方案中，所述冷却剂温度-蒸汽流量时序关联特征矩阵包含了冷却剂温度和蒸汽流量之间的关联特征，进一步利用机器学习模型对这种关联特征分析和学习，可以了解到不同的冷却剂温度对应着不同的蒸汽流量需求，进而制定相应的蒸汽流量控制策略，以实现对冷却系统的自动调节。例如，当冷却剂温度过高时，表示核反应堆过热，此时需要增加蒸汽流量来提高冷却效果，防止温度继续升高，以保持反应堆的安全运行。
图4为根据本申请实施例的核反应堆冷却系统中蒸汽流量控制策略生成模块的框图。如图4所示，所述蒸汽流量控制策略生成模块140，包括：分类判断单元141，用于将所述冷却剂温度-蒸汽流量时序关联特征矩阵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蒸汽流量值应增大、应保持或应减小；蒸汽流量控制策略确定单元142，用于将所述分类结果作为所述蒸汽流量的控制策略。
具体地，所述分类判断单元141，用于将所述冷却剂温度-蒸汽流量时序关联特征矩阵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蒸汽流量值应增大、应保持或应减小。应可以理解，分类器模型可以学习到输入特征与输出标签之间的映射关系，并能够根据当前的输入特征预测出相应的输出标签。在本申请的技术方案中，通过建立分类器模型，利用分类器的分类映射能力来学习所述冷却剂温度-蒸汽流量时序关联特征矩阵中的关联关系，并根据这种关联关系来预测当前时间点的蒸汽流量值应该是增大、保持不变还是减小，以实现蒸汽流量控制的自动化决策。
具体地，所述蒸汽流量控制策略确定单元142，用于将所述分类结果作为所述蒸汽流量的控制策略。应可以理解，将所述分类结果作为所述蒸汽流量的控制策略，能够减少人为干预和操作的需求，并实现了对于蒸汽流量的实时控制，从而能够及时调整蒸汽流量，保持核反应堆的正常工作状态，同时提高冷却效果和能源利用效率。也就是说，基于分类结果来调整蒸汽流量，能够实现自动化、实时性、精准性的蒸汽流量控制，从而提高核反应堆的冷却控制效果。
应可以理解，在利用上述神经网络模型之前，需要对所述基于一维卷积层的时序特征提取器和所述分类器进行训练。也就是说，在本申请的核反应堆冷却系统中，还包括用于对所述基于一维卷积层的时序特征提取器和所述分类器进行训练的训练模块。
图5为根据本申请实施例的核反应堆冷却系统中训练模块的框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括由所述温度检测装置采集的预定时间段内多个预定时间点的训练冷却剂温度值、由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的训练蒸汽流量值，以及，当前时间点的蒸汽流量值应增大、应保持或应减小的真实值；训练数据时序排列单元220，用于将所述多个预定时间点的训练冷却剂温度值和所述多个预定时间点的训练蒸汽流量值分别按照时间维度排列为训练冷却剂温度时序输入向量和训练蒸汽流量时序输入向量；训练数据时序编码单元230，用于将所述训练冷却剂温度时序输入向量和所述训练蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练冷却剂温度时序特征向量和训练蒸汽流量时序特征向量；训练数据关联编码单元240，用于计算所述训练冷却剂温度时序特征向量和所述训练蒸汽流量时序特征向量之间的样本协方差矩阵以得到训练冷却剂温度-蒸汽流量时序关联特征矩阵；分类损失函数值计算单元250，用于将所述训练冷却剂温度-蒸汽流量时序关联特征矩阵通过分类器以得到分类损失函数值；训练优化单元260，用于以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练冷却剂温度-蒸汽流量时序关联特征矩阵展开后得到的训练冷却剂温度-蒸汽流量时序关联特征向量进行训练优化。
在上述技术方案中，所述训练冷却剂温度时序特征向量和所述训练蒸汽流量时序特征向量分别用于表示训练冷却剂温度值和训练蒸汽流量值的基于一维卷积核尺度的上下文时序关联特征。进一步地，通过计算所述训练冷却剂温度时序特征向量和所述训练蒸汽流量时序特征向量之间的样本协方差矩阵，能够以所述训练蒸汽流量时序特征向量的时序关联特征表达为参考，来将所述训练冷却剂温度时序特征向量映射到所述训练蒸汽流量时序特征向量的方向上，以避免产生过多的噪声，以此来提高冷却剂温度和蒸汽流量在时序空间的关联表达的鲁棒性和精准度。但是，考虑到冷却剂温度的时序分布和蒸汽流量值的时序分布在源时域空间存在分布差异，而经过特征编码和向量映射后，源时域空间的分布差异会被部分保留甚至放大，这使得所述训练冷却剂温度-蒸汽流量时序关联特征矩阵的具有整体特征分布的较为显著的不一致和不稳定，从而影响所述训练冷却剂温度-蒸汽流量时序关联特征矩阵通过分类器进行分类训练的稳定性。
基于此，在本申请的技术方案中，在将所述训练冷却剂温度-蒸汽流量时序关联特征矩阵展开后得到的训练冷却剂温度-蒸汽流量时序关联特征向量通过分类器进行分类训练时，在每次迭代时以如下优化公式对所述训练冷却剂温度-蒸汽流量时序关联特征向量进行训练优化，其中，所述优化公式为：
是所述训练冷却剂温度-蒸汽流量时序关联特征向量/>的特征值，/>和分别是所述训练冷却剂温度-蒸汽流量时序关联特征向量/>的1范数和2范数，/>是所述训练冷却剂温度-蒸汽流量时序关联特征向量/>的长度，且/>是与/>相关的权重超参数，表示指数函数运算，/>是优化后训练冷却剂温度-蒸汽流量时序关联特征向量的特征值。
这里，通过所述训练冷却剂温度-蒸汽流量时序关联特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示，来使得所述训练冷却剂温度-蒸汽流量时序关联特征向量/>的全局特征分布对于局部模式变化具有一定重复性，以在所述训练冷却剂温度-蒸汽流量时序关联特征向量/>通过分类器进行分类时，对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性，提升分类训练的稳定性。
综上，根据本申请实施例的核反应堆冷却系统被阐明，其利用基于深度学习的人工智能技术对反应堆压力容器内的冷却剂温度数据和蒸汽循环回路的蒸汽流量数据分别进行时序特征提取，并基于冷却剂温度时序特征和蒸汽流量时序特征之间的时序关联特征来确定蒸汽流量的控制策略。这样，能够提高核反应堆的冷却效果，同时避免过热或过冷的情况发生，从而提高核反应堆的安全性。
图6为根据本申请实施例的核反应堆的冷却控制方法的流程图。如图6所示，根据本申请实施例的核反应堆的冷却控制方法，包括步骤：S110，获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；S120，获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；S130，提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；S140，基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略。
这里，本领域技术人员可以理解，上述核反应堆的冷却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5的核反应堆冷却控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (3)
1.一种核反应堆冷却系统，包括：冷却剂循环回路，用于将冷却剂从反应堆压力容器中输送到蒸汽发生器，并将所述冷却剂从所述蒸汽发生器输送回所述反应堆压力容器；蒸汽循环回路，用于将蒸汽从所述蒸汽发生器输送到涡轮机，并将凝水从所述涡轮机输送回所述蒸汽发生器；冷却剂流量控制装置，用于调节所述冷却剂循环回路中的所述冷却剂的流量；温度检测装置，用于检测所述反应堆压力容器内的所述冷却剂的温度；温度控制装置，用于调节所述蒸汽循环回路中的所述蒸汽的流量，其特征在于，所述温度控制装置，包括：
冷却剂温度监控模块，用于获取由所述温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；
蒸汽流量监控模块，用于获取由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；
时序关联编码模块，用于提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；
蒸汽流量控制策略生成模块，用于基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略；
其中，所述时序关联编码模块，包括：
数据预处理单元，用于对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量；
时序特征提取单元，用于利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量；
关联关系构建单元，用于构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，所述数据预处理单元，用于：
将所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值分别按照时间维度排列为所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量；
其中，所述深度学习网络模型为基于一维卷积层的时序特征提取器；其中，所述基于一维卷积层的时序特征提取器包括输入层、一维卷积层、基于ReLU激活函数的激活层、池化层和输出层；
其中，所述时序特征提取单元，用于：
将所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量；
其中，所述关联关系构建单元，用于：
计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，所述关联关系构建单元，用于：以如下样本协方差计算公式计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，所述样本协方差计算公式为：
其中，为所述冷却剂温度时序特征向量，/>为所述蒸汽流量时序特征向量，/>表示向量的转置，/>为所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，所述蒸汽流量控制策略生成模块，包括：
分类判断单元，用于将所述冷却剂温度-蒸汽流量时序关联特征矩阵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蒸汽流量值应增大、应保持或应减小；
蒸汽流量控制策略确定单元，用于将所述分类结果作为所述蒸汽流量的控制策略。
2.根据权利要求1所述的核反应堆冷却系统，其特征在于，还包括用于对所述基于一维卷积层的时序特征提取器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括由所述温度检测装置采集的预定时间段内多个预定时间点的训练冷却剂温度值、由部署于所述蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的训练蒸汽流量值，以及，当前时间点的蒸汽流量值应增大、应保持或应减小的真实值；
训练数据时序排列单元，用于将所述多个预定时间点的训练冷却剂温度值和所述多个预定时间点的训练蒸汽流量值分别按照时间维度排列为训练冷却剂温度时序输入向量和训练蒸汽流量时序输入向量；
训练数据时序编码单元，用于将所述训练冷却剂温度时序输入向量和所述训练蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练冷却剂温度时序特征向量和训练蒸汽流量时序特征向量；
训练数据关联编码单元，用于计算所述训练冷却剂温度时序特征向量和所述训练蒸汽流量时序特征向量之间的样本协方差矩阵以得到训练冷却剂温度-蒸汽流量时序关联特征矩阵；
分类损失函数值计算单元，用于将所述训练冷却剂温度-蒸汽流量时序关联特征矩阵通过分类器以得到分类损失函数值；
训练优化单元，用于以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练冷却剂温度-蒸汽流量时序关联特征矩阵展开后得到的训练冷却剂温度-蒸汽流量时序关联特征向量进行训练优化。
3.一种核反应堆的冷却控制方法，其特征在于，包括：
获取由温度检测装置采集的预定时间段内多个预定时间点的冷却剂温度值；
获取由部署于蒸汽循环回路的流量计采集的所述预定时间段内多个预定时间点的蒸汽流量值；
提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵；
基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略；
其中，提取所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值之间的时序关联特征以得到冷却剂温度-蒸汽流量时序关联特征矩阵，包括：
对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量；
利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量；
构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，对所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值进行数据预处理以得到冷却剂温度时序输入向量和蒸汽流量时序输入向量，包括：
将所述多个预定时间点的冷却剂温度值和所述多个预定时间点的蒸汽流量值分别按照时间维度排列为所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量；
其中，所述深度学习网络模型为基于一维卷积层的时序特征提取器；其中，所述基于一维卷积层的时序特征提取器包括输入层、一维卷积层、基于ReLU激活函数的激活层、池化层和输出层；
其中，所述利用深度学习网络模型对所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量进行时序特征提取以得到冷却剂温度时序特征向量和蒸汽流量时序特征向量，包括：
将所述冷却剂温度时序输入向量和所述蒸汽流量时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量；
其中，构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵，包括：
计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，构建所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的关联关系以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵，包括：以如下样本协方差计算公式计算所述冷却剂温度时序特征向量和所述蒸汽流量时序特征向量之间的样本协方差矩阵以得到所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，所述样本协方差计算公式为：
其中，为所述冷却剂温度时序特征向量，/>为所述蒸汽流量时序特征向量，/>表示向量的转置，/>为所述冷却剂温度-蒸汽流量时序关联特征矩阵；
其中，基于所述冷却剂温度-蒸汽流量时序关联特征矩阵，确定蒸汽流量的控制策略，包括：
将所述冷却剂温度-蒸汽流量时序关联特征矩阵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蒸汽流量值应增大、应保持或应减小；
将所述分类结果作为所述蒸汽流量的控制策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039606.XA CN117558472B (zh) | 2024-01-11 | 2024-01-11 | 核反应堆冷却系统及其冷却控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039606.XA CN117558472B (zh) | 2024-01-11 | 2024-01-11 | 核反应堆冷却系统及其冷却控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117558472A CN117558472A (zh) | 2024-02-13 |
| CN117558472B true CN117558472B (zh) | 2024-03-15 |
Family
ID=89815091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410039606.XA Active CN117558472B (zh) | 2024-01-11 | 2024-01-11 | 核反应堆冷却系统及其冷却控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117558472B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
| CN118224112A (zh) * | 2024-02-28 | 2024-06-21 | 宁波瑞能智慧科技股份有限公司 | 基于物联网技术的智能电风扇控制系统及方法 |
| CN117964029B (zh) * | 2024-03-28 | 2024-06-14 | 内蒙古莱科作物保护有限公司 | 基于溴虫腈生产中产生的废液制备对氯苯甘氨酸的方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4738818A (en) * | 1986-09-29 | 1988-04-19 | Westinghouse Electric Corp. | Feedwater control in a PWR following reactor trip |
| EP0295629A1 (en) * | 1987-06-15 | 1988-12-21 | International Fuel Cells Corporation | Fuel cell stack cooling system |
| CN102099869A (zh) * | 2008-08-12 | 2011-06-15 | 三菱重工业株式会社 | 原子能设备的运转方法 |
| KR101651893B1 (ko) * | 2015-04-13 | 2016-08-29 | 한전원자력연료 주식회사 | 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통 |
| JP2017227446A (ja) * | 2016-06-20 | 2017-12-28 | 株式会社東芝 | 加圧水型原子力発電プラントの化学除染方法 |
| CN107784156A (zh) * | 2017-09-07 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 核动力装置蒸汽排放系统参数的计算方法 |
| JP2021039024A (ja) * | 2019-09-04 | 2021-03-11 | 原子燃料工業株式会社 | 炉心計算方法、炉心計算プログラムおよび炉心計算装置 |
| CN113077915A (zh) * | 2021-03-26 | 2021-07-06 | 重庆大学 | 棒位探测器以及控制棒位移测量方法 |
| CN113393025A (zh) * | 2021-06-07 | 2021-09-14 | 浙江大学 | 一种基于Informer模型编码结构的非侵入式负荷分解方法 |
| CN114462336A (zh) * | 2022-04-11 | 2022-05-10 | 四川大学 | 一种核反应堆主管道冷却剂平均温度计算方法 |
| WO2022106506A1 (fr) * | 2020-11-19 | 2022-05-27 | Framatome | Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés |
| CN116304819A (zh) * | 2023-03-15 | 2023-06-23 | 四川大学 | 一种基于LeNet-5算法的核反应堆运行工况判断方法 |
| CN117308077A (zh) * | 2023-10-17 | 2023-12-29 | 浙江嘉诚动能科技股份有限公司 | 一种反应堆核电机组蒸发器给水控制系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10217536B2 (en) * | 2005-03-31 | 2019-02-26 | U.S. Department Of Energy | System for the highly autonomous operation of a modular liquid-metal reactor with steam cycle |
| US20220090948A1 (en) * | 2020-09-22 | 2022-03-24 | Westinghouse Electric Company Llc | Two and three-dimensional model based correction of elbow tap flow measurement |
-
2024
- 2024-01-11 CN CN202410039606.XA patent/CN117558472B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4738818A (en) * | 1986-09-29 | 1988-04-19 | Westinghouse Electric Corp. | Feedwater control in a PWR following reactor trip |
| EP0295629A1 (en) * | 1987-06-15 | 1988-12-21 | International Fuel Cells Corporation | Fuel cell stack cooling system |
| CN102099869A (zh) * | 2008-08-12 | 2011-06-15 | 三菱重工业株式会社 | 原子能设备的运转方法 |
| KR101651893B1 (ko) * | 2015-04-13 | 2016-08-29 | 한전원자력연료 주식회사 | 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통 |
| JP2017227446A (ja) * | 2016-06-20 | 2017-12-28 | 株式会社東芝 | 加圧水型原子力発電プラントの化学除染方法 |
| CN107784156A (zh) * | 2017-09-07 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 核动力装置蒸汽排放系统参数的计算方法 |
| JP2021039024A (ja) * | 2019-09-04 | 2021-03-11 | 原子燃料工業株式会社 | 炉心計算方法、炉心計算プログラムおよび炉心計算装置 |
| WO2022106506A1 (fr) * | 2020-11-19 | 2022-05-27 | Framatome | Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés |
| CN113077915A (zh) * | 2021-03-26 | 2021-07-06 | 重庆大学 | 棒位探测器以及控制棒位移测量方法 |
| CN113393025A (zh) * | 2021-06-07 | 2021-09-14 | 浙江大学 | 一种基于Informer模型编码结构的非侵入式负荷分解方法 |
| CN114462336A (zh) * | 2022-04-11 | 2022-05-10 | 四川大学 | 一种核反应堆主管道冷却剂平均温度计算方法 |
| CN116304819A (zh) * | 2023-03-15 | 2023-06-23 | 四川大学 | 一种基于LeNet-5算法的核反应堆运行工况判断方法 |
| CN117308077A (zh) * | 2023-10-17 | 2023-12-29 | 浙江嘉诚动能科技股份有限公司 | 一种反应堆核电机组蒸发器给水控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 反应堆冷却剂流量控制研究;晏玉坤 等;机械工程与自动化;20160630(第03期);第147-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117558472A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117558472B (zh) | 核反应堆冷却系统及其冷却控制方法 | |
| CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 | |
| Jin et al. | Anomaly detection in nuclear power plants via symbolic dynamic filtering | |
| CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
| Yoo et al. | Identification of LOCA and estimation of its break size by multiconnected support vector machines | |
| CN103246279A (zh) | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 | |
| CN115600140A (zh) | 基于多源数据融合的风机变桨系统故障识别方法及其系统 | |
| CN118013361B (zh) | 铁路上供电设备智能诊断与评估系统 | |
| CN117968088B (zh) | 用于天然气发电装置的烟气余热回收控制系统及方法 | |
| CN111914886B (zh) | 一种基于在线简略核学习的非线性化工过程监测方法 | |
| CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
| Abdullah et al. | Performance Improvement in Steam Turbine in Thermal Power Plants Using Artificial Neural Network. | |
| Xin et al. | Fault diagnosis of nuclear power plant based on simplified signed directed graph with principal component analysis and support vector machine | |
| CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
| CN106782703A (zh) | 一种核电站一回路冷却剂泄漏的软测量方法 | |
| Abharian et al. | Power probability density function control and performance assessment of a nuclear research reactor | |
| CN117498262B (zh) | 一种高压直流电子负载开关保护电路 | |
| Tang et al. | A Gramian Angular Field Transform-Based Higher-Dimension Data-Driven Method for Post-Fault Short-Term Voltage Stability Assessment | |
| CN116907214B (zh) | 环保日用陶瓷的制备工艺及其系统 | |
| KR102520255B1 (ko) | 태양광 발전량 예측 시스템 및 방법 | |
| CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
| CN117826583B (zh) | 回馈式可编程交流电源 | |
| CN113078638B (zh) | 一种基于模糊模型的火电机组agc性能指标计算方法及系统 | |
| CN118380693B (zh) | 基于多维数据的电池组热管理智能监管系统 | |
| CN117636001A (zh) | 核电二回路系统在线故障诊断监测方法及监测系统 |
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 |