TWI834275B - 訓練核電廠神經網路以判定控制系統設定之方法 - Google Patents

訓練核電廠神經網路以判定控制系統設定之方法 Download PDF

Info

Publication number
TWI834275B
TWI834275B TW111133245A TW111133245A TWI834275B TW I834275 B TWI834275 B TW I834275B TW 111133245 A TW111133245 A TW 111133245A TW 111133245 A TW111133245 A TW 111133245A TW I834275 B TWI834275 B TW I834275B
Authority
TW
Taiwan
Prior art keywords
neural network
control system
nuclear power
power plant
simulated
Prior art date
Application number
TW111133245A
Other languages
English (en)
Other versions
TW202305835A (zh
Inventor
萊恩 Ｊ 哈佛
Original Assignee
美商西屋電器公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 美商西屋電器公司 filed Critical 美商西屋電器公司
Publication of TW202305835A publication Critical patent/TW202305835A/zh
Application granted granted Critical
Publication of TWI834275B publication Critical patent/TWI834275B/zh

Links

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G21D3/002—Core design; core simulations; core optimisation
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/08—Regulation of any parameters in the plant
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

一種控制一核電廠之方法包含：自該核電廠之一或多個感測器獲得感測器資料；將該感測器資料及一所要廠回應提供至一神經網路，其中該神經網路先前已使用一經模擬核電廠來訓練且經結構化以判定至少一個控制系統設定以達成該所要廠回應；利用該神經網路判定至少一個控制系統設定以達成該所要廠回應；及將該核電廠之一控制系統之至少一個控制系統設定設定或改變為由該神經網路判定之該至少一個控制系統設定。

Description

訓練核電廠神經網路以判定控制系統設定之方法
所揭示概念大體上係關於核能控制系統，且更特定而言，係關於利用一神經網路來產生一核能控制系統之設定。所揭示概念亦係關於訓練與一核能控制系統一起使用之一神經網路。
核電廠包含眾多組件及感測器。例如，核電廠包含用於直接量測數個軸向高度處之芯內放射性之芯內感測器。熱電偶感測器亦圍繞該芯定位於其中冷卻劑離開該芯之一高度處之各個點處以在各個徑向位置處提供冷卻劑出口溫度之一直接量測。此等感測器用來直接量測反應器芯內部之徑向及軸向電力分佈。此電力分佈量測資訊用於判定反應器是否在核電分佈極限內操作。用來執行此功能之典型芯內感測器係一自供電偵測器，其產生與圍繞其發生之裂變之量成比例之一電流。此類型之感測器通常圍繞該芯安置於各種燃料總成內之一儀器套管內，不需要一外部電力源來產生該電流，通常被稱為自供電偵測器。核電廠包含能夠量測核電廠之各種流量、溫度、壓力、閥位置及其他特性之各種感測器。
核電廠亦包含可控制之各種組件，諸如閥及泵。例如，閥可在各個位置之間移動以允許或停止核能反應器系統之各個組件之間的水 或其他流體之流量。類似地，泵可為可控制的以增加或減少核能反應器系統之各個組件之間的水或其他流體之流量。核能反應器系統亦包含各種其他可控制組件。
核電廠亦包含用於控制各種可控制組件之一控制系統。該控制系統具有各種設定，諸如用以將特定閥放置於特定位置中、以特定位準控制特定泵或以各種方式控制各種其他組件之設定。藉由控制各種組件，可控制核能反應器系統之電力輸出。
圖1係一核電廠10之一簡化示意圖。核電廠10包含一控制系統12、感測器14及組件16。控制系統12接收感測器14之輸出且繼而基於感測器14之輸出而控制組件16。
例如，在壓水反應器(PWR)中，壓水在反應器芯中被加熱且接著流動至一蒸汽產生器(SG)，其中產生蒸汽以轉動渦輪機以旋轉一發電機來發電。一個特定關注項係SG位準，此係因為其負責大量廠事件。基於核能反應器系統內之感測器之輸出，控制系統可控制各種組件以調節SG位準。然而，控制系統無法完美地控制SG位準。例如，舉例而言諸如泵之部件之效能之劣化可導致泵之性能達不到其所欲設定。即，控制系統可控制泵以在一指定位準下操作，但歸因於泵之劣化，泵實際上將在一較低位準下操作。另外，核能反應器系統中之瞬態(諸如泵離線或其他事件)可能使得難以設計控制系統設定以達成所要SG位準。
歸因於控制系統設定無法始終提供所要回應之顧慮，即使在控制系統無法提供所要回應時，亦必須採用安全容限及安全功能來確保安全操作。安全容限通常導致核能反應器系統低於最大功率操作或剛好在其達到一臨界位準之前跳閘。
核電廠之控制系統仍存在改良空間。
所揭示概念提供一種藉由採用經訓練以判定至少一個控制設定以達成一所要廠回應之一神經網路來控制一核電廠之改良式方法。
在一項實施例中，一種控制一核電廠之方法包括：自該核電廠之一或多個感測器獲得感測器資料；將該感測器資料及一所要廠回應提供至一神經網路，其中該神經網路先前已使用一經模擬核電廠來訓練且經結構化以判定至少一個控制系統設定以達成該所要廠回應；利用該神經網路判定至少一個控制系統設定以達成該所要廠回應；及將該核電廠之一控制系統之至少一個控制系統設定設定或改變為由該神經網路判定之該至少一個控制系統設定。
在一項實施例中，一種訓練一神經網路以判定一核電廠之至少一個控制系統設定之方法包括：提供該核電廠之一模擬；藉由將複數個控制系統設定及核電廠參數輸入至該核電廠之該模擬中且自該核電廠之該模擬獲得經模擬感測器資料及一經模擬廠回應來產生訓練及測試資料；及使用該訓練及測試資料產生一經訓練神經網路，其經訓練以基於該核電廠之一所要廠回應而判定該核電廠之該至少一個控制系統設定。
在一項實施例中，一種核電廠包括：複數個感測器，其等經結構化以產生感測器資料；複數個組件；一控制系統，其具有複數個控制系統設定且經結構化以基於該等控制系統設定而控制該複數個組件之一部分；及一神經網路，其經結構化以接收該感測器資料及一所要廠回應，其中該神經網路先前已使用一經模擬核電廠來訓練且經結構化以判定至少一個控制系統設定以達成該所要廠回應。
其中該控制系統經結構化以將該複數個控制系統設定之一或多者設定或改變為由該神經網路判定之該至少一個控制系統設定。
10:核電廠
12:控制系統
14:感測器
16:組件
100:神經網路訓練系統
102:核能廠模擬/核電廠模擬
104:神經網路訓練模組
106:神經網路測試模組
110:步驟
112:步驟
114:步驟
116:步驟
118:步驟
200:經訓練神經網路
300:神經網路驗證系統
302:經模擬核電廠控制系統
310:步驟
312:步驟
314:步驟
316:步驟
318:步驟
400:核電廠
400':核電廠
402:核電廠控制系統
402':核電廠控制系統
404:感測器
406:組件
410:步驟
412:步驟
414:步驟
416:步驟
418:步驟
420:步驟
當結合隨附圖式閱讀時，可自較佳實施例之以下描述獲得對本發明之一進一步理解，在隨附圖式中：圖1係一核電廠10之一簡化示意圖；圖2係根據所揭示概念之一實例實施例之一神經網路訓練系統之一示意圖；圖3係根據所揭示概念之一實例實施例之訓練一神經網路之一方法之一流程圖；圖4係根據所揭示概念之一實例實施例之一神經網路驗證系統之一示意圖；圖5係根據所揭示概念之一實例實施例之驗證一神經網路之一方法之一流程圖；圖6係根據所揭示概念之一實例實施例之使用一神經網路之一核電廠之一示意圖；圖7係根據所揭示概念之一實例實施例之使用一神經網路判定一核電廠之至少一個控制系統設定之一方法之流程圖；及圖8係根據所揭示概念之一實例實施例之使用一神經網路之一核電廠之一示意圖。
相關申請案之交叉參考
本申請案主張2019年9月9日申請之標題為「NUCLEAR CONTROL SYSTEM WITH NEURAL NETWORK」之16/564,387之權益，該案之內容以引用方式併入本文中。
如本文中所使用，除非內容脈絡另有規定，否則單數形式「一」、「一個」及「該」包含複數指涉物。
如本文中所使用，兩個或更多個部件或組件經「耦合」之陳述應意謂著該等部件直接或間接(即，透過一或多個中間部件或組件)接合或一起操作，只要一鏈接發生即可。
如本文中所使用，術語「數目」應意謂1或大於1之一整數(即，複數)。
如本文中所採用，術語「處理器」應意謂可儲存、擷取及處理資料之一可程式化類比及/或數位器件；一控制器；一控制電路；一電腦；一工作站；一個人電腦；一微處理器；一微控制器；一微電腦；一中央處理單元；一主機電腦；一迷你電腦；一伺服器；一網路處理器；或任何合適處理器件或裝置。
出於說明目的，現在將結合眾多具體細節而描述所揭示概念以便提供對本發明之一透徹理解。然而，將顯而易見的是，在不脫離本發明之精神及範疇之情況下，可在沒有此等具體細節之情況下實踐所揭示概念。
所揭示概念係關於使用一神經網路改良核電廠之控制系統。在一些實例實施例中，在一經模擬離線環境中訓練及測試一神經網路以判定一核電廠控制系統之至少一個控制設定以便達成一所要廠回應。亦可在一經模擬離線環境中驗證神經網路。在所揭示概念之一些實例實施例中，在一線上環境(即，一操作中之核電廠)中實施神經網路以判定核電廠 之控制系統之至少一個控制系統設定以便達成所要廠回應。
部分歸因於法規，核電廠尚未使用機器學習技術，諸如神經網路。例如，核電廠之控制系統需要係確定性的。即，廠經營者需要知道及理解控制系統將如何回應於各種狀況而表現。
所揭示概念之一些實例實施例提供一神經網路，該神經網路能夠判定一核電廠之至少一個控制系統設定以便在面對核電廠內之各種狀況時提供一所要廠回應(例如，一蒸汽產生器位準等)。在一些實例實施例中，所要廠回應可為一蒸汽產生器位準、一增壓器位準、一增壓器壓力、與反應器控制相關之各種參數、與棒控制相關之各種參數、與蒸汽傾洩控制相關之各種參數及/或與廠系統平衡相關聯之各種其他參數。例如，瞬態事件、劣化的組件及其他因素可能影響核電廠之回應。在所揭示概念之一些實例實施例中，訓練神經網路以提供在面對此等因素仍將導致所要廠回應之至少一個控制系統設定。本文中將描述訓練、測試、驗證及實施一神經網路以判定一核電廠之至少一個控制設定以達成一所要廠回應之一些實例實施例。
圖2係根據所揭示概念之一實例實施例之一神經網路訓練系統100之一示意圖。神經網路訓練系統100可例如在諸如一電腦系統之一處理系統或包含一處理器及一記憶體之其他此系統上實施。該處理器可為例如但不限於與該記憶體介接之一微處理器、一微控制器或一些其他合適處理器件或電路。該記憶體可為多種類型之內部及/或外部儲存媒體之一或多者之任一者，諸如但不限於提供一儲存暫存器之RAM、ROM、(若干)EPROM、(若干)EEPROM、FLASH及類似物，即，用於諸如以一電腦之一內部儲存區域之方式進行資料儲存之一機器可讀媒體，且可為揮發 性記憶體或非揮發性記憶體。該記憶體可儲存可由該處理器執行之一或多個常式。
神經網路訓練系統100包含一核能廠模擬102、一神經網路訓練模組104及一神經網路測試模組106。核能廠模擬102可為經結構化以模擬一實際核電廠之特性之一核電廠之一經模擬模型。在所揭示概念之一些實例實施例中，核能廠模擬102可為由西屋電氣公司開發之一燃燒工程瞬態模擬(CENTS)。然而，將明白，在不脫離所揭示概念之範疇之情況下，可採用其他核能廠模擬。在核能廠模擬102中，可設定各種廠參數，諸如廠幾何形狀及組件容量。另外，可設定核電廠之各種控制系統設定。利用廠參數及控制系統設定，核能廠模擬102模擬一核電廠之行為。自核能廠模擬102，可觀察一核電廠之經模擬回應，諸如來自核電廠中之感測器之各種資料。
在神經網路訓練系統100中，核能廠模擬102用來分別產生神經網路訓練模組104及神經網路測試模組104之測試及訓練資料。藉由利用具有可變廠參數及控制系統設定之核能廠模擬102運行眾多(例如，數千次)模擬來產生訓練及測試資料。可更改廠參數以模擬組件劣化、結垢或疲勞。例如，在模擬中可更改泵容量或閥流量係數以模擬一核電廠中之泵及閥之劣化、結垢或疲勞。亦可更改控制系統設定。例如，可藉由基於具有約為一標稱值之一均值及一標準偏差之一常態分佈、基於工程判斷隨機地設定廠參數及控制系統設定來產生模擬之廠參數及控制系統設定。上限及下限亦可置於各參數或設定上。經更改之廠參數及控制系統設定可基於其等對一所關注廠回應特性之影響來選擇。例如，若所關注廠回應特性在蒸汽產生器位準，則可在模擬中更改對蒸汽產生器位準具有一較高影響 之廠參數及控制系統設定。
模擬產生將在一核電廠中可用之感測器資料，舉例而言諸如但不限於流量、溫度、壓力及閥位置。感測器資料對應於特定模擬之廠參數及控制系統設定。模擬亦可產生一經模擬廠回應(例如，基於模擬之廠參數及控制系統設定之蒸汽產生器位準)。控制系統設定以及其等對應經模擬感測器資料及廠回應可用作神經網路訓練模組104之測試及訓練資料。在一些實例實施例中，經模擬感測器資料及廠回應之一選定集可被包含於測試及培訓資料而非全部可用的經模擬感測器資料及廠回應中。以此方式，可選擇所關注資料以改良對神經網路之訓練以標定一所關注廠回應。藉由使用核能廠模擬102，可模擬多種狀況或瞬態以產生測試及訓練資料。此資料亦可在一實際核電廠中產生。然而，使核電廠經受數個狀況或瞬態以便產生測試及訓練資料係不安全或不明智的。
核能廠模擬102之輸出可被劃分成訓練資料及測試資料。訓練資料可用來訓練神經網路且測試資料可用來測試神經網路。訓練資料經提供至神經網路訓練模組104且測試資料經提供至神經網路測試模組106。在一些實例實施例中，經模擬感測器資料、經模擬廠回應及一些控制系統設定被用作神經網路訓練之輸入特徵且該等控制系統設定之一或多者被用作神經網路訓練之輸出標記。在一些實例實施例中，該等控制系統設定之僅一者被用作神經網路訓練之輸出標記。
神經網路訓練模組104經結構化以訓練神經網路以基於感測器資料及其他控制系統設定而判定對應於一所要廠回應之至少一個控制系統設定。例如，在一些實施例中，神經網路訓練模組104經結構化以訓練神經網路以基於當前感測器資料及其他控制系統設定而判定至少一個控 制系統設定以達成所要蒸汽產生器位準。以此方式，當存在組件劣化或影響核電廠之其他因素時，神經網路將能夠判定至少一個控制系統設定以達成所要廠回應。組件劣化或其他因素是否已具體地識別係無關緊要的。神經網路仍將能夠判定該控制設定以達成所要廠回應。
神經網路訓練模組104可採用訓練一神經網路之任何合適方法。一般技術者將明白，在不脫離所揭示概念之範疇之情況下，可選擇及更改訓練之細節。例如，可透過例行測試及分析判定一所關注之特定廠回應特性(例如，一蒸汽產生器位準)之訓練之細節。類似地，可透過例行測試及分析判定另一所關注之特定廠回應特性之訓練之細節。
神經網路測試模組106經結構化以使用測試資料測試神經網路。神經網路測試模組106亦自神經網路訓練模組104接收神經網路。神經網路測試模組106經結構化以測試由神經網路訓練模組104訓練之神經網路之準確性。例如，神經網路測試模組106可將經模擬感測器資料、廠回應及一些控制系統設定輸入至正在訓練之神經網路中且判定其是否輸出對應於彼模擬之剩餘控制系統設定。以此方式，可判定神經網路之準確性。例如，神經網路之準確性愈高，神經網路能夠愈接近且愈一致地預測剩餘控制系統設定。在一些實例實施例中，當神經網路已達到一準確性臨限位準時，可將神經網路輸出為經訓練神經網路200。在不脫離所揭示概念之範疇之情況下，可基於特定應用而判定準確性臨限位準。在一些實例實施例中，當準確性之變化下降至一變化臨限位準以下時，可將神經網路輸出為經訓練神經網路200。例如，可在各訓練時期之後測試神經網路之準確性。若在下一訓練時期之後神經網路之準確性趨於平穩且改良不超過一臨限位準，則可指示已達到神經網路之最大準確性且可將神經網路作為 經訓練神經網路200輸出。在不脫離所揭示概念之範疇之情況下，可以任何合適比例劃分訓練資料及測試資料。
圖3係根據所揭示概念之一實例實施例之訓練一神經網路之一方法之一流程圖。例如，圖3之方法可在圖2之神經網路訓練系統100中實施。該方法在110處以提供一核電廠之一模擬開始。在一些實例實施例中，該模擬可相同或類似於相對於圖2所描述之核能廠模擬102。該方法在112處繼續產生訓練及測試資料。訓練及測試資料可以相同或類似於相對於圖2所描述之方式產生。
在114處，訓練神經網路以判定至少一個控制系統設定以達成一所要核電廠回應。神經網路可以相同或類似於相對於圖2所描述之方式訓練。在116處，測試神經網路。神經網路可以相同或類似於相對於圖2所描述之方式測試。在一些實施例中，一旦神經網路已達到一準確性臨限位準，便可在118處輸出經訓練神經網路。在一些實施例中，當神經網路之準確性之變化下降至一臨限位準以下時，可在118處輸出經訓練神經網路。經訓練神經網路可相同或類似於相對於圖2所描述之經訓練神經網路200。訓練經訓練神經網路以判定至少一個控制系統設定以達成所要核電廠回應。在一些實例實施例中，經訓練神經網路經結構化以接收感測器資料、一些控制系統設定及一所要核電廠回應(例如但不限於一蒸汽產生器位準)且輸出剩餘一或多個控制系統設定以達成所要核電廠回應。
圖4係根據所揭示概念之一實例實施例之一神經網路驗證系統300之一示意圖。神經網路驗證系統300可例如在諸如一電腦系統之一處理系統或包含一處理器及一記憶體之其他此系統上實施。該處理器可為例如但不限於與該記憶體介接之一微處理器、一微控制器或一些其他合 適處理器件或電路。該記憶體可為多種類型之內部及/或外部儲存媒體之一或多者之任一者，諸如但不限於提供一儲存暫存器之RAM、ROM、(若干)EPROM、(若干)EEPROM、FLASH及類似物，即，用於諸如以一電腦之一內部儲存區域之方式進行資料儲存之一機器可讀媒體，且可為揮發性記憶體或非揮發性記憶體。該記憶體可儲存可由該處理器執行之一或多個常式。在一些實例實施例中，神經網路驗證系統300可體現於相同於神經網路訓練系統300之處理系統中。
神經網路驗證系統300提供經訓練神經網路200之一額外驗證位準。神經網路驗證系統300包含經訓練神經網路200及一經模擬核電廠控制系統302。將經模擬感測器資料及一所要廠回應輸入至經訓練神經網路200中。亦可將一些控制系統設定輸入至經訓練神經網路200中。經訓練神經網路200將至少一個控制系統設定輸出至經模擬核電廠控制系統302以達成所要廠回應。
經模擬核電廠控制系統302模擬一核電廠之控制系統且經結構化以基於輸入至其中之控制系統設定而輸出一或多個控制信號。在神經網路驗證系統300中，經模擬核電廠控制系統302之控制系統設定可為手動設定的。可自經訓練神經網路200接收一或多個控制系統設定。經模擬核電廠控制系統302可將其控制系統設定之一或多者設定或改變為自經訓練神經網路200接收之彼等控制系統設定。
可觀察經模擬核電廠控制系統302之控制信號輸出以驗證經訓練神經網路200已提供可接受的控制系統設定。例如，可比較經模擬核電廠控制系統302之控制信號輸出與各種臨限位準以驗證控制信號將導致核電廠中之可接受狀況。在一些實例實施例中，可將經模擬核電廠控制 系統302之控制信號輸出輸入至一核電廠模擬，諸如相對於圖2所描述之核電廠模擬102。可比較核電廠模擬102之輸出與臨限位準以驗證由神經網路200輸出之控制系統設定係可接受的。神經網路驗證系統300提供一額外驗證位準以確保彼經訓練神經網路200將輸出可在一實際核電廠中實施之控制系統設定。
圖5係根據所揭示概念之一實例實施例之驗證一神經網路之一方法之一流程圖。圖5之方法可在例如圖4之神經網路驗證系統300中實施。該方法在310處將經模擬感測器資料提供至一經訓練神經網路且在312處將一所要廠回應提供至經訓練神經網路而開始。亦可將一些控制系統設定提供至經訓練神經網路。經訓練神經網路可相同或類似於先前所描述之經訓練神經網路200。該方法在314處以利用經訓練神經網路判定至少一個控制系統設定而繼續。可判定至少一個控制系統設定以達成所要廠回應。
在316處，將至少一個控制系統設定提供至一經模擬核電廠控制系統。經模擬核電廠控制系統可相同或類似於相對於圖4所描述之經模擬核電廠控制系統302。經模擬核電廠控制系統經結構化以基於其控制系統設定而輸出一控制信號且可將其控制系統設定之一或多者設定或修改為自經訓練神經網路接收之彼等控制系統設定。
該方法在318處繼續，其中驗證經訓練神經網路。可藉由比較經模擬核電廠控制系統之控制信號輸出與相同或類似於相對於圖4所描述之臨限位準來驗證經訓練神經網路。在一些實例實施例中，可將經模擬核電廠控制系統之控制信號輸出輸入至一核電廠模擬中且可藉由比較核電廠模擬之輸出與相同或類似於相對於圖4所描述之臨限位準來驗證神經 網路。
圖6係根據所揭示概念之一實例實施例之使用一經訓練神經網路200之一核電廠400之一示意圖。核電廠400可使用利用相對於圖2所描述之神經網路訓練系統100訓練之經訓練神經網路200。將明白，在不脫離所揭示概念之範疇之情況下，亦可採用利用另一系統訓練之一經訓練神經網路。先前已訓練經訓練神經網路200以基於諸如感測器資料及控制系統設定之輸入而輸出至少一個控制系統設定以達成所要廠回應。
核電廠400包含一核電廠控制系統402、感測器404及組件406。感測器404可包含在核電廠中常見之感測器，諸如能夠量測核電廠之各種流量、溫度、壓力、閥位置及其他特性之各種感測器。組件406可包含在核電廠中常見之各種可控制組件，諸如可控制之閥及泵。核電廠控制系統402經結構化以基於控制系統設定而控制可控制組件406。
經訓練神經網路200經結構化以接收可例如但不限於由一使用者或技術人員手動輸入之一所要廠回應(例如但不限於一蒸汽產生器位準)。經訓練神經網路200亦經結構化以自感測器404接收感測器資料。經訓練神經網路200亦可自核電廠控制系統402接收一或多個控制設定。基於其輸入，經訓練神經網路200經結構化以判定至少一個控制系統設定以達成所要廠回應且將至少一個控制系統設定提供至核電廠控制系統402。
核電廠控制系統402經結構化以將其控制系統設定之一或多者設定或改變為自神經網路200接收之控制系統設定且繼而基於控制系統設定而控制可控制組件406。由於已訓練神經網路200以判定至少一個控制系統設定以達成所要廠回應，因此基於由神經網路200輸出之至少一 個控制系統設定而控制組件406將導致核電廠400之回應處於或接近所要廠回應。具體地識別任何事件或瞬態，諸如組件406之一具體劣化者或影響核電廠400之其他因素並非必需的，此係因為神經網路200將能夠判定至少一個控制系統設定而無需具體地識別特定事件或瞬態之一者或一組合。
圖7係根據所揭示概念之一實例實施例之使用一神經網路判定一核電廠之至少一個控制系統設定之一方法之一流程圖。圖7之方法可例如在圖6之核電廠400中實施。該方法在410處以獲得感測器資料而開始。可自相同或類似於圖6中所描述之彼等感測器之感測器404獲得感測器資料。該方法在412處以將感測器資料及一所要廠回應提供至一神經網路而繼續。一些控制系統設定亦可經提供至神經網路。先前已訓練神經網路以基於諸如感測器資料及控制系統設定之輸入而判定至少一個控制系統設定以達成所要廠回應。神經網路可相同或類似於先前所描述之經訓練神經網路200。
該方法在414處以利用神經網路判定至少一個控制系統設定以達成所要廠回應而繼續。在416處，將至少一個控制系統設定提供至一核電廠控制系統。核電廠控制系統可相同或類似於相對於圖6所描述之核電廠控制系統402。核電廠控制系統經結構化以將其控制系統設定之一或多者設定或改變為由神經網路輸出之至少一個控制系統設定且在418處如此做。在420處，核電廠控制系統基於其控制系統設定而控制核電廠之組件，包含設定或改變為由神經網路輸出之彼等設定之彼等設定。該等組件可相同或類似於相對於圖6所描述之組件406。由於已訓練神經網路以判定至少一個控制系統設定以達成所要廠回應，因此基於由神經網路輸出 之至少一個控制系統設定而控制該等組件將導致核電廠之回應處於或接近所要廠回應。
圖8係根據所揭示概念之一實例實施例之使用一神經網路200之一核電廠400'之一示意圖。圖8之核電廠400'類似於圖6之核電廠400。然而，在圖8之核電廠400'中，神經網路200已被整合至核電廠控制系統402'中。在圖6中所描述之實施例中，可結合神經網路200使用一既有核電廠控制系統402而不改變該核電廠控制系統402，然在本實施例中，神經網路200被併入至核電廠控制系統402'中。因此，核電廠控制系統402'可使用神經網路200來更新其控制系統設定之至少一者以達成所要廠回應。
將明白，所揭示概念不限於單個神經網路。例如，可基於不同的所要廠回應特性、不同控制系統設定或各種其他因素而訓練多個神經網路。例如，可基於達成一所要蒸汽產生器位準而訓練一個神經網路，然可基於達成另一所要廠回應特性而訓練另一神經網路。類似地，可訓練神經網路以調整特定控制系統設定以達成所要廠回應。此外，亦可針對特定瞬態或事件訓練神經網路。例如，一個神經網路可用來回應於諸如一反應器跳閘之一瞬態或事件而判定控制系統設定且另一神經網路可用來判定控制系統設定以回應於一泵跳閘。在不脫離所揭示概念之範疇之情況下，可在一核電廠中採用一或多個神經網路。例如，一核電廠可包含多個神經網路且一使用者或技術人員可基於所要廠回應而選擇使用哪個神經網路來判定一或多個控制系統設定或改變哪個控制系統設定。
在一些實例實施例中，可採用所揭示概念來判定一核電廠之一或多個控制系統設定以達成一所要廠回應。接著可在核電廠之控制系 統中手動設定或改變一或多個控制系統設定。在此實例實施例中，可產生一或多個經訓練神經網路，諸如本文中所描述之神經網路200。一或多個經訓練神經網路可用來判定核電廠之控制系統之一或多個控制系統設定。接著，可在核電廠之控制系統中手動設定或改變控制系統設定。此實施例可簡化既有核電廠之分析且可用來判定最佳控制系統設定。一或多個經訓練神經網路可用來判定核電廠之靜態控制系統設定。然而，將明白，可週期性地或回應於瞬態或事件而更新控制系統設定。
亦經考量，所揭示概念之態樣可被體現為一有形電腦可讀記錄媒體上之電腦可讀程式碼。電腦可讀記錄媒體係可儲存其後可由一電腦系統讀取之資料之任何資料儲存器件。電腦可讀記錄媒體之實例包含唯讀記憶體(ROM)、隨機存取記憶體(RAM)、CD-ROM、磁帶、軟碟及光學資料儲存器件。
雖然已詳細地描述本發明之特定實施例，但熟習此項技術者將明白，可鑑於本發明之整體教示開發對彼等細節之各種修改及替代。據此，所揭示之特定實施例意謂著僅係闡釋性的且不限制被賦予隨附發明申請專利範圍以及其等之任何及全部等效物之全範圍之本發明之範疇。
100:神經網路訓練系統
102:核能廠模擬/核電廠模擬
104:神經網路訓練模組
106:神經網路測試模組
200:經訓練神經網路

Claims (10)

  1. 一種訓練一神經網路以判定一核電廠之至少一個控制系統設定之方法，該方法包括： 提供該核電廠之一模擬； 藉由將複數個控制系統設定及核電廠參數輸入至該核電廠之該模擬中且自該核電廠之該模擬獲得經模擬感測器資料及一經模擬廠回應來產生訓練及測試資料；及 使用該訓練及測試資料產生一經訓練神經網路，其經訓練以判定該核電廠之該至少一個控制系統設定以達成該核電廠之一所要廠回應。
  2. 如請求項1之方法，其中該訓練及測試資料包含該複數個控制系統設定之一子集、該經模擬感測器資料之一子集及該經模擬廠回應。
  3. 如請求項2之方法，其中產生該經訓練神經網路包含使用該複數個控制系統設定之該子集之一第一部分、該經模擬感測器資料之該子集及該經模擬廠回應作為輸入特徵且使用該複數個控制系統設定之該子集之一第二部分作為一輸出標記來訓練該神經網路。
  4. 如請求項1之方法，其進一步包括： 將該訓練及測試資料劃分成訓練資料及測試資料， 其中產生該經訓練神經網路包含利用該訓練資料訓練該神經網路以基於該核電廠之一所要廠回應而判定該核電廠之該至少一個控制系統設定且利用該測試資料測試該神經網路。
  5. 如請求項1之方法，其進一步包括： 使用一經模擬核電廠控制系統驗證該經訓練神經網路。
  6. 如請求項5之方法，其中驗證該經訓練神經網路包含： 將經模擬感測器資料提供至該經訓練神經網路； 將該所要廠回應提供至該經訓練神經網路； 利用該經訓練神經網路判定該至少一個控制系統設定； 將該至少一個控制系統設定提供至該經模擬核電廠控制系統；及 驗證該經模擬核電廠控制系統之一控制信號輸出在預定臨限位準內。
  7. 如請求項1之方法，其中訓練該經訓練神經網路以基於一或多個選定瞬態或事件而判定該核電廠之該至少一個控制系統設定以達成該所要廠回應。
  8. 如請求項1之方法，其中產生該訓練及測試資料包含基於具有約為一標稱值之一均值之一常態分佈而隨機地設定該複數個控制系統設定及核電廠參數。
  9. 如請求項1之方法，其中訓練該經訓練神經網路以基於感測器資料及既有控制系統設定而判定該核電廠之該至少一個控制系統設定以達成該所要廠回應。
  10. 如請求項1之方法，其中該經模擬感測器資料包含經結構化以量測流量、溫度、壓力及閥位置之至少一者之一或多個感測器之經模擬輸出。
TW111133245A 2019-09-09 2020-09-09 訓練核電廠神經網路以判定控制系統設定之方法 TWI834275B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/564,387 2019-09-09
US16/564,387 US11581102B2 (en) 2019-09-09 2019-09-09 Nuclear control system with neural network

Publications (2)

Publication Number Publication Date
TW202305835A TW202305835A (zh) 2023-02-01
TWI834275B true TWI834275B (zh) 2024-03-01

Family

ID=74068646

Family Applications (2)

Application Number Title Priority Date Filing Date
TW111133245A TWI834275B (zh) 2019-09-09 2020-09-09 訓練核電廠神經網路以判定控制系統設定之方法
TW109130900A TWI802815B (zh) 2019-09-09 2020-09-09 具有神經網路之核能控制系統及方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW109130900A TWI802815B (zh) 2019-09-09 2020-09-09 具有神經網路之核能控制系統及方法

Country Status (6)

Country Link
US (1) US11581102B2 (zh)
EP (2) EP4029035A2 (zh)
JP (1) JP2022547193A (zh)
KR (1) KR20220058942A (zh)
TW (2) TWI834275B (zh)
WO (1) WO2021050379A2 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7221184B2 (ja) * 2019-09-20 2023-02-13 日立Ｇｅニュークリア・エナジー株式会社 予測モデル構築方法および予測方法
JP7517812B2 (ja) * 2019-11-22 2024-07-17 日立Ｇｅニュークリア・エナジー株式会社 原子炉の炉水水質を予測する装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055392A1 (en) * 2005-09-06 2007-03-08 D Amato Fernando J Method and system for model predictive control of a power plant
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
US8862527B2 (en) * 2005-11-15 2014-10-14 Bernadette Garner Neural networks and method for training neural networks

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2699607B2 (ja) * 1990-04-03 1998-01-19 三菱電機株式会社 神経回路網原子力プラント診断装置
JP3287098B2 (ja) 1994-03-15 2002-05-27 株式会社デンソー 空気調和装置
US20030086520A1 (en) 2001-11-07 2003-05-08 Russell William Earl System and method for continuous optimization of control-variables during operation of a nuclear reactor
CN100412993C (zh) 2005-11-10 2008-08-20 上海交通大学 基于状态监测的核电厂智能维护系统
US8737557B2 (en) 2006-07-21 2014-05-27 Areva Inc. Method for prediction of light water reactor fuel defects using a fuel condition index
EP2270420B1 (en) 2009-06-30 2014-11-12 Services Pétroliers Schlumberger Method and apparatus for removal of the double indication of defects in remote eddy current inspection of pipes
US8249840B2 (en) * 2009-09-09 2012-08-21 Atomic Energy Council—Institute of Nuclear Energy Research Diversity and defense-in-depth simulation apparatus
DE202010006062U1 (de) 2010-04-23 2010-07-22 Helmut Fischer GmbH Institut für Elektronik und Messtechnik Messsonde zur zerstörungsfreien Messung der Dicke dünner Schichten
US9377287B2 (en) 2011-11-17 2016-06-28 Caterpillar Inc. Eddy current based method for coating thickness measurement
EP3026510B1 (en) 2014-11-26 2022-08-17 General Electric Company Methods and systems for enhancing control of power plant generating units
CN106091910B (zh) 2016-05-26 2018-05-25 威海华菱光电股份有限公司 膜厚的检测装置
US20210098143A1 (en) * 2018-03-22 2021-04-01 Energie Propre Prodigy Ltee / Prodigy Clean Energy Ltd. Offshore and marine vessel-based nuclear reactor configuration, deployment and operation
US20200402679A1 (en) * 2019-06-24 2020-12-24 Analysis And Measurement Services Corporation Online Sensor and Process Monitoring System

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055392A1 (en) * 2005-09-06 2007-03-08 D Amato Fernando J Method and system for model predictive control of a power plant
US8862527B2 (en) * 2005-11-15 2014-10-14 Bernadette Garner Neural networks and method for training neural networks
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance

Also Published As

Publication number Publication date
WO2021050379A2 (en) 2021-03-18
US11581102B2 (en) 2023-02-14
EP4029035A2 (en) 2022-07-20
JP2022547193A (ja) 2022-11-10
WO2021050379A3 (en) 2021-05-27
US20210074442A1 (en) 2021-03-11
TW202117750A (zh) 2021-05-01
TW202305835A (zh) 2023-02-01
KR20220058942A (ko) 2022-05-10
TWI802815B (zh) 2023-05-21
EP4120288A1 (en) 2023-01-18

Similar Documents

Publication Publication Date Title
RU2654310C2 (ru) Способ и устройство контроля параметра ракетного двигателя
TWI834275B (zh) 訓練核電廠神經網路以判定控制系統設定之方法
US10025893B2 (en) Prediction of life consumption of a machine component
Tylee On-line failure detection in nuclear power plant instrumentation
KR102120733B1 (ko) 터빈 유닛의 시험 동안의 결함 진단
US20130317780A1 (en) Probability of failure on demand calculation using fault tree approach for safety integrity level analysis
US20070153958A1 (en) Method of determining margins to operating limits for nuclear reactor operation
JP5020338B2 (ja) 初期値生成装置及び初期値生成方法
WO2018168813A1 (en) Evaluation apparatus, evaluation system, and evaluation method
Du Rand et al. Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach
Park et al. Smart sensing of the RPV water level in NPP severe accidents using a GMDH algorithm
EP3943714A1 (en) Control of power generation system during online maintenance using multiple maintenance modes
ES2640792T3 (es) Modelo de evaluación de LOCA de espectro completo y metodología de análisis
Prošek et al. Quantitative assessment of MCP trip transient in a VVER
Farber et al. Using multiple-model adaptive estimation and system identification for fault detection in nuclear power plants
KR101444794B1 (ko) 노내계측기 신호 기반의 반경방향 첨두계수를 이용한 노심운전제한치감시계통의 Ｐｓｅｕｄｏ Ｈｏｔ Ｐｉｎ 출력분포 구성 방법
Freeman General method for uncertainty evaluation of safety integrity level calculations–part 2 analytical methods
CN116147928B (zh) 航空发动机热射流装置的健康状态确定方法、装置和设备
MXPA04003150A (es) Metodo para autorizar una emision de energia aumentada de un reactor nuclear de agua en ebullicion.
Lee et al. Model-Based Diagnostics and Mitigation of Cyber Threats
Palmé et al. Similarity based modeling for turbine exit temperature spread monitoring on gas turbines
Bánáti et al. Validation of RELAP5/MOD3. 3 against a load step transient at Ringhals 4 NPP
Prošek et al. RELAP5/MOD3. 3 code validation with plant abnormal event
Boring et al. On-Line Monitoring to Detect Sensor and Process Degradation under Normal Operational Transients
McGaha et al. ISTB Pump Implementation Issues