基于机器学习的核安全级主控制器负荷率预测研究
发布时间：2021-10-30 03:16
核电厂对数字化安全级系统主控制器的负荷率有严苛的要求。为实现核电厂主控制器负荷率在安全的运作范围内正常运行和调度控制,应该对主控制器负荷率预测,以有利于核电厂仪控系统的安全可靠运行。因此,学者们针对核电厂主控制器负荷率的预测问题开展了积极的研究工作,通过分析影响主控制器负荷率的各个因素找出合适的方案提高负荷率计算精度。随着人工智能的快速发展和火力电厂数字化控制器负荷率预测案例的成功应用,传统核电厂负荷率计算模型的局限性越来越显著。针对此现状,本文将机器学习的方法应用到核电厂主控制器负荷率预测中,并通过某核电工程实例,对相关方法进行了仿真实验验证,证明了本文方法的有效性。本文主要研究工作及创新点如下:1.完成了核安全级负荷率影响因素分析研究。基于国内安全级数字化控制系统的主控制器设计一般采用定周期处理机制的特点,核电厂安全级数字化控制系统平台也采用了相同的设计,因此主控制器负荷率预测问题可转化为对数据处理时间的研究。通过数据处理机制的分析分析可知,影响主控制器数据处理时间的因素主要包括程序模块自身特征、硬件配置和运行的自然环境三个方面。以此为基础,完成了不同方案下对负荷率的影响因素进行特...
【文章来源】：南华大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
主控制
南华大学硕士学位论文开始初始化权值阈值计算隐藏层和输出层输入输出计算取值和阈值误差修正对应误差误差率<e结束YN图4.2BP网络训练流程图4.1.2BP神经网络主控制器负荷率预测模型的建立根据样本集的大小和适应度，样本类型一的输入参数较少，且样本量相对样本集二较多，所以选用样本集一类型作为BP神经网络的参数集。模型训练方法采用批量学习的方式，将所选样本集的误差值来不断的修正权重和阈值，直到满足训练目标。由于BP神经网络模型的结构没有固定模式，通常运用实际测试方法确定。所以在构建模型时需明确参数类型、输入层数、隐藏层数、输出层数和其他因素值[34]等。（1）模型参数初始化1初始化输入层神经元数设定输入层神经元个数，就需要明确样本集的因素分类。在第三章中已经确定核电主控制器负荷率影响因素为11个特征，分别为图页大孝XSCADE文件大孝程序大孝基础算法模块数、算法模块种类、算法模块大孝程序输入参数类型和个数、程序条件语句以及温度和湿度。这些因素组成模型输入的维数。2初始化隐藏层神经元数初始化隐藏层神经元数包含两个部分，一是隐藏层神经元的个数；另一个为24
南华大学硕士学位论文URRxxK)(min|maxK(x)........................................（4.6）式中x为种群个体取值，maxK(x)和minK(x)为优化函数，其他为取值范围，符合条件的解称为最优解。其优化流程图如图4.4所示。开始初始化群体满足终止条件计算染色体适应度复制交叉变异输出最优解结束YN图4.4遗传算法原理图步骤一：需要寻优的参数进行初始化为群体并编码；步骤二：将已有的编码带入目标函数，函数计算结果出所有个体的适应度值；步骤三：将适应度值高的进行复制、交叉和变异，产生新的基因码；步骤四：进行判断此时得到的适应度值，是否筛符合设定约束的最优解。否，返回步骤二，并反复执行步骤二到步骤四，直到满足条件为止。4.2.2遗传算法优化BP神经网络主控制器负荷率预测模型的建立上述中提到BP神经网络擅长局部搜索，但易陷于局部最优值，刚好遗传算法对全局搜索占有优势，局部搜索功能欠佳[42]。根据上述分析，将遗传算法与BP神经网络两者相接洽，利用各自优势实现预测精度方面的增强。因此，本文运用遗传算法来优化BP神经网络的权值和阈值，应用在核电厂主控制器负荷率的预测问题上，以提高负荷率预测精度，需要解决以下几个问题；（1）BP网络的设计28
【参考文献】：
期刊论文
[1]基于BP神经网络的公交动态行程时间预测方法研究[J]. 韩勇,周林,高鹏,王舒康,陈戈. 中国海洋大学学报(自然科学版). 2020(02)
[2]基于BP神经网络的图像识别系统[J]. 邓祺盛,纪爽,李政,马雪倩,赵璐. 现代计算机. 2019(35)
[3]逻辑回归分类识别优化研究[J]. 王正存,肖中俊,严志国. 齐鲁工业大学学报. 2019(05)
[4]基于神经网络的核安全级主控制器负荷率预测研究[J]. 齐帅,陈智,吴志强,丁琳,刘朝晖. 自动化与仪表. 2019(07)
[5]基于遗传算法优化BP网络的箱式变电站故障预测策略[J]. 王福忠,任吉利,刘薇. 河南理工大学学报(自然科学版). 2019(05)
[6]基于机器学习的工业控制网络异常检测方法[J]. 邵俊杰,董伟,冯志. 信息技术与网络安全. 2019(06)
[7]遗传算法优化BP神经网络的泊车位数量预测[J]. 张金梦,刘慧君. 重庆大学学报. 2018(03)
[8]用支持向量回归法实现单帧图像超分辨率重建[J]. 袁其平,林海杰,陈志宏,杨晓苹. 光学精密工程. 2016(09)
[9]核电站数字化反应堆保护系统中央处理器负荷率分析与测试[J]. 汪绩宁. 自动化博览. 2013(11)
[10]基于神经网络的独立程序在单机上运行功耗的预测[J]. 谭一鸣,曾国荪. 计算机科学. 2012(05)
博士论文
[1]云工作流服务组合与活动调度策略研究[D]. 伍章俊.合肥工业大学 2011
[2]支持向量回归在预测控制中的应用研究[D]. 杨金芳.华北电力大学（河北） 2007
硕士论文
[1]微电网的短期电力负荷预测研究与实现[D]. 孙孝魁.南京邮电大学 2019
[2]面向5G车联网的短时交通流预测方法与应用[D]. 陈肯.南京邮电大学 2019
[3]基于优化的BP神经网络与SVR算法对AQI的预测研究[D]. 张楠.中北大学 2019
[4]《如何实现未来社会可持续发展—从核政策、环境教育、阿伊努文化出发》翻译实践报告[D]. 陈怡.大连外国语大学 2019
[5]基于遗传算法优化BP神经网络的车道保持辅助系统研究[D]. 黄凯.长安大学 2019
[6]核电站反应堆控制保护系统的设计与研究[D]. 郑志兴.华南理工大学 2019
[7]三河电厂机组设备节能改造与实践[D]. 杨福成.华北电力大学 2018
[8]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[9]基于遗传算法优化BP神经网络的电机生产线故障诊断[D]. 张旋.合肥工业大学 2016
[10]大唐珲春发电厂二期扩建工程项目后评价研究[D]. 李连有.吉林大学 2013
本文编号：3465939
【文章来源】：南华大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
主控制
南华大学硕士学位论文开始初始化权值阈值计算隐藏层和输出层输入输出计算取值和阈值误差修正对应误差误差率<e结束YN图4.2BP网络训练流程图4.1.2BP神经网络主控制器负荷率预测模型的建立根据样本集的大小和适应度，样本类型一的输入参数较少，且样本量相对样本集二较多，所以选用样本集一类型作为BP神经网络的参数集。模型训练方法采用批量学习的方式，将所选样本集的误差值来不断的修正权重和阈值，直到满足训练目标。由于BP神经网络模型的结构没有固定模式，通常运用实际测试方法确定。所以在构建模型时需明确参数类型、输入层数、隐藏层数、输出层数和其他因素值[34]等。（1）模型参数初始化1初始化输入层神经元数设定输入层神经元个数，就需要明确样本集的因素分类。在第三章中已经确定核电主控制器负荷率影响因素为11个特征，分别为图页大孝XSCADE文件大孝程序大孝基础算法模块数、算法模块种类、算法模块大孝程序输入参数类型和个数、程序条件语句以及温度和湿度。这些因素组成模型输入的维数。2初始化隐藏层神经元数初始化隐藏层神经元数包含两个部分，一是隐藏层神经元的个数；另一个为24
南华大学硕士学位论文URRxxK)(min|maxK(x)........................................（4.6）式中x为种群个体取值，maxK(x)和minK(x)为优化函数，其他为取值范围，符合条件的解称为最优解。其优化流程图如图4.4所示。开始初始化群体满足终止条件计算染色体适应度复制交叉变异输出最优解结束YN图4.4遗传算法原理图步骤一：需要寻优的参数进行初始化为群体并编码；步骤二：将已有的编码带入目标函数，函数计算结果出所有个体的适应度值；步骤三：将适应度值高的进行复制、交叉和变异，产生新的基因码；步骤四：进行判断此时得到的适应度值，是否筛符合设定约束的最优解。否，返回步骤二，并反复执行步骤二到步骤四，直到满足条件为止。4.2.2遗传算法优化BP神经网络主控制器负荷率预测模型的建立上述中提到BP神经网络擅长局部搜索，但易陷于局部最优值，刚好遗传算法对全局搜索占有优势，局部搜索功能欠佳[42]。根据上述分析，将遗传算法与BP神经网络两者相接洽，利用各自优势实现预测精度方面的增强。因此，本文运用遗传算法来优化BP神经网络的权值和阈值，应用在核电厂主控制器负荷率的预测问题上，以提高负荷率预测精度，需要解决以下几个问题；（1）BP网络的设计28
【参考文献】：
期刊论文
[1]基于BP神经网络的公交动态行程时间预测方法研究[J]. 韩勇,周林,高鹏,王舒康,陈戈. 中国海洋大学学报(自然科学版). 2020(02)
[2]基于BP神经网络的图像识别系统[J]. 邓祺盛,纪爽,李政,马雪倩,赵璐. 现代计算机. 2019(35)
[3]逻辑回归分类识别优化研究[J]. 王正存,肖中俊,严志国. 齐鲁工业大学学报. 2019(05)
[4]基于神经网络的核安全级主控制器负荷率预测研究[J]. 齐帅,陈智,吴志强,丁琳,刘朝晖. 自动化与仪表. 2019(07)
[5]基于遗传算法优化BP网络的箱式变电站故障预测策略[J]. 王福忠,任吉利,刘薇. 河南理工大学学报(自然科学版). 2019(05)
[6]基于机器学习的工业控制网络异常检测方法[J]. 邵俊杰,董伟,冯志. 信息技术与网络安全. 2019(06)
[7]遗传算法优化BP神经网络的泊车位数量预测[J]. 张金梦,刘慧君. 重庆大学学报. 2018(03)
[8]用支持向量回归法实现单帧图像超分辨率重建[J]. 袁其平,林海杰,陈志宏,杨晓苹. 光学精密工程. 2016(09)
[9]核电站数字化反应堆保护系统中央处理器负荷率分析与测试[J]. 汪绩宁. 自动化博览. 2013(11)
[10]基于神经网络的独立程序在单机上运行功耗的预测[J]. 谭一鸣,曾国荪. 计算机科学. 2012(05)
博士论文
[1]云工作流服务组合与活动调度策略研究[D]. 伍章俊.合肥工业大学 2011
[2]支持向量回归在预测控制中的应用研究[D]. 杨金芳.华北电力大学（河北） 2007
硕士论文
[1]微电网的短期电力负荷预测研究与实现[D]. 孙孝魁.南京邮电大学 2019
[2]面向5G车联网的短时交通流预测方法与应用[D]. 陈肯.南京邮电大学 2019
[3]基于优化的BP神经网络与SVR算法对AQI的预测研究[D]. 张楠.中北大学 2019
[4]《如何实现未来社会可持续发展—从核政策、环境教育、阿伊努文化出发》翻译实践报告[D]. 陈怡.大连外国语大学 2019
[5]基于遗传算法优化BP神经网络的车道保持辅助系统研究[D]. 黄凯.长安大学 2019
[6]核电站反应堆控制保护系统的设计与研究[D]. 郑志兴.华南理工大学 2019
[7]三河电厂机组设备节能改造与实践[D]. 杨福成.华北电力大学 2018
[8]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[9]基于遗传算法优化BP神经网络的电机生产线故障诊断[D]. 张旋.合肥工业大学 2016
[10]大唐珲春发电厂二期扩建工程项目后评价研究[D]. 李连有.吉林大学 2013
本文编号：3465939
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3465939.html
