發(fā)布時間：2021-10-30 03:16

　　核電廠對數(shù)字化安全級系統(tǒng)主控制器的負荷率有嚴苛的要求。為實現(xiàn)核電廠主控制器負荷率在安全的運作范圍內(nèi)正常運行和調(diào)度控制,應(yīng)該對主控制器負荷率預(yù)測,以有利于核電廠儀控系統(tǒng)的安全可靠運行。因此,學(xué)者們針對核電廠主控制器負荷率的預(yù)測問題開展了積極的研究工作,通過分析影響主控制器負荷率的各個因素找出合適的方案提高負荷率計算精度。隨著人工智能的快速發(fā)展和火力電廠數(shù)字化控制器負荷率預(yù)測案例的成功應(yīng)用,傳統(tǒng)核電廠負荷率計算模型的局限性越來越顯著。針對此現(xiàn)狀,本文將機器學(xué)習的方法應(yīng)用到核電廠主控制器負荷率預(yù)測中,并通過某核電工程實例,對相關(guān)方法進行了仿真實驗驗證,證明了本文方法的有效性。本文主要研究工作及創(chuàng)新點如下:1.完成了核安全級負荷率影響因素分析研究。基于國內(nèi)安全級數(shù)字化控制系統(tǒng)的主控制器設(shè)計一般采用定周期處理機制的特點,核電廠安全級數(shù)字化控制系統(tǒng)平臺也采用了相同的設(shè)計,因此主控制器負荷率預(yù)測問題可轉(zhuǎn)化為對數(shù)據(jù)處理時間的研究。通過數(shù)據(jù)處理機制的分析分析可知,影響主控制器數(shù)據(jù)處理時間的因素主要包括程序模塊自身特征、硬件配置和運行的自然環(huán)境三個方面。以此為基礎(chǔ),完成了不同方案下對負荷率的影響因素進行特... 

【文章來源】：南華大學(xué)湖南省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

主控制

南華大學(xué)碩士學(xué)位論文開始初始化權(quán)值閾值計算隱藏層和輸出層輸入輸出計算取值和閾值誤差修正對應(yīng)誤差誤差率<e結(jié)束YN圖4.2BP網(wǎng)絡(luò)訓(xùn)練流程圖4.1.2BP神經(jīng)網(wǎng)絡(luò)主控制器負荷率預(yù)測模型的建立根據(jù)樣本集的大小和適應(yīng)度，樣本類型一的輸入?yún)?shù)較少，且樣本量相對樣本集二較多，所以選用樣本集一類型作為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)集。模型訓(xùn)練方法采用批量學(xué)習的方式，將所選樣本集的誤差值來不斷的修正權(quán)重和閾值，直到滿足訓(xùn)練目標。由于BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)沒有固定模式，通常運用實際測試方法確定。所以在構(gòu)建模型時需明確參數(shù)類型、輸入層數(shù)、隱藏層數(shù)、輸出層數(shù)和其他因素值[34]等。（1）模型參數(shù)初始化1初始化輸入層神經(jīng)元數(shù)設(shè)定輸入層神經(jīng)元個數(shù)，就需要明確樣本集的因素分類。在第三章中已經(jīng)確定核電主控制器負荷率影響因素為11個特征，分別為圖頁大孝XSCADE文件大孝程序大孝基礎(chǔ)算法模塊數(shù)、算法模塊種類、算法模塊大孝程序輸入?yún)?shù)類型和個數(shù)、程序條件語句以及溫度和濕度。這些因素組成模型輸入的維數(shù)。2初始化隱藏層神經(jīng)元數(shù)初始化隱藏層神經(jīng)元數(shù)包含兩個部分，一是隱藏層神經(jīng)元的個數(shù)；另一個為24

南華大學(xué)碩士學(xué)位論文URRxxK)(min|maxK(x)........................................（4.6）式中x為種群個體取值，maxK(x)和minK(x)為優(yōu)化函數(shù)，其他為取值范圍，符合條件的解稱為最優(yōu)解。其優(yōu)化流程圖如圖4.4所示。開始初始化群體滿足終止條件計算染色體適應(yīng)度復(fù)制交叉變異輸出最優(yōu)解結(jié)束YN圖4.4遺傳算法原理圖步驟一：需要尋優(yōu)的參數(shù)進行初始化為群體并編碼；步驟二：將已有的編碼帶入目標函數(shù)，函數(shù)計算結(jié)果出所有個體的適應(yīng)度值；步驟三：將適應(yīng)度值高的進行復(fù)制、交叉和變異，產(chǎn)生新的基因碼；步驟四：進行判斷此時得到的適應(yīng)度值，是否篩符合設(shè)定約束的最優(yōu)解。否，返回步驟二，并反復(fù)執(zhí)行步驟二到步驟四，直到滿足條件為止。4.2.2遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主控制器負荷率預(yù)測模型的建立上述中提到BP神經(jīng)網(wǎng)絡(luò)擅長局部搜索，但易陷于局部最優(yōu)值，剛好遺傳算法對全局搜索占有優(yōu)勢，局部搜索功能欠佳[42]。根據(jù)上述分析，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)兩者相接洽，利用各自優(yōu)勢實現(xiàn)預(yù)測精度方面的增強。因此，本文運用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，應(yīng)用在核電廠主控制器負荷率的預(yù)測問題上，以提高負荷率預(yù)測精度，需要解決以下幾個問題；（1）BP網(wǎng)絡(luò)的設(shè)計28

【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的公交動態(tài)行程時間預(yù)測方法研究[J]. 韓勇,周林,高鵬,王舒康,陳戈.  中國海洋大學(xué)學(xué)報(自然科學(xué)版). 2020(02)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別系統(tǒng)[J]. 鄧祺盛,紀爽,李政,馬雪倩,趙璐.  現(xiàn)代計算機. 2019(35)
[3]邏輯回歸分類識別優(yōu)化研究[J]. 王正存,肖中俊,嚴志國.  齊魯工業(yè)大學(xué)學(xué)報. 2019(05)
[4]基于神經(jīng)網(wǎng)絡(luò)的核安全級主控制器負荷率預(yù)測研究[J]. 齊帥,陳智,吳志強,丁琳,劉朝暉.  自動化與儀表. 2019(07)
[5]基于遺傳算法優(yōu)化BP網(wǎng)絡(luò)的箱式變電站故障預(yù)測策略[J]. 王福忠,任吉利,劉薇.  河南理工大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[6]基于機器學(xué)習的工業(yè)控制網(wǎng)絡(luò)異常檢測方法[J]. 邵俊杰,董偉,馮志.  信息技術(shù)與網(wǎng)絡(luò)安全. 2019(06)
[7]遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的泊車位數(shù)量預(yù)測[J]. 張金夢,劉慧君.  重慶大學(xué)學(xué)報. 2018(03)
[8]用支持向量回歸法實現(xiàn)單幀圖像超分辨率重建[J]. 袁其平,林海杰,陳志宏,楊曉蘋.  光學(xué)精密工程. 2016(09)
[9]核電站數(shù)字化反應(yīng)堆保護系統(tǒng)中央處理器負荷率分析與測試[J]. 汪績寧.  自動化博覽. 2013(11)
[10]基于神經(jīng)網(wǎng)絡(luò)的獨立程序在單機上運行功耗的預(yù)測[J]. 譚一鳴,曾國蓀.  計算機科學(xué). 2012(05)

博士論文
[1]云工作流服務(wù)組合與活動調(diào)度策略研究[D]. 伍章俊.合肥工業(yè)大學(xué) 2011
[2]支持向量回歸在預(yù)測控制中的應(yīng)用研究[D]. 楊金芳.華北電力大學(xué)（河北） 2007

碩士論文
[1]微電網(wǎng)的短期電力負荷預(yù)測研究與實現(xiàn)[D]. 孫孝魁.南京郵電大學(xué) 2019
[2]面向5G車聯(lián)網(wǎng)的短時交通流預(yù)測方法與應(yīng)用[D]. 陳肯.南京郵電大學(xué) 2019
[3]基于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)與SVR算法對AQI的預(yù)測研究[D]. 張楠.中北大學(xué) 2019
[4]《如何實現(xiàn)未來社會可持續(xù)發(fā)展—從核政策、環(huán)境教育、阿伊努文化出發(fā)》翻譯實踐報告[D]. 陳怡.大連外國語大學(xué) 2019
[5]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的車道保持輔助系統(tǒng)研究[D]. 黃凱.長安大學(xué) 2019
[6]核電站反應(yīng)堆控制保護系統(tǒng)的設(shè)計與研究[D]. 鄭志興.華南理工大學(xué) 2019
[7]三河電廠機組設(shè)備節(jié)能改造與實踐[D]. 楊福成.華北電力大學(xué) 2018
[8]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[9]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電機生產(chǎn)線故障診斷[D]. 張旋.合肥工業(yè)大學(xué) 2016
[10]大唐琿春發(fā)電廠二期擴建工程項目后評價研究[D]. 李連有.吉林大學(xué) 2013



本文編號：3465939