發(fā)布時間：2024-12-22 22:41

　　對核電站熱工水力系統(tǒng)的工況監(jiān)測、工況預測和故障診斷能夠幫助操縱員更好地掌握核電站的實時運行工況并提供操作建議,對于提高運行安全性具有重要意義。近年來各類基于神經(jīng)網(wǎng)絡的人工智能算法快速發(fā)展,為核電站熱工水力系統(tǒng)的工況預測和故障診斷研究提供了新的途徑。本文基于極限學習機(ELM)、在線貫序極限學習機(OS-ELM)、徑向基函數(shù)網(wǎng)絡(RBFN)、循環(huán)神經(jīng)網(wǎng)絡(RNN)和長短期記憶模型(LSTM)等神經(jīng)網(wǎng)絡算法,開展了核電站熱工水力系統(tǒng)工況預測和故障診斷的方法研究。自然循環(huán)系統(tǒng)廣泛應用于先進核動力反應堆設計中,但其在運行中容易出現(xiàn)復雜無規(guī)律的流動不穩(wěn)定性現(xiàn)象,使系統(tǒng)工況的在線監(jiān)測較為困難。為此提出了基于極限學習機神經(jīng)網(wǎng)絡的短期工況參數(shù)預測模型。該模型以熱工水力系統(tǒng)的在線監(jiān)測數(shù)據(jù)作為輸入,具有極快的訓練速度,適用于自然循環(huán)系統(tǒng)等存在復雜運行工況的核電站熱工水力系統(tǒng)的在線監(jiān)測。使用遺傳算法對預測模型的輸入數(shù)據(jù)結構進行優(yōu)化,提高了預測的精度�；�于在線貫序極限學習機算法建立了具有在線學習能力的工況參數(shù)預測模型,進一步提高了預測的精度并消除了增加極限學習機隱含層節(jié)點數(shù)量所帶來的過擬合問題。將所提出的工況參...

【文章頁數(shù)】：142 頁

【學位級別】：博士

【部分圖文】：

圖1.1五層自聯(lián)想神經(jīng)網(wǎng)絡結構圖

第1章緒論典型的自聯(lián)想神經(jīng)網(wǎng)絡由輸入層，輸出層和三個隱層隱含層稱為映射層和解映射層，它們的節(jié)點數(shù)數(shù)，第二層隱含層稱為瓶頸層，其節(jié)點數(shù)少于神經(jīng)層和輸出層的節(jié)點個數(shù)相同，所使用的訓練數(shù)據(jù)也的轉換函數(shù)均為非線性函數(shù)（常用sigmoid函數(shù)）用非線性函數(shù)作為轉換函數(shù)。

圖1.2Elman循環(huán)神經(jīng)網(wǎng)絡結構

哈爾濱工程大學博士學位論文也采用相同的核電廠參數(shù)作為輸入和輸出，實基本相同。該研究使用日本高溫氣冷工程實驗，并進行模擬實驗驗證了模型的有效性。該研究循環(huán)神經(jīng)網(wǎng)絡，Elman型遞歸神經(jīng)網(wǎng)絡結構如圖還具有一個承接層，承接層保存隱含層前一時一部分輸入。Jordan型遞歸神經(jīng)網(wǎng)絡結構....

圖1.3Jordan循環(huán)神經(jīng)網(wǎng)絡結構

還具有一個承接層，承接層保存隱含層前一時一部分輸入。Jordan型遞歸神經(jīng)網(wǎng)絡結構與El輸出層前一時刻的輸出，并將其作為隱含層下一圖1.2Elman循環(huán)神經(jīng)網(wǎng)絡結構Fig.1.2Elman’srecurrentneuralnetworkarchitectur....

圖2.1搖擺工況下自然循環(huán)實驗回路示意圖

圖2.1搖擺工況下自然循環(huán)實驗回路示意圖Schematicdiagramofthenaturalcirculationexperimentalloopunderrollin環(huán)實驗回路中布置了測量儀表用以測量各重要熱工參量的實時NationalInstr....

本文編號：4019839