压水堆核电站反应堆温度RBF神经网络控制方法

摘要

本发明涉及一种压水堆核电站反应堆温度RBF神经网络控制方法，针对900MW压水堆核电站机组，提出了反应堆温度RBF神经网络控制方法，首先在压水堆核电机组仿真试验平台上，进行反应堆温度控制系统的特性测试；根据实验所得的数据，对系统进行分析和传递函数的拟合，求得反应堆温度的传递函数，建立高精度的数学模型；设计传统的PID控制器，对反应堆温度进行控制；在传统的PID控制器的基础上，RBF神经网络与传统PID控制结合起来，实现复合控制，控制的效果比传统的PID控制、模糊PID的控制效果更显著。对反应堆温度控制有很高的实际应用价值，可以促进先进智能控制在核电机组上的研究与应用，从而提高机组的控制水平。

说明书

技术领域

本发明涉及一种，特别涉及一种压水堆核电站反应堆温度RBF神经网络控制方法。

背景技术

21世纪以来，随着世界经济的复苏以及越来越严重的能源危机，核能作为清洁能源的优势受到青睐，已与火电、水电一起构成世界电力能源的三大支柱。核反应堆的堆型有多种，如压水堆、沸水堆、重水堆、快中子堆等。压水堆凭借其结构紧凑、技术成熟、基建费用低、建设周期短等独特优势成为了目前为止世界上应用最广泛的核反应堆。本发明研究的就是压水堆核电站反应堆的温度调节系统，研究的主要目的是用智能控制器，如RBF神经网络，优化PID控制器，以此来优化反应堆温度的控制效果。核反应堆堆芯的温度控制是核电站最重要的控制参数之一，堆芯温度直接反映了反应堆堆芯的反应性和功率。温度控制的好坏直接关系到核岛的安全。因此，对压水堆核电站反应堆温度调节系统进行研究和设计是十分必要的，并且具有实际意义。

反应堆温度控制系统通过调节温度控制棒R棒的棒位来实现反应堆温度的控制。平均温度调节系统工作原理是按综合温度偏差e的极性和大小控制R棒的移动方向和速度（R棒的移动趋向于减少综合温度偏差），一直移动到使综合温度偏差进入死区范围以内，从而使温度等于或近似等于整定值，达到反应堆功率与二回路汽轮机功率匹配或近似匹配的目的。

近年来，随着核电站的发展，国内外对压水堆核电站的反应堆温度控制系统进行了大量的研究。

2000年，陈宇中，杨凯军，沈永平在核反应堆实验模拟系统上进行了核反应堆模糊PID控制的研究，研究结果表明：采用模糊PID控制器控制核反应堆系统，在负载改变时能较快抑制冷却剂温度变化，稳态精度高，可以达到很好的控制效果。

2003年，Hussein Arab-Alibeik ,Saeed Setayeshi运用基于LQG/LTR（线性二次型高斯或回路传输恢复）控制对压水堆温度控制系统进行了改进。

2009年，季华艳、叶建华对核电机组反应堆平均温度控制系统的仿真技术进行了探讨，阐述了利用图形化建模的工具及对核电仿真机的平均温度控制系统进行图形建模的方法。

2011年6月，俞赟对模型预测控制在核电站堆芯温度控制中的应用进行了研究。通过对模型预测控制理论的研究，针对堆芯温度控制难题，设计了基于状态空间的模型预测约束优化控制策略，并在不同工况点进行了仿真研究。

2011年10月，于世和、戴翔、曹欣荣对压水堆温度系数在高燃耗下进行了分析，通过改变初始富集度、批料数、循环长度，设计一个高燃耗堆芯。用CASMO-4/SIMULATE-3建立堆芯模型，并计算在平均卸料燃耗大于60GWD/T燃耗深度下的温度系数。研究结果表明，在高燃耗情况下，不论是否有可燃毒物，硬化的中子能谱使慢化剂温度系数绝对值增大，并随着循环燃耗的增加而增加，尤其是寿期末绝对值超出一般压水堆限值，而燃料温度系数变化并不显著。

2013年5月，周海翔、林烨、王云伟通过研究，对压水型反应堆温度效应产生负反应性反馈的机理进行了阐述，并基于点堆中子动力学模型，在Matlab/Simulink的仿真环境下建立了带有温度反馈环节的瞬态工况堆芯响应仿真模型。根据所建立的仿真模型，考虑反应堆升降功率的瞬态工况，对不同的反应堆温度系数的负反馈影响进行了仿真分析。仿真分析的结果表明，当反应堆需要改变其输出功率对堆芯引入阶跃微小反应性扰动后，由于核燃料和慢化剂的负温度系数作用，使反应堆本身具备内在稳定性，堆芯中子密度变化是趋于稳定的。根据仿真结果，反应堆负温度系数所产生的温度效应对核电厂瞬态工况下反应性控制具有有利的影响。

2013年6月，龚迪琛以压水堆核电厂为对象，对压水堆的重要控制系统进行了研究。在建立控制仿真模型的基础上，从实时控制的角度将传统控制理论和智能控制理论相结合进行控制优化，从事物发展变化不确定性的角度出发，利用随机网络和随机过程的理论对核电厂的启堆运行过程、突发事故应急过程进行定量分析和算法优化，并利用现有的计算机软硬件条件，对核电厂控制运行信息管理系统平台提出了详细设计方案和技术细节分析。

核电站生产过程中，反应堆温度通常采用常规的PI控制。核反应堆由于其特殊的安全性问题和自身具有的显著非线性特征，采用像PI那样的常规控制很难做到既改善功率变化的快速性又能兼及超调，一般只能在两者间作出折衷。要提高核反应堆控制系统的性能，则需要引入先进的控制策略。用模糊控制策略，模糊规则的设立要依靠经验，很难做到精确控制。本发明尝试用RBF神经网络，训练PID参数，对反应堆温度进行控制，获得了比较好的控制效果。

发明内容

本发明是针对现在的核电站生产过程中，反应堆温度控制有严格的要求，现在控制无法适应系统参数大范围变化的问题，提出了一种压水堆核电站反应堆温度RBF神经网络控制方法，在反应堆稳定工况运行时，参数小范围变化情况下，常规的PI或PID控制效果比较好，但是无法适应系统参数大范围变化，本发明将RBF神经网络与传统PID控制结合起来，实现复合控制，控制的效果好于与传统的PID控制和模糊PID控制。

本发明的技术方案为：一种压水堆核电站反应堆温度RBF神经网络控制方法，在压水堆核电机组仿真试验平台上，进行反应堆温度控制系统的特性测试；根据实验所得的数据，对系统进行分析和传递函数的拟合，求得反应堆温度的传递函数，建立高精度的数学模型；设计传统的PID控制器，对反应堆温度进行控制；在传统的PID控制器的基础上，将RBF神经网络与传统PID控制结合起来，实现复合控制。

所述RBF神经网络与传统PID控制结合实现复合控制，是在传统PID算法下的智能优化，在线调整出更优质的PID参数，具体步骤如下：

1）确定RBF网络的结构，对学习速率、惯性系数、加权系数进行初始值的设定；

2）采样得到反应堆温度系统的输入rin(k)和输出yout(k)，求取误差error(k)=rink(k)-yout(k)；

3）计算RBF神经网络各层神经元的输入、输出，第三层输出层的输出为PID控制器的三个参数kp、ki、kd；

4）kp、ki、kd三个参数带入PID控制器，计算PID控制器的输出u(k)，用于实时控制和计算，对反应堆温度进行控制，产生下一步反应堆温度系统的输出y(k+1)，计算此时的误差 error(k+1)=rink(k+1)-yout(k+1)；

5）调整RBF权系数、隐节点中心矢量和基宽参数；

6）返回步骤2,直至误差满足精度要求。

本发明的有益效果在于：本发明压水堆核电站反应堆温度RBF神经网络控制方法，针对900 MW压水堆机组研究的，对反应堆温度控制有很高的实际应用价值，可以促进先进智能控制在核电机组上的研究与应用，从而提高机组的控制水平。

附图说明

图1为本发明实验数据曲线与拟合传递函数曲线之间的对比图；

图2为本发明三组PID参数控制的阶跃响应曲线对比图；

图3为本发明RBF神经网络的结构图；

图4为本发明RBF神经网络复合PID控制的流程图；

图5为模糊PID控制器与PID控制器控制的响应曲线对比图；

图6为本发明RBF神经网络复合PID控制器与PID控制器的控制效果对比图。

具体实施方式

针对900 MW压水堆核电站机组，提出了反应堆温度RBF神经网络控制方法，首先在压水堆核电机组仿真试验平台上，进行反应堆温度控制系统的特性测试；根据实验所得的数据，对系统进行分析和传递函数的拟合，求得反应堆温度的传递函数，建立高精度的数学模型；设计传统的PID控制器，对反应堆温度进行控制；在传统的PID控制器的基础上，RBF神经网络与传统PID控制结合起来，实现复合控制，控制的效果与传统的PID控制效果进行比较，并与模糊PID的控制效果进行比较。具体步骤如下：

1、首先在典型的第二代三环路900MW压水堆核电机组仿真试验平台上，进行反应堆温度控制系统的特性测试，得到在控制棒的各种扰动下，反应堆温度的响应曲线。在反应堆温度控制棒R棒加入了-5%的阶跃信号下，反应堆温度系统的响应曲线。我们的仿真实验平台的数据跟核电站实际运行数据误差1%以内，可以认为实验所得的数据就是核电站的实际运行数据。

2、根据实验所得的数据，对系统进行分析和传递函数的拟合。运用系统辨识的技术对反应堆温度进行传递函数的拟合，建立高精度的数学模型。拟合的结果要求最大误差在0.1%之内。拟合结果如图1所示。

设计一个程序实现实验记录数据与拟合传递函数对应的数据之间误差大小的比较与分析，误差记录如表1所示拟合的曲线与实际曲线的误差分析，最大的误差绝对值是0.00091即0.09%，拟合的精度非常高。

表1 

3、设计传统的PID控制器，并对参数反复整定，实现反应堆温度控制。研究过程中，设计了3组PID参数。图2是三组PID参数控制的阶跃响应曲线对比图。第一组K=0.3,Ti=0.03,Td=100的控制参数组合中，反应堆温度有超调，系统响应速度很快；第二组K=0.6,Ti=0.02,Td=70的控制参数组合中，反应堆温度既没有超调，响应速度也很快，第三K=1,Ti=0.008,Td=100的控制参数组合中，系统无超调，但是响应速度较慢。选取第二组控制参数组合作为反应堆的PID控制参数。这时PID控制器参数为：K=0.3；Ti=0.03；Td=100，该控制器控制下的调整时间t_s=270s，无超调。这样的控制器满足生产工艺流程的要求。

4、RBF神经网络复合PID控制算法是在传统PID算法下的智能优化，在线调整出更优质的PID参数，对被控对象进行更有效的控制。图3为RBF神经网络的结构图。

如图4为RBF神经网络复合PID控制的流程图，该控制器控制算法可归纳为：

1）确定RBF网络的结构，对学习速率、惯性系数、加权系数进行初始值的设定；

2）采样得到反应堆温度系统的输入rin(k)和输出yout(k)，求取误差error(k)=rink(k)-yout(k)；

3）计算RBF神经网络各层神经元的输入、输出，第三层输出层的输出为PID控制器的三个参数kp、ki、kd；

4）kp、ki、kd三个参数带入PID控制器，计算PID控制器的输出u(k)，用于实时控制和计算，对反应堆温度进行控制，产生下一步反应堆温度系统的输出y(k+1)，计算此时的误差 error(k+1)=rink(k+1)-yout(k+1)；

5）调整RBF权系数、隐节点中心矢量和基宽参数；

6）返回步骤2,直至误差满足精度要求。

图5是模糊PID控制器与PID控制器控制的响应曲线对比图，此时模糊控制器的调整时间t_s=140s。

图6是 RBF神经网络复合PID控制器与PID控制器的控制效果对比图，调整时间为=75s。可见，调整时间与传统PID控制器、模糊PID控制器的调整时间相比，大为缩短。因此，反应堆温度RBF神经网络控制，方案切实可行。