核電廠對(duì)數(shù)字化安全級(jí)系統(tǒng)主控制器的負(fù)荷率有嚴(yán)苛的要求。為實(shí)現(xiàn)核電廠主控制器負(fù)荷率在安全的運(yùn)作范圍內(nèi)正常運(yùn)行和調(diào)度控制,應(yīng)該對(duì)主控制器負(fù)荷率預(yù)測(cè),以有利于核電廠儀控系統(tǒng)的安全可靠運(yùn)行。因此,學(xué)者們針對(duì)核電廠主控制器負(fù)荷率的預(yù)測(cè)問(wèn)題開展了積極的研究工作,通過(guò)分析影響主控制器負(fù)荷率的各個(gè)因素找出合適的方案提高負(fù)荷率計(jì)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(fù)荷率預(yù)測(cè)案例的成功應(yīng)用,傳統(tǒng)核電廠負(fù)荷率計(jì)算模型的局限性越來(lái)越顯著。針對(duì)此現(xiàn)狀,本文將機(jī)器學(xué)習(xí)的方法應(yīng)用到核電廠主控制器負(fù)荷率預(yù)測(cè)中,并通過(guò)某核電工程實(shí)例,對(duì)相關(guān)方法進(jìn)行了仿真實(shí)驗(yàn)驗(yàn)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(diǎn)如下:1.完成了核安全級(jí)負(fù)荷率影響因素分析研究。基于國(guó)內(nèi)安全級(jí)數(shù)字化控制系統(tǒng)的主控制器設(shè)計(jì)一般采用定周期處理機(jī)制的特點(diǎn),核電廠安全級(jí)數(shù)字化控制系統(tǒng)平臺(tái)也采用了相同的設(shè)計(jì),因此主控制器負(fù)荷率預(yù)測(cè)問(wèn)題可轉(zhuǎn)化為對(duì)數(shù)據(jù)處理時(shí)間的研究。通過(guò)數(shù)據(jù)處理機(jī)制的分析分析可知,影響主控制器數(shù)據(jù)處理時(shí)間的因素主要包括程序模塊自身特征、硬件配置和運(yùn)行的自然環(huán)境三個(gè)方面。以此為基礎(chǔ),完成了不同方案下對(duì)負(fù)荷率的影響因素進(jìn)行特... 

【文章來(lái)源】：南華大學(xué)湖南省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)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(jì)算隱藏層和輸出層輸入輸出計(jì)算取值和閾值誤差修正對(duì)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(fù)荷率預(yù)測(cè)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(duì)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(xí)的方式，將所選樣本集的誤差值來(lái)不斷的修正權(quán)重和閾值，直到滿足訓(xùn)練目標(biāo)。由于BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)沒(méi)有固定模式，通常運(yùn)用實(shí)際測(cè)試方法確定。所以在構(gòu)建模型時(shí)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(gè)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(fù)荷率影響因素為11個(gè)特征，分別為圖頁(yè)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(gè)數(shù)、程序條件語(yǔ)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(gè)部分，一是隱藏層神經(jīng)元的個(gè)數(shù)；另一個(gè)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(gè)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(jì)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(jìn)行初始化為群體并編碼；步驟二：將已有的編碼帶入目標(biāo)函數(shù)，函數(shù)計(jì)算結(jié)果出所有個(gè)體的適應(yīng)度值；步驟三：將適應(yīng)度值高的進(jìn)行復(fù)制、交叉和變異，產(chǎn)生新的基因碼；步驟四：進(jìn)行判斷此時(shí)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(fù)荷率預(yù)測(cè)模型的建立上述中提到BP神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)局部搜索，但易陷于局部最優(yōu)值，剛好遺傳算法對(duì)全局搜索占有優(yōu)勢(shì)，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(shì)實(shí)現(xiàn)預(yù)測(cè)精度方面的增強(qiáng)。因此，本文運(yùn)用遺傳算法來(lái)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(fù)荷率的預(yù)測(cè)問(wèn)題上，以提高負(fù)荷率預(yù)測(cè)精度，需要解決以下幾個(gè)問(wèn)題；（1）BP網(wǎng)絡(luò)的設(shè)計(jì)28

【參考文獻(xiàn)】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的公交動(dòng)態(tài)行程時(shí)間預(yù)測(cè)方法研究[J]. 韓勇,周林,高鵬,王舒康,陳戈.  中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)[J]. 鄧祺盛,紀(jì)爽,李政,馬雪倩,趙璐.  現(xiàn)代計(jì)算機(jī). 2019(35)
[3]邏輯回歸分類識(shí)別優(yōu)化研究[J]. 王正存,肖中俊,嚴(yán)志國(guó).  齊魯工業(yè)大學(xué)學(xué)報(bào). 2019(05)
[4]基于神經(jīng)網(wǎng)絡(luò)的核安全級(jí)主控制器負(fù)荷率預(yù)測(cè)研究[J]. 齊帥,陳智,吳志強(qiáng),丁琳,劉朝暉.  自動(dòng)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(cè)策略[J]. 王福忠,任吉利,劉薇.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[6]基于機(jī)器學(xué)習(xí)的工業(yè)控制網(wǎng)絡(luò)異常檢測(cè)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(cè)[J]. 張金夢(mèng),劉慧君.  重慶大學(xué)學(xué)報(bào). 2018(03)
[8]用支持向量回歸法實(shí)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(hù)系統(tǒng)中央處理器負(fù)荷率分析與測(cè)試[J]. 汪績(jī)寧.  自動(dòng)化博覽. 2013(11)
[10]基于神經(jīng)網(wǎng)絡(luò)的獨(dú)立程序在單機(jī)上運(yùn)行功耗的預(yù)測(cè)[J]. 譚一鳴,曾國(guó)蓀.  計(jì)算機(jī)科學(xué). 2012(05)

博士論文
[1]云工作流服務(wù)組合與活動(dòng)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(cè)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(fù)荷預(yù)測(cè)研究與實(shí)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(shí)交通流預(yù)測(cè)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(duì)AQI的預(yù)測(cè)研究[D]. 張楠.中北大學(xué) 2019
[4]《如何實(shí)現(xiàn)未來(lái)社會(huì)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(shí)踐報(bào)告[D]. 陳怡.大連外國(guó)語(yǔ)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(zhǎng)安大學(xué) 2019
[6]核電站反應(yīng)堆控制保護(hù)系統(tǒng)的設(shè)計(jì)與研究[D]. 鄭志興.華南理工大學(xué) 2019
[7]三河電廠機(jī)組設(shè)備節(jié)能改造與實(shí)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(jī)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(kuò)建工程項(xiàng)目后評(píng)價(jià)研究[D]. 李連有.吉林大學(xué) 2013



本文編號(hào)：3465939