张磊 曲莎
中核集团中国中原对外工程有限公司 北京
摘要:在压水核反应堆系统(PWR)中,核电站(NPPs)一回路压力控制是保持反应堆稳定运行的基础,并且可以提高能量转换效率,主要负责此项工作的单元是稳压器。稳压器压力控制系统(PPCS)可以利用加热器和喷淋阀在稳态运行状况下保持压力处在一定的操作范围内,或在切换模式下限制压力变化。安全阀为反应堆冷却系统(RCS)提供超压保护,以确保系统稳定运行。当系统参数超出安全范围时,多种防护反应堆措施将被激发。此前,在PWRs中应用比例-积分-微分控制器(PID),以便保持压力在设定范围内。本文介绍了一种人工神经网络(ANN)在PWRs中的应用:1.介绍一个基于人工神经网络(ANN)的稳压器,2.介绍基于人工神经网络(ANN)s模型的PWR稳压器模糊控制模型,并比较此模型与传统稳压器的优缺点。
关键词:模糊控制;神经网络;遗传算法;演化计算
1.核电站概述
图1 展示了一个简化的核电站模型。在一回路端有反应堆容器、稳压器(PZR)、蒸汽发生器、控制棒系统、以及化学和容积控制系统(CVCS)。反应堆是一回路主要部件,它主要是通过裂变过程加热由反应堆冷却泵(RCP)输入的循环水。控制棒系统控制裂变过程。稳压器控制一回路压力。
图 1 核电站简化模型
2.基于ANN的稳压器模型
神经网络是由加权链接的简单处理元件组成的信息处理系统。在最简模型下,多层正反馈神经网络包含三层:输入层,隐藏层和输出层。信号在输入层和输出层被处理。
在此模型中,神经网络应用于PWR稳压器模型。在参照电厂中,稳压器与反应堆热管段输出口相连。PPCS利用加热器和喷淋阀在稳定状态下保持RCS的压力在可操作范围内和在切换状态下限制压力的变化。应急安全阀提供超压保护以确保系统协调一致。如果系统参数出现异常,会触发各种反应堆保护措施。
期刊文章分类查询,尽在期刊图书馆
如同智能学习算法一样,神经网络的结构被假定依赖于问题。在许多领域,隐藏层便足以解决包括参数估计等的问题。因此在此方案中,最小的隐藏层节点数是根据经验公式得出的。在隐藏层较少的节点会导致学习困难,然而隐藏层节点数的增加又会导致噪声和自振荡。基于以上的描述,此方案使用一个三层结构。在此方案中,将8000个试运行方案用于学习阶段,得到在隐藏层预期的13个节点满足以上要求。
应用基本的反向传输算法来调节负梯度方向的权重。此方向是功能函数迅速减小的方向。事实证明即使函数沿着负梯度方向迅速降低,此算法并没有产生更快的收敛。
而在共轭梯度算法中,执行沿着共轭方向搜寻,可实现比沿着最快降低方向更快的收敛。ANN试运行算法是扩展的共轭梯度(SCG)算法,但与一般共轭梯度算法不同的是此算法并不要求在每个迭代中都进行线性搜索。由于每次搜索要求多次重复计算所有试运行输入的网络响应,所以线性搜索运算量很大。
3.稳压器压力控制系统
稳压器压力控制系统(PPCS)是由模糊或经典的PID控制块组成,它将接收的误差信号ε作为主要输入和提供的信号f(ε)作为输出。在制动器(加热器和喷淋阀)模块之前,将控制输出信号 f(ε)增加到设定点值,以便将信号移动到制动器的可操作范围。来自制动器的输出信号发送到ANN稳压器模型的输入端,以便将压力调节到设定点。然后将压力信号反馈到输入求和模块处,获得误差信号ε。
设定值和压力之间的误差ε应该接近于零。如果达到一些不平衡状态,控制器的输出信号f(ε)会启动驱动系统,以便以补偿稳压器压力。
4.传统PID控制器
比例-积分-微分控制器(PID controller)是通用的循环反馈控制机理(控制器),广泛应用于工业控制系统。PID控制器计算得一个误差值ε作为期望的设定量和测得的过程量的差值。控制器通过调整过程中的输入控制量来减小这个差值。
5.模糊PID控制器
模糊控制器可分为四部分:模糊化,规则库,推理机制和去模糊化。
模糊化:由于输入数据固有的不确定性和不精确性,模糊化模块会将卷曲变量转换成语言变量(模糊集)。其中,一些重要的隶属函数是三角形,梯形和高斯形。为了减少控制器输出误差,应用遗传算法调整这些隶属函数的位置和形状。
规则库:规则库是模糊输入/输出关系的一种排列组合,模糊规则库的自动生成就是自动寻找满足控制要求的最佳排列组合。
推理机制:推理引擎是应用模糊规则库中的模糊设定,将给定的输入映射到输出的过程。然后基于此映射做出决定或模式选择。模糊推理的过程包括三个步骤。第一步,推理机理的模糊输入与之前的所有规则库中的规则相比较以确定当前状况下所要用的规则。第二步,使用模糊含义,由在与此前规则相关的当前规则中,重塑模糊输出集得到模糊决策。第三步,将来自所有规则的模糊输出设定统一到一起以得到单一的模糊化结论。
去模糊化:去模糊化是发现最好的表示模糊决策的卷曲值的过程。虽然有一些有效的去模糊化的方法,但是常用的方法是重心技术法,此方案用重心技术法(CoM)。在CoM方法中,模糊逻辑控制器决定每一个扩展隶属函数的典型值。典型值是与隶属函数扩展度相一致的数值的平均值。
为了优化模糊控制器的性能,通过调节模糊参数(输入隶属函数的位置和形状,输出隶属函数的位置)以实现输出变量值与期望设定点之间的误差最小。在此,应用遗传算法(GAs)来调谐模糊控制器的输入/输出形状和位置。
6.结果和讨论
此方案测试了两个不同的PID控制器:传统控制器和模糊控制器。
与传统控制器相比,当增益合适时,模糊P控制器展示了更低的稳定误差。此外,模糊控制器在GA优化后可实现更高的敏感度。当精度相同时,PID模糊控制器可以得到比传统控制器更好的结果,并且PID模糊控制器比传统控制器更加稳定。
参考文献
[1] H.Akkurt,Ü.Çolak,PWR system simulation and parameter estimation with neural networks,Annals of Nuclear Energy 29(2002) 2087-2103.
[2] T.U.Bhatt,K.C.Madala,S.R.Shimjith,A.P.Tiwari,Application of fuzzy logic control system for regulation of differential pressure in Liquid Zone Control System,Annals of Nuclear Energy 36(2009) 1412-1423.
[3] C.Liu,J.-F.Peng,F.-Y.Zhao,C.Li,Design and optimization of fuzzy-PID controller for the nuclear reactor power control,Nuclear Engineering and Design 239(2009) 2311-2316.
[4] 李永玲,马进,黄宇,王兵树,基于遗传算法的压水堆核电一回路稳压器机理建模与仿真,核科学与工程(2012) 212-218.
论文作者:张磊,曲莎
论文发表刊物:《建筑学研究前沿》2018年第33期
论文发表时间:2019/3/6
标签:模糊论文; 控制器论文; 稳压器论文; 神经网络论文; 压力论文; 算法论文; 反应堆论文; 《建筑学研究前沿》2018年第33期论文;