基于时间序列神经网络的蒸汽发生器传热管泄漏程度诊断研究

针对蒸汽发生器U形传热管泄漏，本文提出了一种基于时间序列神经网络对蒸汽发生器传热管泄漏程度进行诊断研究的方法。首先，对核电厂蒸汽发生器U型传热管泄漏进行机理分析，构建其数学模型，提取其泄漏的直接特征参数，再依据Fisher得分法，提取其间接特征参数；其次，通过滑动时间窗口法从预处理后的时间序列数据中生成数据样本，作为时间序列神经网络的输入，并以蒸汽发生器U形传热管泄漏程度信息为标注，基于反向传播（BP）算法对五层神经网络系统进行训练，得到蒸汽发生器U形传热管泄漏的时间序列神经网络模型；最后，模拟核电厂运行过程蒸汽发生器U形传热管泄漏时的时间序列测试数据。仿真结果表明，时间序列神经网络对演变事件的处理具有较好的有效性和较高的泛化能力，对故障程度的诊断研究具有参考价值。      

基于CPSO滚动优化的堆芯功率自适应预测控制

针对核反应堆变功率过程中系统的非线性和反应性增量约束问题，本文将具备模型参数自适应辨识能力的改进型广义预测控制器（JGPC）应用于堆芯功率控制，该控制器通过预测模型参数和递推关系计算未来时刻的预测输出值，同时采用经正弦混沌策略和非线性惯性权重改进的混沌粒子群算法（CPSO）进行滚动优化，在优化过程中通过设定优化边界和混沌策略来处理反应性约束；以堆芯功率的受控自回归积分滑动平均模型（CARIMA）作为预测模型，并采用遗忘因子递推最小二乘法（FFRLS）自适应辨识模型参数，以克服堆芯功率模型非线性。基于MATLAB平台对本文控制器进行仿真验证，结果表明，该控制器在满足约束条件的情况下，能使堆芯功率快速、稳定地跟随设定值，且具备一定的抗干扰能力。      

基于自适应遗忘因子RLS算法的稳压器模型在线辨识

为提高稳压器时变系统模型辨识的准确性及其参数在线辨识的快速性和鲁棒性，并研究遗忘因子大小对遗忘因子递推最小二乘法算法特性的影响，提出了一种基于模糊算法的自适应遗忘因子递推最小二乘法算法。该算法以系统动态特性值与辨识模型值之间的残差时间序列平均值及其变化率作为模糊算法的输入，遗忘因子修正量为输出，从而实现遗忘因子的自适应调整。通过对某核电厂稳压器降压系统进行仿真，结果表明，该算法可实时调整遗忘因子大小，有效地解决了稳压器模型参数时变性的问题，得到了较精确的时变模型；有效地解决了参数辨识结果稳定性和收敛速度相互矛盾的问题。因此，该算法具有可行性和优越性。      

广义预测控制在堆芯变功率控制中的应用

针对不同功率水平下稳态中子密度造成的堆芯功率模型非线性问题，将广义预测控制（GPC）应用于堆芯功率控制，实现变工况条件下堆芯功率的自动控制。本文首先基于零功率堆芯模型和温度反馈模型建立堆芯功率模型，基于该模型阶次设计预测时域，并根据系统输入输出数据在GPC校正环节通过带遗忘因子的最小二乘法在线辨识不同功率水平下的模型参数。为验证控制器的鲁棒性，在满功率平稳运行时加入反应性扰动。基于MATLAB平台对控制器的性能进行仿真验证。结果表明，本文所设计的GPC在堆芯变工况运行时能使输出功率快速、准确地跟踪设定值，并能在线辨识不同功率水平的堆芯模型参数，具备一定的抗干扰能力。      

基于CPSO滚动优化的堆芯功率自适应预测控制

In view of the nonlinear and reactive constraint of nuclear reactors in the process of variable power, this paper proposes an improved generalized predictive control (JGPC) for core power control. The JGPC calculates the predicted output value by predicting the model parameters and recursive relationships. At the same time, chaos particle swarm optimization (CPSO), which is improved by the sinusoidal chaos strategy and nonlinear inertia weight, is applied to the rolling optimization of JGPC. In the process of optimization, the reactive constraint are dealt with by setting optimization boundary and chaos strategy. The controlled auto-regressive integral moving average (CARIMA) model of core power is established as the JGPC prediction model, and the forgetting factor recursive least squares (FFRLS) method is used to identify the model parameters online. The JGPC controller is simulated and validated based on MATLAB platform. The results show that the controller can make the core power follow the set value quickly and steadily under the condition of satisfying the constraint, and has a certain anti-interference ability.