一种核电装备反应性多主体交互协同控制方法技术

本发明专利技术公开了一种核电装备反应性多主体交互协同控制方法。根据不同影响因素的机理，首先将总反应性分为几个反应性主体；每个主体都被视为使用AMTL建模的任务，AMTL允许主体之间的不对称信息传递交互，以最小化负迁移的影响并提高准确性；引入一个有向正则化图来可视化主体之间的相关性，并改进AMTL的损失函数，包括回归损失和参数学习损失，以模拟压水堆的反应性。本发明专利技术提出的改进的AMTL使用一种新任务权重，与传统对称学习(MTL)和单任务学习(STL)相比，具有更好的效率和准确性，对运行人员和研究人员从不同角度分析和控制反应性，对确保反应堆的安全和合理功率具有重要意义。确保反应堆的安全和合理功率具有重要意义。确保反应堆的安全和合理功率具有重要意义。

【技术实现步骤摘要】
一种核电装备反应性多主体交互协同控制方法


[0001]本专利技术涉及一种核电场景下的多任务反应性预测方法，具体涉及了一种核电装备反应性多主体交互协同控制方法。

技术介绍

[0002]在气候变化和能源短缺的背景下，建设以可再生能源为主体的清洁、低碳、安全、高效的能源体系是一项战略重点，其中核能是大规模替代常规能源的更有效、更经济的选择。安全是核电站的首要任务，压水堆(PWR)核电站的运行是复杂的，有发生不可控裂变反应的风险。核电站的理想模型不仅能反映当前的反应堆状态，而且有助于进一步进行动态运行分析、优化运行参数和控制策略。它进一步增强了对异常现象的响应，确保了核电站的安全性和经济性。压水堆核动力装置通常由一次回路系统、二次回路系统和辅助设施组成。一回路系统由反应堆、蒸汽发生器和冷却剂系统组成，是核电站和常规火力发电厂之间最显著的区别。反应堆和冷却剂系统处于设备安全等级的第一级。其中，反应堆是核动力的关键驱动力，类似于人类的心脏。因此，建立符合实际运行条件的一次回路系统模型至关重要。
[0003]在压水堆中，核裂变的链式反应会产生大量热能，这取决于反应堆的中子通量水平或中子密度。反应性与中子数呈正相关。当反应性为正时，反应堆中的中子数增加；因此，功率增加。否则，功率会降低。理想情况下，反应性为零，功率保持不变。反应性对核能发电的功率和安全性具有重要意义，因此有必要对其预测模型进行研究，以揭示其变化规律。在以往的研究中，反应性模型大多是用数学方法建立的。Wu等人将影响反应性的因素分为可控因素和不可控因素，分别使用积分和时变公式进行建模。在反应堆启动或关闭、功率调整或外部负载变化时，不可控因素可能会发生变化。上述方法基于集总参数数学模型，该模型将模型中的变量视为均匀分布且与空间位置无关。然而，模型的简化或理想化往往会导致偏离现实。
[0004]美国轻水反应堆高级模拟联合会(CASL)根据成熟反应堆实验的数据建立了一个虚拟反应堆和一个专家参考数据库。他们使用集成反应堆设计、预测和分析的超级计算机平台，对中子学、热工水力和燃料性能进行数值模拟。超级计算的广泛使用使得多物理、多尺度和多过程反应堆建模成为可能。受CASL的启发，Wang等人在数值核反应堆研究中引入了大数据技术和学习算法。这种创新性的扩展促进了建模优化和机制分析。尽管上述探索是相关的，但还没有一种利用数据和先进信息技术的系统方法。数字核反应堆的学习模型在可用性、准确性和效率方面也面临权衡，因此需要一种效率和准确率都更高的先进反应性建模方法。

技术实现思路

[0005]为了解决技术背景中存在的问题，基于一种先进的机器学习方法：非对称多任务学习(AMTL)，本专利技术提出了一种核电装备反应性多主体交互协同控制方法，本专利技术中更加
准确的损失函数和任务权重计算方法，保证了在不平衡数据集相关任务之间稳定的学习性能。本专利技术中，AMTL允许主体之间的不对称信息传递交互，以最小化负迁移的影响并提高准确性；改进的回归损失用于模拟压水堆的反应性，该损失函数适用于各种反应性任务数量不平衡的小样本数据集；改进的AMTL使用一种新任务权重，与传统对称学习(MTL)和单任务学习(STL)相比，具有更好的效率和准确性，对运行人员和研究人员从不同角度分析和控制反应性，对确保反应堆的安全和合理功率具有重要意义。有向正则化图来可视化主体之间的相关性，帮助分析各主体之间交互协同学习过程和反应机制。
[0006]本专利技术技术方案包括以下步骤：
[0007]步骤1：建立改进非对称学习模型；
[0008]步骤2：将核电场景下K个任务的反应性数据输入改进非对称学习模型中对模型进行优化，获得优化好的改进非对称学习模型；
[0009]步骤3：将当前核电场景下最新的K个任务的反应性数据输入优化好的改进非对称学习模型中，预测获得K个任务的正则化图，进而实现多任务主体之间的交互协同。
[0010]所述步骤2具体为：
[0011]步骤2.1：利用当前核电场景下K个任务的反应性数据对改进非对称学习模型进行参数初始化，获得初始的K阶非对称核电反应性数据矩阵A和模型权重向量；
[0012]步骤2.2：根据K个任务中各个任务的反应性数据和模型权重向量，计算各个任务的回归损失；
[0013]步骤2.3：根据当前K阶非对称核电反应性数据矩阵A和各个任务的回归损失，基于单边信息传输向量优化函数和模型权重向量优化函数，利用控制变量法和梯度下降法对第一个任务的单边信息传输向量和权重进行优化，获得第一个任务的单边信息传输向量和权重并分别更新非对称核电反应性数据矩阵A和模型权重向量；
[0014]步骤2.4：重复步骤2.2
‑
2.3，依次对剩余任务的单边信息传输向量和权重进行优化，获得最终的非对称核电反应性数据矩阵A和模型权重向量，进而获得优化好的改进非对称学习模型。
[0015]所述各个任务的回归损失的计算公式如下：
[0016][0017]其中，表示第k个任务的回归损失，为第k个任务的输入数据集，m
k
代表第k个任务的样本数量，y
k
为实际响应，是设计矩阵，，w
k
表示第k个任务的权重，γ表示损失转向参数重要度，||||2表示参数L2正则化。
[0018]所述单边信息传输向量优化函数的公式如下：
[0019][0020][0021]其中，表示除了第k个任务以外其余K
‑
1个任务到第k个任务的单边传输信息，Γ表示回归损失矩阵，||||1表示参数的L1正则化，λ表示正则化转向参数重要度，W表示模型的整体权重；w
k
表示第k个任务的权重，满足
[0022]所述模型权重向量优化函数的公式如下：
[0023][0024][0025]其中，η
k
表示第k个任务的任务权重，m
k
代表第k个任务的样本数量，s
f
表示标量因子，||||
F
表示Frobenius正则化方法。
[0026]与已有技术相比，本专利技术的有益效果为：
[0027]与原始的AMTL和STL方法相比，应用于压水堆(PWR)核电站反应性建模，改进的AMTL方法引入数据平衡策略，在预测精度上显著增高，并因为对无用学习精度的限制，学习效率也得到了提高。此外，因为AMTL更适用于小样本问题，如反应性建模，所有任务的样本都包含在一个空间中学习，这间接扩大了每个任务的样本量；后续为了直观地描述任务之间的不对称信息传递，引入了正则化图。通过图表可以分析主体反应性之间的相关性，与机理研究相呼应。
附图说明
[0028]图1为本专利技术所涉及压水堆核电站一回路系统的反应性轨迹。
[0029]图2为本专利技术所涉及压水堆反应性非对称多任务学习体系图。
[0030]图3为本实验过程中不同反应性主体的数据安排。
[0031]图4为AMTL模型建立和基于优化学习的参数优化流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种核电装备反应性多主体交互协同控制方法，其特征在于，包括以下步骤：步骤1：建立改进非对称学习模型；步骤2：将核电场景下K个任务的反应性数据输入改进非对称学习模型中对模型进行优化，获得优化好的改进非对称学习模型；步骤3：将当前核电场景下最新的K个任务的反应性数据输入优化好的改进非对称学习模型中，预测获得K个任务的正则化图，进而实现多任务主体之间的交互协同。2.根据权利要求1所述的一种核电装备反应性多主体交互协同控制方法，其特征在于，所述步骤2具体为：步骤2.1：利用当前核电场景下K个任务的反应性数据对改进非对称学习模型进行参数初始化，获得初始的K阶非对称核电反应性数据矩阵A和模型权重向量；步骤2.2：根据K个任务中各个任务的反应性数据和模型权重向量，计算各个任务的回归损失；步骤2.3：根据当前K阶非对称核电反应性数据矩阵A和各个任务的回归损失，基于单边信息传输向量优化函数和模型权重向量优化函数，利用控制变量法和梯度下降法对第一个任务的单边信息传输向量和权重进行优化，获得第一个任务的单边信息传输向量和权重并分别更新非对称核电反应性数据矩阵A和模型权重向量；步骤2.4：重复步骤2.2
‑
2.3，依次对剩余任务的单边信息传输向量和权重进行优化，获得最终的非对称核电反应性数据矩阵A和模型权重向量，进而获得优化好的...

【专利技术属性】
技术研发人员：冯毅雄，赵泽田，洪兆溪，胡炳涛，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：