基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统技术方案

本发明专利技术公开了基于支持向量机的高温气冷堆石墨粉尘量预测方法包括，收集反应堆试验过程或停堆期间倒料后的堆内石墨粉尘含量数据，并对数据进行预处理；选择支持向量机作为预测模型，并选择高斯径向基函数作为核函数；使用收集的数据和选择核函数训练

【技术实现步骤摘要】
基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统


[0001]本专利技术涉及石墨粉尘量预测方法
，尤其涉及基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统
。

技术介绍

[0002]在我国
863
高技术计划的支持下，自上世纪八十年代中以来开展了
10MW
高温气冷实验堆
(HTR
‑
10)
的研究与开发工作，于
2000
年
12
月实现首次临界，
2003
年1月
29
日实现了满功率发电运行，标志着我国在高温气冷堆的
取得了重大的进展，我国在该领域进入国际先进行列
。
[0003]球床式高温气冷堆燃料元件是由包覆燃料颗粒弥散在石墨基体内组成的直径约为
50mm
的燃料区和厚度约为
5mm
的同样基体材料的无燃料区构成的球体
。
包覆燃料颗粒的功能是约束燃料和阻挡裂变产物的释放，传导出热量，保证反应堆的放射性安全
。
石墨基体完成物理
、
热工和结构功能
。
[0004]包覆燃料颗粒的包覆层形成了阻止裂变产物释放的第一道屏障，其良好性能是球床式高温气冷堆设计的基本保障
。
而在球床堆的氦气气氛下，石墨间的摩擦系数增大和磨损率会大大增大，这导致在球床式高温气冷堆压力容器内石墨粉尘
。
堆内石墨粉尘的存在会导致一回路放射性增加
、
燃料装卸料机的出料困难
、
燃料堆内滞留时间的不确定性等问题，因此，监测堆内石墨粉尘含量是十分有必要的
。
[0005]本专利技术拟采用支持向量机模型预测堆内石墨粉尘含量，支持向量机是一个经典算法，由
Vapnik
在
1995
年提出，其在分类
、
回归和密度估计方面有着广泛的应用
。
支持向量机通过非线性映射将输入映射到特征维度更高的空间，然后在这个高维特征空间中构造一个线性决策曲面作为分割超平面
。
对于一个线性可分的数据集，其分割超平面有很多个，但是间隔最大的超平面是唯一的
。SVM
本身是参数空间中的线性分类器，但由于输入空间到高维特征空间的非线性映射，它变成了非线性分类器
。SVM
找到的分割超平面具有很好的鲁棒性，在很多任务上有着优秀的表现
。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0007]鉴于上述现有存在的问题，提出了本专利技术
。
[0008]因此，本专利技术针为球床式高温气冷堆在反应堆正常运行期间测量反应堆压力容器内的石墨粉尘含量较为困难的问题
。
拟采用支持向量机算法对石墨粉尘含量进行预测，能够给高温气冷堆安全监测系统提供支持辅助
。
[0009]为解决上述技术问题，本专利技术提供如下技术方案，基于支持向量机的高温气冷堆石墨粉尘量预测方法，包括：收集反应堆试验过程或停堆期间倒料后的堆内石墨粉尘含量
数据，并对数据进行预处理；选择支持向量机作为预测模型，并选择高斯径向基函数作为核函数；使用收集的数据和选择核函数训练
SVM
模型，并使用序列最小优化算法优化
SVM
的目标函数，得到全局最优解，使用交叉验证的方法验证模型性能；在反应堆正常运行期间，使用训练好的
SVM
模型预测反应堆内的石墨粉尘含量，并将预测的石墨粉尘含量提供给高温气冷堆安全监测系统
。
[0010]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述石墨粉尘含量数据包括，运行时间
、
核功率
、
一回路压力
、
氦气流量
、
反应堆内测点温度
。
[0011]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述训练
SVM
模型包括，支持向量机的目标是寻找一个超平面，使得整个数据集中所有样本到分割超平面的最短距离最大，
[0012]ω
T
x+b
＝0[0013]其中，
ω
是超平面系数的向量，
b
是偏差项
。
[0014]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述预处理包括，使用
Z
‑
score
方法识别异常值，
[0015][0016]其中，
X
是观察值，
μ
是平均值，
σ
是标准差，当一个值的
Z
‑
score
超过阈值时，则所述值为异常值，并进行标准化处理，将数据划分为训练集和测试集
。
[0017]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述使用序列最小优化算法优化
SVM
的目标函数包括，初始化所有的拉格朗日乘子为0，在每一轮迭代中，选择一对拉格朗日乘子进行优化，在固定其它乘子的情况下，优化选定的一对乘子，根据优化结果，更新选定的乘子，若所有的乘子都满足
KKT
条件或达到预设的最大迭代次数时，则停止迭代，若有乘子未满足
KKT
条件或未达到预设的最大迭代次数时，则继续选择一对乘子进行优化，得到所有的乘子后，计算偏差项和权重
。
[0018]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述交叉验证包括，将数据集划分为
k
个子集，每个子集具有相同的大小，进行
k
次训练和验证，每一次，选择一个子集作为验证集，
k
‑1个子集合并成一个新的训练集，使用新的训练集训练
SVM
模型，并在验证集上测试模型的性能，对每一次的验证结果进行记录，计算
k
次验证结果的平均值，当在训练
SVM
模型时考虑了不同的参数，则对每一组参数都进行交叉验证，根据结果选择性能最优的模型
。
[0019]作为本专利技术所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法的一种优选方案，其中：所述根据实际情况判断包括，当预测的石墨粉尘含量在正常范围内时，则继续正常运行反应堆，工作人员保持正常作业状态，当预测的石墨粉尘含量高于正常范围小于危本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于支持向量机的高温气冷堆石墨粉尘量预测方法，其特征在于：包括，收集反应堆试验过程或停堆期间倒料后的堆内石墨粉尘含量数据，并对数据进行预处理；选择支持向量机作为预测模型，并选择高斯径向基函数作为核函数；使用收集的数据和选择核函数训练
SVM
模型，并使用序列最小优化算法优化
SVM
的目标函数，得到全局最优解，使用交叉验证的方法验证模型性能；在反应堆正常运行期间，使用训练好的
SVM
模型预测反应堆内的石墨粉尘含量，并将预测的石墨粉尘含量提供给高温气冷堆安全监测系统
。2.
如权利要求1所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法，其特征在于：所述石墨粉尘含量数据包括，运行时间
、
核功率
、
一回路压力
、
氦气流量
、
反应堆内测点温度
。3.
如权利要求2所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法，其特征在于：所述训练
SVM
模型包括，支持向量机的目标是寻找一个超平面，使得整个数据集中所有样本到分割超平面的最短距离最大，
ω
T
x+b
＝0其中，
ω
是超平面系数的向量，
b
是偏差项
。4.
如权利要求3所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法，其特征在于：所述预处理包括，使用
Z
‑
score
方法识别异常值，其中，
X
是观察值，
μ
是平均值，
σ
是标准差，当一个值的
Z
‑
score
超过阈值时，则所述值为异常值，并进行标准化处理，将数据划分为训练集和测试集
。5.
如权利要求4所述的基于支持向量机的高温气冷堆石墨粉尘量预测方法，其特征在于：所述使用序列最小优化算法优化
SVM
的目标函数包括，初始化所有的拉格朗日乘子为0，在每一轮迭代中，选择一对拉格朗日乘子进行优化，在固定其它乘子的情况下，优化选定的一对乘子，根据优化结果，更新选定的乘子，若所有的乘子都满足
KKT
条件或达到预设的最大迭代次数时，则停止迭代，若有乘子未满足
KKT
条件或未达到预设的最大迭代次数时，则继续选择一对乘子进行优化，得到所有的乘子后，计...

【专利技术属性】
技术研发人员：王朗，刘嵩阳，刘伟，孟剑，肖三平，周勤，周振德，罗勇，汪景新，王翥，李雪琳，刘平，
申请(专利权)人：华能核能技术研究院有限公司，
类型：发明
国别省市：