【技术实现步骤摘要】
本专利技术涉及核电厂模拟机控制，特别涉及一种核电厂全范围模拟机的优化方法、系统、设备及存储介质。
技术介绍
1、核电厂全范围模拟机是培训和考核核电厂操作员的重要设备，核电厂全范围模拟机的准确性将直接影响到核电厂实际运行的稳定性和安全性。
2、影响核电厂全范围模拟机精度的最重要的因素是仿真核电厂热力设备的数学模型。虽然描述核电厂局部设备的数学模型越来越精确，但是在数学模型的建立过程中进行了一些假设，对一些干扰因素进行了简化或者忽略处理。当各设备连接成为系统时，误差就会相应的放大，可能造成精度难以达到预定目标。因此，在核电厂全范围模拟机的开发过程中，为满足精度需求就需要人工手动对各设备的数学模型进行不断的修改，这一过程中花费了巨大的人力、物力和时间成本。
技术实现思路
1、本专利技术要解决的技术问题是为了克服现有技术中核电厂全范围模拟机中设备数学模型更新维护难度大，更新周期长的缺陷，提供一种核电厂全范围模拟机的优化方法、系统、设备及存储介质。
2、本专利技术是通过下述技术方案来解决上述技术问题：
3、本专利技术第一方面提供了一种核电厂全范围模拟机的优化方法，所述优化方法包括：
4、获取核电厂全范围模拟机中关键设备的实际运行数据和历史运行数据；
5、获取所述实际运行数据与所述历史运行数据的误差值；
6、判断所述误差值是否大于等于误差阈值，若是，则将所述关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神
7、根据所述实际经验系数对所述核电厂全范围模拟机中关键设备的数学模型进行优化。
8、优选地，所述将所述关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神经网络模型，以得到所述核电厂全范围模拟机中关键设备的数学模型的实际经验系数的步骤之前，所述优化方法还包括：
9、获取所述数学模型的历史输入数据和历史输出数据以及历史经验系数；
10、将所述历史输入数据和历史输出数据作为所述神经网络模型的输入以及将所述历史经验系数作为所述神经网络模型的输出对所述神经网络模型进行训练，得到训练后的核电厂全范围模拟机中关键设备的神经网络模型。
11、优选地，所述优化方法还包括：
12、构建所述核电厂全范围模拟机中关键设备的数学模型和神经网络模型；
13、和/或，
14、所述优化方法还包括：
15、对所述实际运行数据和所述历史运行数据进行数据异常处理。
16、优选地，所述优化方法还包括：
17、采用模拟退火算法对所述核电厂全范围模拟机中关键设备的神经网络模型进行优化。
18、本专利技术第二方面提供了一种核电厂全范围模拟机的优化系统法，所述优化系统包括：
19、第一获取模块，用于获取核电厂全范围模拟机中关键设备的实际运行数据和历史运行数据；
20、第二获取模块，用于获取所述实际运行数据与所述历史运行数据的误差值；
21、判断模块，用于判断所述误差值是否大于等于误差阈值，若是，则调用第三获取模块；
22、所述第三获取模块，用于将所述关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神经网络模型，以得到所述核电厂全范围模拟机中关键设备的数学模型的实际经验系数；
23、第一优化模块，用于根据所述实际经验系数对所述核电厂全范围模拟机中关键设备的数学模型进行优化。
24、优选地，所述优化系统还包括：
25、第四获取模块，用于获取所述数学模型的历史输入数据和历史输出数据以及历史经验系数；
26、训练模块，用于将所述历史输入数据和历史输出数据作为所述神经网络模型的输入以及将所述历史经验系数作为所述神经网络模型的输出对所述神经网络模型进行训练，得到训练后的核电厂全范围模拟机中关键设备的神经网络模型。
27、优选地，所述优化系统还包括：
28、构建模块，用于构建所述核电厂全范围模拟机中关键设备的数学模型和神经网络模型；
29、和/或，
30、所述优化系统还包括：
31、处理模块，用于对所述实际运行数据和所述历史运行数据进行数据异常处理。
32、优选地，所述优化系统还包括：
33、第二优化模块，用于采用模拟退火算法对所述核电厂全范围模拟机中关键设备的神经网络模型进行优化。
34、本专利技术第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的核电厂全范围模拟机的优化方法。
35、本专利技术第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的核电厂全范围模拟机的优化方法。
36、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。
37、本专利技术的积极进步效果在于：
38、本专利技术在判断出核电厂全范围模拟机中关键设备的实际运行数据与历史运行数据的误差值大于等于误差阈值时，将关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神经网络模型，以得到数学模型的实际经验系数；根据实际经验系数对数学模型进行优化，能够快速、准确地优化关键设备的数学模型，提高了模型的精准性。
本文档来自技高网...【技术保护点】
1.一种核电厂全范围模拟机的优化方法，其特征在于，所述优化方法包括：
2.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述将所述关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神经网络模型，以得到所述核电厂全范围模拟机中关键设备的数学模型的实际经验系数的步骤之前，所述优化方法还包括：
3.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述优化方法还包括：
4.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述优化方法还包括：
5.一种核电厂全范围模拟机的优化系统法，其特征在于，所述优化系统包括：
6.如权利要求5所述的核电厂全范围模拟机的优化系统，其特征在于，所述优化系统还包括：
7.如权利要求5所述的核电厂全范围模拟机的优化系统，其特征在于，所述优化系统还包括：
8.如权利要求5所述的核电厂全范围模拟机的优化系统，其特征在于，所述优化系统还包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的核电厂全范围模拟机的优化方法。
...【技术特征摘要】
1.一种核电厂全范围模拟机的优化方法，其特征在于，所述优化方法包括：
2.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述将所述关键设备的实际运行数据输入训练后的核电厂全范围模拟机中关键设备的神经网络模型，以得到所述核电厂全范围模拟机中关键设备的数学模型的实际经验系数的步骤之前，所述优化方法还包括：
3.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述优化方法还包括：
4.如权利要求1所述的核电厂全范围模拟机的优化方法，其特征在于，所述优化方法还包括：
5.一种核电厂全范围模拟机的优化系统法，其特征在于，所述优化系统包括：
6.如权利要求5所...
【专利技术属性】
技术研发人员：王凡，王云伟，
申请(专利权)人：国核自仪系统工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。