【技术实现步骤摘要】
本专利技术属于核电设备冷却水系统智能监测，具体涉及基于对抗网络的设备冷却水系统非稳态监测方法。
技术介绍
1、设备冷却水系统广泛应用于各核电站，作为一个闭式回路的冷却水系统，该系统在核电厂正常运行各阶段将核岛设备运行发热以及堆芯衰变热传递给厂用水系统，最终实现与海水的换热。
2、设备冷却水系统一般分为a、b两列，一般情况下每列包括一台设冷水泵和一台设冷水热交换器，设冷水泵下游存在管道确保每一个设冷水泵可以向任意一个热交换器供水。在通常情况下只启用一列热交换器，当其中一列热交换器出现阻塞或定期维修时则切换另一列热交换器，该场景同样适用于设备冷却水泵。此外，被冷却的对象是下游各对应设备。并且每隔一个周期核电站会进行大修操作，届时设备冷却水系统还会出现停机工况。
3、根据上述内容，设备冷却水系统确实存在一些非稳态情况，但是相较于整体运行周期来看非稳定运行状态的样本较少，存在严重的样本不平衡情况。不平衡样本对设备状态监测算法模型的建立、训练、验证以及使用造成一定困难，只能做到设备冷却水系统稳定运行状态的有效识别而不能进行设备冷却水系统非稳定状态的监测。
4、核电厂设备冷却水系统会因为启用备用设备、关联设备启停、电厂降功率运行等操作触发非稳定运行状态，但是建模过程中相关非稳态运行样本太少导致的样本不均匀引发无法进行系统非稳态监测的情况发生。每当系统出现非稳定运行状态时会导致监测模型精度降低，产生大量虚假报警，严重影响现场工程师对现场情况的判断以及进一步工作的开展。
技术实现思
1、本专利技术的目的是提供一种基于对抗网络的设备冷却水系统非稳态监测方法，能够解决由于样本不平衡问题导致无法对核电厂设备冷却水系统进行非稳态状态监督的问题。
2、本专利技术的技术方案如下：基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，包括如下步骤：
3、步骤1：数据处理；
4、步骤2：非稳态样本生成gan模型-生成器构建，通过并结合深度学习网络进行生成器的构建，使得样本分布尽量满足pg(x)＝pdata(x)，其中pg是生成器生成非稳态样本分布，pdata是真实非稳态样本分布；
5、步骤3：非稳态样本生成gan模型-分类器构建，进行真实样本和生成样本的区分训练；
6、步骤4：基于所构造的对抗神经网络模型生成大量非稳态样本，将相关非稳态测点数据样本以及稳态运行测点数据样本输入状态监测算法中进行设备状态的监测，状态监测算法采用动态阈值模型。
7、所述的步骤1对非稳态事件的整理与汇总，选取各电厂自商运以来表征设备冷却水系统运行状态的关键测点，包括设备冷却水流量、海水流量、设备冷却水进出口压力、下游设备冷却水流量。
8、所述的步骤1中挑选出系统的非稳态工况，这些非稳态工况包括但不限于设备切换瞬间导致的相关测点数据波动，备用设备启用导致相关测点数据波动，降功率导致相关测点数据波动，通过降采样缩减样本维度或通过插值法拓展样本维度将相关事件进行整合以得到维度一致的样本集。
9、所述的步骤1中的降采样缩减样本维度的方法为用函数sd(w,n)表示，w表示样本选取窗口宽度根据样本维度l和选取样本数m自动推理得到，在窗口内对数据选取最大值、最小值以及n分位值。
10、所述的步骤1中的插值法拓展样本的方法为用函数su(w,n)表示，w表示样本选取窗口宽度根据样本维度l和选取样本数m自动推理得到，在窗口内通过线性插值法进行样本的扩充，插值数选择n。
11、所述的步骤2包括：
12、步骤21：将标签l用更高维度的嵌入层q表示；
13、步骤22：合并噪声z和嵌入层q作为下一层的输入g1；
14、步骤23：构建全连接层将所转换的一维数据g1输入有k1个神经元构成的全连接层，得到输出g2；
15、步骤24：构建卷积层一，该卷积层由k2个卷积滤波器构成，输入g2得到k2个特征图a1；
16、为了恢复输入测点图对其进行步骤25-27的反卷积操作，具体如下：
17、步骤25：构建反卷积层一，输入特征图a1进行上采样，通过反卷积操作得到a2，激活函数选择relu函数；
18、步骤26：构建反卷积层二，输入特征图a2进行上采样，通过反卷积操作得到a3，激活函数选择relu函数；
19、步骤27：构建反卷积层三，对特征图a3进行上采样，通过反卷积操作得到生成器所生成的扩展样本作为生成器的输出a4，激活函数选择tanh函数，
20、选取adam优化器以及目标函数选择二分类任务交叉熵进行参数优化：
21、
22、其中，αg表示学习率，m表示单批训练样本数，其中d(z)表示分类器，g(z)表示生成器，其中z表示噪声。
23、所述的步骤3包括以下：
24、步骤31：将标签l用更高维度的嵌入层q表示；
25、步骤32：将嵌入层q重建为和非稳态样本一致维度的数据，与真实非稳态样本进行合并得到下一个卷积层的输入d1；
26、步骤33：构建卷积层一，该卷积层由k3个卷积滤波器构成，输入d1得到k4个特征图a4；
27、步骤34：构建卷积层二，该卷积层由k4个卷积滤波器构成，将a4输入到该卷积层，得到k5个特征图a5；
28、步骤35：构建卷积层三，该卷积层由k6个卷积滤波器构成，将a5输入到该卷积层，得到k6个特征图a6；
29、步骤36：构建全连接层，将a6作为输入由k7个神经元所组成的全连接层，并输出结果k8；
30、步骤37：基于步骤31至36创建完毕分类器；
31、步骤38：选取adam优化器以及目标函数二分类任务交叉熵进行参数优化：
32、
33、其中，y表示真实稳态样本数据，z表示噪声。
34、所述的步骤4包括如下：
35、其中用于模型训练的样本用d(x)表示，x表示某一时刻某一测点的值，
36、
37、根据先验知识构建训练数据的标签向量用y表示；
38、
39、对结果进行取整获取设备所处状态共分为稳态、非稳态，对于非收敛数据即认为设备出现异常；
40、选取非线性运算符进行估计值的计算
41、
42、
43、
44、
45、根据估计值以及实际值x进行设备状态判定，根据各测点历史数据分布情况构建监督方案以判定设备是否处于异常状态，当认定设备处于异常状态则进行异常报警，当设备处于非异常状态则进一步进行设备其他状态判定，设备状态用yf基于近似取整表示。
46、本专利技术的有益效果在于：避免了由于样本不平衡问题导致无法对核电厂设备冷却水系统进行非稳态状态监督的问题，引入gan对抗网络生成大量系统非稳定运行样本，基于完善后的样本能做到对设备冷却本文档来自技高网...
【技术保护点】
1.基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤1对非稳态事件的整理与汇总，选取各电厂自商运以来表征设备冷却水系统运行状态的关键测点，包括设备冷却水流量、海水流量、设备冷却水进出口压力、下游设备冷却水流量。
3.如权利要求2所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤1中挑选出系统的非稳态工况，这些非稳态工况包括但不限于设备切换瞬间导致的相关测点数据波动，备用设备启用导致相关测点数据波动，降功率导致相关测点数据波动，通过降采样缩减样本维度或通过插值法拓展样本维度将相关事件进行整合以得到维度一致的样本集。
4.如权利要求3所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤1中的降采样缩减样本维度的方法为用函数sd(w,n)表示，w表示样本选取窗口宽度根据样本维度l和选取样本数m自动推理得到，在窗口内对数据选取最大值、最小值以及n分位值。
5.如权利要求3所述的基于对抗网络
6.如权利要求1所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，所述的步骤2包括：
7.如权利要求1所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，所述的步骤3包括以下：
8.如权利要求1所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，所述的步骤4包括如下：
...【技术特征摘要】
1.基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤1对非稳态事件的整理与汇总，选取各电厂自商运以来表征设备冷却水系统运行状态的关键测点，包括设备冷却水流量、海水流量、设备冷却水进出口压力、下游设备冷却水流量。
3.如权利要求2所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤1中挑选出系统的非稳态工况，这些非稳态工况包括但不限于设备切换瞬间导致的相关测点数据波动，备用设备启用导致相关测点数据波动，降功率导致相关测点数据波动，通过降采样缩减样本维度或通过插值法拓展样本维度将相关事件进行整合以得到维度一致的样本集。
4.如权利要求3所述的基于对抗网络的设备冷却水系统非稳态监测方法，其特征在于：所述的步骤...
【专利技术属性】
技术研发人员：凌世情，朱术超，唐湘涛，曹双华，陶佳林，王欣，张福海，昌正科，王启峰，
申请(专利权)人：核电运行研究上海有限公司，
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。