换料装载方案搜索优化方法技术

本发明专利技术涉及换料装载方案搜索优化方法，包括步骤：S1：根据若干历史换料方案生成若干常用新组件布局；并获取历史换料方案中的旧组件信息，生成旧组件数据库；S2：根据常用新组件布局，从旧组件数据库中选取旧组件，随机装载至常用新组件布局中，以生成K种装载方案，并从K种装载方案中选取K1种形成训练样本；其中K1<K；S3：使用训练样本训练生成符合精度要求的预测模型库；预测模型库中含有若干关键参数预测模型；S4：根据当前机组的换料通知信息，从预测模型库中选取与换料通知信息对应的关键参数预测模型，结合当前机组的燃料组件信息，生成可行的装载方案。具有节省换料方案搜索时间、缩短换料设计时间、有效提升电站的安全性和燃料经济性等优点。料经济性等优点。料经济性等优点。

【技术实现步骤摘要】
换料装载方案搜索优化方法


[0001]本专利技术涉及核燃料组件的换料领域，尤其涉及一种换料装载方案搜索优化方法。

技术介绍

[0002]目前我国有数十台大型压水堆在运，每台压水堆每隔12
‑
18个月需要进行一次核燃料组件的换料。理论上，换料方案搜索组合能达到10
13
以上，复杂度远超围棋。
[0003]目前，反应堆堆芯装载方案都是换料工程师通过人工经验和不断尝试搜索得来的，不同工程师搜索的方案与用户效应有关。一般地，搜索一个成熟方案需要1人/天，为搜到更优方案通常会进行多个方案搜索。特别地，当遇到紧急换料时，需要花费更多时间搜索符合要求的换料方案。近几年，许多研究人员、学者尝试通过数学方法对换料搜索进行优化，暂未找到适用于工程使用的方法。

技术实现思路

[0004]本专利技术要解决的技术问题在于，提供一种换料装载方案搜索优化方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：构造一种换料装载方案搜索优化方法，包括以下步骤：S1：根据若干历史换料方案生成若干常用新组件布局；并获取所述历史换料方案中的旧组件信息，生成旧组件数据库；S2：根据所述常用新组件布局，从所述旧组件数据库中选取所述旧组件，随机装载至所述常用新组件布局中，以生成K种装载方案，并从所述K种装载方案中选取K1种形成训练样本；其中K1<K；S3：使用所述训练样本训练生成符合精度要求的预测模型库；所述预测模型库中含有若干关键参数预测模型；S4：根据当前机组的换料通知信息，从所述预测模型库中选取与所述换料通知信息对应的所述关键参数预测模型，结合所述当前机组的燃料组件信息，生成可行的装载方案。
[0006]优选的，在所述步骤S1中，根据堆芯的燃料组件的布局特性，选择所述堆芯的局部区域作为所述常用新组件布局的区域。
[0007]优选的，所述局部区域为所述堆芯的1/8堆芯区域，8个所述1/8堆芯区域通过对称布置后，组成所述堆芯的完整区域。
[0008]优选的，所述旧组件信息包括每一所述旧组件在其所在的所述历史换料方案中、在所述堆芯中所处位置的旧位置信息；在所述步骤S2中，根据位置装载规则，从所述旧组件数据库中选择所述旧位置信息相匹配的所述旧组件，随机装载至所述常用新组件布局中。
[0009]优选的，所述位置装载规则包括在所述历史换料方案中处于1/4位置的所述旧组件择一放入中心组件位置、1/4位置；在所述历史换料方案中处于1/8位置的所述旧组件择
一放入中心组件位置、1/4位置、1/8位置。
[0010]优选的，在所述步骤S2中还包括：从所述K种装载方案中选取K2种形成测试样本；其中，K1+K2=K。
[0011]优选的，在所述步骤S3中，对具有相同新组件数的所述训练样本进行深度神经网络训练，以获得与所述相同组件数对应的所述关键参数预测模型。
[0012]优选的，所述深度神经网络包括：输入层、网络层以及输出层；所述输入层用于输入kinf特征值、gd特征值、富集度特征值以及四角燃耗特征值；其中，均有n个输入节点；所述网络结构层包括网络层数18层，每层节点数7*n个，每层网络采用全连接、Sigmoid激励函数、L2正则化和Batch Normalization；所述输出层用于输出是否符合要求的参数预测值，所述参数预测值包括最大焓升因子和循环长度；其中，n为所述训练样本中摆放旧组件的个数。
[0013]优选的，所述步骤S4包括以下步骤：S4.1：根据所述换料通知信息中的需更换新组件的数量，选取与之对应的所述关键参数预测模型；并根据所述换料通知信息中的循环长度和所选取的所述关键参数预测模型进行计算，选取合适的所述当前机组的可用旧组件；S4.2：根据所选取的所述可用旧组件，利用遗传算法生成若干待验证装载方案，并利用所选取的所述关键参数预测模型预测每一所述待验证装载方案的循环长度和最大焓升因子，以搜索出需进行全部堆芯换料参数计算的装载方案。
[0014]优选的，所述步骤S4.1包括以下步骤：S4.1.1：获取所述当前机组的所有可用旧组件的信息；S4.1.2：按组件反应性kinf从大到小选取1/4位置组件、1/8位置组件和中心组件，装载至所述关键参数预测模型中；S4.1.3：计算装载完成后的所述关键参数预测模型的循环长度；S4.1.4：判断计算的所述循环长度是否符合所述换料通知要求；是则结束；否则重新选取所述当前机组的剩余组件中反应性kinf小的组件替换已选取组件中反应性kinf较大的组件，直到满足循环长度要求，结束循环。
[0015]优选的，所述步骤S4.2包括以下步骤：S4.2.1：随机产生m个初始种群，对每个所述装载方案用一组数字编码的染色体来模拟，通过交叉和变异生成2*m个子代；S4.2.2：使用训练好的所述关键参数预测模型预测2*m个装载方案的最大焓升因子和循环长度，搜索出最大焓升因子和循环长度满足要求的装载方案，保存该装载方案；S4.2.3：模拟染色体交叉和/或变异操作，按照优胜劣汰的自然选择法则，逐代淘汰适应度低的个体，产生新的高适应度个体；其中，所述适应度包括循环长度和最大焓升因子；S4.2.4：当保存装载方案大于m个或者迭代k次后结束搜索；S4.2.5：选取最优0.01*m个装载方案复算最大焓升因子和循环长度，从中选取最优0.001*m种装载方案计算全部堆芯换料参数；
其中，m为装载方案初始种群数量，k为遗传搜索的迭代次数。
[0016]优选的，在所述步骤S4.2.3中，只对相同区域内组件进行模拟染色体交叉和/或变异操作。
[0017]实施本专利技术具有以下有益效果：根据历史换料方案训练生成预测模型库，根据当前机组的换料通知信息，预测模型库中选取与换料通知信息对应的关键参数预测模型，结合当前机组的燃料组件信息，生成可行的装载方案，避免了人工搜索耗时、复杂的问题，具有节省换料方案搜索时间、缩短换料设计时间、有效提升电站的安全性和燃料经济性等优点。
附图说明
[0018]下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术换料装载方案搜索优化方法的流程示意图；图2是一个实施例的堆芯的布局示意图；图3是图2的1/8堆芯区域填充新组件的示意图；图4是一个实施例的堆芯的旧组件的位置分类示意图；图5是本专利技术换料装载方案搜索优化方法的步骤S4.1的一个实施例的流程示意图；图6是本专利技术换料装载方案搜索优化方法的步骤S4.2的一个实施例的流程示意图；图7采用本专利技术的换料装载方案搜索优化方法生成的装载方案与历史循环方案的最大焓升因子比较示意图；图8采用本专利技术的换料装载方案搜索优化方法生成的装载方案与历史循环方案的循环长度比较示意图。
具体实施方式
[0019]为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。以下描述中，需要理解的是，“前”、“后”、“上”、“下”、“左”、“右”、“纵”、“横”、“竖直”、“水平”、“顶”、“底”、“内”、“外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种换料装载方案搜索优化方法，其特征在于，包括以下步骤：S1：根据若干历史换料方案生成若干常用新组件布局；并获取所述历史换料方案中的旧组件信息，生成旧组件数据库；S2：根据所述常用新组件布局，从所述旧组件数据库中选取所述旧组件，随机装载至所述常用新组件布局中，以生成K种装载方案，并从所述K种装载方案中选取K1种形成训练样本；其中K1<K；S3：使用所述训练样本训练生成符合精度要求的预测模型库；所述预测模型库中含有若干关键参数预测模型；S4：根据当前机组的换料通知信息，从所述预测模型库中选取与所述换料通知信息对应的所述关键参数预测模型，结合所述当前机组的燃料组件信息，生成可行的装载方案。2.根据权利要求1所述的换料装载方案搜索优化方法，其特征在于，在所述步骤S1中，根据堆芯的燃料组件的布局特性，选择所述堆芯的局部区域作为所述常用新组件布局的区域。3.根据权利要求2所述的换料装载方案搜索优化方法，其特征在于，所述局部区域为所述堆芯的1/8堆芯区域，8个所述1/8堆芯区域通过对称布置后，组成所述堆芯的完整区域。4.根据权利要求1所述的换料装载方案搜索优化方法，其特征在于，所述旧组件信息包括每一所述旧组件在其所在的所述历史换料方案中、在所述堆芯中所处位置的旧位置信息；在所述步骤S2中，根据位置装载规则，从所述旧组件数据库中选择所述旧位置信息相匹配的所述旧组件，随机装载至所述常用新组件布局中。5.根据权利要求4所述的换料装载方案搜索优化方法，其特征在于，所述位置装载规则包括在所述历史换料方案中处于1/4位置的所述旧组件择一放入中心组件位置、1/4位置；在所述历史换料方案中处于1/8位置的所述旧组件择一放入中心组件位置、1/4位置、1/8位置。6.根据权利要求4或5所述的换料装载方案搜索优化方法，其特征在于，在所述步骤S2中还包括：从所述K种装载方案中选取K2种形成测试样本；其中，K1+K2=K。7.根据权利要求1所述的换料装载方案搜索优化方法，其特征在于，在所述步骤S3中，对具有相同新组件数的所述训练样本进行深度神经网络训练，以获得与所述相同组件数对应的所述关键参数预测模型。8.根据权利要求7所述的换料装载方案搜索优化方法，其特征在于，所述深度神经网络包括：输入层、网络层以及输出层；所述输入层用于输入kinf特征值、gd特征值、富集度特征值以及四角燃耗特征值；其中，均有n个输入节点；所述网络结构层包括网络层数18层，每层节点数7*n个，每层网络采用全连接、Sigmoid激励函数、L2正则化和B...

【专利技术属性】
技术研发人员：彭思涛，姚建凡，黄杰，杨铄龑，韩嵩，马仓，位金锋，张洪，厉井钢，
申请(专利权)人：中国广核集团有限公司中国广核电力股份有限公司，
类型：发明
国别省市：