【技术实现步骤摘要】
一种基于深度学习优化SCO2
‑
热管堆的协调控制方法
[0001]本专利技术属于热管堆协调控制
,具体涉及一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法
。
技术介绍
[0002]超临界二氧化碳布雷顿循环是一种可实现高效热点转换的动力循环,它以二氧化碳为循环工质,运用布雷顿循环的机理,将热电转换完成,在整个循环体系中,二氧化碳始终处于超临界状态的情况下,由于超临界二氧化碳动力循环系统具有成本低
、
结构紧凑
、
效率高等优点,因此被认为新兴能源领域最具应用前景的能量转换系统之一,热管堆是当今研究的重点堆芯,小型化可以使其应用的领域更为广泛;
SCO2
‑
热管堆的底层控制器主要包括反应堆功率控制
、SCO2
温度控制器等,这些底层控制器用于使被控参数趋于设定值
:
协调控制器用于协调各个底层控制器的运行,使瞬态过程的参数变化更加平稳
、
安全,目前尚未有统一的协调控制器设计方法
。
[0003]目前,针对
SCO2
‑
热管堆的协调控制方法研究较少,具体包括以下两种
:
其一是:没有协调控制器,通过“堆跟机”运行模式保证部件间的符合匹配,底层控制器设定值一般保持恒定,在任何工况下都采用同一种控制器,不考虑故障工况;其二为:有协调控制器,通过简单的算法和规则使底层控制器设定值保持不变或线性变化,在 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法,其特征在于,包括下列步骤:步骤1:建立协调控制器,对输入参数进行预处理;步骤2:建立基于深度学习的
PID
控制,给出输入量和输出量之间的关系以及优化控制参数;步骤3:建立基于神经网络的底层
PID
控制,给出输入量和输出量之间的关系,对
PID
的参数进行优化;步骤4:进行协调控制,通过协调控制判断反应堆的功率
、
主压缩机出口压力
、
热管堆内的流量适配的具体底层控制器
。2.
根据权利要求1所述的一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法,其特征在于,所述的步骤1中建立控制器包括:
S11
对输入参数进行标准化处理:输入反应堆热功率实际值和设定值
、
主压缩机出口压力实际值和设定值
、
反应堆内流量实际值和设定值
、CO2
出口温度实际值和设定值;
S12
对数据进行预处理,对处理的结果建立数据库,针对各种参数建立与之相对应的数据库
。3.
根据权利要求2所述的一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法,其特征在于,
S11
标准化处理方法如下:式中,
x
i
‑‑
标准化处理实际值
‑‑
标准化处理前最小值
‑‑
标准化处理前最大值
‑‑
标准化处理后实际值
‑‑
标准化处理后最小值
‑‑
标准化处理后最大值
。4.
根据权利要求1所述的一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法,其特征在于,所述的步骤2中建立基于深度学习的
PID
控制包括:
S21
给出控制器输入和输出之间的表达式;
S22
对出现的各种情况进行学习,存储在数据库中
。5.
根据权利要求4所述的一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法,其征在于,建立基于深度学习的
PID
控制具体过程为:根据不同的工况下,通过深度学习选取和优化
PID
相应的参数建立一定的库,便于后期在不同情况下调用相应的参数
。6.
根据权利要求1所述的一种基于深度学习优化
SCO2
技术研发人员:张博文,苑喆,彭敏俊,潘虹霖,夏庚磊,孙觊琳,王晨阳,
申请(专利权)人:哈尔滨工程大学,
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。