一种基于深度学习优化制造技术

本发明专利技术公开了一种基于深度学习优化

【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，在任何工况下都采用同一种控制器，不考虑故障工况，无法实现自主控制
。

技术实现思路

[0004]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
[0005]鉴于上述或现有技术中存在的针对
SCO2
‑
热管堆的协调控制方法研究的两种方法，在采用同一种控制器，不考虑故障工况下，无法实现自主控制
。
[0006]一种基于深度学习优化
SCO2
‑
热管堆的协调控制方法，包括下列步骤：
[0007]步骤1：建立协调控制器，对输入参数进行预处理；
[0008]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；
[0009]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；
[0010]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；
[0011]作为本专利技术进一步的方案：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；
S2
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
。
[0012]作为本专利技术再进一步的方案：
S11
标准化处理方法如下：
[0013][0014]式中，
x
i
‑‑
标准化处理实际值
[0015]‑‑
标准化处理前最小值
[0016]‑‑
标准化处理前最大值
[0017]‑‑
标准化处理后实际值
[0018]‑‑
标准化处理后最小值
[0019]‑‑
标准化处理后最大值
。
[0020]作为本专利技术再进一步的方案：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
通过深度学习，对可能出现的各种情况进行学习，存储在数据库中
。
[0021]作为本专利技术再进一步的方案：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
。
[0022]作为本专利技术再进一步的方案：所述的步骤3中建立基于神经网络的
PID
控制，包括：
S31
给出控制器输入和输出之间的表达式，给出权重系数优化方法；
S32
采用梯度下降法进行权重系数优化
。
[0023]作为本专利技术再进一步的方案：基于神经网络的底层
PID
控制具体过程为：神经网络
PID
控制器包括三层网络，输入层
、
隐含层和输出层；输入层与隐含层输入之间关系如下式：
[0024][0025]式中，
w
ij
‑‑
输入层的第
j
个节点和隐藏层的第
i
个节点之间的权重
[0026]隐含层输入与隐含层输出之间关系如下式所示：
[0027]q1(k)
＝
x1(k)
[0028]q2(k)
＝
q2(k
‑
1)+x2(k)
[0029]q3(k)
＝
x3(k)
‑
x3(k
‑
1)
[0030]隐含层输出与输出层之间关系如下式所示：
[0031][0032]式中，
w
i
‑‑
输出层和隐藏层的第
i
个节点之间的权重
。
[0033]作为本专利技术再进一步的方案：所述的步骤4中协调控制方法，包括
S41
确定协调控制器输入输出；
S42
确定基于深度学习的输入和输出
。
[0034]作为本专利技术再进一步的方案：所述的步骤4中协调控制方法实施的具体过程为
S411
输入包括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；选择基于深度学习
PID
的底层控制器；
S412
确定基于深度学习
PID
的底层控制器的输入和输出；
S413
确定基于神经网络
PID
的底层控制器本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：