【技术实现步骤摘要】
本专利技术涉及的是一种核电站仿真领域的技术，具体是一种基于物理-数据混合驱动的核电站数字孪生模型实现方法。
技术介绍
1、基于机理模型的数字孪生模型存在简化假设、认知局限、建模误差和数值误差等局限，使得计算精度无法保证，并且由于核反应堆系统复杂，使用仿真程序计算耗时长并且代价高，而基于数据建模的缺点在于数据驱动建模不依赖系统机理，因此模型的可解释性差，并且性能高度依赖于输入数据的数量和质量。
技术实现思路
1、本专利技术针对现有技术存在的上述不足，提出一种基于物理-数据混合驱动的核电站数字孪生模型实现方法，能够有效对核反应堆一回路冷却剂温度进行映射。该方法可运用于核电站数字孪生系统的基础模型构建中，适用于构建任何工况。该模型可以实现真实物理系统向虚拟空间中数字化模型的映射，同时达到降低计算难度、减少计算量、节省计算时间的目的，能够实现真实核电站在虚拟空间的高保真实时映射，为未来核电站数字孪生的基础模型的构建提供参考。
2、本专利技术是通过以下技术方案实现的：
3、本专利技术涉及一种基于物理-数据混合驱动的核电站数字孪生模型实现方法，在离线阶段构建前馈-反向传播全连接神经网络，将该网络的损失函数嵌入物理知识构建dpnn神经网络后，将残差连接引入dpnn神经网络，进而构建得到resdpnn神经网络，采用预处理方法得到目标数据集对超参数优化后的resdpnn神经网络进行训练；在在线阶段，采用训练后的resdpnn神经网络构建核电站数字孪生体。
4、所述
5、本专利技术涉及一种实现上述方法的核电站数字孪生模型的构建系统，包括：数据预处理单元、物理-数据混合驱动的数字孪生模型构建单元和结果评价与对比单元，其中：数据预处理单元对核电站真实数据进行清洗、提取与整合处理，并根据具体目标挑选特征参数与查找物理信息中所需的物性参数，得到可输入数字孪生模型的数据集并进一步划分为训练集、验证集与测试集；数字孪生模型构建单元以反向传播全连接神经网络为基础，对反向传播全连接神经网络的损失函数嵌入物理知识，构建dpnn神经网络，并进一步对dpnn神经网络引入残差连接，构建resdpnn神经网络，并对其进行超参数优化与训练，得到核电站数字孪生模型；结果评价与对比单元对训练好的核电站数字孪生模型进行测试，得到模型的预测结果，将预测结果与实际数据进行对比与评价，计算结果评估指标。依据评估指标、结果对比图与绝对误差的频数分布直方图评估数字孪生模型的预测精度与泛化能力。
6、技术效果
7、本专利技术使用带有残差连接的物理-数据混合驱动的resdpnn神经网络构建核电站数字孪生模型，将能量守恒定律与残差连接技术融合入前馈-反向传播全连接神经网络中构建resdpnn数字孪生模型，增强了模型的可解释性并显著降低计算难度、减少计算量，同时本专利技术还具有泛化能力，适用于更多的同类型的场景，能够实现真实核电站在虚拟空间的高保真实时映射。
本文档来自技高网...【技术保护点】
1.一种基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征在于，在离线阶段构建前馈-反向传播全连接神经网络，将该网络的损失函数嵌入物理知识构建DPNN神经网络后，将残差连接引入DPNN神经网络，进而构建得到ResDPNN神经网络，采用预处理方法得到目标数据集对超参数优化后的ResDPNN神经网络进行训练；在在线阶段，采用训练后的ResDPNN神经网络构建核电站数字孪生体。
2.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的目标数据集，使用核电站失去主厂外电源0级运行事件真实工况，进行数据预处理并挑选特征参数得到；
3.根据权利要求2所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的嵌入的物理知识具体为：核电站一二回路的能量守恒，将其嵌入数字孪生模型中，在前馈-反向传播全连接神经网络的损失函数中的具体形式为其中：Δenergy2＝|ρSG_in*Cp_SG_in*GSG_in*TSG_in-ρSG_out*Cp_SG_out*GSG_out*TSG_out|，y为一回路冷却剂平均温度实
4.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的超参数优化是指：使用贝叶斯优化算法(Bayesian Optimization)，根据当前已经试验的超参数组合预测下一个可能带来最大收益的组合，具体为：将验证集的绝对平均误差作为优化指标，搜索数字孪生模型的隐藏层数、隐藏层节点数和批处理大小，优化结束时获得数字孪生模型最优的超参数，设置贝叶斯优化的次数为250次，模型每次优化的轮数设置为100，得到的模型最佳隐含层数量为49层，最佳的隐含层节点数为82层，最佳的批处理大小为32。
5.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的前馈-反向传播全连接神经网络包括：特征参数计算单元、模型超参数优化单元、误差反向传播单元、最佳模型参数保留单元以及模型性能评价单元，其中：特征参数计算单元将核功率、主泵转速、稳压器压力、稳压器水位和蒸汽发生器二次侧给水流量作为特征参数进行输入，根据全连接神经网络的参数计算得到的预期输出为一回路冷却剂平均温度；模型超参数优化单元将验证集的绝对平均误差作为优化指标，使用贝叶斯优化方法搜索数字孪生模型的隐藏层数、隐藏层节点数和批处理大小，优化结束时获得数字孪生模型最优的超参数；误差反向传播单元根据全连接神经网络的的输出值与目标参数的实际值比较得到误差，并通过反向传播算法修正全连接神经网络的权重与偏置，以逐步降低预测误差，使得全连接神经网络的参数计算得到的预期输出尽量与一回路冷却剂平均温度相同，具体选取RMSE作为损失函数，Adam优化器进行优化，学习率选取优化器的默认学习率；最佳模型参数保留单元根据训练的过程的结果，记录验证集最佳时的训练轮数，并保存该轮数的模型参数；模型性能评价单元在模型训练收敛后，将得到的神经网络应用于测试集，根据预测值与实际值的误差对其预测精度和泛化能力进行评价。
6.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的残差连接是指：对神经网络每一个隐含层的输出都加上该隐含层的输入信号，即将目标函数拆分为恒等函数x和残差函数h(x)-x，让模型f(x；θ)去近似残差函数h(x)-x，并用f(x；θ)·+x去逼近h(x)。
7.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的ResDPNN神经网络包括：带有残差连接的前馈-反向传播全连接神经网络单元、数字孪生模型超参数优化单元、损失函数计算单元、数字孪生模型参数优化单元，其中：带有残差连接的前馈-反向传播全连接神经网络单元根据前述的前馈-反向传播全连接神经网络，进行残差连接的引入，将神经网络每一个隐含层的输出都加上该隐含层的输入信号，得到带有残差连接的前馈-反向传播全连接神经网络；数字孪生模型超参数优化单元将模型在验证集上的绝对平均误差作为优化指标，通过超参数优化搜索数字孪生模型的隐藏层数、隐藏层节点数和批处理大小，优化结束时获得数字孪生模型的最优超参数；损失函数计算单元根据超参数优化后的带有残差连接的前馈-反向传播全连接神经网络单元计算得到的预期输出，与实际值进行损失计算得到数据损失项，同时根据预期输出，对其进行反归一化以保证原有的物理含义保持...
【技术特征摘要】
1.一种基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征在于，在离线阶段构建前馈-反向传播全连接神经网络，将该网络的损失函数嵌入物理知识构建dpnn神经网络后，将残差连接引入dpnn神经网络，进而构建得到resdpnn神经网络，采用预处理方法得到目标数据集对超参数优化后的resdpnn神经网络进行训练；在在线阶段，采用训练后的resdpnn神经网络构建核电站数字孪生体。
2.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的目标数据集，使用核电站失去主厂外电源0级运行事件真实工况，进行数据预处理并挑选特征参数得到；
3.根据权利要求2所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的嵌入的物理知识具体为：核电站一二回路的能量守恒，将其嵌入数字孪生模型中，在前馈-反向传播全连接神经网络的损失函数中的具体形式为其中：δenergy2＝|ρsg_in*cp_sg_in*gsg_in*tsg_in-ρsg_out*cp_sg_out*gsg_out*tsg_out|，y为一回路冷却剂平均温度实际值，为数字孪生模型输出值，δenergy1为反应堆一回路能量变化值，δenergy2为反应堆二回路能量变化值，在计算前，δenergy1和δenergy2包含的变量需要进行反归一化以保证原有的物理含义保持不变；
4.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的超参数优化是指：使用贝叶斯优化算法(bayesian optimization)，根据当前已经试验的超参数组合预测下一个可能带来最大收益的组合，具体为：将验证集的绝对平均误差作为优化指标，搜索数字孪生模型的隐藏层数、隐藏层节点数和批处理大小，优化结束时获得数字孪生模型最优的超参数，设置贝叶斯优化的次数为250次，模型每次优化的轮数设置为100，得到的模型最佳隐含层数量为49层，最佳的隐含层节点数为82层，最佳的批处理大小为32。
5.根据权利要求1所述的基于物理-数据混合驱动的核电站数字孪生模型实现方法，其特征是，所述的前馈-反向传播全连接神经网络包括：特征参数计算单元、模型超参数优化单元、误差反向传播单元、最佳模型参数保留单元以及模型性能评价单元，其中：特征参数计算单元将核功率、主泵转速、稳压器压力、稳压器水位和蒸汽发生器二次侧给水流量作为特征参数进行输入，根据全连接神经网络的参数计算得到的预期输出为一回路冷却剂平均温度；模型超参数优化单元将验证集的绝对平均误差作为优化指标，使用贝叶斯优化方法搜索数字孪生模型的隐藏层数、隐藏层节点数和批处理大小，优化结束时获得数字孪生模型最优的超参数；误差反向传播单元根据全连接神经网络的的输出值与目标参数的实际值比较得到误差，并通过反向传播算法修正全连接神经网络的权重与偏置，以逐步降低预测误差，使得全连接神经网络的参数计算得到的预期输出尽量与一回路冷却剂平均温度相同，具体选取rmse作为损失函数，adam优化器进行优化，学习率选取优化器的默认学习率；最佳模型参数保留单元根据训练的过程的结果，记录验证集最佳时的训练轮数，并保存该轮数的模型参数；模型性能评价单元在模型训练收敛后，将得到的神...
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。