核电厂对数字化安全级系统主控制器的负荷率有严苛的要求。为实现核电厂主控制器负荷率在安全的运作范围内正常运行和调度控制,应该对主控制器负荷率预测,以有利于核电厂仪控系统的安全可靠运行。因此,学者们针对核电厂主控制器负荷率的预测问题开展了积极的研究工作,通过分析影响主控制器负荷率的各个因素找出合适的方案提高负荷率计算精度。随着人工智能的快速发展和火力电厂数字化控制器负荷率预测案例的成功应用,传统核电厂负荷率计算模型的局限性越来越显著。针对此现状,本文将机器学习的方法应用到核电厂主控制器负荷率预测中,并通过某核电工程实例,对相关方法进行了仿真实验验证,证明了本文方法的有效性。本文主要研究工作及创新点如下:1.完成了核安全级负荷率影响因素分析研究。基于国内安全级数字化控制系统的主控制器设计一般采用定周期处理机制的特点,核电厂安全级数字化控制系统平台也采用了相同的设计,因此主控制器负荷率预测问题可转化为对数据处理时间的研究。通过数据处理机制的分析分析可知,影响主控制器数据处理时间的因素主要包括程序模块自身特征、硬件配置和运行的自然环境三个方面。以此为基础,完成了不同方案下对负荷率的影响因素进行特征提取的实验,以避免冗余变量对负荷率预测精度以及训练时间的影响。2.根据核电厂安全级仪控系统主控制器负荷率安全评估要求,首次针对某安全级数字化仪控平台的主控制器建立了用于负荷率计算的BP神经网络模型。基于某实际核电工程数据,采用该神经网络模型进行了预测网络训练工作。针对该模型易陷入局部优化问题的弊端,提出了基于遗传算法优化神经网络(GA_BP)的主控制器负荷率预测模型,该模型可以很好的解决BP神经网络的局限性问题,同时可提高预测精度。3.针对某核电工程安全级控制系统程序数量集不足,特征数量较多,常规的多元线性回归方法不一定能得到理想的结果的问题,本文进一步建立了采用支持向量回归(SVR)模型作为主控制器负荷率预测模型,并采用指定数据集样本完成了预测模型训练。4.以此为基础,采用上述三种模型对某核电工程反应堆保护系统主控制器的负荷率预测进行了仿真实验。结果表明,SVR模型更适合核电厂安全级主控制器负荷率的预测精度要求。