论文部分内容阅读
运行趋势预测技术的研究与应用可以准确、及时地反映核动力装置(Nuclear Power Plant,NPP)的运行变化趋势,给操纵员提供预报警信息。因此,对于提高核动力装置的安全性和缓解操纵员的压力具有重大意义。本文通过对核动力装置的运行特性、主要特征参量的变化规律进行深入分析,和对核动力装置运行趋势预测研究现状的分析得出:采用灰色预测方法或BP神经网络预测方法对核动力装置的运行趋势进行预测是可行的。在了解灰色预测方法和BP神经网络预测方法的基础上深入研究了GM(1,1)预测模型和BP神经网络预测模型。针对GM(1,1)预测模型只能对单个原始序列建模的缺点,本文通过引进分块矩阵的运算,在GM(1,1)模型对单个原始序列建模的基础上,提出了能够对多个原始序列建模的改进型GM(1,1)模型。另外本文通过采用训练样本集的动态更新技术和神经网络的在线训练技术,在BP神经网络预测模型的基础上,提出了能够随时间动态更新的在线BP神经网络预测模型。在对核动力装置特征参量的时间序列预测中,比较GM(1,1)预测模型、改进型GM(1,1)预测模型、BP神经网络预测模型和在线BP神经网络预测模型的优缺点及适用的范围并提供原因分析。研究BP神经网络预测模型在核动力装置关键参量软测量中的应用,对软测量的结果进行原因分析和效果评价。在Visual Studio2010开发环境下,利用C#4.0程序语言完成核动力装置运行趋势预测系的设计与开发,并采用全范围仿真软件的数据验证预测模型的有效性。验证结果表明,在对多个参量的时间序列进行预测时宜采用改进型GM(1,1)预测模型,其适合预测线性趋势、二阶多项式趋势的数据;在对单个参量的时间序列进行预测时宜采用在线BP神经网络预测模型,其适合预测线性趋势、二阶多项式趋势和周期性波动趋势的数据;此外,该系统利用BP神经网络预测模型在降负荷工况下能够实现对蒸汽发生器水位的软测量。