實(shí)時工況仿真場景下蒸汽發(fā)生器液面智能預(yù)測模型的實(shí)現(xiàn)與驗(yàn)證

佘兢克，王佳妮，楊溯源，薛時雨

（湖南大學(xué) 信息科學(xué)與工程學(xué)院，長沙 410082）

0 引言

核能是一種具有豐富儲量且高能低耗的清潔能源，是當(dāng)下生產(chǎn)力高度發(fā)展、對能源有高度需求的工業(yè)4.0時代的首選。作為核電站中核島和常規(guī)島的連接樞紐，蒸汽發(fā)生器在核電站中的重要地位僅次于反應(yīng)堆。目前，核電廠普遍選取傳統(tǒng)PID控制法進(jìn)行各級各類設(shè)備的控制管理。但PID是一種對于線性定常系統(tǒng)有效的控制策略，而對于蒸汽發(fā)生器水位這種時變、復(fù)雜的非最小相非線性系統(tǒng)的控制效果有所欠缺，并且PID中的積分部分存在著積分飽和的隱患，無法精準(zhǔn)、及時、有效地進(jìn)行控制[1]。

當(dāng)前解決蒸汽發(fā)生器控制問題多以物理原理為切入點(diǎn)，通過對PID控制器參數(shù)的整定方式進(jìn)行改進(jìn)進(jìn)而優(yōu)化控制效果[2]，如M. Davanipour[3]等人提出的基于模糊小波神經(jīng)網(wǎng)絡(luò)模型的自整定PID控制法，M.G. Na[4]等人研究的模糊控制器的自整定方法，潘玉成[5]等人提出的基于模糊RBF神經(jīng)網(wǎng)絡(luò)的PID控制法，蘇應(yīng)斌[6]等人提出基于CFNN的控制法，Kento Kinoshita[7]等人提出通過虛擬參考迭代調(diào)整法均為使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)PID控制器實(shí)時整定參數(shù)。然而，這種通過原理角度進(jìn)行優(yōu)化的方式實(shí)施成本高，并且無法徹底解決蒸汽發(fā)生器系統(tǒng)時變性、非線性給系統(tǒng)控制帶來的困難。

上述方法中的參數(shù)調(diào)整方法都是基于蒸汽發(fā)生器本身物理模型以及液面變化的物理模型來構(gòu)建和實(shí)施，方法的精確度依賴于物理模型構(gòu)建的精確度。對于蒸汽發(fā)生器這樣一個非線性時變復(fù)雜系統(tǒng)來說，精確構(gòu)建其運(yùn)行時的物理模型面臨非常巨大的挑戰(zhàn)和困難，也由此導(dǎo)致現(xiàn)行方法都存在無法完全捕捉蒸汽發(fā)生器液面變化等系統(tǒng)行為細(xì)節(jié)特點(diǎn)的問題。為了避免構(gòu)建精準(zhǔn)系統(tǒng)物理模型的“白盒子”問題，可以使用海量歷史數(shù)據(jù)訓(xùn)練精準(zhǔn)的機(jī)器學(xué)習(xí)模型，通過數(shù)據(jù)驅(qū)動方法，基于系統(tǒng)過往行為特點(diǎn)來預(yù)測系統(tǒng)后續(xù)的行為趨勢。將困難較大的白盒子轉(zhuǎn)換為直觀簡單的黑盒子，依賴強(qiáng)大的數(shù)據(jù)存儲和處理平臺，能夠在預(yù)測實(shí)時性和精準(zhǔn)度上達(dá)到理想的效果。由此獲得的預(yù)測結(jié)果成為精準(zhǔn)的決策依據(jù)，為PID控制系統(tǒng)的智能優(yōu)化奠定了基礎(chǔ)。

本文工作采用長短期記憶模型（Long-Short Term Memory，LSTM）作為蒸汽發(fā)生器液面工況的預(yù)測方法。LSTM作為比較成熟的深度學(xué)習(xí)方法，適用于長時間序列數(shù)據(jù)的跟蹤和預(yù)測。它使用“門”的概念來區(qū)分和管控不同重要性的數(shù)據(jù)流，使與預(yù)測參數(shù)密切相關(guān)的數(shù)據(jù)能夠持續(xù)保留在循環(huán)迭代過程中，從而保證在長時間序列中預(yù)測結(jié)果的準(zhǔn)確度[8]。而使用LSTM方法來預(yù)測核電站的工況和參數(shù)已經(jīng)證明為可行并高效[9]。LSTM模型中神經(jīng)元的結(jié)構(gòu)如圖1所示。

圖1 LSTM神經(jīng)元結(jié)構(gòu)圖Fig.1 LSTM neuron structure diagram

圖2 LSTM模型網(wǎng)絡(luò)結(jié)構(gòu)展開圖Fig.2 LSTM Model network structure expansion diagram

應(yīng)用智能方法的控制系統(tǒng)相比于傳統(tǒng)控制具有以下優(yōu)勢：

①具有人的學(xué)習(xí)能力和控制策略；②適應(yīng)性強(qiáng)[10]；③較強(qiáng)恢復(fù)能力；④變結(jié)構(gòu)非線性；⑤較強(qiáng)組織功能；⑥支持混合控制過程[11]。

因此，應(yīng)用人工智能方法來輔助傳統(tǒng)控制手段，能有效提升系統(tǒng)對控制對象的感知能力，進(jìn)而使控制器的性能提升成為可能。

1 預(yù)測模型構(gòu)建

智能預(yù)測模型采用LSTM方法設(shè)計，并通過仿真實(shí)驗(yàn)中該模型損失函數(shù)的分析來驗(yàn)證該模塊模型在諸如蒸汽發(fā)生器液面調(diào)控這一類長時間序列過程中的可行性。

1.1 智能預(yù)測單元的設(shè)計

預(yù)測單元是本文智能預(yù)測模型的核心元件，其原理應(yīng)用了循環(huán)神經(jīng)網(wǎng)絡(luò)中的LSTM結(jié)構(gòu)。LSTM模型具有RNN的反饋結(jié)構(gòu)特征，又改善了神經(jīng)元的內(nèi)部結(jié)構(gòu)，因而能夠解決長期問題中的梯度消失和梯度爆炸問題，在處理長序列問題中具有比傳統(tǒng)RNN更佳的性能。LSTM模型通過引入“遺忘門”的結(jié)構(gòu)，不斷減少向下傳遞的內(nèi)容[8]，并引入“細(xì)胞狀態(tài)”實(shí)現(xiàn)長期學(xué)習(xí)。

本文基于LSTM模型結(jié)構(gòu)設(shè)計具有一層隱藏層、一層輸出層的網(wǎng)絡(luò)，結(jié)點(diǎn)數(shù)量分別為10和1。

其中，輸出門和遺忘門選取sigmoid函數(shù)作為激活函數(shù)，輸入門則選取sigmoid函數(shù)和tanh函數(shù)作為激活函數(shù)。模型的搭建平臺選取MATLAB中的深度學(xué)習(xí)工具箱。經(jīng)過有效訓(xùn)練神經(jīng)網(wǎng)絡(luò)的模塊通過SIMULINK模塊生成功能，直接生成如圖3所示的封裝單元。

圖3 LSTM預(yù)測單元（封裝）Fig.3 LSTM Prediction unit (package)

1.2 智能預(yù)測模型的訓(xùn)練

本文選取工業(yè)級仿真機(jī)模擬的數(shù)據(jù)進(jìn)行訓(xùn)練。選取仿真數(shù)據(jù)中6014個時間點(diǎn)的數(shù)據(jù)，歸一化處理并添加信噪比為80的高斯噪聲以增加數(shù)據(jù)多樣性并預(yù)防過擬合現(xiàn)象。經(jīng)過預(yù)處理的數(shù)據(jù)被劃分為訓(xùn)練集、驗(yàn)證集、測試集三部分，分別占總數(shù)據(jù)量的70%、15%、15%。訓(xùn)練算法選取深度學(xué)習(xí)工具箱中提供的L-M反向傳播算法，該算法雖占用內(nèi)存較大但訓(xùn)練速度較快。迭代的訓(xùn)練次數(shù)由深度學(xué)習(xí)工具箱自適應(yīng)決定，決策依據(jù)為訓(xùn)練過程中損失值的變化情況。本文選取均方誤差（MSE）為損失函數(shù)，訓(xùn)練次數(shù)為275次，訓(xùn)練過程中各數(shù)據(jù)集MSE的變化情況如圖4所示，最終MSE值見表1。

表1 訓(xùn)練結(jié)果均方誤差Table 1 Mean square error of training results

圖4 均方誤差變化Fig.4 Mean square error change

2 智能預(yù)測模型及其實(shí)時驗(yàn)證平臺

基于LSTM的智能預(yù)測模型和傳統(tǒng)PID液面控制模型組成了智能預(yù)測模型的實(shí)時驗(yàn)證平臺。智能預(yù)測模型采用上文介紹的使用蒸汽發(fā)生器液面調(diào)控數(shù)據(jù)訓(xùn)練完畢的封裝LSTM模型；同時，利用SIMULINK庫中模塊模擬搭建蒸汽發(fā)生器液面控制的PID控制模型。二者均使用一個觀測模塊輸出的液面測量信號（即控制反饋）作為各自輸入，形成兩個獨(dú)立回路。智能預(yù)測模型回路依據(jù)輸入的液面信號預(yù)測出后續(xù)液面調(diào)控變化；PID控制回路以傳統(tǒng)方式輸出控制信號調(diào)節(jié)液面變化。通過對PID實(shí)際調(diào)控的液面變化與智能預(yù)測模型預(yù)測的液面變化對比，驗(yàn)證智能預(yù)測模型在指定工況場景下的預(yù)測精度。

2.1 傳統(tǒng)PID控制模型

傳統(tǒng)PID控制模型的實(shí)現(xiàn)是本文驗(yàn)證智能預(yù)測模型的重要基礎(chǔ)，為了便于結(jié)合LSTM模型，首先以SIMULINK為實(shí)驗(yàn)平臺設(shè)計實(shí)現(xiàn)蒸汽發(fā)生器的單沖量控制模型。傳統(tǒng)控制模型以蒸汽發(fā)生器液位控制方框圖（見圖5）為理論基礎(chǔ)[13]，在此基礎(chǔ)上將元件抽象劃分為計算、執(zhí)行、反饋3個單元并另添加觀測單元以便于觀測實(shí)驗(yàn)結(jié)果。以下元件的設(shè)計與實(shí)現(xiàn)均源于平臺SIMULINK。

圖5 蒸汽發(fā)生器液位控制方框圖Fig.5 Block diagram of steam generator level control

2.1.1 計算單元

計算單元包含誤差計算模塊和控制信號計算模塊兩部分。

誤差計算模塊對應(yīng)于圖5中標(biāo)號1，選取SUM元件實(shí)現(xiàn)。如圖6所示，用于計算蒸汽發(fā)生器實(shí)際液位高度與設(shè)定的標(biāo)準(zhǔn)值之差。

圖6 誤差計算模塊Fig.6 Error calculation module

控制信號計算模塊對應(yīng)于圖5中標(biāo)號2，選取PID控制元件實(shí)現(xiàn)。如圖7所示，用于根據(jù)當(dāng)前誤差給出控制信號，以調(diào)節(jié)液位高度，比例參數(shù)設(shè)定為35，積分參數(shù)設(shè)定為0.01，微分參數(shù)設(shè)定為25。

圖7 控制信號計算模塊Fig.7 Control signal calculation module

2.1.2 執(zhí)行單元

執(zhí)行單元包含執(zhí)行器和物理過程兩部分。

執(zhí)行器對應(yīng)于圖5中標(biāo)號3，選取增益元件實(shí)現(xiàn)。如圖8所示，用于將上一級輸出的控制信號通過內(nèi)部封裝的放大器等功能元件轉(zhuǎn)化為具有控制給水閥能力的開度信號，調(diào)節(jié)參數(shù)設(shè)定為15。

圖8 執(zhí)行器Fig.8 Actuator

物理過程對應(yīng)于圖5中標(biāo)號4、5，通過多個元件協(xié)同模擬，包含施加外部干擾的給水?dāng)_動模塊（選取脈沖信號實(shí)現(xiàn)）、模擬調(diào)節(jié)時間非瞬時過程的延時模塊（選取延時函數(shù)實(shí)現(xiàn)）以及將水閥開度信號轉(zhuǎn)化為水位高度的傳遞函數(shù)，其公式見式（1）[14]：

2.1.3 反饋單元

反饋單元用于將測量所得的液位真實(shí)數(shù)據(jù)反饋至計算單元，對應(yīng)于圖5中標(biāo)號6，其主要元件為差壓變送器，由增益元件實(shí)現(xiàn)。由于采用單沖量控制，因而增益參數(shù)設(shè)定為1。

圖9 給水?dāng)_動模塊Fig.9 Feedwater disturbance module

圖10 延時模塊Fig.10 Delay module

圖11 傳遞函數(shù)Fig.11 Transfer function

圖12 差壓變送器Fig.12 Differential pressure transmitter

圖13 差壓變送器數(shù)據(jù)采集子系統(tǒng)Fig.13 Differential pressure transmitter data acquisition subsystem

圖14 執(zhí)行器示波器子系統(tǒng)Fig.14 Actuator oscilloscope subsystem

2.1.4 觀測單元

觀測單元包括數(shù)據(jù)觀測模塊和圖像觀測模塊兩部分。

數(shù)據(jù)觀測模塊選取To Workspace元件實(shí)現(xiàn)，用于獲取各信號的在采樣時刻的數(shù)值，通過集成封裝成數(shù)據(jù)采集子系統(tǒng)。

圖像觀測模塊選取Scope元件實(shí)現(xiàn)，用于觀測信號的變化情況，通過集成封裝成示波器子系統(tǒng)。

2.2 驗(yàn)證平臺集成

傳統(tǒng)PID控制模型與智能預(yù)測模型的系統(tǒng)架構(gòu)與交互方式如圖15所示。經(jīng)傳統(tǒng)PID控制模型得到的真實(shí)水位變化數(shù)據(jù)在反饋到誤差計算模塊的同時也輸入到預(yù)測單元，經(jīng)預(yù)測單元處理得到的水位預(yù)測值與PID控制實(shí)現(xiàn)的水位值共同由觀測單元的比較模塊實(shí)現(xiàn)對比。

圖15 驗(yàn)證平臺的系統(tǒng)架構(gòu)Fig.15 System architecture of the verification platform

在上述傳統(tǒng)PID控制模型元件實(shí)現(xiàn)的基礎(chǔ)上，根據(jù)圖15的系統(tǒng)架構(gòu)將各元件依次連接構(gòu)成智能預(yù)測模型的總體驗(yàn)證平臺。預(yù)測單元則根據(jù)其“預(yù)測未來水位數(shù)據(jù)”的功能添加在反饋單元與觀測單元之間，使經(jīng)測量得到的水位數(shù)據(jù)成為其輸入信號。經(jīng)預(yù)測單元處理后所得的預(yù)測值能夠展示在觀測單元中。另外，在智能預(yù)測模型的觀測單元上另外添加了比較模塊，以觀察水位預(yù)測值與真實(shí)值之間的偏差，由SUM元件、To Workspace元件、Scope元件共同構(gòu)成并加以封裝，如圖16所示。

圖16 比較模塊Fig.16 Comparison module

最終生成的蒸汽發(fā)生器液面智能預(yù)測模型的實(shí)時驗(yàn)證平臺如圖17所示。

圖17 智能預(yù)測模型實(shí)時驗(yàn)證平臺Fig.17 Real-time verification platform of intelligent prediction model

3 智能預(yù)測仿真實(shí)驗(yàn)及結(jié)果分析

3.1 仿真實(shí)驗(yàn)準(zhǔn)備

智能預(yù)測模型的仿真過程在MATLAB的SIMULINK上實(shí)現(xiàn)，其檢測要點(diǎn)如下：

1）控制后的水位值是否最終收斂，若不收斂則需調(diào)整PID控制器的控制參數(shù)。

2）控制后的水位值收斂至穩(wěn)態(tài)時，是否為最初的設(shè)定值。若錯誤，則需調(diào)整執(zhí)行器或差壓變送器的參數(shù)。

3）給水?dāng)_動是否發(fā)揮作用。若否，則需調(diào)整脈沖值的范圍。

4）預(yù)測單元的水位預(yù)測結(jié)果。若得不到預(yù)測結(jié)果，則需檢查歸一化步驟、反歸一化步驟、輸入數(shù)據(jù)的格式和維度等。

5）預(yù)測結(jié)果與真實(shí)結(jié)果之間的誤差以及均方誤差。若誤差或均方誤差較大，則需考慮調(diào)整預(yù)測單元的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，或重新訓(xùn)練預(yù)測單元，或預(yù)測單元是否出現(xiàn)過擬合現(xiàn)象。

3.2 實(shí)驗(yàn)結(jié)果及分析

工況仿真時長為200 s，且在仿真過程中周期性地給予系統(tǒng)水位擾動信號，形成“擾動-調(diào)整-穩(wěn)態(tài)”的周期性水位波動，為對比分析提供多樣化的分析樣本。由于0時刻暫無反饋，預(yù)測結(jié)果初始為0。本文仿真實(shí)驗(yàn)與文獻(xiàn)[9]中仿真過程的差別在于本文采用PID控制器實(shí)時產(chǎn)生的水位調(diào)節(jié)結(jié)果作為預(yù)測模型輸入，在檢驗(yàn)預(yù)測模型預(yù)測功能的同時，也檢測其在實(shí)時工況環(huán)境下對工況變化的敏感度以及動態(tài)預(yù)測的準(zhǔn)確性。

水位預(yù)測結(jié)果圖像如圖18所示，其中，(b)圖與(c)圖均為由(a)圖放大的局部圖像。

圖18 水位變化真實(shí)值與兩類模型預(yù)測值對比Fig.18 Comparison of the real value of water level change and the predicted value of the two types of models

如圖18(b)所示，基于LSTM和RNN分別實(shí)現(xiàn)的預(yù)測單元產(chǎn)生的水位預(yù)測結(jié)果在整體變化上均符合實(shí)際水位趨勢，但LSTM的預(yù)測結(jié)果明顯更加貼合水位真實(shí)值。以第62 s為例，水位真實(shí)值與LSTM預(yù)測值的差別如圖18(c)所示，相比于RNN的預(yù)測值誤差更小。由此可見，智能預(yù)測模型的預(yù)測單元能夠生成符合水位變化特征的預(yù)測值，且LSTM的預(yù)測效果優(yōu)于RNN。

預(yù)測精度圖像如圖19所示，其中給出了LSTM和RNN兩種預(yù)測手段在精度上的差別，并分別給出誤差值和MSE值。

圖19 預(yù)測誤差對比圖Fig.19 Comparison of prediction errors

如圖20所示，由圖像可直觀看出LSTM預(yù)測結(jié)果的誤差值明顯低于RNN，且誤差值圖像波動更小，說明其預(yù)測效果穩(wěn)定，適合用于非線性、時變性強(qiáng)的數(shù)據(jù)預(yù)測，例如蒸汽發(fā)生器的液面變化。在誤差偏移量較大的第42 s處，LSTM預(yù)測誤差值為6×10-3。從表2所示的不同采樣點(diǎn)誤差值也可以看出RNN預(yù)測誤差值較高，不如LSTM預(yù)測值精確。從表3所示的預(yù)測損失值MSE來看，基于LSTM建立的預(yù)測單元的預(yù)測損失值基本在10-8量級，而且LSTM預(yù)測結(jié)果的MSE比RNN的更小且更穩(wěn)定。同時可以看到，LSTM預(yù)測的MSE值在預(yù)測過程開始后較快地減小到并穩(wěn)定在10-8量級，表現(xiàn)出了較快的計算收斂性，因此能夠在更短時間內(nèi)獲得準(zhǔn)確的預(yù)測結(jié)果。

表2 不同采樣點(diǎn)誤差值Table 2 Error values of different sampling points

表3 不同采樣點(diǎn)MSE值Table 3 MSE Values of different sampling points

4 結(jié)論

本文設(shè)計、實(shí)現(xiàn)并驗(yàn)證了一個基于LSTM方法的核電站蒸汽發(fā)生器液面智能預(yù)測模型，并采用與傳統(tǒng)PID控制器相結(jié)合的方法進(jìn)行了實(shí)時工況場景下的驗(yàn)證。PID控制器調(diào)控產(chǎn)生的水位反饋信號同時作為LSTM模型的輸入，以此驗(yàn)證其對于工況水位變化的敏感性和預(yù)測的準(zhǔn)確性。實(shí)驗(yàn)證明，LSTM模型能有效地響應(yīng)水位變化并在較短時間內(nèi)輸出精確的水位預(yù)測值。其預(yù)測誤差最小可以達(dá)到-1.1887×10-4，且預(yù)測誤差水平非常穩(wěn)定；其預(yù)測精度較高，神經(jīng)網(wǎng)絡(luò)運(yùn)算損失值最低可達(dá)1.4130×10-8。同時，實(shí)驗(yàn)結(jié)果表明LSTM模型在預(yù)測過程中收斂較快，這對于需要及時獲得工況預(yù)測結(jié)果來加強(qiáng)控制效果，或者提升安全系數(shù)的核電站儀控設(shè)備來說非常重要?？梢?，LSTM模型對于傳統(tǒng)控制方法是非常有益的輔助和補(bǔ)充。未來進(jìn)一步的工作可以專注于將LSTM的精準(zhǔn)預(yù)測結(jié)果與傳統(tǒng)控制機(jī)理結(jié)合起來，提高傳統(tǒng)控制方法的智能化水平，從而提升核電站儀控設(shè)備的工作效率，為更加高效安全的核電站運(yùn)行打下基礎(chǔ)。

致謝

本文作者衷心感謝下列科研項目和單位對本文工作的支持：

1）湖南省自然科學(xué)基金項目，“基于預(yù)測控制的核電站快速響應(yīng)與智能控制研究”（2018JJ2057）。

2）湖南省“湖湘高層次人才聚集工程—創(chuàng)新人才計劃”（2018RS3050）。

3）2019年工業(yè)互聯(lián)網(wǎng)創(chuàng)新—基于工業(yè)互聯(lián)網(wǎng)平臺的生產(chǎn)線數(shù)字孿生系統(tǒng)項目。

4）國家電力投資集團(tuán)有限公司中央研究院。

5）中廣核研究院有限公司。

6）湖南湘江人工智能學(xué)院。