energsecurityНадежность и безопасность энергетикиSafety and Reliability of Power Industry1999-55552542-2057ООО «НПО Энергобезопасность»10.24223/1999-5555-2025-18-2-112-121energsecurity-1011Research ArticleПРОЕКТИРОВАНИЕ, ИССЛЕДОВАНИЯ, РАСЧЕТЫDESIGN, RESEARCH, CALCULATIONSРазработка нейросетевой модели паротурбинной установки АЭСDevelopment of NPP steam turbine neural network modelМинеевП. А.MineevP. A.

кафедра АЭС

153003; ул. Рабфаковская, 34; Иваново

Department NPP

153003; Rabfakovskaya str., 34; Ivanovo

pasha.mineevr@ya.ruГорбуновВ. А.GorbunovV. A.

153003; ул. Рабфаковская, 34; Иваново

153003; Rabfakovskaya str., 34; Ivanovo

ЛоншаковН. А.LonshakovN. A.

153003; ул. Рабфаковская, 34; Иваново

153003; Rabfakovskaya str., 34; Ivanovo

МечтаеваМ. Н.MechtaevaM. N.

153003; ул. Рабфаковская, 34; Иваново

153003; Rabfakovskaya str., 34; Ivanovo

ФГБОУ ВО «Ивановский государственный энергетический университет имени В. И. Ленина»РоссияIvanovo State Power UniversityRussian Federation202507082025182112121Copyright © Минеев П.А., Горбунов В.А., Лоншаков Н.А., Мечтаева М.Н., 20252025Минеев П.А., Горбунов В.А., Лоншаков Н.А., Мечтаева М.Н.Mineev P.A., Gorbunov V.A., Lonshakov N.A., Mechtaeva M.N.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.sigma08.ru/jour/article/view/1011

   Представлены результаты исследования возможности применения нейросетевых (НС) технологий для анализа энергетической эффективности работы электростанций посредством разработки НС модели паротурбинной установки (ПТУ) АЭС проекта ВВЭР-1000/320. Разработка таких моделей является достаточно сложной задачей, так как подразумевает под собой решение множества задач: определение целевых функций — параметров, которые НС модель будет определять; поиск входных параметров и выделение из них варьируемой части с использованием различных методов статистического анализа; выбор типа НС модели экспериментальным путем; непосредственно разработка НС и программного комплекса на ее основе, доступного и понятного персоналу электростанции. В ходе исследования были выполнены все представленные мероприятия и разработан программный комплекс для определения значений целевых функций, а именно удельного расхода тепла (УРТ), удельного расхода пара (УРП), электрического КПД и мгновенного значения удельного расхода условного топлива (УРУТ), на основе восьмидесяти двух входных параметров, из которых десять определены как варьируемые. При этом точность при валидации НС модели на выборке, не учувствовавшей в обучении НС, составляет 99,5 %. Таким образом, разработанная НС модель с высокой точностью позволяет определить необходимые показатели, при этом время их вычисления не превышает 0,5 с. Данный факт подтверждает возможность применения НС моделей для оценки показателей энергетической эффективности электростанций согласно алгоритму, представленному в исследовании, а также открывает перспективы оптимизации режима работы оборудования электростанций с использованием аналогичных НС моделей. С целью демонстрации возможностей программного комплекса на его основе разработаны технически-обоснованные нормы для соответствующих целевых функций, которые могут быть рекомендованы для использования при анализе энергетической эффективности рассматриваемой ПТУ.

   The results are presented of a study of the possibility of using neural network (NNT) technologies to analyze the energy efficiency of power plants through the development of an NS model of a steam turbine installation (ST) of a VVER-1000/320 design NPP. The development of such models is quite a challenge, since it involves solving many tasks: determining the target functions — the parametrs that the NNT model will determine; searching for input parameters and extracting a variable part from them using various statistical analysis methods; choosing the type of NNT model experimentally; developing the NNT as such and the software package based on it, which would be accessible and understandable to the personnel of the power plant. During the study, all the presented measures were carried out, and a software package was developed to determine the values of the target functions, namely, specific heat consumption (SHC), specific steam consumption (SSC), electrical efficiency and the instantaneous value of the specific consumption of conventional fuel (SCCF), based on eighty-two input parameters, of which two are determined as variable ones. At the same time, the accuracy in validating the NNT model on a sample that did not participate in the NNT training is 99.5 %. Therefore, the developed NNT model makes it possible to determine the necessary indicators with high accuracy, with the time spent on calculating the same being within 0.5 s. This confirms the possibility of using NNT models to evaluate the energy efficiency of power plants according to the algorithm presented in the study, and opens up prospects for optimizing the operating mode of power plant equipment using similar NNT models. In order to demonstrate the capabilities of the software package, technically sound standards for the relevant target functions have been developed on its basis, which can be recommended for use in analyzing the energy efficiency of the ST under consideration.

энергетическая эффективностьэлектростанцияпаротурбинная установка АЭСпрограммный комплекснейросетевая модельenergy efficiencypower plantNPP steam turbinesoftware packageneural network modelReferencesРыбаков Д. А. Актуальность и доступность нейросетей в современном обществе. Международный научный журнал «Вестник Науки» 2023; (7): 256 – 261.Rybakov D. A. Relevance and accessibility of neural networks in modern society. Mezhdunarodny`j nauchny`j zhurnal «Vestnik Nauki» 2023; (7): 256 – 261. (In Russ.)Комличенко В. Н., Федосенко В. А., Купрейчик А. С. Сравнительный анализ различных архитектур нейронных сетей для задач регрессии. Экономика и качество систем связи 2025; (1): 110 – 121.Komlichenko V. N., Fedosenko V. A., Kupreichik A. S. Comparative analysis of various neural network architectures for regression problems. E`konomika i kachestvo sistem svyazi 2025; (1): 110 – 121. (In Russ.)Интеллектуальная система поддержки принятия решений по управлению турбопитательными насосами Калининской АЭС. В. А. Горбунов, Н. А. Лоншаков, С. А. Теплякова, М. Н. Мечтаева, П. А. Минеев. Известия вузов: ядерная энергетика 2024; (3): 125 – 140.Intelligent decision support system for the management of turboprop pumps at Kalinin NPP. V. A. Gorbunov, N. A. Lonshakov, S. A. Teplyakova, M. N. Mechtaeva, P. A. Mineev. Izvestiya vuzov: yadernaya energetika 2024; (3): 125 – 140. (In Russ.)Российская Федерация. Законы. Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации : Федеральный закон № 261-ФЗ : [принят Государственной Думой 11 нояб. 2009 г.]. 2009: 52.The Russian Federation. Laws. On Energy Conservation and Energy Efficiency Improvement and on Amendments to Certain Legislative Acts of the Russian Federation : Federal Law No. 261-FZ: [adopted by the State Duma on November 11, 2009]. 2009: 52. (In Russ.)Методика оценки влияния эксплуатационных параметров на работу турбопитательного насоса. В. А. Горбунов, Н. А. Лоншаков, С. А. Теплякова, М. Н. Мечтаева, П. А. Минеев Вестник ИГЭУ 2022; (4): 14 – 23.Methodology for assessing the effect of operational parameters on the operation of a turbopump pump. V. A Gorbunov, N. A. Lonshakov, S. A. Teplyakova, M. N. Mechtaeva, P. A. Mineev. Vestnik IGE`U. 2022; (4): 14 – 23. (In Russ.)ГОСТ Р 57700.23-2020. Компьютерные модели и моделирование. Валидация. Общие положения : Национальный стандарт Российской Федерации : дата введения 13 ноября 2020 г. Федеральное государственное унитарное предприятие «Российский федеральный ядерный центр. Всероссийский научно-исследовательский институт экспериментальной физики». Стандартинформ 2020: 4.GOST R 57700.23-2020. Computer models and modeling. Validation. General provisions : National Standard of the Russian Federation : date of introduction November 13, 2020 Federal`noe gosudarstvennoe unitarnoe predpriyatie «Rossijskij federal`ny`j yaderny`j centr. Vserossijskij nauchno-issledovatel`skij institut eksperimental`noj fiziki». Standartinform 2020: 4. (In Russ.)Применение методик факторного анализа в хранилищах данных при план-факторном анализе. А. А. Прощенков, И. Ю. Ващило, Е. А. Барабанов, Т. Р. Газдиев, Е. В. Коптенок Современная наука, общество и образование 2022; (1): 93 – 96.Application of factor analysis techniques in data warehouses for plan factor analysis. A. A. Proschenkov, I. Yu. Vashchilo, E. A. Barabanov, T. R. Gazdiev, E. V. Koptenok. Sovremennaya nauka, obshhestvo i obrazovanie 2022; (1): 93 – 96. (In Russ.)Жуйкова Е. Г. Исследование различных методов кластерного анализа на основе их приложений в нейронных сетях. Перспективы науки. 2024; (6): 87 – 91.Zhuikova E. G. Investigation of various methods of cluster analysis based on their applications in neural networks. Perspektivy nauki 2024; (6): 87 – 91. (In Russ.)Феофилов Д. С. Сравнительный анализ методов обучения искусственных нейронных сетей. Техника XXI века глазами молодых ученых и специалистов. 2022; (20): 382 – 385.Feofilov D. S. Comparative analysis of artificial neural network training methods. Texnika XXI veka glazami molody`x ucheny`x i specialistov. 2022; (20): 382 – 385. (In Russ.)Петров И. Б., Станкевич А. С., Васюков А. В. О поиске начального приближения в задаче волновой инверсии с помощью сверхточных нейронных сетей. Доклады РАН: математика, информатика, процессы управления. 2023; (1): 58 – 64.Petrov I. B., Stankevich A. S., Vasyukov A. V. On the search for an initial approximation in the wave inversion problem using convolutional neural networks. Doklady` RAN: matematika, informatika, processy` upravleniya 2023; (1): 58 – 64. (In Russ.)Ильичов Д. Э., Головушкин А. А., Июнкин Д. А. Методы обучения нейронных сетей: градиентный спуск, метод Ньютона, сопряженный градиент. Наука и иновации в XXI веке 2021; (1): 55 – 57.Ilyichov D. E., Golovushkin A. A., Junkin D. A. Neural network training methods: gradient descent, Newton's method, conjugate gradient. Nauka i inovacii v XXI veke 2021; (1): 55 – 57. (In Russ.)Microsoft Visual Studio : официальный сайт. URL: https://visualstudio.microsoft.com/ru/ (дата обращения 01. 02. 2025).Microsoft Visual Studio: official website. URL: https://visualstudio.microsoft.com/ru / (accessed 02/01/2025).

The authors declare that there are no conflicts of interest present.