Разработка нейросетевой модели паротурбинной установки АЭС

   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.

1. Рыбаков Д. А. Актуальность и доступность нейросетей в современном обществе. Международный научный журнал «Вестник Науки» 2023; (7): 256 – 261.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. Жуйкова Е. Г. Исследование различных методов кластерного анализа на основе их приложений в нейронных сетях. Перспективы науки. 2024; (6): 87 – 91.

9. Феофилов Д. С. Сравнительный анализ методов обучения искусственных нейронных сетей. Техника XXI века глазами молодых ученых и специалистов. 2022; (20): 382 – 385.

10. 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.

11. 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.

12. Microsoft Visual Studio : официальный сайт. URL: https://visualstudio.microsoft.com/ru/ (дата обращения 01. 02. 2025).