CN114329905B - 全范围模拟机可信度评估方法、装置及计算机设备 - Google Patents

Abstract

本申请提出了一种全范围模拟机可信度评估方法、装置、计算机设备及存储介质，涉及核电站模拟机技术领域。该方法包括：获取电厂运行数据集，提取工况特征参数；对工况特征参数进行降维及聚类，以获取工况特征参数集；确定工况特征参数集中的目标输出参数及目标输出参数对应的主变量参数；对主变量参数进行随机不确定性分析和认知不确定性分析；对主变量参数进行抽样，以获取目标输入参数；将目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；根据仿真输出参数及目标输出参数间的相似度，确定所述全范围模拟机的可信度。由此，实现了对全范围模拟机的可信度评估，进而为对全范围模拟机仿真程序及模型的校准提供了依据。

Description

全范围模拟机可信度评估方法、装置及计算机设备

技术领域

本申请涉及核电站模拟机技术领域，尤其涉及一种全范围模拟机可信度评估方法、装置、计算机设备及存储介质。

背景技术

全范围模拟机是核电站工程建设的关键设备。按照核电站建设相关标准要求，新建核电站必须配备全范围模拟机，用于开展操纵员培训和执照考试，为操纵员提高运行管理技术水平提供安全可靠工具。

通常，全范围模拟机要服务于核电机组的全生命周期，反映核电厂真实运行场景，并根据实际机组的运行数据不断调整初始模型，以匹配不同生命周期下核电站的真实运行状态。此外，全范围模拟机对核电站的工程验证、设计改进、运行规程的变更等,也提供了重要的验证手段。因此，研究如何准确评估全范围模拟机的可信度，具有重要意义。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

本申请第一方面实施例提出了一种全范围模拟机可信度评估方法，包括：

获取电厂运行数据集；

从所述电厂运行数据集中提取工况特征参数；

对所述工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；

对每类工况分别对应的所述工况特征参数集中的输出参数进行筛选，以确定目标输出参数；

根据所述目标输出参数，对所述工况特征参数集中的输入参数进行筛选，以确定所述目标输出参数对应的主变量参数；

对所述主变量参数进行随机不确定性分析和认知不确定性分析，以确定所述主变量参数的不确定性分布；

根据所述主变量参数的不确定性分布，对所述主变量参数进行抽样，以获取目标输入参数；

根据每类工况分别对应的所述目标输入参数及所述目标输出参数，确定所述工况数据集；

将每类工况分别对应的所述目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；

根据多类工况分别对应的所述仿真输出参数及对应的所述目标输出参数间的相似度，确定所述全范围模拟机的可信度。

本申请第二方面实施例提出了一种全范围模拟机可信度评估装置，包括：

第一获取模块，用于获取电厂运行数据集；

提取模块，用于从所述电厂运行数据集中提取工况特征参数；

第二获取模块，用于对所述工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；

第一确定模块，用于对每类工况分别对应的所述工况特征参数集中的输出参数进行筛选，以确定目标输出参数；

第二确定模块，用于根据所述目标输出参数，对所述工况特征参数集中的输入参数进行筛选，以确定所述目标输出参数对应的主变量参数；

第三确定模块，用于对所述主变量参数进行随机不确定性分析和认知不确定性分析，以确定所述主变量参数的不确定性分布；

第三获取模块，用于根据所述主变量参数的不确定性分布，对所述主变量参数进行抽样，以获取目标输入参数；

第四确定模块，用于根据每类工况分别对应的所述目标输入参数及所述目标输出参数，确定所述工况数据集；

第四获取模块，用于将每类工况分别对应的所述目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；

第五确定模块，用于根据多类工况分别对应的所述仿真输出参数及对应的所述目标输出参数间的相似度，确定所述全范围模拟机的可信度。

本申请第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时，实现如本申请第一方面实施例提出的全范围模拟机可信度评估方法。

本申请第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机指令，所述计算机指令被处理器执行时实现如本申请第一方面实施例提出的全范围模拟机可信度评估方法。

本申请第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令在被处理器执行时，实现如本申请第一方面实施例提出的全范围模拟机可信度评估方法。

本申请提供的全范围模拟机可信度评估方法、装置、计算机设备及存储介质，存在如下有益效果：

首先获取电厂运行数据集，并从电厂运行数据集中提取工况特征参数；然后对工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；之后对每类工况分别对应的工况特征参数集中的输出参数进行筛选，以确定目标输出参数；之后根据目标输出参数，对工况特征参数集中的输入参数进行筛选，以确定目标输出参数对应的主变量参数；之后对主变量参数进行随机不确定性分析和认知不确定性分析，以确定主变量参数的不确定性分布；之后根据主变量参数的不确定性分布，对主变量参数进行抽样，以获取目标输入参数；之后根据每类工况分别对应的目标输入参数及目标输出参数，确定工况数据集；将每类工况分别对应的目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；最后根据多类工况分别对应的仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度。由此，实现了对全范围模拟机的可信度评估，进而为对全范围模拟机仿真程序及模型的校准提供了依据。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一实施例所提供的全范围模拟机可信度评估方法的流程示意图；

图2为本申请另一实施例所提供的全范围模拟机可信度评估方法的流程示意图；

图3为本申请一实施例所提供的全范围模拟机可信度评估装置的结构示意图；

图4示出了适于用来实现本申请实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

需要说明的是，仿真可信度，即仿真系统的使用者对应用仿真系统在一定环境、一定条件下仿真试验的结果，解决所定义问题正确性的信心程度。也就是全范围模拟机的使用者对于应用全范围模拟机在一定工况、一定条件下仿真输出的结果，反映真实机组运行参数准确性的信心程度。应用缺乏足够可信度的系统进行教学培训、工程验证是非常不明智的，甚至会导致严重的后果。因此，仿真可信度的评估是仿真领域的基础问题。仿真程序及模型是全范围模拟机的核心，仿真模型的可信度水平很大程度上决定了全范围模拟机的可信度水平。

下面参考附图描述本申请实施例的全范围模拟机可信度评估方法、装置、计算机设备和存储介质。

图1为本申请实施例所提供的全范围模拟机可信度评估方法的流程示意图。

本申请实施例以该全范围模拟机可信度评估方法被配置于全范围模拟机可信度评估装置中来举例说明，该全范围模拟机可信度评估装置可以应用于任一计算机设备中，以使该计算机设备可以执行全范围模拟机可信度评估功能。

其中，计算机设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该全范围模拟机可信度评估方法可以包括以下步骤：

步骤101，获取电厂运行数据集。

其中，电厂运行数据集中包括核电厂在一定时期内的真实运行数据。

需要说明的是，电厂真实运行数据可能存在不完整性、冗余性和模糊性，直接对其进行分析在一定程度上会对结果形成干扰，影响结果的准确性。因此，本申请实施例中，可以对电场真实运行数据进行数据清洗。

比如，可以结合量程检验法和机理模型检验法，形成适用于核电厂真实运行数据的数据检验方法。首先通过核电厂设计资料获取个仪表的量程，确定各参数的上下阈值。然后结合先验知识如专家经验和安全分析报告，进行各参数值的理论高低值确定，进一步缩小各参数上下阈值范围，对超出阈值的数据进行剔除。

或者，还可以结合核电厂实际数据特性，对不同数据采用不同的方法进行滤波。对于压力、流量等信号，可以采用滑动平均滤波和中值滤波结合的方法，有效消除测量数据中的高频噪声和由于偶然因素引起的波动，以及由于采样开关、A/D转换器等工作不稳定引起的脉冲干扰。对于温度等变化缓慢、滤波时间常数要求大的参数，可以采用惯性滤波方法。

需要说明的是，核电厂的运行状态可以包括正常运行及事故工况。由于真实运行数据中事故工况很少，无法形成具有统计意义的数据集，因此可以采用近似真值数据作为电厂运行数据的一部分。

步骤102，从电厂运行数据集中提取工况特征参数。

需要说明的是，真实的核电厂可以有上百个人为划分的子系统，运行数据维数众多。因此，可以提取工况特征参数，基于工况特征参数对电厂运行数据进行聚类。

由于核电厂的实际工况包括稳态工况和瞬态工况，因此在提取工况特征参数时，可以根据特征参数类型，以及特征参数在时空上的演变规律和趋势特性进行划分。

具体的，可以结合电厂运行规程，确定各系统涉及工况转化的重要参数。同时根据先验知识，确定反映电厂工况的重要参数，将上述二者结合起来，形成工况特征参数。

步骤103，对工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集。

可以理解的是，对于工况特征参数，可以进行相关性分析，以进一步降低数据维度。比如，可以利用PCA(Principal Component Analysis，主要成分分析)方法对工况特征参数进行降维。

然后，对于降维后的工况特征参数，可以按照工况类型进行聚类，得到不同工况下的数据集合。

由于电厂运行数据包含稳态特性数据和瞬态特性数据，为了获得能够表征工况特征及发展变化规律的数据集合，可以依据某种相似性测度将需要分析的数据集合中类似的数据聚成一类。

具体的，根据电厂运行规程，可以将运行数据以特征参数为标识，划分为短时间序列数据，从而区分出稳态工况数据和瞬态工况数据。其中，稳态工况数据以单点形式呈现，瞬态工况数据以时间序列数据形式呈现。

其中，对于稳态工况数据，可以采用模糊C-均值算法进行聚类，得到c个稳态工况对应的c个工况特征参数集。对于瞬态工况数据，可以采用多维时间序列聚类算法(MUTSCA)进行聚类，得到k个瞬态工况对应的k个工况特征参数集。

步骤104，对每类工况分别对应的工况特征参数集中的输出参数进行筛选，以确定目标输出参数。

可以理解的是，电厂运行数据中，可以包括预先设置的输入参数，比如环境参数、初始工况、部件状态等，以及运行过程中产生的输出参数，比如压力、温度、流量等。因此，根据电厂运行数据得到的工况特征参数集中，也包括输入参数及输出参数。

此外，全范围模拟机行业标准中，规定了稳压器压力、稳压器液位、平均温度等参数作为重要监测参数，该类参数必须满足标准要求的精度。同时，在全范围模拟机的各类测试规程中，对各类测试工况也提出了相应的参数监测要求，每类测试涉及的参数不尽相同。因此，可以将以上两种参数结合，作为目标输出参数。

步骤105，根据目标输出参数，对工况特征参数集中的输入参数进行筛选，以确定目标输出参数对应的主变量参数。

其中，全范围模拟机模拟各类工况所需的输入参数可以包括边界值、状态值、系统固有属性等。其中，边界值包括环境参数、边界压力及温度等；状态值包括初始工况、部件状态等；系统固有属性包括粗糙度、阻力系数等。

本申请实施例中，可以识别对目标输出参数影响较大的输入参数，形成全范围模拟机输入参数的主变量参数。

步骤106，对主变量参数进行随机不确定性分析和认知不确定性分析，以确定主变量参数的不确定性分布。

需要说明的是，边界值、状态值等输入参数是通过测量得到的，可能会因测量误差带来随机不确定性，系统固有属性是通过理论估计得到的，可能会因缺乏相关知识带来认知不确定性。

因此，可以对主变量参数进行不确定性分析。对于随机不确定性可以采用概率理论进行描述，对于认知不确定性可以采用区间理论进行描述。

在概率框架内，根据大数定律，考虑不确定性的输入参数分布可以通过对大量数据进行统计分析得到。但由于电厂真实数据在一些工况下无足够数据，不能提供具有统计意义的数据集，因此可以根据先验知识获取各工况下输入参数的分布。

本申请实施例中，对于边界值、状态值等主变量参数，可以确定符合正态分布X～N(μ,σ²)，μ取全范围模拟机各工况测试规程中定义的目标值，σ²根据μ及该参数的传感器量程[a,b]计算得出。

对于系统固有属性等主变量参数，可以确定符合均匀分布

a,b根据理论参数的最大值及最小值确定。

步骤107，根据主变量参数的不确定性分布，对主变量参数进行抽样，以获取目标输入参数。

其中，对主变量参数进行抽样，得到的目标输入参数应符合主变量参数的概率分布特征。

比如，对于边界值、状态值等目标输入参数，应符合正太分布特征。对于系统固有属性等目标输入参数，应符合均匀分布特征。

需要说明的是，对数据抽样时，通常在连续域中进行。因此，本申请实施例中，可以先将离散域的参数转换为连续域再进行抽样。

比如，可以先将各个主变量参数按照参数范围进行筛选，各个参数形成[a,b]范围内不连续的集合。然后应用分段线性插值的方法，将离散数据进行连续化处理。

需要说明的是，由于认知不确定性和随机不确定性可能同时存在，抽样时需要先对认知不确定性进行抽样，然后在此基础上对随机不确定性进行抽样，每完成一个随机不确定性抽样的循环，可以绘制成一条概率分布曲线；在认知-随机不确定性循环抽样完成后，可绘制一个由多条概率分布曲线构成的概率包络。

步骤108，根据每类工况分别对应的目标输入参数及目标输出参数，确定工况数据集。

其中，当目标输入参数抽样完成后，可以将每类工况的目标输入参数与目标输出参数进行对应，以形成工况数据集。

步骤109，将每类工况分别对应的目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数。

其中，全范围模拟机可以模拟电厂真实机组的运行过程，通过向全范围模拟机输入模拟各类工况所需要的输入参数，进行仿真计算(即仿真实验)，可以获得对应的仿真输出参数。

步骤110，根据仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度。

其中，目标输出参数为核电厂在一定工况下的真实运行数据，仿真输出参数为全范围模拟机在相同条件下，进行仿真实验获得计算结果。根据两者间的相似度，可以确定全范围模拟机的可信度。

需要说明的是，对于每类工况，可以对应多种目标输出参数。因此，本申请实施例中，确定全范围模拟机的可信度，可以有多种方式。

比如，可以计算每种目标输出参数与仿真输出参数的相似度平均值，作为全范围模拟机的可信度。

或者，可以为每种目标输出参数分别赋予对应的权重，将每种目标输出参数与仿真输出参数的相似度分别与其对应的权重相乘，再计算平均值，作为全范围模拟机的可信度。

本申请实施例中，获取电厂运行数据集，并从电厂运行数据集中提取工况特征参数；然后对工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；之后对每类工况分别对应的工况特征参数集中的输出参数进行筛选，以确定目标输出参数；之后根据目标输出参数，对工况特征参数集中的输入参数进行筛选，以确定目标输出参数对应的主变量参数；之后对主变量参数进行随机不确定性分析和认知不确定性分析，以确定主变量参数的不确定性分布；之后根据主变量参数的不确定性分布，对主变量参数进行抽样，以获取目标输入参数；之后根据每类工况分别对应的目标输入参数及目标输出参数，确定工况数据集；将每类工况分别对应的目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；最后根据多类工况分别对应的仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度。由此，实现了对全范围模拟机的可信度评估，进而为对全范围模拟机仿真程序及模型的校准提供了依据。

其中，在获取多类工况数据集时，首先通过对电厂运行数据提取工况特征参数，然后对工况特征参数进行降维及聚类，并获取多类工况分别对应的工况特征参数集，最后从工况特征参数集中提取目标输入参数及目标输出参数，形成工况数据集，为进行全范围模拟机的仿真实验提供了真实、可靠的数据来源，并提高了全范围模拟机仿真计算的速度和效率。

图2是根据本申请另一实施例的全范围模拟机可信度评估方法的流程示意图。如图2所示，在如图1所示实施例的基础上，步骤110根据多类工况分别对应的仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度，可以包括以下步骤：

步骤201，对每类工况分别对应的仿真输出参数进行不确定性分析，以确定仿真输出参数的参考值和不确定度。

步骤202，对每类工况分别对应的目标输出参数进行不确定性分析，以确定目标输出参数的参考值和不确定度。

需要说明的是，在电厂运行过程中，由于各种因素的影响，运行数据可能存在不确定性。

对于每类工况，可以包括多个输出参数，每个输出参数可以包括多个数据。因此，对于每类工况对应的目标输出参数及仿真输出参数，可以进行不确定性分析，以提高对全范围模拟机可信度评估的准确性和可靠性。

其中，对于稳态工况数据集的目标输出参数和仿真输出参数，可以利用均值-方差分析方法进行不确定性量化，将均值作为输出参数的参考值，将方差作为输出参数的不确定度。

对于瞬态工况数据集的目标输出参数和仿真输出参数，可以利用动态均值-方差分析方法进行不确定性量化，将均值曲线作为输出参数的参考值，将方差曲线作为输出参数的不确定度。

步骤203，根据每类工况分别对应的仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度，确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度。

具体的，可以将目标输出参数按照数据类型划分为确定性数据、周期性数据及非周期性数据。

其中，稳态工况的输出参数为确定性数据，可以应用确定性数据比较方法进行结果相似度分析。比如，可以采用误差分析方法，计算目标输出参数与仿真输出参数间的参考值和不确定度的绝对误差或相对误差，从而确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度。

对于瞬态工况的输出参数，参数变化曲线可能存在非周期时间序列数据和周期性时间序列数据两种形式。

对于非周期时间序列数据，如温度、压力等数据，可以采用灰色关联分析方法来分析时间序列数据的几何接近程度，得到灰色关联度数值表征两曲线间的近似程度，从而确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度。

对于周期性时间序列数据，如汽轮机振动信号、发电机功率等，可以采用小波变换提取时间序列数据的频域信号，然后采用相关系数法对时频数据分别进行分析，得到相关系数表征两周期性时间序列数据间的近似程度，从而确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度。

最后，可以将上述三种类型数据比较结果统一到同一度量框架。比如，可以将确定性数据比较结果输出的相对误差进行转化，同时间序列数据比较结果进行统一。

步骤204，根据每类工况分别对应的目标输出参数的参考值相似度和不确定度相似度，及目标输出参数对应的参考值权重和不确定度权重，确定目标输出参数的可信度。

需要说明的是，由于全范围模拟机可信度评估涉及工况众多，有大量的监测参数，因此，本申请实施例中，可以建立多层评估指标体系。

其中，目标输出参数为根据全范围模拟机行业标准确定的重要监测参数，因此可以首先确定目标输出参数的可信度。

具体的，可以为每个目标输出参数对应的参考值相似度和不确定度相似度分别赋予对应的权重，然后将每个目标输出参数对应的参考值相似度和不确定度相似度分别与其对应的权重相乘，再计算平均值，作为每个目标输出参数的可信度。

步骤205，根据每类工况分别对应的每个目标输出参数的可信度，及每个目标输出参数对应的权重，确定全范围模拟机在每类工况下的可信度。

需要说明的是，对于每类工况，可以包含多个目标输出参数。因此，根据目标输出参数的可信度，可以确定全范围模拟机在每类工况下的可信度。

具体的，可以为同一类工况的每个目标输出参数分别赋予对应的权重，然后将每个目标输出参数的可信度分别与其对应的权重相乘，再计算平均值，作为全范围模拟机在每类工况下的可信度。

步骤206，根据全范围模拟机在每类工况下的可信度，及每类工况对应的权重，确定全范围模拟机的可信度。

需要说明的是，全范围模拟机的仿真实验涉及多类工况。因此，根据全范围模拟机在每类工况下的可信度，可以确定全范围模拟机的可信度。

具体的，可以为每类工况分别赋予对应的权重，然后将每类工况的可信度分别与其对应的权重相乘，再计算平均值，作为全范围模拟机的可信度。

其中，对于每个目标输出参数对应的参考值权重和不确定度权重，每个目标输出参数对应的权重，以及每类工况对应的权重，可以利用层次分析法(AHP,analytichierarchy process)和Delphi法相结合的权重确定方法。

本申请实施例中，通过依次确定每个目标输出参数的可信度、全范围模拟机在每类工况下的可信度及全范围模拟机的可信度，实现了对全范围模拟机整体和局部的可信度评估，提高了全范围模拟机可信度评估的精度和准确度，为后续仿真程序及模型的校准提供了依据。

为了实现上述实施例，本申请还提出一种全范围模拟机可信度评估装置。

图3为本申请一实施例所提供的全范围模拟机可信度评估装置的结构示意图。

如图3所示，该全范围模拟机可信度评估装置100可以包括：第一获取模块110、提取模块120、第二获取模块130、第一确定模块140、第二确定模块150、第三确定模块160、第三获取模块170、第四确定模块180、第四获取模块190及第五确定模块200。

其中，第一获取模块110，用于获取电厂运行数据集。

提取模块120，用于从电厂运行数据集中提取工况特征参数。

第二获取模块130，用于对工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集。

第一确定模块140，用于对每类工况分别对应的工况特征参数集中的输出参数进行筛选，以确定目标输出参数。

第二确定模块150，用于根据目标输出参数，对工况特征参数集中的输入参数进行筛选，以确定目标输出参数对应的主变量参数。

第三确定模块160，用于对主变量参数进行随机不确定性分析和认知不确定性分析，以确定主变量参数的不确定性分布。

第三获取模块170，用于根据主变量参数的不确定性分布，对主变量参数进行抽样，以获取目标输入参数。

第四确定模块180，用于根据每类工况分别对应的目标输入参数及目标输出参数，确定工况数据集。

第四获取模块190，用于将每类工况分别对应的目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数。

第五确定模块200，用于根据多类工况分别对应的仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度。

在本申请实施例一种可能的实现方式中，第五确定模块200包括：

第一确定单元，用于对每类工况分别对应的仿真输出参数进行不确定性分析，以确定仿真输出参数的参考值和不确定度；

第二确定单元，用于对每类工况分别对应的目标输出参数进行不确定性分析，以确定目标输出参数的参考值和不确定度；

第三确定单元，用于根据多类工况分别对应的仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度，确定全范围模拟机的可信度。

在本申请实施例一种可能的实现方式中，第三确定单元包括：

第一确定子单元，用于根据每类工况分别对应的仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度，确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度；

第二确定子单元，用于根据每类工况分别对应的目标输出参数的参考值相似度和不确定度相似度，及目标输出参数对应的参考值权重和不确定度权重，确定目标输出参数的可信度；

第三确定子单元，用于根据每类工况分别对应的每个目标输出参数的可信度，及每个目标输出参数对应的权重，确定全范围模拟机在每类工况下的可信度；

第四确定子单元，用于根据全范围模拟机在每类工况下的可信度，及每类工况对应的权重，确定全范围模拟机的可信度。

在本申请实施例一种可能的实现方式中，第二确定单元用于：

对稳态工况对应的目标输出参数，采用均值-方差分析方法进行不确定性分析，以确定目标输出参数的参考值和不确定度；

对瞬态工况对应的目标输出参数，采用动态均值-方差分析方法进行不确定性分析，以确定目标输出参数的参考值和不确定度。

在本申请实施例一种可能的实现方式中，第一确定子单元用于：

将目标输出参数按照数据类型划分为确定性数据、周期性数据及非周期性数据；

对确定性数据，采用误差分析方法比较仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度的差异，以确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度；

对周期性数据，采用小波分析方法比较仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度的差异，以确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度；

对非周期性数据，采用灰色关联分析方法比较仿真输出参数的参考值和不确定度，及目标输出参数的参考值和不确定度的差异，以确定仿真输出参数和目标输出参数的参考值相似度和不确定度相似度。

在本申请实施例一种可能的实现方式中，第二获取模块130用于：

对工况特征参数进行相关性分析，以利用PCA方法对工况特征参数进行降维；

将降维后的工况特征参数划分为稳态工况数据集及瞬态工况数据集；

对稳态工况数据集，采用模糊C-均值算法进行聚类，以获取多个稳态工况对应的工况特征参数集；

对瞬态工况数据集，采用多维时间序列聚类算法进行聚类，以获取多个瞬态工况对应的工况特征参数集。

本申请实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。

本申请实施例的全范围模拟机可信度评估装置，首先获取电厂运行数据集，并从电厂运行数据集中提取工况特征参数；然后对工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；之后对每类工况分别对应的工况特征参数集中的输出参数进行筛选，以确定目标输出参数；之后根据目标输出参数，对工况特征参数集中的输入参数进行筛选，以确定目标输出参数对应的主变量参数；之后对主变量参数进行随机不确定性分析和认知不确定性分析，以确定主变量参数的不确定性分布；之后根据主变量参数的不确定性分布，对主变量参数进行抽样，以获取目标输入参数；之后根据每类工况分别对应的目标输入参数及目标输出参数，确定工况数据集；将每类工况分别对应的目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；最后根据多类工况分别对应的仿真输出参数及对应的目标输出参数间的相似度，确定全范围模拟机的可信度。由此，实现了对全范围模拟机的可信度评估，进而为对全范围模拟机仿真程序及模型的校准提供了依据。

为了实现上述实施例，本申请还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，处理器执行指令时，实现如本申请前述实施例提出的全范围模拟机可信度评估方法。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，存储有计算机指令，计算机指令被处理器执行时实现如本申请前述实施例提出的全范围模拟机可信度评估方法。

为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本申请前述实施例提出的全范围模拟机可信度评估方法。

图4示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图4显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种全范围模拟机可信度评估方法，其特征在于，包括：

获取电厂运行数据集；

从所述电厂运行数据集中提取工况特征参数；

对所述工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；

对每类工况分别对应的所述工况特征参数集中的输出参数进行筛选，以确定目标输出参数；

根据所述目标输出参数，对所述工况特征参数集中的输入参数进行筛选，以确定所述目标输出参数对应的主变量参数；

对所述主变量参数进行随机不确定性分析和认知不确定性分析，以确定所述主变量参数的不确定性分布；

根据所述主变量参数的不确定性分布，对所述主变量参数进行抽样，以获取目标输入参数；

根据每类工况分别对应的所述目标输入参数及所述目标输出参数，确定工况数据集；

将每类工况分别对应的所述目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；

根据多类工况分别对应的所述仿真输出参数及对应的所述目标输出参数间的相似度，确定所述全范围模拟机的可信度；

所述根据多类工况分别对应的所述仿真输出参数及对应的所述目标输出参数间的相似度，确定所述全范围模拟机的可信度，包括：

对每类工况分别对应的所述仿真输出参数和所述目标输出参数进行不确定性分析，以确定所述仿真输出参数和所述目标输出参数的参考值和不确定度，其中，对于稳态工况数据集的目标输出参数和仿真输出参数，利用均值-方差分析方法进行不确定性量化，将均值作为所述参考值，将方差作为所述不确定度，对于瞬态工况数据集的目标输出参数和仿真输出参数，利用动态均值-方差分析方法进行不确定性量化，将均值曲线作为所述参考值，将方差曲线作为所述不确定度；

根据多类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述全范围模拟机的可信度。

2.如权利要求1所述的方法，其特征在于，所述根据多类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述全范围模拟机的可信度，包括：

根据每类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

根据每类工况分别对应的所述目标输出参数的参考值相似度和不确定度相似度，及所述目标输出参数对应的参考值权重和不确定度权重，确定所述目标输出参数的可信度，其中，利用层次分析法和Delphi法相结合的权重确定方法，确定所述参考值权重和所述不确定度权重；

根据每类工况分别对应的每个所述目标输出参数的可信度，及每个所述目标输出参数对应的权重，确定所述全范围模拟机在每类工况下的可信度；

根据所述全范围模拟机在每类工况下的可信度，及每类工况对应的权重，确定所述全范围模拟机的可信度。

3.如权利要求1所述的方法，其特征在于，所述根据每类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度，包括：

将所述目标输出参数按照数据类型划分为确定性数据、周期性数据及非周期性数据；

对所述确定性数据，采用误差分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

对所述周期性数据，采用小波分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

对所述非周期性数据，采用灰色关联分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度。

4.如权利要求1-3任一所述的方法，其特征在于，所述对所述工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集，包括：

对所述工况特征参数进行相关性分析，以利用PCA方法对所述工况特征参数进行降维；

将所述降维后的工况特征参数划分为稳态工况数据集及瞬态工况数据集；

对所述稳态工况数据集，采用模糊C-均值算法进行聚类，以获取多个稳态工况对应的工况特征参数集；

对所述瞬态工况数据集，采用多维时间序列聚类算法进行聚类，以获取多个瞬态工况对应的工况特征参数集。

5.一种全范围模拟机可信度评估装置，其特征在于，包括：

第一获取模块，用于获取电厂运行数据集；

提取模块，用于从所述电厂运行数据集中提取工况特征参数；

第二获取模块，用于对所述工况特征参数进行降维及聚类，以获取多类工况分别对应的工况特征参数集；

第一确定模块，用于对每类工况分别对应的所述工况特征参数集中的输出参数进行筛选，以确定目标输出参数；

第二确定模块，用于根据所述目标输出参数，对所述工况特征参数集中的输入参数进行筛选，以确定所述目标输出参数对应的主变量参数；

第三确定模块，用于对所述主变量参数进行随机不确定性分析和认知不确定性分析，以确定所述主变量参数的不确定性分布；

第三获取模块，用于根据所述主变量参数的不确定性分布，对所述主变量参数进行抽样，以获取目标输入参数；

第四确定模块，用于根据每类工况分别对应的所述目标输入参数及所述目标输出参数，确定工况数据集；

第四获取模块，用于将每类工况分别对应的所述目标输入参数输入全范围模拟机进行仿真计算，以获取对应的仿真输出参数；

第五确定模块，用于根据多类工况分别对应的所述仿真输出参数及对应的所述目标输出参数间的相似度，确定所述全范围模拟机的可信度；

所述第五确定模块包括：

第一确定单元，用于对每类工况分别对应的所述仿真输出参数和所述目标输出参数进行不确定性分析，以确定所述仿真输出参数和所述目标输出参数的参考值和不确定度，其中，对于稳态工况数据集的目标输出参数和仿真输出参数，利用均值-方差分析方法进行不确定性量化，将均值作为所述参考值，将方差作为所述不确定度，对于瞬态工况数据集的目标输出参数和仿真输出参数，利用动态均值-方差分析方法进行不确定性量化，将均值曲线作为所述参考值，将方差曲线作为所述不确定度；

第二确定单元，用于根据多类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述全范围模拟机的可信度。

6.如权利要求5所述的装置，其特征在于，所述第二确定单元包括：

第一确定子单元，用于根据每类工况分别对应的所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度，确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

第二确定子单元，用于根据每类工况分别对应的所述目标输出参数的参考值相似度和不确定度相似度，及所述目标输出参数对应的参考值权重和不确定度权重，确定所述目标输出参数的可信度，其中，利用层次分析法和Delphi法相结合的权重确定方法，确定所述参考值权重和所述不确定度权重；

第三确定子单元，用于根据每类工况分别对应的每个所述目标输出参数的可信度，及每个所述目标输出参数对应的权重，确定所述全范围模拟机在每类工况下的可信度；

第四确定子单元，用于根据所述全范围模拟机在每类工况下的可信度，及每类工况对应的权重，确定所述全范围模拟机的可信度。

7.如权利要求5所述的装置，其特征在于，第一确定子单元用于：

将所述目标输出参数按照数据类型划分为确定性数据、周期性数据及非周期性数据；

对所述确定性数据，采用误差分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

对所述周期性数据，采用小波分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度；

对所述非周期性数据，采用灰色关联分析方法比较所述仿真输出参数的参考值和不确定度，及所述目标输出参数的参考值和不确定度的差异，以确定所述仿真输出参数和所述目标输出参数的参考值相似度和不确定度相似度。

8.如权利要求5-7任一所述的装置，其特征在于，所述第二获取模块用于：

对所述工况特征参数进行相关性分析，以利用PCA方法对所述工况特征参数进行降维；

将所述降维后的工况特征参数划分为稳态工况数据集及瞬态工况数据集；

对所述稳态工况数据集，采用模糊C-均值算法进行聚类，以获取多个稳态工况对应的工况特征参数集；

对所述瞬态工况数据集，采用多维时间序列聚类算法进行聚类，以获取多个瞬态工况对应的工况特征参数集。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时，实现如权利要求1-4中任一所述的全范围模拟机可信度评估方法。

10.一种计算机可读存储介质，存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1-4中任一所述的全范围模拟机可信度评估方法。

Images