编辑推荐：
在核电站（NPPs）运行中，反应堆堆芯（RC）关键系统状态难以直接测量且其动力学复杂。研究人员针对先进非能动反应堆（AP1000）开展研究，优化 MSHIM 控制策略并提出 AKF 算法。结果显示优化策略提升控制精度，AKF 算法估计误差小，为核电厂安全运行提供有力支持。
在全球能源结构加速向清洁能源转型的大背景下，核能凭借其清洁、高效的特性，逐渐成为应对气候变化、保障能源可持续发展的重要力量。然而，像切尔诺贝利、福岛这样的核事故，犹如一记记警钟，让人们深刻意识到核电站安全运行面临的巨大挑战。
核电站的 “心脏”—— 反应堆堆芯（RC），在将核能转化为电能的过程中起着关键作用。在实际的负荷跟踪运行时，RC 却状况频发。比如，局部燃料热点的出现，就像一颗 “定时炸弹”，随时可能引发安全事故；轴向功率分布失衡，会影响能量转化效率；空间氙振荡更是让情况雪上加霜，严重威胁整个核电站的可靠性和安全性 。
更棘手的是，由于安全和技术方面的限制，RC 内部许多关键的系统状态，如反应性、燃料温度、氙浓度等，都无法通过物理传感器直接测量。同时，压水堆 RC 系统还存在着诸多复杂特性，包括非线性、过程和测量噪声、复杂的中子扩散和热力学过程，以及随燃耗、控制棒运动和硼酸浓度变化而改变的时变动态特性。这使得准确实时地估计这些未测系统状态成为一个极具挑战性的任务，也成为保障核电站安全运行的关键难题。
为了解决这些问题，研究人员针对西屋电气公司开发的先进非能动反应堆（AP1000）展开深入研究。该研究成果发表在《Expert Systems with Applications》上，具有重要的理论和实践意义。
在研究中，研究人员主要运用了自适应卡尔曼滤波（AKF）技术和改进的粒子群优化（IPSO）算法。AKF 技术能在未知过程和测量噪声统计信息的情况下，通过递归迭代推断噪声先验统计，避免了传统卡尔曼滤波（KF）对精确先验知识的依赖；IPSO 算法则用于优化 AP1000 的机械补偿（MSHIM）控制策略，调整其中一阶滤波器（FOFs）、超前 - 滞后补偿器（LLC）和微分 - 滞后算子（DLO）的参数，提升控制性能。
动态模型构建
研究人员首先构建了 AP1000 型 RC 的动态模型。AP1000 作为两回路压水堆（PWR）型核电站，其独特的设计，如先进的非能动安全设计、固有安全性和结构简单性等，在模型构建中都被充分考虑。这一模型为后续的研究奠定了坚实的基础。
AKF 算法设计
AKF 算法是研究的核心之一。传统 KF 在面对非线性系统和未知噪声统计时存在局限性，而 AKF 算法则克服了这些问题。它通过巧妙的递归迭代方式，在仅利用 AP1000 现有系统测量数据的情况下，实现了对延迟中子先驱密度、燃料和冷却剂温度、氙和碘浓度以及反应性等未测系统状态的实时轴向分布估计，为准确监测 RC 状态提供了有力工具。
MSHIM 控制策略优化
研究人员利用 IPSO 算法对 MSHIM 控制策略进行优化。IPSO 算法通过调整时变惯性系数、认知学习因子和社会学习因子，平衡了粒子群的局部开发和全局探索能力。优化后的 MSHIM 控制策略在控制精度上有了显著提升，与实际采用的方法相比，在不增加能耗的情况下，对 RC 负荷误差和温度误差的控制精度分别提高了 13.68% 和 21.31%，有效改善了 AP1000 的稳态和瞬态负荷跟踪质量。
仿真验证
研究人员在配备 Intel Xeon W - 2245 CPU 处理器和 128 GB 内存的计算机上，使用 MATLAB/M 文件软件进行仿真研究。结果显示，在 AP1000 的负荷跟踪运行过程中，基于 AKF 的估计算法得到的系统状态估计值与基于模型的值高度吻合，最大绝对相对误差仅为 1.21%，充分验证了该算法的可行性和准确性。
研究人员针对 AP1000 型 RC 开展的这项研究成果斐然。提出的基于 AKF 的估计算法，打破了以往只能对未测系统状态进行集中平均估计的局限，实现了实时轴向分布估计，为可靠监测和控制 AP1000 型核电站提供了更有力的支持，有望提高 RC 的安全性、可靠性和使用寿命；优化后的 MSHIM 控制策略在控制精度上的显著提升，为 AP1000 的高效稳定运行提供了保障。这一研究成果在核能领域具有重要的应用价值，为核电站的安全稳定运行提供了新的思路和方法，也为后续相关研究奠定了坚实基础，推动了核能技术的进一步发展。
