小型模塊化反應堆控制方法綜述

張薇薇 何正熙 萬雪松 劉方圓 鄧科 肖凱 羅懋康

摘要： 小型模塊化核反應堆具有建造周期短、安全性高、運維成本低、適應性強、應用領域廣等顯著優勢，廣受世界各國關注，也是我國的戰略性需求. 發展具有自適應、強魯棒、高可控和高可信特性的新型控制方法，有效降低甚至消除對控制人員值守的依賴，是小型模塊化核反應堆的一個重要發展趨勢. 智能化、自動化的反應堆控制系統通過高效的控制動作來實時跟蹤負荷需求，進而有效提高反應堆的穩定性、可靠性和安全性. 本文對小型模塊化核反應堆控制方法的研究現狀進行了綜述. 本文首先回顧了基于經典控制理論的傳統PID 控制方法的原理及其優缺點，然后總結了當前應用于反應堆控制系統的一些高精度、高效率智能控制方法，如模糊控制、神經網絡控制、智能優化控制、復合控制方法等的主要特點. 最后，針對當前小型模塊化反應堆控制系統的應用需求和技術難點，本文對智能控制方法的可能發展方向進行了展望.

關鍵詞： 小型模塊化反應堆； 反應堆控制； PID 控制； 智能控制； 復合控制

中圖分類號： O29 文獻標志碼： A DOI： 10. 19907/j. 0490-6756. 2024. 020001

1 引言

隨著經濟發展和生活水平的不斷提高，全球的能源需求持續增長. 當前在全球范圍內，能源的主要來源依然是煤、石油、天然氣等化石能源. 這些能源不但污染大，而且在短時間內不可再生［1］，無法滿足人類長期可持續的能源需求. 因此，發展可再生、安全且清潔的能源技術是解決能源危機的必然選擇［2］，核能正是其中一種高效清潔能源［3］.

歷史上，核反應堆經歷了先軍用后民用的發展歷程. 民用反應堆一般通過提升反應堆的功率來降低成本、提高市場競爭力，這就導致核電廠逐漸大型化. 另一方面，受到實際功率需求和使用空間的限制，軍用核反應堆的功率水平一般遠小于民用反應堆，更偏向小型化.相對于大型核反應堆，小型化反應堆普遍采用模塊化和一體化設計，并采用非能動安全系統［4-6］，以便有效提高反應堆的安全性和經濟性.小型模塊化反應堆（Small Modular Reactor，SMR）具有功率密度低、體積小、建造周期短、安全性能高、運行維護成本較低、選址成本低、適應性強、部署靈活性高［7］等顯著優勢，因而在世界各國得到廣泛應用［8-11］.

當前，我國對不受環境影響、長壽命且安全可靠的無人化SMR 的需求十分迫切. 在國家發展改革委、國家能源局發布的《能源技術革命創新行動計劃（2016—2030 年）》［12， 13］中，明確提出我國將繼續深入實施創新驅動發展戰略，進一步完善核能領域科技研發體系，重點支持SMR 的發展和研究. 值得注意的是，美國、日本等國家從上世紀九十年代初［14］就已經對SMR 及其應用開展了相當規模的研究，而我國在這方面的研究尚處于起步階段.

在確保安全的前提下，無人化SMR 能夠擺脫對操控人員的值守依賴，提升反應堆的控制效能，是小型模塊化反應堆的重要發展趨勢之一.

SMR 高可用性的關鍵是避免不必要的停堆和減少換料維修時間. 這需要有一套具有足夠容錯性、魯棒性的高可靠、自動化控制系統. 這些控制系統的設計和運轉各有其控制方法和策略，具有不同的效能和應用領域.傳統的PID 控制方法雖然操作簡單靈活，靜態特性好，且在工程中已有廣泛應用［15］，但該方法僅適用于線性時不變系統的控制［16］. 對于核反應堆等復雜非線性系統而言［5］，其本身具有較強的模型和參數不確定性，在運行過程中會受到大量外部干擾，因而傳統PID 控制方法無法很好地控制和處理這些強不確定因素.

近年來，隨著控制理論的發展［17］，國內外研究者為提高核反應堆控制系統的性能不斷探索新的控制方法，逐漸發展出一些智能化的控制和優化方法，較好地解決反應堆控制系統中普遍存在的強耦合、多變量、長時延及非線性等關鍵控制問題. 在此基礎上，出現了一些復合控制方法，如神經網絡PID 控制、模糊神經網絡控制等，進一步融合了多種智能控制方法. 應用這些智能化控制方法，反應堆可以通過更高效的控制動作來實時跟蹤負荷需求，顯著提高控制效率和安全性能.

在本文中，我們系統總結了當前應用于反應堆控制系統中的一些傳統和智能化控制方法，分析了經典PID 控制方法以及智能控制方法的機制、優缺點及研究現狀. 最后，基于應用需求和問題難點，我們展望了SMR 控制方法的發展趨勢和研究方向.

2 PID 控制方法

PID 控制方法不依賴于控制對象的精確數學模型，而是通過控制變量偏差的變化幅度、累積效果和趨勢及控制變量之間的簡單相互影響關系等使得控制變量的輸出逐漸趨近預期的控制效果.PID 控制方法具有原理清晰易懂、易于工業實現、魯棒性好等優點.

PID 控制方法在核反應堆控制系統中已有普遍應用. 汪等［18］采用PID 控制方法實現對釷基熔鹽堆核能功率的控制. 在合適的PID 參數集下，該方法可以實現控制系統的快速響應、良好系統魯棒性和抗干擾能力. 雍等［19］基于壓水堆核電廠蒸汽發生器水位模型分別設計了單PID 控制器、串級PID 控制器及雙PID 控制器，并分析了每種控制方案的優缺點.

多數反應堆控制系統方案基于經典控制論的單輸入單輸出閉環串級PID 控制方法，其原理如圖1 所示. 該方法主要考慮系統的外部特性，是對系統的不完全外部描述，適用于單輸入單輸出、線性、定常、集中參數的對象［16］. PID 控制方法的原理簡單［16， 20］，且在反應堆長期運行過程中積累了相當多的參數調節經驗，因而當前在工程控制領域具有主導地位.

但是，傳統的PID 控制方法缺乏自調節能力.這就使得該方法在面對復雜控制對象時的響應速度、超調量等指標難以實現進一步優化，因而在非線性系統中難以獲得理想的控制效果. 此外，常規的PID 控制系統不能自動地適應反應堆運行環境的復雜變化，在面對復雜工況時仍需要反應堆運行維護人員頻繁進行手動操作，持續監督系統重要參數的變化，因而對操作人員的專業能力和心理素質要求較為苛刻，可能影響核動力裝置的經濟效益和安全可靠性.

3 智能控制方法

核反應堆系統極其復雜，通常無法用數學模型較好地進行概括和近似，從中提取出理想的控制模型. 在這種情況下，神經網絡、模糊控制等非解析方法可能具有較為明顯的優勢.

3. 1 神經網絡控制方法

不同于經典PID 控制方法，神經網絡控制方法不依賴于數學模型，而是從對象的輸入輸出數據中學習得到仿真模型，避開人為提取被控對象或設計控制器解析模型這一難題. 該方法利用智能方法的預測和優化能力將控制系統的設計問題轉化為優化問題. 由于其具有自學習、非線性、并行計算和強魯棒性等特點，在控制領域內得到了廣泛應用. 肖等［21］針對反應堆堆芯具有非線性、時變性等特點，且經典控制方法難以實現全工況內反應堆功率的良好控制的情況，提出了一種反應堆功率的神經網絡預測控制方法. 他們以國際革新安全反應堆（IRIS）為研究對象進行了仿真驗證，結果表明該方法可以實現堆芯入口溫度擾動和變負荷工況下反應堆功率的良好控制. 張等［22］采用核電站的真實監測數據，分別優化了基于時間序列的LSTM 和基于特征再提取的CNN 模型，發現基于上述模型可以有效預測核反應堆堆芯熱功率分布. Lu 等［23］以KLT-40S 核反應堆堆芯和蒸汽發生器作為研究對象，建立了基于深度學習的核反應堆系統熱工參數預測方法，實現了對核反應堆系統熱工參數的快速預測. Xiao 等［24］提出了一種小型壓水堆的神經網絡預測功率控制方法，以解決目前反應堆控制中采用的預測控制算法模型普遍存在識別精度較低的問題. 小型壓水堆的堆芯在典型瞬態工況下的仿真結果表明，該方法具有良好的負荷跟蹤性能和較強的抗干擾能力.袁等［25］設計了一種神經網絡監督控制系統，用于船用一體化壓水堆功率的控制， 其中的PID 控制器是反饋控制器，神經網絡則是前饋控制器，其結構如圖2 所示. 對壓水堆功率控制的仿真結果表明，與傳統的PID 控制相比，神經網絡監督控制具有較強的魯棒性和自適應能力，能有效地提高控制精度.

經過文獻調研，我們認為目前將神經網絡控制方法應用于小型反應堆控制系統中主要有3 種思路：（1）利用神經網絡的自適應、自學習功能優化控制系統的參數；（2）建立描述控制對象輸入輸出的映射關系（模型），即建立輸入與輸出之間的神經網絡模型；（3）與其他方法相結合形成復合神經網絡控制［26］，如與進化算法結合實現反應堆功率控制，與魯棒控制技術結合實現對蒸汽發生器水位的控制等. 這種復合控制方法可以將神經網絡和其他智能算法的優勢結合起來，有望取得較好控制效果.

總之，神經網絡不依賴數學模型但可以不斷逼近模型的函數，其核心是修改激勵命令與對象狀態之間的映射來提高控制效果，并對網絡連接權重進行優化. 相對于傳統的PID 控制方法，該方法具有諸多優點，如神經網絡具有并行機制、模式識別、記憶和自學習能力的特點，能夠學習與適應不確定系統的動態特性，能夠充分逼近任意復雜的非線性系統，有很強的魯棒性和容錯性，等. 但同時該方法也存在參數選擇和優化過程復雜、訓練時間長、可解釋性差、對數據質量的要求較高等不足.

3. 2 模糊控制方法

模糊控制方法的基本思想是把人的操作經驗當作控制模型，把模糊語言、模糊集及模糊推理作為數學工具，將準確測量結果模糊化，再經過模糊推理后準確化，進而實現智能控制. 基于被控系統的物理特性，模糊控制能夠模擬人的思維方式和控制經驗，提供一種基于自然語言描述規則的控制規律的新機制. 一般而言，凡是無法或難以建立數學模型的問題都可以通過模糊控制方法來解決［27-30］. 模糊控制可以忽略對象的輸入輸出數據，從獲取對象的“知識”這一角度出發來認識被控對象，甚至直接從專家和操作人員的知識和經驗中形成“model-free”控制器.

模糊推理是模糊控制方法的核心，具有基于模糊概念的擬人化推理能力. 該推理過程基于模糊邏輯中的蘊含關系及推理規則來進行［31］，其控制單元的基本功能結構如圖3 所示.

模糊控制方法在反應堆控制系統中也有應用. Li 和Ruan［32］比較了模糊控制、PID 控制及自適應模糊控制等控制方法在反應堆控制方面的效果，發現模糊控制與PID 控制相比具有較好的靈活性、魯棒性，而且先進模糊控制可以動態調整規則庫，具有更強的魯棒性. Kim 等［33］設計了一種用于穩定蒸汽發生器水位的智能模糊控制器，獲得了良好的控制效果. Rojas-Ramírez 等［34］提出一種控制反應堆功率調節至設定值的自適應模糊控制系統，通過建立李雅普諾夫函數來保證系統的穩定性，實現反應堆在安全范圍內快速調節到設定功率的目的，減少了運行過程中的功率波動. 原和黃［35］針對核蒸汽供應復雜系統的控制問題，提出了一種基于T-S 模糊控制器的控制系統. 仿真結果表明，該方法比傳統的線性PI 控制器具有更好的控制效果. 賈等［36］在多用途重水研究堆上研究了功率調節系統的模糊控制，設計了Mamdani 型二維模糊功率控制器. 仿真結果顯示，其反應堆功率調節系統在采用該模糊控制器后是穩定的，并且負荷跟隨特性良好，其控制性能優于經典PID控制器.

綜上，在小型反應堆控制系統的應用中，相比PID 控制方法，模糊控制方法無需被控對象的精準數學模型，具有強魯棒性，且處理過程模仿人的思維，更適用于解決小型反應堆控制過程中非線性、強耦合、時變滯后等方面的問題，并在一定程度上抑制噪聲. 但是，由于信息的模糊處理容易導致系統的控制精度降低，并且該方法缺乏系統性，無法定義控制目標，因而該方法在小型反應堆的控制應用中需要與其他控制方法結合才能達到更好控制效果.

3. 3 專家系統控制方法

1983 年， Astrom［37］首先將專家系統引入智能控制領域，并于1986 年正式提出了專家控制的概念. 專家系統可以處理定性、啟發式的或不確定的知識信息，通過推理［38， 39］來實現任務目標. 基于專家系統發展而來的專家控制方法具有許多領域專家的知識和經驗，能夠解決專門性問題. 該控制方法改變了傳統控制方法依賴數學模型的方式，實現了知識模型與數學模型、知識處理技術與控制技術的結合［40， 41］，有利于解決復雜非線性系統的控制難題.

按照作用機理，我們可將專家控制系統的結構類型分為直接型專家控制和間接型專家控制兩種［42］. 直接型專家控制系統直接控制生產過程與被控對象，其原理如圖4 所示. 該控制器的任務和功能相對簡單，專家系統直接被包含在控制回路中，直接給出控制信號來控制被控過程. 在每一個采樣時刻，控制系統均需要專家系統根據知識庫規則和測量過程信息推導給出控制信號，因而該類控制系統對推理速度的要求較高. 間接型專家控制是常規PID 控制器、自適應控制和專家系統的結合，其控制原理如圖5 所示. 該方法的作用方式是根據系統運行情況調整控制器參數，選擇合適的控制方法［41］，以實現優化適應、協調、組織等高層決策的智能控制. 間接型控制器可以實現優化、適應、協調、組織高層決策.

目前，專家控制與其他控制方法的結合在反應堆控制中更為普遍. 陳等［43］針對核電廠系統的故障特征建立了一個專家系統，通過引入Rough集理論來解決專家系統中的知識獲取問題. 該方法可以準確診斷系統中的故障問題. 彭和余［44］為解決識別核動力裝置的故障問題，采用面向對象的模糊Petri 網知識表示方法對專家系統的知識庫進行改進. 這種改進的專家系統可以準確地識別系統故障. Liao 等［45］開發了一種反應堆冷態功能試驗智能專家系統，改變了依靠人工讀取、傳輸和處理數據的傳統低信息化測試方法，該系統具有試驗過程控制、實時數據采集與結果分析和數據存儲等功能.

綜上，專家控制方法是在控制閉環中加入經驗豐富的控制專家，控制系統作為工具可以自行選擇各種方法，本質上是對“控制專家”的思路、經驗、策略的模擬、延伸、擴展，具有透明度高、靈活性強、知識信息處理系統強等優點. 但該方法需要獲得專家知識，因而建造通用專家開發工具，并且穩定性和可控性理論分析較難.

4 智能優化方法

近年來，隨著優化理論的不斷發展，除了前面提到的模糊控制、神經網絡控制等方法之外，還有許多智能優化算法被用于解決反應堆控制系統中的參數優化問題. 這些算法主要包括粒子群算法、遺傳算法、禁忌搜索算法等.

遺傳算法（Genetic Algorithm， GA）是由密歇根大學的Holland 教授于1962 年首次提出的，其基本思想是模擬生物進化中優勝劣汰、適者生存的法則，根據適應度函數衡量解的品質并通過復制、交叉等動作篩選個體，提高群體的適應度，進而迭代得到當前最優，最終得到全局最優［39， 46］. 該算法適用于解決非線性、非凸、多峰等復雜函數的優化問題［47， 48］.

應用遺傳算法，Panda 和Padhy［49］對核反應堆的電力系統穩定器和輸電系統控制器進行了協調控制，給出了各擾動條件下電力系統的非線性仿真結果，驗證了該方法的有效性. 劉等［50］設計了一種反應堆平均溫度線性自抗擾控制器，采用遺傳算法優化控制器參數，解決了自抗擾控制器參數不易整定的問題. 仿真結果表明，該優化方法對控制器參數進行優化是有效的，且具有良好的魯棒性. Wan 和Zhao［51］采用帶精英策略的非支配排序遺傳算法，對AP1000 反應堆軸向功率分步控制系統中冷卻劑平均溫度（Tavg）通道的超前/滯后時間常數和功率偏差通道的非線性增益進行了多目標優化，以階躍瞬態時反應堆功率的超調量和Tavg 超調量作為最小為優化目標. 結果表明，優化后的反應堆功率和Tavg 控制效果能夠得到明顯改善.

粒子群優化算法（Partical Swarm Optimization，PSO）是Eberhart 和Kennedy 受到鳥群覓食行為的啟發于1995 年提出的一種基于群體協作的隨機搜索算法［52］. 該算法通過個體之間的協同合作尋找適應度最小的最優解. 同遺傳算法相比，該算法需要調整的參數更少，更易實現. 目前，粒子群算法已被廣泛應用于反應堆控制系統中函數優化、神經網絡訓練、模糊系統控制等方面［53］.

Wang 等［54］采用慣性權重線性遞減的粒子群優化算法對AP1000 反應堆軸向功率分布控制系統進行了參數優化，優化過程以Tavg 控制回路中的超前/滯后時間常數和磁滯回環區間域的上、下限為優化變量，以減小核功率偏差和M 棒組的移動步數為目標構建目標函數，同時在目標函數中增加罰函數，以保證在優化過程中所選取的優化變量滿足約束條件，并使AO 棒組始終在其目標控制帶之內. 結果表明，優化后的反應堆功率和軸向功率偏差在瞬態過程中的超調量減少、響應速度加快.

5 復合控制方法

復合控制方法是近年來控制論研究領域的熱點之一，它融合了多種智能控制方法，將模糊推理、神經網絡、PID 控制、智能優化等控制方法交叉融合，以進一步提高控制系統的性能. 目前，該方法在實驗驗證中已經取得了良好的控制效果.

5. 1 智能PID 控制方法

隨著控制論、計算機技術相關理論和方法的發展，在傳統PID 控制方法的基礎上，部分研究者將PID 控制方法與其他智能控制或優化方法相結合，提出了多種新的PID 控制方法. 其中比較典型的有神經網絡PID 控制、模糊PID 控制方法以及基于智能優化的PID 控制方法，等.

5. 1. 1 神經網絡PID 控制方法 在小型反應堆控制系統中，PID 控制是最常用且不依賴模型的控制方法，其控制效果依賴于比例、積分和微分系數的選取是否準確. 但是，反應堆系統的復雜性、模型的不確定性使得比例、積分和微分增益的選取較為困難，進而影響到控制效果. 神經網絡與PID控制器相結合的控制方法可以很好地抑制PID 控制器所產生的超調問題，提高控制系統的穩定性、可靠性和靈活性. 神經網絡和PID 控制方法相結合主要有以下幾種方式：（1）將神經網絡作為優化工具在線調整PID 控制控制系統的參數；（2）將神經網絡與PID 控制器連接，通過優化神經網絡的連接權值來調整PID 控制器的參數；（3）神經網絡作為控制器，將PID 控制方法融合到神經網絡結構中；（4）PID 神經網絡多變量解耦控制， 等.

Kong 等［55］提出了一種基于徑向基函數的神經網絡蒸汽發生器液位PID 控制策略，通過RBF 神經網絡對蒸汽發生器的數學模型進行辨識，然后根據過程的特征變化對PID 參數進行調整. 仿真結果表明，該方法能夠根據過程的動態特性自適應優化PID 控制器的參數，表明這個控制策略是有效的. 肖等［56］為了實現PID 控制器參數的在線調節，利用BP 神經網絡的自適應能力對PID 參數進行實時整定，建立了堆芯功率BP 神經網絡PID控制系統. 仿真結果表明，BP 神經網絡PID 控制方法與傳統的PID 控制方法相比具有超調量小、響應速度快等優點，控制效果好.

Ding［57］提出了一種基于模糊神經網絡模型的PID 神經網絡控制方法，采用模糊神經網絡模型和梯度下降法在線調整PID 神經網絡權值，并將該方法應用于循環流化床鍋爐床層溫度控制. Govindan和Pappa［58］設計了一種基于反饋線性化在線學習的神經網絡自適應控制器，采用基于改進增量規則和投影算法的在線權值調整算法在線調整神經網絡卡和PID 控制器的參數，以解決高階點動態壓水堆（PWR）在局部、全局負荷跟隨和應急工況下功率水平跟蹤問題. 該方法具有更快的響應速度、較好的自適應性和較小的穩態誤差.

Liu 和Xia［59］針對PID 控制器無法對復雜系統進行有效控制的問題，設計了一種基于有監督Hwbb 學習算法的單神經元自適應PID 控制器，提高了控制過程的安全性、可靠性、穩定性和靈活性. Hosseini 等［60］提出了神經網絡PID 控制方法監測穩壓器系統的壓力和液位的變化. 結果表明，該控制系統在多種條件下都能抵抗干擾的影響，有效地控制穩壓器系統的壓力和液位.

Sun 等［61］針對船舶核電廠二次回路系統的解耦控制問題提出了一種基于PID-NN 的多變量解耦控制方法. 仿真結果表明，該方法對直流蒸汽發生器壓力和汽輪機轉速進行了較好的協調控制.

AP1000 堆芯控制系統包括功率控制分系統和軸向功率分配控制分系統. Wei 等［62］為了解決兩個子系統的強耦合關系設計了基于準對角RNN的數字PID 控制系統，能夠實現對原系統的解耦，具有較高的控制精度和靈活性.

5. 1. 2 模糊PID 控制 常規的PID 控制方法在非線性、時滯情況嚴重的情況下控制效果較為有限［63］. 另一方面，常規的模糊控制雖然在解決延遲系統問題方面有較大優勢，但卻存在精度不夠、調節速度慢且在給定值附近易發生周期性波動等問題. 因此，在核動力系統的應用中研究者常常將模糊控制與PID 控制結合起來. 比如， 在傳統PID 控制系統中可以采用模糊規則，即根據設定值與實際值的偏差來整定PID 控制器參數，并采用規則和模糊隸屬函數作為參數，將非線性、邏輯以及其它輸入信號增加到控制規律中［64］. 因此，模糊PID控制也具有一定工程應用價值.

Zeng 等［65］采用模糊PID 控制方法來實現對反應堆堆芯功率的控制. 仿真結果表明，模糊PID 控制器的控制效果優于PID 控制器. 為了解決難以建立液態熔鹽堆堆芯功率控制系統的數學模型的問題，Zeng 等［66］設計了一種模糊-PID 復合控制器，該控制器綜合使用兩種控制方法的優點，取得了更好的控制效果. 劉和葉［67］對核反應堆進行建模，并在此基礎上分別分析了PID 控制與模糊PID 控制的優缺點. 相比之下，當模糊PID 控制方法應用在核反應堆功率控制時，控制的效果可以得到明顯提升. Wang 等［68］設計了維持加速器驅動系統二次平均冷卻液溫度的模糊PID 控制. Jiang 等［69］提出了一種由模糊PID 控制器和帶加權或切換的模糊控制器組成的核心功率控制器方案，該方案結合了模糊PID 控制器和模糊控制器的優點，可以實現對核心功率的良好控制效果. Puchalski 等［70］針對大范圍運行或低熱功率水平運行條件下PID控制器對蒸汽發生器水位的控制效果不佳的問題，提出了一種帶有局部PID 控制器的多區域模糊控制方法，獲得了更好的控制性能.

5. 1. 3 基于優化算法的PID 控制方法 智能優化方法適用于解決非線性、非凸、多峰等復雜函數的優化問題. 將PID 型控制方法與智能優化算法相結合，將優化算法作為優化工具調整PID 控制器參數，有望達到更好的控制效果. Mousakazemi［71］提出了一種基于兩點核反應堆模型的實數編碼遺傳算法，對PWR 型核電站功率控制的PID控制器增益進行整定和調度. 仿真結果表明，該控制器具有較高的性能，且誤差較小. Sheng 等［72］提出了一種用于PID 控制器參數的整定新混沌協同粒子群算法（CCPSO），與采用ZN 方法整定參數的PID 控制器相比，CCPSO 具有更小的超調量、更好的穩定性和更短的整定時間. Tran 和Jung［73］設計了一種ms 約束積分增益優化設計的PI 控制器，用于穩定不同功率水平下的蒸汽發生器水位.仿真結果表明，該控制方法在給水控制系統中具有良好的控制性能和較強的魯棒性. Zeng 等［74］設計了一種結合粒子群優化算法的IMC- PID 控制器，用于解決在階躍反應型擾動和負荷跟蹤下的液熔鹽堆堆芯功率控制問題. 仿真結果表明，IMC-PID 控制器對熔鹽增殖堆核心功率的控制十分有效.

5. 2 模糊神經網絡控制

模糊神經網絡控制結合了模糊邏輯和神經網絡分別在處理結構化知識和非結構化信息方面的優點，將模糊控制的三個基本過程，即模糊化、模糊推理和解模糊全部對應到神經網絡的各層神經元予以實現，因而具備神經網絡的信息存儲和學習功能. 在訓練中，按照設計好的控制指標，該方法能夠實現自適應、自學習，優化每條規則的輸出函數、控制規則、隸屬函數［75， 76］，使控制偏差逐漸收斂.

Boroushaki 等［77］結合遞歸神經網絡與模糊系統設計了一種核反應堆堆芯功率智能控制器. 仿真結果表明，該控制器結構簡單、可靠性強，能有效提高控制響應的效果. Boroushaki 等［78］提出了一種具有NARX 神經網絡快速數據生成能力和基于操作者知識和經驗的模糊系統的核反應堆智能堆芯控制器. 仿真結果表明，該控制器所采用的最優控制棒群機動和可變重疊策略可以很好地實現負載跟隨過程中的堆芯控制. 為了實現對反應堆功率的有效控制，廖和陳［79］提出一種基于T-S 型模糊神經網絡控制方法. 多種典型工況下的仿真結果表明，該方法與PI 控制器相比具有更好的控制效果. Oliveira 和Almeida［80］提出了一種基于人工神經網絡的壓水堆穩壓器模糊控制方法，其響應效果與測試結果較為吻合，但其控制性能優于常規PID 控制器.

值得指出的是，雖然模糊神經網絡控制方法的控制效果較好，但目前相關的結果仍然較少，還需要進一步研究.

5. 3 智能優化算法與智能控制的結合

智能優化控制將智能優化方法和控制方法相結合，是解決核反應堆控制難點的有效途徑. 智能優化算法通常包括群體智能（Swarm Intelligence，SI）和進化計算（Evolutionary Computing， EC）兩大類. 目前，此類方法在核反應堆系統中的應用研究主要集中在粒子群優化算法、蟻群優化算法和遺傳算法.

模糊控制、神經網絡控制及兩者之間的結合能解決以往傳統控制器參數恒定所帶來的問題，取得很好的控制效果. 但這些智能控制器中的各類參數仍然是人為決定的. 例如，神經網絡方法中的模糊控制的方法中論域的劃分、隸屬度的選擇、訓練權值的選擇等都依賴于專家的經驗，并沒有達到完全基于訓練數據的最優化設計.

采用智能優化方法對神經網絡的各種設計要素進行調節可以在很大程度上降低設計要求和外部干預. 例如，傳統神經網絡需要人為確定神經元及其層數、學習算法的類型、學習速率、網絡參數及傳遞函數等，而智能優化方法能夠在既定指標的迭代引導中自動確定這些參數. Tian 等［81］提出了一種基于約束的遺傳算法，以優化神經網絡結構并考慮將其應用于核電廠LOCA 檢測，具有很高的檢測精度. Ejigu 和Liu［82］提出了一種基于梯度下降-粒子群優化混合算法的深度神經網絡方法來監測壓水堆堆芯功率和出口溫度. 仿真結果表明，與滑?？刂?、線性二次型調節器和PID 控制方法相比，該方法成功地跟蹤了參考輸入，提高了系統的穩定性. Coban［29］提出了一種基于粒子群優化算法的閉環模糊控制器，用于解決核反應堆的功率控制問題. 測試結果表明，該控制器在大多數情況下可以成功控制反應堆，且具有更小的上升時間、穩定時間和穩態誤差.

6 總結與展望

近年來，許多學者針對核反應堆系統的控制問題展開了深入研究，提出了不少控制方法. 然而，由于實際應用對反應堆安全性的要求極為嚴格，且SMR 在不少領域內正朝著少人甚至無人化方向發展，對控制系統的可靠性、安全性要求極為嚴苛. 目前這些控制方法能夠實際應用于SMR 的極少. 另外，雖然關于反應堆智能控制方法的研究方向和成果多，但對于方法的成熟性缺少評估標準.

我們認為，為促進反應堆智能控制技術向更加成熟的方向發展，加快其實際應用，還需要進一步關注以下幾個問題：

（1）多目標協調/分層遞階式智能控制. 目前大多數應用研究仍然集中在核反應堆系統的典型子系統上. 但考慮到實際情況下各個子系統的非獨立性和各系統參數的強耦合性，非常有必要開展核反應堆系統的整體智能控制研究. 鑒于核反應堆系統是一類非常復雜的多變量輸入輸出系統，有必要針對多變量智能控制在核反應堆系統中的應用開展更廣泛而深入的研究.

（2）智能控制方法的安全性評估. 由于核反應堆具有高強度輻射、高強能量的特殊性，工業上對于核反應堆系統的運行安全性要求極高. 為使得核反應堆智能控制系統的控制過程可信、結果安全可靠，需要建立更加完善的智能控制系統安全性評估方法，持續提升核反應堆智能控制算法的可信度.

（3）復合控制. 隨著人工智能技術的發展，智能控制技術及其實現方式也在不斷更新升級. 針對SMR 高魯棒性、高可靠性的控制需求，應該不斷更新復合智能控制方法，提高反應堆的安全性.

參考文獻：

［1］ Dittmar M. Nuclear energy： Status and future limitations

［ J］. Energy， 2012， 37： 35.

［2］ Cozzi L， Gould T， Bouckart S， et al. World energy

outlook 2020［ R］. Paris： IEA， 2020.

［3］ Li G， Wang X， Liang B， et al. Modeling and control

of nuclear reactor cores for electricity generation： A

review of advanced technologies ［J］. Ren Sust En?

ergy Rev（ ISO4）， 2016， 60： 116.

［4］ Zhang H， Wang J J. Development status and promotion

analysis of small reactors ［J］. Sino-Global Energy，

2020， 2： 5.［張浩， 王建建. 小型反應堆發展

現狀及推廣分析［J］. 中外能源， 2020， 2： 5.］

［5］ Dong Z， Cheng Z， Zhu Y， et al. Review on the recent

progress in nuclear plant dynamical modeling

and control［ J］. Energies， 2023，16： 1443.

［6］ Zhou L Q， Qi S， Zhou T. Development trend and

prospect of small modular reactor ［J］. Tech Innov

Appl， 2017， 21： 2.［周藍宇， 齊實， 周濤. 小型模

塊化反應堆發展趨勢及前景［J］. 科技創新與應用，

2017， 21： 2.］

［7］ Yan X， Wang P， Qing J， et al. Robust power control

design for a small pressurized water reactor using

an H-infinity mixed sensitivity method ［J］. Nucl Eng

Technol， 2020， 52： 1443.

［8］ Ho M， Obbard E， Burr P A， et al. A review on the

development of nuclear power reactors ［J］. Energy

Procedia， 2019， 160： 459.

［9］ Zhou P， Hou B， Chen X， et al. Development trend

of small reactor technology ［J］. AEST， 2020，

54： 218.

［10］ Zhang B W. Research on key technologies of autonomous

［D］. Harbin： Harbin Engineering University，

2020.［張博文. 小型模塊化反應堆自主控制關鍵技

術研究［D］. 哈爾濱： 哈爾濱工程大學， 2020.］

［11］ Qiu J W， Xu R， Zhao Y T. Autonomous control of

small nuclear reactor and its applications for deep

space exploration ［J］. J Astronaut， 2019， 1： 1.［邱

建文， 徐瑞， 趙宇庭. 小型核反應堆自主控制及其

深空探測應用設想［J］. 宇航學報， 2019， 1： 1.］

［12］ Zhan L， Bo Y， Lin T， et al. Development and outlook

of advanced nuclear energy technology ［J］. Energy

Strategy Rev， 2021， 34： 100630.

［13］ Wang J Q， Dai Z M， Xu H J. Research status and

prospect of comprehensive utilization of nuclear energy

［J］. Bull Chin Acad Sci， 2019， 34： 460.［王建

強， 戴志敏， 徐洪杰. 核能綜合利用研究現狀與展

望［J］. 中國科學院院刊， 2019， 34： 460.］

［14］ Sun X K， Zhang M， Li l W. The development status

and suggestions of advanced small nuclear power reactors

［C］//Proceedings of the 2021 Annual Academic

Conference of the Chinese Nuclear Society，

Beijing： Chinese Nuclear Society， 2021： 152.［孫小

凱， 張明， 李林蔚. 先進小型壓水堆的發展現狀及

建議［C］//中國核學會2021 年學術年會論文集. 北

京： 中國核學會，2021： 152.］

［15］ El-Naggar M F， Mosaad M I， Hasanien H M， et al.

Elephant herding algorithm-based optimal PI controller

for LVRT enhancement of wind energy conversion

systems［ J］. Ain Shams Eng J， 2021， 12： 599.

［16］ Borase R P， Maghade D K， Sondkar S Y， et al. A

review of PID control， tuning methods and applications

［ J］. IJDC， 2021， 9： 818.

［17］ Zhou G， Tan D. Review of nuclear power plant control

research： Neural network-based methods ［J］.

Ann Nucl Energy， 2023， 181： 109513.

［18］ Wang Q Q， Yin C C， Sun X J， et al. PID design and

simulation of TMSR nuclear power control system

［J］. Nucl Tech， 2015， 38： 56.［汪全全， 尹聰

聰， 孫雪靜， 等. TMSR 核功率控制系統的PID 設

計與仿真［J］. 核技術， 2015， 38： 56.］

［19］ Yong E L， Liu H L， Zhang C G. Study on PID control

method of SG water level in nuclear power

plant ［J］. Theor Res Constr， 2016， 9： 1590.［雍二

磊， 劉宏林， 張晨光. 核電廠SG 水位PID 控制方法

研究［J］. 城市建設理論研究， 2016， 9： 1590.］

［20］ Zhao Y， Du X， Xia G， et al. A novel coordinated

control for integrated pressurized water reactor ［J］.

Ann Nucl Energy， 2015， 85： 1029.

［21］ Xiao K， Li J， Zhao M W， et al. Research on neural

network predictive control of small pressurized water

reactor ［J］. Nucl Power Eng， 2020， 41： 50.［肖凱，

黎婧， 趙夢薇， 等. 小型壓水堆功率神經網絡預測

控制研究［J］. 核動力工程， 2020， 41： 50.］

［22］ Zhang A X， Teng J， Ju Y， et al. Prediction of

nuclear reactor core thermal power based on artificial

neural network ［J］. Comput Simul， 2021， 038：

455.［張奧鑫， 滕婧， 琚贇， 等. 基于神經網絡的核

反應堆堆芯熱功率預測［J］. 計算機仿真， 2021，

038： 455.］

［23］ Lu Q， Yuan Y， Li F， et al. Prediction method for

thermal-hydraulic parameters of nuclear reactor system

based on deep learning algorithm ［J］. Appl

Therm Eng， 2021， 196： 117272.

［24］ Xiao K， Wu Q， Chen J， et al. A neural network predictive

control method for power control of small

pressurized water reactors ［J］. Ann Nucl Energy，

2022， 169： 108946.

［25］ Yuan J D， Xia Q G. Application of neural network

supervisory control to power regulating of marine integral

pressurized water reactor ［J］. Appl Sci Technol，

2005， 32： 24.［袁建東， 夏國清. 神經網絡監督

控制在船用一體化壓水堆功率控制中的應用［J］. 應

用科技， 2005， 32： 24.］

［26］ Yang X M. Application status and prospect of intelligent

control technology in thermal power plants ［J］.

Therm Power Gener， 2018， 4： 1.［楊新民. 智能控

制技術在火電廠應用研究現狀與展望［J］. 熱力發

電， 2018， 4： 1.］

［27］ Zhang H G， Meng X P. Theory and application of intelligent

control ［M］. Beijing： Mechanical Industry

Press， 2005.［張化光， 孟祥萍. 智能控制基礎理論

及應用［M］. 北京： 機械工業出版社， 2005.］

［28］ Coban R， Can B. Identification and control of ITU

Triga Mark-II Nuclear Research Reactor using neural

networks and fuzzy logic ［M］. Berlin： Springer，

2005.

［29］ Coban R. A fuzzy controller design for nuclear research

reactors using the particle swarm optimization

algorithm［ J］. Nucl Eng Des， 2011， 241： 1899.

［30］ Yuan Y， Coble J. A Takagi?Sugeno fuzzy powerdistribution

method for a prototypical advanced reactor

considering pump degradation ［J］. Nucl Eng

Technol， 2017， 49： 905.

［31］ Huang C P， Jiang M， C G. Fuzzy control for ramp

metering and variable speed limitation of freeway

［J］. Comput Tech Dev， 2010， 20： 38.［黃春

平， 蔣珉， 柴干. 高速公路的匝道與可變限速聯合

模糊控制［J］. 計算機技術與發展， 2010， 20： 38.］

［32］ Li X， Ruan D. Comparative study of fuzzy control，

PID control， and advanced fuzzy control for simulating

a nuclear reactor operation ［J］. Int J Gen Syst，

2000， 29： 263.

［33］ Kim M， Kim C， Rohan M， et al. Evolutionary optimization

of fuzzy systems for water level control in

the steam generator of nuclear power plant ［C］//

2004 IEEE International Conference on Systems，

Man and Cybernetics. Piscataway： IEEE， 2004：

2303.

［34］ Rojas-Ramírez E， Benítez-Read J S， Segovia-De-

Los Ríos A. A stable adaptive fuzzy control scheme

for tracking an optimal power profile in a research

nuclear reactor ［J］. Ann Nucl Energy， 2013，

58： 238.

［35］ Yuan Y， Huang X J. T-S fuzzy method for control of

steam temperature of modular-HTGR-based nuclear

steam supplying system ［J］. Atom Energy Sci Tech，

2018， 52： 699.［原越， 黃曉津. 高溫氣冷堆核蒸汽

供應系統出口蒸汽溫度的T-S 模糊控制方法［J］. 原

子能科學技術， 2018， 52： 699.］

［36］ Jia Y W， Duan T Y， Xu Q G. Study on application

of fuzzy control ［J］. Atom Energy Sci Tech， 2017，

51： 474.［賈玉文， 段天英， 徐啟國. 模糊控制應用

于研究堆功率調節系統的研究［J］. 原子能科學技

術， 2017， 51： 474.］

［37］ ?str?m K J. Implementation of an auto-tuner using

expert system ideas ［R］. Lund： Lund University，

1983.

［38］ Mayadevi N， Vinodchandar S S， Ushakumari S. A

review on expert system applications in power

plants［ J］. IJEC， 2014， 4： 116.

［39］ Zhang Y， Yang Z， Si H F. Overview of four types of

intelligent control methods ［J］. J Jinling Inst Tech，

2018， 34： 5.［張艷， 楊忠， 司海飛. 四種智能控制

方法簡述［J］. 金陵科技學院學報， 2018， 34： 5.］

［40］ Lin L， Wang X. New direction of nuclear code development：

artificial intelligence ［M］. Cambridge：

Woodhead Publishing， 2021.

［41］ He C F. Modeling and control of fermentation process

based on fuzzy neural network ［D］. Kunming：

Kunming University of Science and Technology，

2003.［何朝峰. 基于模糊神經網絡的發酵過程建模

與控制［D］. 昆明： 昆明理工大學， 2003.］

［42］ Cai Z X， Yu L L， Xiao X M. Principles and applications

of intelligent control ［M］. Beijing： Tsinghua

University Press， 2014.［蔡自興， 余伶俐， 肖曉明.

智能控制原理與應用［M］. 北京： 清華大學出版社，

2014.］

［43］ Chen Z H， Xia H， Liu M. Research on fault diagnosis

expert system of nuclear power system ［J］. Nucl

Power Eng， 2005， 26： 523.［陳志輝， 夏虹， 劉邈.

核電系統故障診斷專家系統研究［J］. 核動力工程，

2005， 26： 523.］

［44］ Peng Q， Yu R. Fuzzy Petri Net expert system and

application in fault diagnosis of nuclear power

plant［ J］. Nucl Power Eng， 2013， 34： 69.［彭俏， 余

刃. 模糊Petri 網專家系統及其在核動力裝置故障診

斷中的應用［J］. 核動力工程， 2013， 34： 69.］

［45］ Liao T， Zhai B， Han L. Development and application

of intelligent expert system for cold functional

test of reactor vessel open in nuclear power

plant［ C］//2020 Chinese Automation Congress， Piscataway：

IEEE， 2020： 4956.

［46］ Holland J H. Adaptation in natural and artificial systems：

an introductory analysis with applications to biology，

control， and artificial intelligence ［M］. Cambridge：

MIT Press， 1992.

［47］ Liu J K. Intelligent control： Theoretical basis， algorithm

design and application ［M］. Beijing： Tsinghua

University Press， 2019.［劉金琨. 智能控制： 理論基

礎， 算法設計與應用［M］. 北京： 清華大學出版社，

2019.］

［48］ Ma J T. The research of the reheating furnace tem ?

perature control method based on fuzzy neural network

［D］. Shenyang： Northeastern University，

2011.［馬景濤. 基于模糊神經網絡的加熱爐溫度控

制方法研究［D］. 沈陽： 東北大學， 2011.］

［49］ Panda S， Padhy N P. Power system with PSS and

FACTS controller： Modelling， simulation and simultaneous

tuning employing genetic algorithm ［J］.

IJEC， 2007， 1： 493.

［50］ Liu Y Y， Zhou S L， Wang M X. Linear active disturbance

rejection control of reactor power ［J］. Contr

Eng China， 2015， 22： 848.［劉玉燕， 周世梁， 王明

新. 反應堆功率線性自抗擾控制方法研究［J］. 控制

工程， 2015， 22： 848.］

［51］ Wan J， Zhao F. Optimization of AP1000 power control

system setpoints using genetic algorithm ［J］.

Prog Nucl Eeerg， 2017， 95： 23.

［52］ Kennedy J， Eberhart R. Particle swarm optimization

［ C］//Proceedings of ICNN′95-international conference

on neural networks. Piscataway： IEEE，

1995： 1942.

［53］ Xu B H， Ruan J. Optimization of processing conditions

for C4 olefin production based on particle

swarm optimization algorithm improved XGBoost

model ［J］. Sci Tech Eng， 2023， 23： 2016.［徐博

涵， 阮敬. 基于粒子群優化算法改進的XGBoost 模

型制備C4 烯烴工藝條件優化［J］. 科學技術與工

程， 2023， 23： 2016.］

［54］ Wang P， Wan J， Luo R， et al. Control parameter optimization

for AP1000 reactor using particle swarm

optimization［ J］. Ann Nucl Energy， 2016， 87： 687.

［55］ Kong X S， Chen X R， Guan J S. PID controller design

based on radial basis function neural networks

for the steam generator level control ［J］. CIT，

2016， 16： 15.

［56］ Xiao D， Zeng W J， Yu T， et al. Research on core

power control of research reactor based on BP neural

network ［J］. Nucl Sci Eng， 2022， 42： 744.［肖盾，

曾文杰， 于濤， 等. 基于BP 神經網絡PID 的研究堆

堆芯功率控制研究［J］. 核科學與工程， 2022，

42： 744.］

［57］ Ding Z F. A novel fuzzy PID neural model control

method ［C］//2009 IEEE International Conference

on Intelligent Computing and Intelligent Systems.

Piscataway： IEEE， 2009： 675.

［58］ Govindan V， Pappa N. Online learning based neural

network adaptive controller for efficient power tracking

of PWR type reactor with unknown internal dynamics

［ J］. Ann Nucl Energy， 2022， 168： 108866.

［59］ Liu Y， Xia H. Research on integrated reactor coordinated

control technology based on single neuron PID

controller ［C］//China Nuclear Science and Technology

Report. Beijing： China Atomic Energy Press，

2013： 634.［劉妍，夏虹. 基于單神經元PID 控制器

的一體化反應堆協調控制技術研究［C］//中國核科

學技術進展報告. 北京： 中國原子能出版社，

2013： 634.］

［60］ Hosseini S A， Shirani A S， Lotfi M， et al. Design

and application of supervisory control based on neural

network PID controllers for pressurizer system ［J］.

Prog Nucl Energy， 2020， 130： 103570.

［61］ Sun J， Wang W， Zheng K. Research of PID neural

networks decoupling control of marine nuclear power

plant［ J］. J Harbin Eng Univ， 2007， 28： 656.

［62］ Wei X， Wang P， Zhao F. Design of a decoupled

AP1000 reactor core control system using digital

proportional-integral-derivative （PID） control based

on a quasi-diagonal recurrent neural network ［J］.

Nucl Eng Des， 2016， 304： 40.

［63］ Chopra V， Singla S K， Dewan L. Comparative

analysis of tuning a PID controller using intelligent

methods［ J］. Acta Polytech Hung， 2014， 11： 235.

［64］ Gao D J， Tan J， Lin H Q. Applying advanced control

technology ［M］. Beijing： National Defense Industry

Press， 2003.［高東杰， 譚杰， 林紅權. 應用先

進控制技術［M］. 北京： 國防工業出版社， 2003.］

［65］ Zeng W， Jiang Q， Liu Y， et al. Core power control

of a space nuclear reactor based on a nonlinear model

and fuzzy-PID controller ［J］. Prog Nucl Energy，

2021， 132： 103564.

［66］ Zeng W， Jiang Q， Xie J， et al. A fuzzy-PID composite

controller for core power control of liquid molten

salt reactor ［J］. Ann Nucl Energy， 2020， 139：

107234.

［67］ Liu W J， Ye J H. Study on power control of nuclear

reactors ［J］. J Chin Soc Power Eng， 2016， 36：

378.［劉文杰， 葉建華. 核反應堆功率控制研究［J］.

動力工程學報， 2016， 36： 378.］

［68］ Wang W， Di Maio F， Zio E. Hybrid fuzzy-PID control

of a nuclear Cyber-Physical System working under

varying environmental conditions ［J］. Nucl Eng

Des， 2018， 331： 54.

［69］ Jiang Q， Liu Y， Zeng W， et al. Study on switching

control of PWR core power with a fuzzy multi-

model［ J］. Ann Nucl Energy， 2020， 145： 107611.

［70］ Puchalski B， Duzinkiewicz K， Rutkowski T. Multiregion

fuzzy logic controller with local PID controllers

for U-tube steam generator in nuclear power plant［ J］.

Arch Control Sci， 2015， 25： 429.

［71］ Mousakazemi S M H. Control of a PWR nuclear reactor

core power using scheduled PID controller with

GA， based on two-point kinetics model and adaptive

disturbance rejection system ［J］. Ann Nucl Energy，

2019， 129： 487.

［72］ Sheng G， Mu Y， Lie T T， et al. Chaos cooperative

particle swarm optimization based water level control

for nuclear steam generator ［J］. Matec Conf， 2016，

55： 4004.

［73］ Tran T C， Jung J C. Controller tuning constants for

the advanced power reactor 1400 feedwater control

system based on ms-constrained integral gain optimization

method ［J］. Ann Nucl Energy， 2019，

127： 39.

［74］ Zeng W， Zhu W， Hui T， et al. An IMC-PID controller

with particle swarm optimization algorithm for

MSBR core power control ［J］. Nucl Eng Des，

2020， 360： 110513.

［75］ Abdelfattah H， Kotb S A， Esmail M， et al. Adaptive

neuro-fuzzy self-tuned-PID controller for stabilization

of core power in a pressurized water reactor

［ J］. IJRCS， 2023， 3： 1.

［76］ Yang X Y， Wang B H， He S Y. The application of

ANFIS in predicting groundwater depth ［J］. J

Guangdong Technical College of Water Resourc

Electr Eng， 2013， 11： 52.［楊先野， 王寶華， 何司

彥. ANFIS 在地下水埋深預測中的應用［J］. 廣東水

利電力職業技術學院學報， 2013， 11： 52.］

［77］ Boroushaki M， Ghofrani M B， Lucas C， et al. An intelligent

nuclear reactor core controller for load following

operations， using recurrent neural networks

and fuzzy systems ［J］. Ann Nucl Energy， 2003，

30： 63.

［78］ Boroushaki M， Ghofrani M B， Lucas C， et al. Identification

and control of a nuclear reactor core

（VVER） using recurrent neural networks and fuzzy

systems［ J］. IEEE T Nucl Sci， 2003， 50： 159.

［79］ Liao L T， Chen Z. Research on reactor power regulation

based on T-S fuzzy neural network ［J］. Nucl

Power Eng， 2013， 34： 109.［廖龍濤， 陳智. 基于

T-S 型模糊神經網絡的反應堆功率調節研究［J］. 核

動力工程， 2013， 34： 109.］

［80］ Oliveira M V D， Almeida J C S D. Application of artificial

intelligence techniques in modeling and control

of a nuclear power plant pressurizer system ［J］. Prog

Nucl Energy， 2013， 63： 71.

［81］ Tian D， Deng J， Vinod G， et al. A constraint-based

genetic algorithm for optimizing neural network architectures

for detection of loss of coolant accidents of

nuclear power plants ［J］. Neurocomputing， 2018，

322： 102.

［82］ Ejigu D A， Liu X. Gradient descent-particle swarm

optimization based deep neural network predictive

control of pressurized water reactor power ［J］. Prog

Nucl Energy， 2022， 145： 104108.