Modification du principe de pilotage

Comme on l’a vu, le mode G ne permet pas un contrôle direct de l’axial offset. Le contrôle se fait indirectement en jouant sur des compensations entre le bore soluble et le GRT. On propose d’étudier ici, dans la lignée de l’état de l’art présenté dans la section 3.1.2 une modification du mode de pilotage permettant de traiter frontalement la gestion de l’axial offset et du bore grâce à un correcteur PID. Cette étude étant exposée à titre de perspective, on n’en donne ici que les grandes lignes, le détail étant disponible dans l’annexe A.

On remplace pour cette étude le système de contrôle du bore soluble et du GRT par un correcteur PID ayant pour but de maintenir la température et l’axial offset à leur valeur de consigne. Le système du GCP est inchangé. Le correcteur PID est calibré grâce aux efficacités différentielles du GRT et du bore ainsi que leurs effets sur l’axial offset mesurés à un point de fonctionnement nominal.

On s’intéresse ici à la comparaison entre le mode G présenté ci-dessus et le correcteur PID pour un échan- tillon de valeurs de paramètres de barres. On regarde l’effet du changement de pilotage sur quelques unes des observables du suivi de charge définies dans la section 2.5, pour un échantillon de 150 gestions de barres tirées aléatoirement dans l’espace de recherche spécifié dans le tableau 3.2. Le résultat est donné figure 3.11.

L’usage du correcteur PID permet effectivement, pour beaucoup de gestions considérées, d’améliorer l’in- tégrale d’écart en axial offset, ce qui se fait cependant au détriment du volume d’effluents. La gestion de la température n’est pas affectée. Le nombre de pas du GRT a tendance à augmenter. Le facteur de point chaud est réduit. Sur cet exemple très simple on constate que la gestion directe de l’axial offset peut considérablement améliorer la gestion de la distribution axiale de puissance. Cependant, cette gestion a ici un coût direct sur le volume d’effluents, puisque l’usage du bore est accru pour compenser avec le GRT les évolutions de l’axial offset. Le détail du pilotage est disponible dans l’annexe A.

Ce mode de pilotage extrêmement simple à partir d’un correcteur PID est ici utilisé à titre d’exemple pour montrer que le mode de pilotage peut également avoir un fort impact sur les observables du suivi de charge, ici principalement le volume d’effluents et l’intégrale d’écart du DPAX. Il constitue donc un levier important, et complémentaire de la modification des paramètres de gestion des barres de contrôle. Ce levier sort cependant du cadre de cet étude, et on se contentera dans la suite de modifier les paramètres de gestion des barres de contrôle.

(a) Écart sur l’écart moyen de température (b) Écart en intégrale de DPAX

(c) Écart en volume d’effluents (d) Écart en nombre de pas du GRT

(e) Écart en facteur de puissance

Figure 3.11 – Répartition statistique des écarts absolus sur les observables du transitoire de suivi de charge entre le mode G et le PID pour un échantillon de 150 gestions tirées aléatoirement. Un écart positif signifie que l’observable est plus grande avec le pilotage en mode G.

3.5

Conclusion

Le pilotage des réacteurs à eau pressurisée a largement évolué depuis la construction des premiers REP de 900MW. Les nouveaux réacteurs, en particulier l’EPR, sont dotés de modes de pilotage prenant en compte directement la question de l’optimisation des performances du suivi de charge, et les travaux d’automatique sur des pilotages automatiques innovants sont nombreux.

Afin de répondre à la problématique de ces travaux, à savoir l’optimisation des performances des REP 1300MW pilotés en mode G en suivi de charge, un modèle du mode G est proposé. Le déplacement du Groupe de Compensation de puissance est déterminé par une courbe de calibrage issue d’une interpolation pour le rendre compatible avec les contraintes du modèle de simulateur. La modélisation du mouvement du Groupe de Régulation de Température ainsi que la variation de la concentration en bore soluble nécessite une adaptation par rapport aux principes de pilotage du mode G afin de s’adapter au pas de temps du simulateur. Ainsi, le comportement du GRT et du bore sont moyennés sur un pas de temps plus long que leur action réelle. Le pilotage résultant est comparé à deux modélisations plus fines temporellement, et la comparaison confirme que le modèle moyenné permet de saisir les effets globaux du pilotage pendant la baisse de puissance, mais pas les effets plus rapides. Cependant, ce modèle permet la comparaison de différentes configurations des paramètres de gestion des barres.

Finalement, on identifie parmi les paramètres de ce modèle les leviers d’optimisation pertinents pour le problème, à savoir les recouvrements entre les 4 groupes du GCP, leurs vitesses maximales de déplacement et la bande de manœuvre du GRT. Ces différents leviers forment un espace de recherche discret à 8 dimensions, de taille1015.

Optimisation multi-objectifs des

performances en suivi de charge à l’aide

d’algorithmes évolutionnaires

Optimisation multi-objectifs des

performances de suivi de charge en début

de cycle

Ce chapitre s’intéresse à la résolution du problème d’optimisation du suivi de charge au début du cycle d’exploitation. Un algorithme d’optimisation multi-objectifs massivement parallèle et asynchrone basé sur le framework MOEA/D est présenté, qu’on appellera AMW-MOEA/D pour Asynchronous Master Worker Mul- tiobjective Evolutionnary Algorithm based on Decomposition. La difficulté de ces algorithmes, très adaptés aux problèmes de type «boîte noire» issus d’un simulateur réside dans leur calibrage. L’étude des paysages de fitness, permettant de mieux connaître la fonction à optimiser, est régulièrement utilisée dans la littérature pour choisir une méthode de résolution et la calibrer. On se propose ici de l’utiliser non seulement comme aide au calibrage, mais comme aide à la définition du problème, en particulier le choix des objectifs, mais également pour une meilleure définition de l’espace de décision. Cette démarche, pouvant être généralisée, est ici testée et validée sur le problème de l’optimisation multi-objectifs du suivi de charge.

Dans une première partie, un état de l’art des méthodes de résolutions de problèmes d’optimisation de type «boîte noire» est présenté, ainsi que de l’utilisation des paysages de fitness pour l’optimisation. Dans une deuxième partie, l’algorithme AMW-MOEA/D est présenté, ainsi qu’un algorithme de contrôle, l’algorithme G-SEMO, utilisé comme comparaison. Dans une troisième partie, la démarche de définition du problème d’opti- misation et de calibrage d’algorithme à partir de l’étude du payage de fitness est présentée. Enfin, son application au problème d’optimisation du suivi de charge est discutée. Finalement, les solutions générées par l’algorithme sont analysées physiquement.

4.1

Optimisation multi-objectifs et paysage de fitness :

définitions

La résolution d’un problème d’optimisation consiste à trouver, dans un espace de recherche, la ou les so- lutions qui minimisent (ou maximisent) un objectif, ou plusieurs objectifs dans le cas multi-objectifs. Si l’on a aucune information particulière sur la fonction à optimiser (une formulation analytique, ou sa dérivée par exemple), on parle de problème «boîte noire». C’est notamment le cas des problèmes pour lesquels la fonction est calculée à l’aide d’un simulateur coûteux en temps de calcul. On fait également la différence entre un pro- blème mono-objectif (par exemple la minimisation d’un coût) ou multi-objectifs (la minimisation d’un coût tout en maximisant un critère de qualité). Dans un problème multi-objectifs, il n’y a pas de relation d’ordre total entre toutes les solutions : la résolution consiste alors à trouver une série de compromis optimaux, c’est à dire des solutions pour lesquelles on ne peut pas améliorer un objectif sans en dégrader un autre. La plupart des problèmes d’optimisation que rencontrent les ingénieurs sont par nature multi-objectifs.

Le problème de l’optimisation des performances des réacteurs nucléaires est un problème multi-objectifs, de type «boîte noire» et coûteux en temps de calcul. C’est également un problème de type combinatoire (par opposition à continu) par la nature discrète des variables de décision. On se propose ici de faire une revue des méthodes permettant de résoudre ce type de problèmes. On donne d’abord quelques définitions et généralités sur l’optimisation multi-objectifs avant de présenter des méthodes de résolution stochastiques. Enfin, les mé- thodes étudiées dans la suite de ces travaux sont présentées plus en détail, à savoir les paysages de fitness, l’algorithme MOEA/D pour Multi-Objective Evolutionnary Algorithm based on Decomposition et l’utilisation de méta-modèles pour assister les algorithmes stochastiques.