“Topo

ological  meethod  applied  to  Nucllear  Power  Station  monitoring 

m aand  perform
mance 
optim
mization”  

M. Teeglia, M. Zad
dra, A. Perassso, F. Benveenuto 

Prefaace 

Startiing  from  thee  consideration  that  thee  performancces  of  a  Nucclear  Power  Plant  are  diirectly 
bound  to  techniccal  plant  behaviours,  byy  opportune ely  managing g  all  availab le  plant  technical 
mation it is p
inform possible to im
mprove plantt performance. 

Norm ation  relatedd  to  their  direct 

mally  in  the  plant,  taking  into  connsideration  the  informa
discip
pline,  groups of specializzed techniciaans provide ffeedbacks on
n various typpes of issues:: 

‐ Deficienccies at the Pla
ant present sstatus; 
‐ Situations that can prroduce defic iencies in the future; 
‐ Safety aspects. 

Manyy tools are n normally available, to co rrect or prevvent deficien ncies; each ttool considers the 

plantt  from  a  speecific  point  of 
o view,  usuaally  addressing  the  topics  by  discipllines  (mecha anical, 
electrical,  etc.)  and  by  department  (opeerations,  maintenance,  engineering, 
e etc).  Each  tool 
t is 
under the control of the specialized team m and operate es independently from thhe others (Fiig. 1). 

In  this  conditionn,  the  global  plant  visioon  is  delegaated  only  to
o  the  upper  manageme
ent  by 
colleccting all the processed reesults from t he various te eams. 

 
Fig. 1 ‐ Traditional  Ap
pproach 

The eeffectivenesss of the tradiitional approoach to the P
Plant Perform
mance Monittoring depen
nds on 
severral factors: 

‐ Specializeed teams obsservation annd fast action
n;  
‐ Specializeed teams cap
pability to unnderstand thhe interdiscip
plinary issue;; 
‐ Subjectivve perception
n of the probblem by the tteams memb bers; 
‐ Upper maanagement ccapability to  quickly get rresults from the specializzed team rep
ports. 

methodology highlights tw
The ttraditional m wo different issues: 

‐ Upper  management 
m point  of  vieew  is  alwayss  previously  filtered  by  the  interme
ediate 
observerss; 

1/11 
 
 ‐ Intermed
diate observe ers point of vview is influe
enced by the
eir own speccialization; it is not 
an unbiassed point of view. 

Creatting a correct integrated informative  system makkes it possible to obtain bbetter resultts (Fig. 
2), i.ee.: 

‐ Allow all  staff and management  to have a unique level a and an unbiaased vision o of the 

plant; 
‐ Improve tthe response e time and thhe effectiven ness of the o
organization  for the corre
ection 
of deficieencies; 
‐ Minimizee the commu unication issuues among tthe plant staff and minim mize the problems 
understanding capabilities of eac h team; 
‐ Allow upp per managem ment to havee direct information on tthe plant stattus; 
‐ Make thee organizatio on structure  capable facing and quickkly solving peerformance issues 
that, withh a traditiona
al approach,, could not b be engaged ddue to difficuulties encoun
ntered 
or due too their interdisciplinary coomplexity. 

Fig. 2 ‐ Unbiased app
proach 

Engin
neering and Data Processing 

In a p
plant, the automatic data a process sysstem generaates and storres a lot of pplant processs data, 
but  tthese  data  are  normallly  dedicatedd  to  the  dirrect  processs  control.  Pllant  perform
mance 
monitoring is stilll considered as an engineeering activity to be man nually carriedd out with limited 
autommatic support. 

Autommatically colllecting and processing tthese plant p process data, through ann information n data 

base,,  directly  an
nd  automaticcally  fed  by  the  plant  automation 
a system,  makkes  it  possib
ble  to 
autom
matically perrform the Global Plant PPerformance Analysis. 

The rresult of the automatic performance analysis will cover the fo
ollowing aspeects: 

‐ Identificaation of the p
performancee deficienciess, 
‐ Early failu
ure identifica
ation, 
‐ Design paarameter vallidation, 
‐ Process p parameter tu uning,  
‐ Plant beh havior modeling, 
‐ Integratioon and accou unting of thee componentt aging, 

2/11 
 
 ‐ Maintenance activity prioritization, 
‐ Overall plant status provided in real time. 
 

IT System Project 

Development of the project consists of three different steps: 

a) Preparation of the reference database and the automatic feeding structure 
b) Development of the analysis tools and interfaces 
c) Development of the real time data processor engine 

Who feeds the information to the system? 

Plants  usually  record  all  the  process  parameters  using  an  electronic  format;  sampling 
frequency from 0.2 Hz for the oldest plant to 2‐5 Hz for the modern ones. The format of the 
stored data is very simple: time, parameter name, value. 

Considering that a plant has from 1000 to 5000 recorded parameters, these ones represent a 
huge amount of available information. 

The only data required are: 

‐ Recorded process data 
‐ Feedback information about the performed maintenance activities 

How the recorded information is useful for the envisaged scope 

Conceptually, the recorded information represents the complete description of the “universe” 
plant.  Variations  in  the  values  of  the  parameters  represent  the  description  of  the  plant 
evolution. It means that a prolonged and in depth analysis of the variations in parameters and 
the relation among them allows us to obtain a complete “written” picture of the plant status 
and evolution. 

Theoretically, if the available information set is complete, the plant status at the “next instant” 
is  perfectly  foreseeable  within  a  reduced  error  band  because  all  the  parameters  that  could 
affect  the  plant  behaviour  are  known.  The  possible  error  has  to  be  investigated  on  the 
parameters that are external to the plant and so, not perfectly foreseeable. 

The  recorded  information,  integrated  by  information  manually  gathered  and  inputted  (e.g. 
maintenance information), is enough for the envisaged scope. 

Plant data base description 

The data received from the plant are processed in order to obtain the information in a useful 
form.  A  knowledge  data  base  is  required  in  order  to  correctly  process  the  data  flux.  In  that 
data base the following data are coded: 

3/11 
 
 ‐ Instruments and information sou rces catalog with referen nce to the reelated equipment; 
the  preccision class o
of each instruument and tthe quality cclass assignm
ment rules (q quality 
class concept is discussed later);
‐ Equipment and lines catalog; 
‐ Flows strructure descrribing the prrocess flows  and their re
elations withh equipment, lines 
and instruments;  
‐ Operatingg  conditionss  describing the  differen g  conditions  and  definin
nt  operating ng  the 
target parameters;  
‐ Symmetrry  and  congrruency  catallog  describinng  the  equip
pment  and  lines  with  similar 
s
process cconditions;  
‐ Target strructure where the structture of the taargets is defined. 

Qualiity Class 

Qualiity  class is a  special concept, introduuced in orde er to obtain  a numeric eevaluation fo or the 

valuees of each prrocessed parrameter. Pra ctically, each h quality classs value reprresents a ran nge of 
real  vvalue  for  each  parameteer  (Fig.  3).  Q
Quality  classs  range  is  a  dynamic  asssignation  tha
at  the 
system is heuristiically adjusting in functioon of the received input.

 
Fig.. 3 ‐ Quality Cla
asses 

Data Processing 

proposed  system  philoso

The  p ophy  is  to  pprovide  the  plant 
p information  in  diffferent  formss  from 
the trraditional scheme: time//parameter/vvalue. This sstep requiress a pre‐proceess activity carried 
out  b
by  objectivess  and  prede
efined  algoritthms  with  the  scope  to o  offering  a  different  po
oint  of 
view  without tou uching the orriginal inform mation mean ning. Data feed from the pplant is proccessed 
in two different wways: 

‐ Not Chronologically 
‐ Chronolo
ogically 

In thee first case,  not chronologically, thee values are  processed in

n order to oobtain the re
elation 
betwween each sin ngle value annd the corressponding value of the reeferred targeet parameter. This 
proceess  makes  available, 
a for  each  paraameter,  the  numerical  relation  bettween  targe
et  and 
parammeters. A example is rep ported in Figuure 4. 

4/11 
 
 S
Single Fuell Channel Contribution
C n to Prima
ary Heat Transport Sy
ystem (PHT
T)

Fuel Rod Channel Temperature ºC

Fuel Rod Channel Temperature ºC
310 310

305 305

300 300

295 295

290 290

285 285
35 0 0 0 3 04
3 30 5 .5
25 0 00 30 5
Fu e 2 .5 ºC
l Ch 150 00 306
ture
ann
el
1 50
306
.5 per a
0 3 07 Tem
PHT
 
Fig. 4 ‐ N
Not Chronological result 

The ssecond proceess, Chronolo
ogically, is diivided in two
o sections: 

Confiigurations: bby assigning tto each paraameter value e its quality cclass code is  possible to rrecord 

the eentire plant cconfiguration n for each prrocessed insttant. The reccorded data  are recognizzed as 
a singgle key and  they do refe erence to th e main targeet paramete er for that innstant (usually the 
Plantt Power Outp put) (Fig. 5). 

 
Fig. 5 ‐‐ Plant Configurations 

Eventts: For each  parameter q quality class  that has been changed from the prrevious instant, an 

Eventt is open.  An
n event is unnivocally idenntified by the e parameter name and tthe time whe en it is 
starteed.  An  eveent  is  close
ed  when  thhe  parametter  value  re eturns  to  tthe  quality  class 
correesponding  too  its  nominal  value.  Foor  each  eve ent,  significa
ant  informa tion  is  colleected: 
durattion,  amplitu
ude  (in  qualiity  class),  tim
me  passed  from 
f the  passt  one,  etc.  A  example  of 
o the 
Eventt Frequency Analysis is re eported in Fiigure 6. 

5/11 
 
 2500
Steam
m Genera
ator Leve
el

Events Number
2000

1500

1000

500

0
Eventt Duration
n (hh:mm
m:ss)
‐500

 
Fig. 6 – Evvent Frequency Analysis 

Next Instant 

All th
he described processes a
are carried oout either on
n the real values basis, eeither on the
e Next 
Valuee calculation basis. 

Next value is an aautomatic co omputation ( Fig. 7) on Neeural Computation basis  that provide es as a 

resultt  the  value  of  each  parameter  exppected  at  thhe  next  insttant.  The  prrocess  obtains  an 
estim
mated value rrange as a re esult of a douuble calculation process:

‐ estimatio
on based on tthe previouss trend of the
e processed parameter; 
‐ estimatio meter exclud ing the proccessed 
on based on  the behavioor of all processed param
one. 

 
Fig. 7 ‐ N ext Instant com
mputation  

6/11 
 
The p processing o of the Next Instant estim
mated value is carried ouut in the samme manner a as the 
real vvalue. In this way and witth whicheve r, Time Level (discussed later) inform
mation aboutt what 
exacttly happened d and what wwas expectedd is available
e and comparable (Fig. 8)). 

  

Fig. 8 ‐ Upper time levvel path   

The eevents proceess for the Next Instant vvalues is not exactly the same as thee one used fo or the 
real vvalue. The evvent is open once the quuality class o
of the expected data resuults differentt from 
what happened.  That method allows us tto obtain earrly alert on the potential  failure. 

Time Constant 

The  p
processed  data 
d ng  board  for  the  promiised  Global  Plant 
availability  procure s  the  startin
Perfo
ormance Mo onitoring butt some otherr very importtant information is still m missing.  

As reeported, the  set of values for each innstant contains the inforrmation abouut the plant  trend 

but the informatiion is still no ot correctly aaligned on thhe time axis. This situatioon does not make 
defined any resullt obtained ffrom the chroonological data process. In fact, the  influence through 
the  sseveral  processed  param meters  has  nnot  an  instaantaneous  effect. 
e Each  target  parameter 
suffers  a  differen
nt  delay  in  his 
h variationn  that  depen nds  on  the  parameter 
p thhat  produce
ed  the 
variattion; the diffference is a TTime Consta nt (Fig. 9). 

 
Fig. 9 ‐ Tim
me Constant co
omputation  

7/11 
 
The TTime Constant is automa atically  com puted on  the event trennd basis andd  the  correcttion is 
then  applied  onn  the  inputt  data.  Thiss  proceduree  allows  us  to  obtain  all  input  values 
v
chron
nologically processed ressult in a perfeectly aligned
d manner in tterms of cauuse‐effect. 

Univo
ocal Configu
uration 

The sstatement th hat the “univverse” plant  and its evolution are represented byy the value  of the 

param meters  gathhered  has  to  be  backeed  up.  In  order  to  enssure  that  thhis  affirmation  is 
continuously  resp pected,  the  Configuratioons  obtained d  are  submitted  for  furtther  analysiss  (Fig. 
10). FFor each value of the target parameeter (usually  the Plant Po ower Outputt at the first  level) 
severral different plant configurations couuld exist; the ese plant connfigurations aare a combin nation 
of diffferent qualitty classes of the parameeters submittted to the target. A differrent case occurs if 
theree different vaalues of the parameter ttarget for a ssingle configuration appeear; it means that 
in thee “universe” something n not controlleed is affecting the target.  

 
Fig. 10 ‐ Univvocal configura
ation process 

This  information  represents  an  importannt  tool  in  orrder  to  “hunnt”  the  uncoontrolled  varriables 
that  affect  the  plant  perform
mance.  Cons idering  that  all  the  design  parameteers  are  submmitted 
hat  some  uuncontrolled  variable  exxists  highlighhts  two  diffferent 
for  ccontrol,  the  evidence  th
possibilities: 

‐ Initial dessign considerations weree not compleete 
‐ An  exterrnal  environ nmental  va riable  or  a 
a human  fa
actor  is  afffecting  the  plant 
performaance 

Time Coding 

A speecial coding ffor the time axis descripption has bee en introduce ed in order tto have a un nivocal 

descrription  of  th
he  time  for  each  plant  instant,  starting  from  the t plant  coommissioning  and 
arriving  to  the  end  of  its  extended  life. This  codingg  (Fig.  11)  in
ncludes  varioous  levels  off  time 

8/11 
 
descrription:  life‐ttime  (standa
ard  or  extennded  Plant  Life), 
L year,  season, 
s monnth,  week,  day 
d of 
weekk, shift, hour,, minute and d second.  

 
Figg. 11 ‐ Time Cod
ding  

The levels includeed in the tim
me coding (m month, weekk, day of wee ek, hour, minnute, second d, etc) 
are aalso considerred as input  parameter aand they allow us to asssociate the eevent to a certain 
time  condition  (e.g. 
( certain  days  of  w
week,  season
n  or  shift). In  this  wayy  the  numb ber  of 
uncontrolled variable is reducced and mosst of them caan be associa ated to a speecific time levvel. 

Time  coding  allo ows  perform ming  an  addditional  datta  processin ng.  The  origginal  inform mation 
receivved  on  high
h  frequency  basis  (seconnds  or  fractions)  reports  to  the  up per  time  levvel  its 
averaage value (ob btained through a dedicaated statisticcal algorithm) within the  considered upper 
intervval. This “vallues reportin
ng” is perfor med through h all the leve els considereed within the e time 
codin
ng.  The  data  process  on  all  the  conssidered  twellve  time  leve
els  is  carriedd  out  in  the  same 
mann ner already d described.  

The  iinformation  availability  about  whatt  happened  during  the  long  lead  leevels  allows  us  to  
orm additional analysis on the data innput level: 
perfo

‐ Providingg  a  path  for  the  expecteed  trend    off  the  lower  level  inform
mation,  permmits  to 
extend thhe Event fun nction to a siituation whe en the value is out of thhe expected  upper 
trend patth (Fig. 8); 
‐ Providingg long term b basis analysiss on the paraameters deviation, allow ws us ‐ for exa
ample 
‐ to perfo
orm an evaluation of maiintenance an nd aging. 

Deveelopment of the Analysiss Tools 

processing is  to obtain a  set of pointts of view onn the plant  status 

Goal  of the descrribed data p
that  cannot  be  reachable 
r using  traditioonal  methoddology.    Con
nsidering  thee  innovative
e  data 
proceess, the real and forecastted informattion is very w
well identified
d every timee. 

Thesee  data  reprresent  a  con ntinuously  uupdated  stattus  of  the  plant,  whichh  can  be  fu urther 
analyyzed  by  analysis  tools  an
nd  interfacess.  These  too
ols,  directly  connected 
c t o  the  data  bases, 
b
allow
w the definitioon of: 

9/11 
 
 ‐ The  best  working  point  for  each  parameter  depending  on  its  target  (example  is 
reported in Figure 12). This evaluation is performed from the Not Chronological data 
process. The condition really processed in the plant allows us to obtain the optimum 
working point even if it is out of the processed values range, by analytical and neural 
computation; 

Feedwater Temperature
Real Working Point
FW Temperature vs Gross Power Output

1.5e+06 1.5e+06
1.3e+06 1.3e+06
1.1e+06 1.1e+06

Repetitively
Repetitively

900000 900000
700000 700000
500000 500000
300000 300000
100000 100000
-100000 -100000
.2 6 623
156156.4 .6 6 26
156 56.8 57 6 32 29
6 35
6 We
FW 1 1 7.2 tM
Te m 15 57.4 .6 6 38 tpu
pe r 1 57 . 8 64 4 41 e r Ou
6
at u 1 57 65 0 47 Pow
re º 1 15 8 ss
C Gr o
  

Fig. 12 ‐ Variable real working point  

‐ The early event alert is obtained from the prediction of the “next value” solved on the 
previous trend basis. Evidence of the difference between the foreseen value and the 
real occurred one, highlights a discrepancy or abnormal condition. This fact is useful in 
order  to  detect  potential  failures  earlier.  The  next  value  existing  range  is  obtained 
through a double neural computation: the first on the time line basis and the second 
one based on the expected value within a certain parameter values set; 
‐ Modeling  hypothetical  process  conditions  produces  heuristic  models,  which  can  be 
used to predict plant responses (Fig. 13). Configuration Data Base associated with the 
Not  Chronological  process  allows  us  to  foresee  the  plant  response  in  operative 
conditions not previously tested; 
Feedwater Temperature
Working Range Projection
Feedwater Temperature vs Gross Power Output

10000

7500
Certitude Index

10000
5000
7500
Certitude Index

2500
5000
0
2500
-2500
0 15
156 6.2
15 .4
-2500 15 6.6 ºC
6 157 6.8 ur
e
66 6 62 8 157 ra
t
65 654 0 15 .2 pe
Gr o 157 7.4
ss P 6 5 646 2 1 5 .6 T em
owe 64 6 38 4 158 7.8
r Ou
tput 63 630 FW
MW
e
 
Fig. 13 ‐ Variable Response  Estimation 

10/11 
 
 ‐ Aging evaluation, preventive maintenance requirements and equipment performance 
losses  can  be  reached  by  long  term  deviation  analyzing  the  effect  that  a  parameter 
produces on its target, associating it with the history of performed work by the related 
equipment and components. 

Conclusions 

This new methodology is under test at two Nuclear Power Plants, in Europe and out of Europe.  

The  first  results  are  very  comforting  and  positive,  giving  strength  to  continue  with  the  tests 
and the analysis of the data obtained. The system can become an automatic plant supervisor 
capable of working methodically 24h/24h, to learn from the past and to continue working for 
the  complete  plant  life.  The  tool  can  also  provide  general  plant  tuning,  improving  the 
operating conditions and producing economic benefits. 

11/11