基于GBDT的可解释性核电站给水加热器换热系数预测方法技术

本发明专利技术属于仿真系统技术领域，具体涉及基于GBDT的可解释性核电站给水加热器换热系数预测方法。包括以下步骤：S1：收集核电给水加热器凝结换热区传热过程中的各测点数据；S2：对数据集生成探索性分析报告，对输入变量与换热系数进行相关性分析；S3：对数据集进行初步筛选、数据归一化，清洗数据并划分为训练集和测试集；S4：对数据集进行建模，使用GBDT梯度提升决策树模型在所述步骤S3中的训练集上进行预测，根据模型在所述步骤S3中的测试集上的实验结果进行评价；S5：使用SHAP值、PDP图和ICE图解释所述步骤S4中模型的预测结果。有益效果在于：本方法达到了很好的预测效果，简单且易于实现，并通过解释方法为给水加热器的检修决策提供针对性的理论指导。提供针对性的理论指导。提供针对性的理论指导。

【技术实现步骤摘要】
基于GBDT的可解释性核电站给水加热器换热系数预测方法


[0001]本专利技术属于仿真系统
，具体涉及基于GBDT的可解释性核电站给水加热器换热系数预测方法。

技术介绍

[0002]目前人工智能在核工业领域也得到广泛运用，逐步实现核工业信息化向智能化的转变。一些人工智能技术代替传统方法，在核电运维和决策场景中落地并得到深入应用。但相较于非AI技术，机器学习模型尤其是深度学习模型往往是不透明的，难以为人类所理解的。这种“黑盒”模型需要被打破，使模型具有可解释性，让技术人员或大众理解模型如何决策发挥作用，建立用户与决策模型之间的信任关系，消除模型在实际部署应用中的潜在威胁。为了提高机器学习模型的可解释性和透明性，近年来学术界和工业界进行了广泛和深入的研究并且提出了一系列的机器学习模型可解释性方法，并取得许多有价值的成果。
[0003]早期的机器学习方法如线性回归、决策树等可解释性强，但结构简单表示能力差，难以应用于复杂工业场景。深度学习、随机森林等算法的表示能力大幅度提高，但是伴随着模型复杂度的增加，机器学习算法的可解释性越差，通过算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GBDT的可解释性核电站给水加热器换热系数预测方法，其特征在于，包括以下步骤：S1：收集核电给水加热器凝结换热区传热过程中的各测点数据；S2：对数据集生成探索性分析报告，对输入变量与换热系数进行相关性分析；S3：对数据集进行初步筛选、数据归一化，清洗数据并划分为训练集和测试集；S4：对数据集进行建模，使用GBDT梯度提升决策树模型在所述步骤S3中的训练集上进行预测，根据模型在所述步骤S3中的测试集上的实验结果进行评价；S5：使用SHAP值、PDP图和ICE图解释所述步骤S4中模型的预测结果。2.如权利要求1所述的基于GBDT的可解释性核电站给水加热器换热系数预测方法，其特征在于：所述的S1包括，根据努赛尔凝结系数换热关系式为机理模型进行输入变量的选取，可选取凝结区饱和温度、管侧换热温度、液膜导热系数等作为输入参数。3.如权利要求1所述的基于GBDT的可解释性核电站给水加热器换热系数预测方法，其特征在于：所述的S2包括，对数据集生成探索性分析报告，报告中涵盖数据概述、变量分析、相关性、缺失值，对输入变量与换热系数hco...

【专利技术属性】
技术研发人员：肖云龙，
申请(专利权)人：中核武汉核电运行技术股份有限公司，
类型：发明
国别省市：