带有不确定性的核电厂时序预测方法技术

一种带有不确定性的核电厂时序预测方法，在离线阶段构建并训练神经网络后实现多输入多输出的时序预测，并结合时序预测的不确定性，针对预测结果计算置信区间；在在线阶段通过训练后的神经网络对事故发生后的相关参数进行预测，维护核电厂的安全运行

【技术实现步骤摘要】
带有不确定性的核电厂时序预测方法


[0001]本专利技术涉及的是一种核电站控制领域的技术，具体是一种带有不确定性的核电厂时序预测方法
。

技术介绍

[0002]压水堆核电厂运行系统主要分为两大部分：核岛和常规岛
。
由于核电厂是由核燃料裂变产能，裂变产物具有很强的辐射性，因此，核电厂需要考虑反应性控制
、
余热排出和放射性包容三个安全指标来保障其运行的安全性
。
核电厂在短时间内分析大量数据的能力是有限的，目前成熟的核能分析软件对于实际计算情况的复杂性和不确定性做了一定程度的简化，因此计算结果与实际运行结果存在偏差，无法较为准确地预测核电厂参数的变化
。

技术实现思路

[0003]本专利技术针对现有技术存在的上述不足，提出一种带有不确定性的核电厂时序预测方法，通过神经网络对事发发生后参数建立多输入多输出的时序预测，并结合时序预测的不确定性，在预测结果中加入了置信区间，掌握核电厂数据的变化趋势，及时识别异常情况，维护核电厂的安全运行
。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种带有不确定性的核电厂时序预测方法，在离线阶段构建并训练神经网络后实现多输入多输出的时序预测，并结合时序预测的不确定性，针对预测结果计算置信区间；在在线阶段通过训练后的神经网络对事故发生后的相关参数进行预测，维护核电厂的安全运行
。
技术效果
[0006]本专利技术针对核电厂的事故工况，使用
Transformer
模型对多个核电厂参数进行时序预测，采用粒子群优化算法对
Transformer
网络结构中的超参数
、
学习率和迭代次数进行自动寻优；通过计算置信区间量化预测结果的不确定性
。
与现有技术相比，本专利技术能够考虑到多个参数之间的耦合关系，更好地捕捉不同参数之间的相互影响；采用自动寻优算法，有助于提高神经网络的性能和训练效率；加入预测的不确定性能更好地提升模型的预测性能
。
附图说明
[0007]图1为本专利技术流程图；
[0008]图2为实施例
Transformer
结构图；
[0009]图3为实施例置信区间示意图；
[0010]图4为实施例一回路冷却剂平均温度预测结果
。
具体实施方式
[0011]如图1所示，为本实施例涉及一种基于
Transformer
神经网络的多输入多输出的核电厂时序预测方法，包括：
[0012]步骤
1)
失去厂外电事故发生后，核电厂数据在前
1600
秒发生瞬变，并在此之后逐渐趋于稳定，故只取前
1600
秒进行预测
。
在数据预处理阶段，先对部分呈阶梯状数据采用低通滤波器进行平滑处理，然后对原始数据进行划分，按比例将数据集划分为训练集
、
验证集和测试集
。
接着，为了解决多参数量纲不统一的问题，采用最大最小归一化的方法，对数据进行标准化处理，并按照设定的批量大小将其分成不同的批次
。
[0013]步骤
2)
构造如图2所示的包含编码器和解码器的
Transformer
神经网络，其中：编码器对输入数据进行位置编码后，将带有位置编码信息的值传入编码器中，经过多头注意力机制提取输入的多维数据的相关特征，输入残差层和激活层中并经前馈神经网络进行计算，通过重复若干次后将得到的值输入解码器中，通过与编码器的结构和个数一致的解码器，将编码器的输出与原始数据经过相同的特征提取后将特征向量传入前馈神经网络进行计算，得到最终的预测值
。
[0014]所述的位置编码，具体为：
PE
(pos
，
2i)
＝
sin(pos/10000
2i/d
)
，
PE
(pos,2i+1)
＝
cos(pos/10000
2i/d
)
，其中：
pos
表示值的位置，
d
表示
PE
的维度，
2i
表示该值的偶数维度，
2i+1
表示该值的基数维度
。
[0015]所述的
Transformer
神经网络，在训练时序预测模型之前先采用粒子群寻优算法
(PSO)
来自动对网络的超参数进行寻优，具体为：通过模拟鸟类捕食的过程，随机搜索最优结果
。
通过
PSO
算法，能够自动调整网络的结构参数，提高了神经网络的性能和效率，
PSO
寻优算法也可以并行寻优，大大减少了超参优化的时间
。
[0016]步骤
3)
通过计算时序预测模型的置信区间以及预测值与实际值的误差，对预测结果的不确定性或可信度进行度量，具体为：计算时序预测模型的置信区间
p(c1≤
μ
≤c2)
＝1‑
α
，其中：
α
为显著性水平，一般取
0.05
或
0.1
，
c1和
c2分别为置信区间的上下限，
p
为概率；通过平均绝对误差
(MAE)
和均方根误差
(RMSE)
两种方式计算预测值与实际值的误差，对训练好的时序预测模型的性能进行判断，具体为：其中：
x
i
为真实值，
y
i
为实际值，
n
为样本个数
。
[0017]经过实际的实验，对一回路冷却剂平均温度
、
稳压器压力两个参数进行预测，具体为：在数据处理阶段，先针对获得数据所处的事故工况进行分析，筛选出进行多输入多输出的具体参数，然后观察参数的原始数据，对呈阶梯状或波动较大的部分进行平滑滤波，结扎和采用最大最小值对数据进行归一化处理，最后，按
0.175
：
0.1
：
0.725
的比例将数据划分为训练集
、
验证集和测试集；在网络训练阶段，先将需要优化的网络超参数传递给
PSO
优化算法，设置每轮的粒子个数为5，共优化
10
轮，需要优化参数包括神经网络层数
、
注意力机制头数
、
学习率
、
批量大小
、
网络训练次数
。
超参优化完成后，将训练好的参数放入预测模型相应的位置，并对网络进行训练
。
在模型预测能力验证阶段，选用置信区间
、MAE、RMSE
三种衡量误差的指标，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种带有不确定性的核电厂时序预测方法，其特征在于，在离线阶段构建并训练神经网络后实现多输入多输出的时序预测，并结合时序预测的不确定性，针对预测结果计算置信区间；在在线阶段通过训练后的神经网络对事故发生后的相关参数进行预测，维护核电厂的安全运行
。2.
根据权利要求1所述的带有不确定性的核电厂时序预测方法，其特征是，具体包括：步骤
1)
失去厂外电事故发生后，取前
1600
秒进行预测；在数据预处理阶段，先对部分呈阶梯状数据采用低通滤波器进行平滑处理，然后对原始数据进行划分，按比例将数据集划分为训练集
、
验证集和测试集；采用最大最小归一化的方法，对数据进行标准化处理，并按照设定的批量大小将其分成不同的批次；步骤
2)
构造包含编码器和解码器的
Transformer
神经网络，其中：编码器对输入数据进行位置编码后，将带有位置编码信息的值传入编码器中，经过多头注意力机制提取输入的多维数据的相关特征，输入残差层和激活层中并经前馈神经网络进行计算，通过重复若干次后将得到的值输入解码器中，通过与编码器的结构和个数一致的解码器，将编码器的输出与原始数据经过相同的特征提取后将特征向量传入前馈神经网络进行计算，得到最终的预测值；步骤
3)
通过计算时序预测模型的置信区间以及预测值与实际值的误差，对预测结果的不确定性或可信度进行度量，具体为：计算时序预测模型的置信区间
p(c1≤
μ
≤c2)
＝1‑
α
，其中：
α
为显著性水平，

【专利技术属性】
技术研发人员：刘晓晶，肖潇，宋美琪，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：