System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及核电安全分析,尤其涉及一种面向压水堆核电站冷却剂丧失事故下状态预测方法。
技术介绍
1、核电站是一个十分复杂的系统,在其运行过程中会涉及到许多状态参数,主要来自于堆芯、一回路主系统、蒸汽发生器、安全壳、专设安全系统等,部分参数间还会存在高度的相关性。一旦发生核事故,状态参数会发生剧烈变动,并且不同事故工况下,参数随时间演化的特征也会存在不同,若能及时了解未来一段时间内事故的发展趋势,可以帮助决策人员提示重要预测信息,作为事故应急决策的参考,例如堆芯裸露预测、蒸发器烧干预测、安全壳超压预测、严重事故管理导则入口条件预测等。因此,核事故下长期且准确地预测未来状态对核电站事故应急处置和决策是具有重要意义的。
2、考虑到核事故具有始发原因复杂、可叠加的故障因素较多,且需要及时处理等特点。而传统上基于仿真计算的预测方法通常需要十分完整的边界条件,如事故原因、事故位置、严重程度等,但是这类信息是不能通过核电站监测仪表直接获取的,所以长期预测的可靠性并不高。并且会受模型复杂度,计算精度等限制,难以同时兼顾预测的快速性和准确性。
技术实现思路
1、本专利技术的目的在于提供一种面向压水堆核电站冷却剂丧失事故下状态预测方法,解决了传统方法无法及时且准确地预测核电站事故下运行状态的问题。
2、为了实现上述目的,本专利技术提供如下技术方案:
3、一种面向压水堆核电站冷却剂丧失事故下状态预测方法,包括以下步骤:
4、步骤1:构建冷却剂丧失类事故序
5、步骤2:对步骤1采集的事故数据进行预处理;
6、步骤3:基于步骤2处理后的核事故样本数据库,采用k-shape聚类方法,将事故演化特征更为相近的时序数据进行归类,形成多个子样本数据库,并按照4:1划分成训练集和测试集,对应用于特定神经网络模型的训练与测试;
7、步骤4:基于步骤2处理后的核事故样本数据库,做进一步的特征工程,采用主成分分析方法将高维数据降低到低维数据;
8、步骤5:基于步骤3的样本数据,以及步骤4处理后的特征,采用深度卷积神经网络和长短期记忆神经网络方法对样本数据的事故演化过程进行多参数学习,得到可用于事故下核电站重要状态参数未来演化趋势的长期预测模型;
9、步骤6:基于步骤5,将训练好的神经网络模型进行封装,形成可调用的风险预测模型;
10、步骤7:以一小段时间历史数据作为输入,调用风险预测模型进行计算,给出未来一段时间预测参数的趋势变化;
11、步骤8:基于步骤7的预测结果,对核事故典型事件和关键现象进行预警。
12、步骤1中,从事故位置、设备失效组合和严重程度三个维度进行抽样,生成指定事故序列的输入卡,并使用严重事故仿真软件生成一系列事故数据。
13、进一步地,事故位置包括一环路冷段和一环路热段;
14、设备失效组合包括6种可选失效组合:高、低压安注失效,仅安注箱能正常工作;高、低压安注失效,安全壳喷淋失效,中压安注箱有效;丧失主给水,辅助给水未能启动;高压安注失效,丧失主给水,辅助给水未能启动;高、低压安注失效,丧失主给水,安全壳喷淋失效,辅助给水未能启动;丧失主给水,辅助给水未能启动,余热排出系统失效;
15、严重程度根据破口面积百分比设定,100%对应管道面积。
16、步骤2中,预处理包括缺省值处理、格式转换和单位转换。
17、步骤2中,针对预处理后的参数进行特征工程,包括通过机理分析和大数据分析,将神经网络模型的输入参数分成动作信号和特征信号两类,其中特征信号也同样对应着神经网络模型的输出范围。
18、步骤4中,保留原有数据的主要特征,减少关联特征数目,去除噪声和冗余信息,提高模型学习效果;同时突出关键参数的影响,优化原有特征的处理效率;以及引入小波降噪方法,将数据中的高频噪声去除来提高模型预测精度。
19、步骤5中,深度卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层、输出层、dropout层、batch normalization层,丢弃层(dropout)、批次标准化层(batchnormalization),深度卷积神经网络将每个时刻高维时序数据ixy,重排成(ix,iy)的灰度图像数据,即特征一一对应成图像数据中灰度块。ix,iy表示重排后的特征行和列,其乘积等于ixy。不仅可以保持时序特征,还能突出参数间的相关性。
20、步骤5中,长短期记忆神经网络包括输入层、记忆单元层、遗忘门层、输入门层、输出门层、peephole层和层归一化。
21、与现有技术相比,本专利技术提供的面向压水堆核电站冷却剂丧失事故下状态预测方法具有以下有益效果:
22、本专利技术利用深度学习强大的模式识别能力,学习事故下核电站运行状态长期演化特征。该方法不仅实现了核电站事故下运行状态的长期预测,还可以对典型核事故现象和事件进行预警,从而为核电站安全分析、事故管理、决策支持等提供一种创新性的预测方法及分析思路。
本文档来自技高网...【技术保护点】
1.一种面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤1中,从事故位置、设备失效组合和严重程度三个维度进行抽样,生成指定事故序列的输入卡,并使用严重事故仿真软件生成一系列事故数据。
3.根据权利要求2所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,
4.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤2中,预处理包括缺省值处理、格式转换和单位转换。
5.根据权利要求1或4所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤2中,针对预处理后的参数进行特征工程,包括通过机理分析和大数据分析,将神经网络模型的输入参数分成动作信号和特征信号两类,其中特征信号对应着神经网络模型的输出范围。
6.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤4中,保留原有数据的主要特征,减少关联特征数目,去除噪声和冗余信息,提高模型学
7.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤5中,深度卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层、输出层、丢弃层、批次标准化层,深度卷积神经网络将每个时刻高维时序数据Ixy,重排成(Ix,Iy)的灰度图像数据,Ix,Iy表示重排后的特征行和列,其乘积等于Ixy。
8.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤5中,长短期记忆神经网络包括输入层、记忆单元层、遗忘门层、输入门层、输出门层、Peephole层和层归一化。
...【技术特征摘要】
1.一种面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤1中,从事故位置、设备失效组合和严重程度三个维度进行抽样,生成指定事故序列的输入卡,并使用严重事故仿真软件生成一系列事故数据。
3.根据权利要求2所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,
4.根据权利要求1所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤2中,预处理包括缺省值处理、格式转换和单位转换。
5.根据权利要求1或4所述的面向压水堆核电站冷却剂丧失事故下状态预测方法,其特征在于,步骤2中,针对预处理后的参数进行特征工程,包括通过机理分析和大数据分析,将神经网络模型的输入参数分成动作信号和特征信号两类,其中特征信号对应着神经网络模型的输出范围。
【专利技术属性】
技术研发人员:马国扬,魏巍,谢明亮,吕联鑫,侯雪燕,冉晓隆,谢政权,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。