时序预测模型训练方法、安全保护参数预测方法及装置与流程

摘要: 本技术属于核反应堆安全,具体涉及一种时序预测模型训练方法、安全保护参数预测方法及装置。背景技术:1、六角形组件压水堆因其燃料组件排列紧密、中子经济性好等优点在先...
时序预测模型训练方法、安全保护参数预测方法及装置与流程

本技术属于核反应堆安全,具体涉及一种时序预测模型训练方法、安全保护参数预测方法及装置。

背景技术:

1、六角形组件压水堆因其燃料组件排列紧密、中子经济性好等优点在先进反应堆设计中备受关注。在其运行过程中,尤其是功率瞬态工况下,堆芯内部热工水力状态变化剧烈,关键安全参数如最大线功率密度和偏离泡核沸腾比的动态响应直接影响堆芯安全裕量。及时、准确地预测这些参数的未来趋势,对于实施预防性操作、避免保护系统误动或拒动、提升反应堆运行灵活性与安全性具有重大意义。

2、目前,核电厂主要依赖基于物理机理的实时仿真系统或经验模型进行安全分析。前者计算复杂度高,难以满足在线快速预测需求;后者在复杂的非线性、强耦合的瞬态过程中泛化能力不足。随着数据采集系统(如pi系统)的长期运行,积累了海量的历史运行时序数据,为数据驱动建模提供了基础。然而,直接将传统的机器学习模型(如浅层神经网络、支持向量机)应用于此类高维、强时序依赖的工业数据,难以有效提取工况状态参数与安全保护参数之间复杂的动态映射关系,预测精度和鲁棒性有限。

技术实现思路

1、本技术目的是提供一种时序预测模型训练方法、安全保护参数预测方法及装置,解决现有技术难以有效提取工况状态参数与安全保护参数之间复杂的动态映射关系的问题,专门针对核反应堆功率瞬态工况特点设计,能够实现高精度、快速在线预测的安全保护参数时序预测。

2、实现本技术目的的技术方案:

3、本技术实施例第一方面提供了一种时序预测模型训练方法,所述方法,包括:

4、获取压水堆历史运行数据中功率瞬态工况下连续时间段的参数数据;所述功率瞬态工况,包括:功率下降阶段、功率上升阶段和功率平稳或波动阶段;所述参数数据,包括:工况状态参数和安全保护参数;

5、根据所述参数数据构建样本集;其中,第t时刻至第t+n时刻的工况状态参数序列为所述样本集中的输入数据,第t+n时刻的安全保护参数为所述样本集中的输出数据;t为正整数,n为大于1的整数;

6、将所述样本集划分为训练样本集和验证样本集;

7、利用所述训练样本集训练预先构建的神经网络模型,并利用所述验证样本集对训练后的神经网络模型进行验证,得到用于预测安全保护参数的时序预测模型。

8、可选的,所述时序预测模型为递归神经网络模型,包括依次连接的三个非线性特征拟合层以及一个全连接输出层。

9、可选的,所述非线性特征拟合层,包含m个结构相同的门控循环单元,每个所述门控循环单元通过sigmoid函数与双曲正切函数构造输入门、遗忘门及输出门,各门控机制中设有可训练的权重参数与偏置参数,以实现具有时序记忆能力的非线性状态变换;n为大于1的整数。

10、可选的,所述全连接输出层包含m个神经单元,用于将第三个非线性特征拟合层输出的高维特征映射至安全保护参数空间;m为大于1的整数。

11、可选的,所述利用所述训练样本集训练预先构建的神经网络模型,具体包括:

12、通过前向传播计算,根据输入的工况状态参数序列得到安全保护参数的预测值;

13、定义损失函数为均方根误差,用于衡量预测值与真实值之间的差异;

14、采用反向传播算法计算所述损失函数对模型中各权重参数和偏置参数的梯度;

15、基于梯度下降算法迭代更新全部可训练参数,直至模型收敛。

16、可选的,所述利用所述验证样本集对训练后的神经网络模型进行验证,具体包括:

17、将所述验证样本集中的工况状态参数序列输入模型,通过前向传播得到对应的安全保护参数;

18、采用均方根误差评价模型对安全保护参数的预测精度与泛化能力。

19、可选的,所述工况状态参数,包括:功率水平、燃耗天数以及各控制棒组的棒位状态;所述安全保护参数,包括:最大线功率密度和偏离泡核沸腾比。

20、可选的,所述根据所述参数数据构建样本集,具体包括:

21、对所述样本集中的数据进行标准化处理,获取每个物理参数的均值和标准差,然后将原始物理参数基于均值和标准差进行数据线性变换,使标准化后的物理参数满足均值为0、标准差为1。

22、可选的,所述获取压水堆历史运行数据中功率瞬态工况下连续时间段的参数数据,具体包括:

23、对数据缺失部分进行插值补全。

24、本技术实施例第二方面提供了一种安全保护参数预测方法,所述方法,包括:

25、获取压水堆功率瞬态工况下的目标工况数据参数;所述功率瞬态工况,包括:功率下降阶段、功率上升阶段和功率平稳或波动阶段;所述目标工况数据参数,包括:第t-n+1时刻至第t时刻的历史工况状态参数和第t+1时刻的预测工况状态参数;第t时刻为当前时刻,n为大于1的整数;

26、将所述目标工况参数输入预先训练得到的时序预测模型,得到第t+1时刻的安全保护参数;所述时序预测模型根据本技术实施例第一方面提供的时序预测模型训练方法中的任意一种训练得到。

27、本技术实施例第三方面提供了一种时序预测模型训练装置,所述装置,包括:

28、数据获取模块,用于获取压水堆历史运行数据中功率瞬态工况下连续时间段的参数数据;所述功率瞬态工况,包括:功率下降阶段、功率上升阶段和功率平稳或波动阶段;所述参数数据,包括:工况状态参数和安全保护参数;

29、样本构建模块,用于根据所述参数数据构建样本集;其中,第t时刻至第t+n时刻的工况状态参数序列为所述样本集中的输入数据,第t+n时刻的安全保护参数为所述样本集中的输出数据;t为正整数,n为大于1的整数;

30、样本划分模块,用于将所述样本集划分为训练样本集和验证样本集;

31、模型训练模块,用于利用所述训练样本集训练预先构建的神经网络模型,并利用所述验证样本集对训练后的神经网络模型进行验证,得到用于预测安全保护参数的时序预测模型。

32、本技术实施例第四方面提供了一种安全保护参数预测装置,所述装置,包括:

33、参数获取模块,用于获取压水堆功率瞬态工况下的目标工况数据参数;所述功率瞬态工况,包括:功率下降阶段、功率上升阶段和功率平稳或波动阶段;所述目标工况数据参数,包括:第t-n+1时刻至第t时刻的历史工况状态参数和第t+1时刻的预测工况状态参数;第t时刻为当前时刻,n为大于1的整数;

34、参数预测模块,用于将所述目标工况参数输入预先训练得到的时序预测模型,得到第t+1时刻的安全保护参数;所述时序预测模型根据本技术实施例第一方面提供的时序预测模型训练方法中的任意一种训练得到。

35、本技术实施例第五方面提供了一种电子设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行如本技术实施例第一方面提供的时序预测模型训练方法中的任一种或如本技术实施例第二方面提供的安全保护参数预测方法。

36、本技术实施例第六方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如本技术实施例第一方面提供的时序预测模型训练方法中的任一种或如本技术实施例第二方面提供的安全保护参数预测方法。

37、本技术实施例第七方面提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如本技术实施例第一方面提供的时序预测模型训练方法中的任一种或如本技术实施例第二方面提供的安全保护参数预测方法。

38、本技术的有益技术效果在于:

39、本技术实施例提供了一种时序预测模型训练方法、安全保护参数预测方法及装置,该时序预测模型训练方法包括:获取压水堆历史运行数据中功率瞬态工况下连续时间段的参数数据;所述功率瞬态工况,包括:功率下降阶段、功率上升阶段和功率平稳或波动阶段;所述参数数据,包括:工况状态参数和安全保护参数;根据所述参数数据构建样本集;其中,第t时刻至第t+n时刻的工况状态参数序列为所述样本集中的输入数据,第t+n时刻的安全保护参数为所述样本集中的输出数据;t为正整数,n为大于1的整数;将所述样本集划分为训练样本集和验证样本集;利用所述训练样本集训练预先构建的神经网络模型,并利用所述验证样本集对训练后的神经网络模型进行验证,得到用于预测安全保护参数的时序预测模型。本技术实施例能够基于历史数据提取工况参数与安全保护信号之间的高维特征映射关系,构建起时序预测模型,实现对功率瞬态工况中安全保护参数的快速预测,深度提取了功率、棒位、燃耗等多维工况与安全参数间复杂的高维非线性、时序动态映射关系,预测精度较高,能有效学习核反应堆功率瞬态过程中安全保护参数的长期依赖与短期波动模式,准确捕捉其动态演变过程,能够实现对最大线功率密度和偏离泡核沸腾比等安全保护参数的毫秒量级预测,可在实际测量信号产生之前提供趋势判断,为运行人员提供更长的响应时间,增强功率瞬态工况下的安全裕度与操作指导;涵盖多个典型瞬态阶段,使模型能够学习不同瞬态阶段下参数演变的时序规律,提升模型在实际复杂运行场景中的泛化能力与鲁棒性。在具体实施时,可以基于六角形组件压水堆部署的pi系统历史数据,数据获取便捷;从数据预处理、模型构建到训练验证形成完整技术闭环,可离线训练、在线部署,满足工程现场对预测速度与可靠性的需求。