一种基于SHAP方法的核电主蒸汽系统定量参数敏感性分析方法与流程
本发明涉及核电主蒸汽系统,尤其涉及一种基于shap方法的核电主蒸汽系统定量参数敏感性分析方法。
背景技术:
1、核电厂作为核能应用的重要途径,其运行安全性直接关系到社会的公共安全、环境生态以及国家能源安全。为了提升核电厂系统的安全性和稳定性,精确的仿真模型和参数调控方法成为核心需求。核电厂主蒸汽系统在能量转换中起着至关重要的作用,负责将热能转化为机械能并提供电力。然而,由于系统中涉及大量物理变量和复杂的非线性关系,传统的模型建立与参数调控方法难以满足高效性与精确度的双重要求。为了提升模型的仿真精度,工程人员需要引入众多参数,这些参数来源广泛、结构复杂,呈现出显著的高维特征。在实际运行中,模型输出往往与机组监测数据存在偏差,因此需要不断调整参数,使模型更贴近真实工况。在高维参数空间下,模型校准过程效率低下,且容易陷入“调参困境”。因此,通过敏感性分析方法识别出对输出影响最大的关键参数,成为提升模型精度与计算效率的关键一步。
2、敏感性分析方法主要包括局部敏感性分析(lsa,local sensitivity analysis)与全局敏感性分析(gsa,global sensitivity analysis)两大类。局部方法适用于模型结构明确、参数线性且计算资源有限的情况,而全局方法适合处理复杂模型、高维参数与强非线性交互的系统,尽管计算成本更高,但其结果具有更全面的解释力。传统敏感性分析方法在处理高维、非线性、强耦合系统时存在计算量大、结果解释性不足等问题。
技术实现思路
1、本发明针对现有技术中存在的技术问题,提供一种基于shap方法的核电主蒸汽系统定量参数敏感性分析方法,针对核电主蒸汽系统的高维复杂系统和非线性交互效应,通过结合xgboost回归模型与shap算法形成xg-shap框架,并在核电厂主蒸汽系统中实现高效的参数敏感性分析,提升核电厂主蒸汽系统参数敏感性分析的准确性与高效性。
2、根据本发明的第一方面,提供了一种基于shap方法的核电主蒸汽系统定量参数敏感性分析方法,包括:
3、步骤1,以xgboost回归模型构建核电厂主蒸汽系统的仿真模型,筛选得到核电厂主蒸汽系统的关键输入参数和关键输出指标,分别以所述关键输入参数和关键输出指标作为输入和输出训练所述xgboost回归模型;
4、步骤2,获取训练好的所述xgboost回归模型,基于shap算法计算所述xgboost回归模型中各个所述关键输入参数对所述关键输出指标的shap值,以及任意两个所述关键输入参数之间的交互shap值;
5、步骤3,基于所述shap值绘制蜂群图,绘制展示各输入参数对关键输出指标的总体贡献大小、影响方向及分布特征;基于所述交互shap值绘制展示任意两个所述关键输入参数对所述关键输出指标的耦合联合敏感性的热力图。
6、在上述技术方案的基础上,本发明还可以做出如下改进。
7、可选的,所述步骤1中训练所述xgboost回归模型的过程包括:
8、通过局部敏感性分析筛选得到核电厂主蒸汽系统的关键输入参数,从运行数据中选择关键输出指标;
9、使用拉丁超立方采样法生成输入参数组合,将所述输入参数组合组成的数据集输入仿真程序计算得到输出指标生成各个样本,基于各个所述样本构建数据集,以所述数据集中的所述关键输入参数为输入、所述关键输出指标为输出训练所述xgboost回归模型。
10、可选的,所述xgboost回归模型的表达式为:
11、
12、其中,为xgboost回归模型预测的关键输出指标值,为通过xgboost回归器训练得到的预测函数,为归一化后的关键输入参数向量;
13、所述xgboost回归模型的目标为最小化目标函数,所述目标函数由损失函数与正则化项组成。
14、可选的,所述目标函数为:
15、
16、其中,为预测值与真实值的损失函数,为用于控制模型复杂度的第棵回归树的正则化项;
17、所述损失函数为:
18、
19、正则化项的计算过程为:
20、
21、其中,为第棵树的叶节点个数,为叶节点得分,和为正则化参数。
22、可选的,所述shap值的计算公式为:
23、
24、其中,表示第个样本中,第个关键输入参数对预测值的边际贡献,为特征子集,表示子集元素个数,表示仅使用子集内特征预测第个样本的模型输出值。
25、可选的,所述交互shap值的计算公式为:
26、
27、其中,表示第个样本中,第个与第个关键输入参数之间的交互贡献值。
28、可选的,所述步骤3绘制所述蜂群图的过程包括:
29、计算第个关键输入参数的平均绝对shap值为:
30、
31、其中表示第个输入参数的全局shap重要性,n表示样本的个数;
32、对各个所述关键输入参数的平均shap值从大到小排序后作为所述蜂群图的y轴,以各个样本中该关键输入参数的shap值作为所述蜂群图的x轴,展示各关键输入参数对所述关键输出指标的正负影响的分布情况与强度,判别高敏感性关键输入参数。
33、可选的,所述步骤3绘制所述热力图的过程包括:
34、计算各个样本中第个与第个关键输入参数之间的平均交互贡献值为:,n表示样本的个数;
35、以各个所述关键输入参数作为所述热力图的x轴和y轴,所述热力图中x轴和y轴的任意两个不同的关键输入参数的交互位置为所述平均交互贡献值,展示各关键输入参数对所述关键输出指标的耦合关系与联合敏感性。
36、可选的,所述步骤3之后还包括:
37、步骤4,基于sobol敏感性分析方法计算各个关键输入参数的s1指数,对s1指数对应的敏感性结果进行排序,与所述步骤3中得到的敏感性分析结果进行对比。
38、可选的,所述步骤4包括:
39、步骤401,调用所述xgboost回归模型,对关键输入参数进行随机采样,生成多个不同的输入参数组合;
40、步骤402,计算衡量每个所述关键输入参数对所述xgboost回归模型输出的直接影响的一阶sobol指数为:
41、
42、其中,是第i个关键输入参数/输入参数组合的一阶sobol指数,是所有关键输入参数/输入参数组合的向量,为xgboost代理模型输出,为给定第个输入参数时模型输出的条件期望,表示第个输入参数单独引起的输出方差占总输出方差的比例,不包含其与其他参数的交互贡献。
43、本发明提供的一种基于shap方法的核电主蒸汽系统定量参数敏感性分析方法,通过融合xgboost回归模型与shap算法,构建xg-shap框架对核电主蒸汽系统进行定量参数敏感性分析,xg-shap框架通过shap值的计算和交互效应矩阵分析,能够对复杂的参数影响进行可解释性分析,揭示输入参数对输出的独立及交互贡献。通过绘制蜜蜂图(beeswarmplot)和热力图(heatmap),直观展示了参数间的交互效应,帮助工程师快速识别关键参数及其耦合关系,提升了系统的可视化和专家可解释性。
44、通过结合传统的sobol敏感性分析方法,采用s1指数计算和结果排序,验证了xg-shap框架的准确性与可靠性。无需依赖大量的异常样本进行训练,训练阶段仅基于正常运行数据,通过xgboost回归模型与shap算法进行敏感性分析,并在测试阶段与sobol方法的结果进行对比,确保了分析结果的准确性。
45、该xg-shap敏感性分析框架不仅能够处理核电主蒸汽系统中高维、非线性和强耦合的参数空间,还具备较好的适应性和鲁棒性。xg-shap框架能够在核电厂复杂工况下进行精准的参数敏感性分析,并能通过有效的交互效应捕捉,提高了模型对不同参数变动和系统动态的适应能力。
46、该xg-shap敏感性分析框架能够在核电厂的实时监控与优化中进行快速部署,并具备较低的计算成本与快速响应能力,适用于核电厂系统中对不同参数的实时监控与敏感性分析,能够快速为决策提供支持,提升核电厂系统的安全性与运行稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com