基于混合模型的核电冷源拦截网系统运行状态预测方法与流程

本申请涉及安全监测与预测的，尤其是涉及基于混合模型的核电冷源拦截网系统运行状态预测方法。

背景技术：

1、滨海核电站的冷源取水系统依赖大量海水进行冷却，其取水口极易被海生物（如海藻、贝类）、漂浮垃圾等杂物堵塞，严重时可能迫使反应堆降功率甚至停机，对核安全和经济性构成重大威胁。安装于取水明渠的拦截网兜是抵御此类风险的关键首道防护设施。

2、该拦截网兜的运行状态，例如初始运行（维护后）、正常过滤工作以及待维护（堵塞严重）等，受多种因素的复杂动态耦合作用所影响。这些因素包括：网体自身的应力分布（如主缆拉力、网衣应变）、周边海域的水文条件（流速、潮位、波高）以及水质参数（温度、溶解氧、叶绿素a浓度等）。目前，多数核电站对拦截网状态的判断仍依赖于人工定期巡检或简单的单参数阈值报警。这些方法存在明显不足：一是滞后性强，无法提前预警；二是准确性低，难以区分正常波动与异常堵塞；三是缺乏可解释性，无法指导具体的维护决策（如清污、更换）。

3、近年来，核电冷源相关的物联网感知系统（如网体拉力采集系统、水文水质监测系统）已逐步建成并积累了海量多源时序数据。然而，现有技术尚未能有效挖掘这些数据间的深层耦合关系，形成智能化的闭环诊断与预测能力。主要技术瓶颈在于：第一，缺乏已标注运行状态的训练数据集，而人工标注成本极高且主观性强；第二，状态演化是一个强时序依赖过程，传统机器学习模型难以有效捕捉长程时空特征；第三，模型决策过程不透明，运维人员难以信任其预测结果并据此采取行动。

技术实现思路

1、为了解决现有技术中存在的上述问题，本申请提供基于混合模型的核电冷源拦截网系统运行状态预测方法，采用如下的技术方案：

2、基于混合模型的核电冷源拦截网系统运行状态预测方法，包括以下步骤：

3、步骤s1、数据获取与预处理：获取包含多种多源参数的多源时序数据，并进行清洗、缺失值填补及归一化处理；所述多源时序数据至少包括网体应力参数、水文参数和水质参数；

4、步骤s2、采用主成分分析分别对每种多源参数进行特征加权与降维，采用分层k-means聚类算法对加权后的数据进行聚类，构建标注数据集；

5、步骤s3、以所述标注数据集中的多源参数为特征，以状态标签为目标，训练xgboost分类模型；采用shap方法对训练好的xgboost模型进行可解释性分析，量化各输入特征对状态分类的贡献度，形成可解释的状态分类器；

6、步骤s4、将待预测的多源参数按相关性分为若干参数组，为每组参数建立一个独立的cnn-lstm-attention耦合预测模型，以历史时序数据为输入，未来时刻数据为标签，训练各预测模型；

7、步骤s5、将训练好的各预测模型与训练好的状态分类器串联，以当前时刻t之前的长度为l的历史时序数据序列为输入，首先由各预测模型输出未来时刻t+1的预测多源参数值，然后将该预测参数值作为特征输入状态分类器，输出未来时刻t+1的预测运行状态及其概率，实现联合预测。

8、可选地，所述步骤s2包括：

9、首先对水质参数聚类，然后在每个水质簇内对水文参数进行二次聚类，最后在每个水质-水文簇内对网体应力参数进行三次聚类；

10、根据聚类结果中各簇的网体应力分布特征及时间分布特征，将各簇映射为初始运行状态、过滤工作状态或待维护状态。

11、可选地，所述将各簇映射的过程具体包括：

12、计算每个聚类簇中网体应力参数与同步水文基准参数的比值，定义为应力比；

13、结合历史维护记录时间点，将距离最近一次维护记录时间点指定小时内且应力比均值低于全局均值0.6倍的簇，标记为初始运行状态；

14、将应力比箱线图上四分位数超过全局均值1.5倍，或其应力分布经统计检验与过滤工作状态簇存在显著差异且均值更高的簇，标记为待维护状态；

15、其余簇标记为过滤工作状态。

16、可选地，所述cnn-lstm-attention耦合预测模型利用cnn层提取同一时间步内组内参数的局部空间耦合特征，利用lstm层捕捉参数随时间演化的长期依赖关系，利用attention层为不同历史时间步的特征动态分配权重；

17、所述cnn层包含至少一个卷积层和池化层，卷积核尺寸为3，步长为1，池化层采用最大池化，池化窗口尺寸为2；

18、所述lstm层包含至少一个lstm单元，单元数量为64或128；

19、所述attention层采用bahdanau注意力机制，对lstm层输出的各时间步隐藏状态进行加权求和。

20、可选地，所述网体应力参数包括主缆拉力、加强筋拉力和网衣应变；所述水文参数包括流速、流向、波高和潮位；所述水质参数包括温度、盐度、溶解氧和叶绿素a浓度。

21、可选地，所述历史数据窗口长度l设置为24小时，采样间隔为1小时。

22、可选地，所述步骤s1中的所述缺失值填补，采用窗口大小为5的滑动窗口，使用窗口内非缺失数据的均值对中心位置的缺失值进行填补；若窗口内有效数据少于3个，则采用线性插值法进行填补。

23、可选地，所述步骤s4中将待预测参数分为力学参数组、水文参数组和水质参数组，并分别为每一组建立一个独立的cnn-lstm-attention耦合预测模型。

24、可选地，所述步骤s3中训练xgboost分类模型时，针对类别不均衡问题，采用合成少数类过采样技术或设置scale_pos_weight参数进行处理。

25、综上所述，本申请包括以下至少有益技术效果：

26、本申请通过设计pca加权与分层k-means聚类算法，能够从完全无标注的实测数据中自动、客观地构建出符合物理意义的状态标签数据集，将cnn-lstm-attention时序预测模型与xgboost状态分类模型进行串联耦合，不仅能高精度地预测未来时刻的网体应力等具体参数，更能进一步输出未来的整体运行状态，为预测性维护提供了直接、明确的决策依据。xgboost模型本身具有优异的分类性能，结合shap全局解释性分析，使得模型的决策逻辑透明化，增强了运维人员对预测结果的信任度；同时，cnn-lstm-attention模型通过空间特征提取、时间依赖记忆和关键信息聚焦三重机制，能够有效处理多源异构时序数据，保证了预测的准确性与鲁棒性。本申请提供的整套数据处理、聚类标注、模型训练与耦合框架具有良好的通用性和可迁移性，当应用于不同核电站或不同网体类型时，仅需使用本地历史数据重新执行本方法的训练流程，即可获得适配于该场景的预测系统，工程应用价值高。

1.基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述步骤s2包括：

3.根据权利要求2所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述将各簇映射的过程具体包括：

4.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述cnn-lstm-attention耦合预测模型利用cnn层提取同一时间步内组内参数的局部空间耦合特征，利用lstm层捕捉参数随时间演化的长期依赖关系，利用attention层为不同历史时间步的特征动态分配权重；

5.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述网体应力参数包括主缆拉力、加强筋拉力和网衣应变；所述水文参数包括流速、流向、波高和潮位；所述水质参数包括温度、盐度、溶解氧和叶绿素a浓度。

6.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述历史数据窗口长度l设置为24小时，采样间隔为1小时。

7.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述步骤s1中的所述缺失值填补，采用窗口大小为5的滑动窗口，使用窗口内非缺失数据的均值对中心位置的缺失值进行填补；若窗口内有效数据少于3个，则采用线性插值法进行填补。

8.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述步骤s4中将待预测参数分为力学参数组、水文参数组和水质参数组，并分别为每一组建立一个独立的cnn-lstm-attention耦合预测模型。

9.根据权利要求1所述的基于混合模型的核电冷源拦截网系统运行状态预测方法，其特征在于，所述步骤s3中训练xgboost分类模型时，针对类别不均衡问题，采用合成少数类过采样技术或设置scale_pos_weight参数进行处理。