一种三代非能动核电厂的事故诊断跟踪及快速预测系统的制作方法

1.本发明属于核安全与核应急技术领域，具体涉及一种三代非能动核电厂的事故诊断跟踪及快速预测系统。


背景技术：

2.核动力装置结构复杂，所涉及到设备众多，为了及时全面地掌握其状态，每个设备都配置了许多传感器进行实时监测，因此核电厂运行一旦出现异常，尤其在往严重事故条件下发展时，电厂操纵员及应急响应技术人员将要从海量监测数据和报警信号中定位异常信息，进而做出正确决策。甚至在严重事故阶段往往伴随着电源丧失和仪表大面积损坏或失效，此时核电厂提供的电厂状态监测信息并不完整和准确，会进一步加剧正确决策的难度。若因人员判断失误采取不当操作或其他人因风险，则极可能导致事故急剧恶化。因此相关人员处于这种情况下会有着极大的工作压力和心理压力。在核电厂发生严重事故的情况下，需要依据有限可信运行数据，对电厂事故的根本原因和当前运行状态进行诊断，并对事故演化进程及有效缓解事故发展的干预措施进行分析，最终使得电厂恢复到可控的状态，这对于核应急响应人员来说是极大的挑战。亟需相关的支持系统能够诊断出事故的根本原因，跟踪获得机组的运行状态，评估不同干预措施的实施效果，为核事故的应急处置提供有力技术支持和辅助决策。
3.在现有系统中，也出现了一些对核电厂事故进行诊断、评估、预测的系统，如公布号为cn104915768 a的一种用于核电厂严重事故诊断及响应支持的方法及系统，该系统提出一种核电厂严重事故根本原因诊断的方法，主要是通过在事先建立的严重事故序列样本库中匹配相关的特征参数，一旦特征参数与样本库的中某个事故或几个事故序列匹配上，则输出该事故序列或多个事故序列的可能的概率作为诊断结果，并利用该事故作为预测模块的输入，来预测事故的发展及干预措施的效果。
4.但是，该系统存在一些严重的不足，具体地：1、诊断结果严重依赖样本库，严重事故是多重事故的叠加，与初因事故、叠加事故的出现时间都有关系，样本库很难枚举所有的事故序列；2、对于事故根本原因的判断基于特征参数与样本库的匹配，对于严重事故后期现象基本一致都是堆芯升温熔化，这种特征参数匹配的方式可能给出的事故根本原因有多种，很难给出精准诊断结果，对于应急响应的支持的有限；3、基于这种根本原因的诊断，作为预测计算模块的输入，很难准确预测事故的进展，因为严重事故的预测不仅跟事故序列有关，还跟多种事故出现的时刻相关，因此仅基于事故序列的预测并不能正确反应核电事故状态的真实演进；4、考虑到第三代核电厂都配置了非能动专设安全设施，影响事故进展的因素更为复杂，进一步提高了准确预测事故进展的难度。


技术实现要素：

5.基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种三代非能动核电厂的事故诊断跟踪及快速预测系统。
6.为了达到上述发明目的，本发明采用以下技术方案：一种三代非能动核电厂的事故诊断跟踪及快速预测系统，系统包括事故诊断模块、事故跟踪模块和事故预测模块；事故诊断模块包括读取单元、状态识别单元、事故识别单元；读取单元用于读取电厂设备发送的数据信号；状态识别单元用于根据数据信号识别当前电厂运行状态；事故识别单元用于根据当前电厂运行状态识别当前是否有事故或事故征兆、及对应的事故位置和类型，若干个事故或事故征兆构成事故序列；数据跟踪模块包括热工水力计算引擎和修正单元，热工水力计算引擎用于根据数据信号及事故序列计算得到热工水力的仿真模拟运行情况，数据跟踪模块对热工水力的仿真模拟运行情况和热工水力的实际运行情况进行比较，并使热工水力的仿真模拟运行情况准确跟踪热工水力的实际运行情况；修正单元判断当前热工水力计算引擎是否需要修正，若热工水力的仿真模拟运行情况与热工水力的实际运行情况偏差较大，则修正热工水力计算引擎至准确跟踪；事故预测模块用于使用热工水力计算引擎预测事故的发展。
7.作为优选方案，事故诊断模块还包括数据修正单元，用于剔除多重数据信号中的异常数据、并将正常数据取均值合并处理，还用于合并高低压安注数据。
8.作为优选方案，状态识别单元内含循环神经网络模型，循环神经网络模型能够根据输入的数据信号识别当前电厂运行状态。
9.作为优选方案，状态识别单元所识别的电厂运行状态包括堆芯淹没、堆芯部分裸露、堆芯完全裸露、堆芯损毁、压力容器失效和安全壳失效。
10.作为优选方案，事故识别单元根据两次采样之间的数据差别识别事故或事故征兆。
11.作为优选方案，修正单元修正热工水力计算引擎是调整热工水力计算引擎的边界条件。
12.作为进一步优选的方案，修正单元用于根据热工水力的预测运行情况与热工水力的实际运行情况偏差对边界条件进行修正，使用修正后的边界条件与重新获取的数据信号及事故序列计算得到热工水力的仿真模拟运行情况，判断热工水力计算引擎是否需要再次修正，直至热工水力的仿真模拟运行情况准确跟踪预测热工水力的实际运行情况。
13.作为优选方案，系统还包括干预评估模块，干预评估模块用于获取所要实行的干预方案，并预测干预方案的效果并对效果进行评价。
14.作为进一步优选的方案，干预评估模块的预测与评价基于核电厂使用的严重事故管理导则。
15.作为进一步优选的方案，干预评估模块具有多个预测通道，每个预测通道分别预测一种干预方案的效果。
16.本发明与现有技术相比，有益效果是：
本发明的系统仅采集少量信号便能够完成对核电机组事故诊断、预测和状态跟踪；能够快速完成核电机组事故诊断、预测和状态跟踪；能够进行高倍时的核电机组状态及事故预测；能够同时预测多种不同干预方案的效果。
附图说明
17.图1是本发明实施例的干预评估模块的结构框图；图2是本发明实施例的一种三代非能动核电厂的事故诊断跟踪及快速预测系统的使用流程图。
具体实施方式
18.为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
19.实施例：本发明的一种三代非能动核电厂的事故诊断跟踪及快速预测系统，其结构框图如图1所示，包括事故诊断模块、事故跟踪模块和事故预测模块。
20.事故诊断模块包括读取单元、状态识别单元、事故识别单元，读取单元能够从电厂的各个设备或检测点处读取数据信号，并将该数据信号发送至状态识别单元。状态识别单元根据输入的数据信号识别电厂当前各个设备的运行状态，并进一步识别得到电厂整体的运行状态。数据信号和电厂的运行状态还会发送至事故识别单元，事故识别单元根据电厂运行状态和数据信号，先后进行两次采样，根据两次采样之间的数据差别识别当前是否有事故发生、或是否有发生事故的征兆，再进一步判断该事故或事故征兆对应的事故类型和位置。对于一系列事故或事故征兆所组成的序列，将其作为一个事故序列。
21.其中状态识别单元内含循环神经网络模型，以各个设备或检测点处的数据信号作为输入，经循环神经网络模型识别后输出各个设备的运行状态和电厂整体的运行状态。具体而言，状态识别单元可以识别当前电厂运行状态，判断当前电厂运行状态是否为堆芯淹没、堆芯部分裸露、堆芯完全裸露、堆芯损毁、压力容器失效、安全壳失效等事故状态之一。
22.事故识别单元能够识别事故的征兆和类型、识别在两次数据信号采样期间所发生的事件、评价蒸汽发生器、主系统和安全壳的质能变化率、评估loca面积和位置（如果是破口序列）、检查安全壳是否失效，并生成事件序列和用于热工水力计算引擎的边界条件。
23.为了提高数据的准确性，事故诊断模块还包括数据修正单元，用于检查多重数据信号的一致性，剔除多重数据信号中的异常数据、并将正常数据取均值合并处理，还用于合并高低压安注数据。上述多重数据信号是指对于同一个设备或检测点，可能存在多个数据源共同输出数据信号，从而保证数据信号更加准确。
24.为了便于数据信号的分析与使用，数据修正单元还用于对数据信号进行与识别程序相匹配的信号单位转换。
25.数据跟踪模块包括热工水力计算引擎和修正单元，将事故序列和数据信号输入热工水力计算引擎，在边界条件下经过一系列热工水力计算以后能够输出电厂热工水力的预测运行情况。修正单元会将热工水力的预测运行情况与下一刻热工水力的实际运行情况作比较，从而判断热工水力计算引擎是否需要修正。如果热工水力的预测运行情况与实际运行情况偏差较大，则判断热工水力计算引擎需要修正，进而对热工水力计算引擎修正并重新比较预测运行情况和实际运行情况，直到预测运行情况能够准确地跟踪预测下一刻的实际运行情况为止。具体而言，对热工水力计算引擎进行修正一般是对其所使用的边界条件进行修正，而上述的热工水力计算引擎可以选用国际上广泛应用的严重事故分析软件maap，软件maap，并针对三代先进非能动核电厂特点搭建物理模型。
26.事故预测模块用于使用热工水力计算引擎预测事故的发展，由于经过数据跟踪模块调整后的热工水力计算引擎已经能够准确地跟踪预测电厂热工水力的实际运行情况，因此事故预测模块能够利用热工水力计算引擎能够倍时计算的特性，对未来较长时间段的电厂状态、事故发展进行预测。
27.另外为了为核应急响应提供技术支持，最大限度降低事故后果，在上述系统中还增加了干预评估模块，干预评估模块用于获取所要实行的干预方案，并预测干预方案的效果并对效果进行评价。作为一种实施方式，干预措施评价模块的评价基于核电厂严重事故管理导则（samg），根据管理导则的规定将干预措施的正面评价、负面评价和长期关注项与事故预测模块的发展预测结果耦合联动，实现干预措施的动态评价。
28.为了提高评估的效果，快速找到最优化方案，在干预评估模块中设置四个预测通道，每个预测通道分别预测一种干预方案的效果，实现对不同的干预方案及假设条件下的事故演变情况进行对比评估。该干预评估模块的结构框图如图1所示。
29.上述系统的工作方法如下：事故诊断跟踪及快速预测的流程图如图2所示，首先采集电厂中各个设备或采集点处的粗数据，粗数据即较少量的数据信息。本实施例中采集粗数据后，由数据修正单元检查数据信号是否在合理的范围内，然后剔除多重数据信号中的异常数据、将正常数据取均值合并处理、识别破损蒸汽发生器回路、合并高低压安注数据，然后将其转换为便于识别处理的信号单位。
30.将修正后的数据信号输入状态识别模块，识别当前电厂运行状态，判断电厂整体是否存在事故，尤其是堆芯淹没、堆芯部分裸露、堆芯完全裸露、堆芯损毁、压力容器失效、安全壳失效等。
31.事故识别单元根据当前电厂运行状态和数据信号进一步详细是否有事故或事故征兆、及对应的事故位置和类型，通过评价蒸汽发生器、主系统和安全壳的质能变化率、检查安全壳是否失效，从而设置热工水力计算引擎的事件序列和边界条件。
32.事故跟踪模块建立和运行热工水力跟踪进程，将数据信号输入热工水力计算引擎，根据设置好的事件序列、边界条件进行计算，输出热工水力的预测运行情况。修正单元对热工水力的预测运行情况与热工水力的实际运行情况做比较，根据二者的偏差值大小判断热工水力计算引擎是否需要修正。如果需要修正则根据偏差值相应修改边界条件，偏差值过大会直接初始化热工水力计算引擎。修正或初始化热工水力计算引擎后重新获取新的数据信号，比较接下来的预测运行情况与实际运行情况的偏差值，若还存在较大偏差值则
再次修正直到预测运行情况能够准确跟踪预测下一时刻的实际运行情况为止。
33.事故预测模块使用修正后的热工水力计算引擎，结合粗数据与事故序列对未来的事故发展进行长时的倍时预测。
34.干预评估模块获取计划对事故实行的干预方案，并同事预测多个干预方案的效果并对效果进行评价，比较得到最优方案。
35.基于上述系统和方法，本实施例能够基于核电机组少量信号（对于ap1000堆型使用120个）完成对核电机组状态的跟踪及事故原因诊断；且预测速度较快，能够在接受数据后300秒内完成事故状态的跟踪及诊断，保持正确率在95%以上；而且上述系统和方法对事故的诊断信息全面，包括事故类型（loca、sbo、mslb等）、事故严重程度、事故发生的区域等；事故预测的快时倍率也较高，能够达到40倍以上整体快时的效果；还能够同时预测四种不同的干预方案的效果，每种干预方案能同时给出最佳估算、保守、乐观以及介于保守与最佳估算、介于乐观与最佳估算一共5种不同假设模型的事故进程，即一次最多可提供一种事故的20种演进方式。
36.应当说明的是，上述实施例仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。