一种基于人工智能的重水堆燃料通道功率预测方法及装置与流程

1.本发明涉及重水堆功率预测技术领域，特别是涉及一种基于人工智能的重水堆燃料通道功率预测方法及装置。


背景技术：

2.重水堆采用水平压力管栅式结构，共有380个相对独立的燃料通道，以天然铀作为核燃料，重水作冷却剂和慢化剂，换料方式为在线换料。重水堆进入平衡堆芯状态后，换料基本每天都要进行，约以平均每个满功率天两个燃料通道的速率加以换料。换料计算约每隔3天左右进行一次，每次换料计划的制定需要在2小时内完成。换料不但是补偿日常运行所带来的反应性消耗的主要手段，也是控制堆芯长期处于理想功率分布的主要方法。换料方案的优劣直接影响电站运行的经济效益与运行安全。换料方案的优化是现场换料工程师所亟需解决的至关重要的问题。
3.在堆物理工程师做换料方案设计时，对380个通道的功率响应预测结果是一个重要的参考因素，功率预测准确性与否直接影响换料方案的优劣。重水堆在换料设计工作中选择出换料通道后，以往使用物理计算程序(rfsp)，进行堆芯换料模拟，预测换料后燃料通道功率和棒束功率分布情况，确保换料后燃料通道功率和棒束功率不超过电站技术规格书要求的限值，且保留一定的功率裕量。换料后燃料通道功率和棒束功率预测的传统方法是通过堆芯物理计算程序进行求解堆芯三维两群物理扩散方程，纯理论计算出燃料通道功率和棒束功率，这种方法有以下缺点：
4.1、无法得到换料后实际堆芯中子通量探测器的读数，因此无法进行探测器通量拟合，堆芯三维两群物理扩散方程的求解准确度较低；
5.2、物理程序计算准确度对反应堆物理模型的准确度依赖性很强，实际建立的反应堆物理模型与真实的反应堆存在一定的差距；
6.3、随着反应堆运行年限的增加，堆内构件发生变形，但反应堆物理模型无法精确的反映堆芯发生的变化。
7.目前rfsp程序通过中子探测器通量拟合计算预测的换料后堆芯功率分布与换料后的实际功率相差较大，平均模拟偏差率为3～4％，严重影响了堆物理工程师所制定换料方案的科学性。
8.国内外相关研究中，人工智能算法在压水堆的堆芯参数预测方面已经广泛应用，在重水堆的应用还很少。其中，dubey等以区域水位作为输入构建ann通道预测模型，提高了重水堆通道功率预测效率和准确性。霍小东等将bp神经网络算法运用到重水堆堆芯参数预测中，以燃耗分布和区域水位为输入，通过扩散程序fmphwr生成训练样本构建预测模型，同样验证了bp神经网络算法具有优良的预测能力。上述已经将人工智能算法引入到重水堆堆芯参数预测研究中，但大都只是将区域液位等换料后的模拟计算结果量作为输入特征构建预测模型，尚未有研究在预测模型中直接考虑换料对功率的影响。


技术实现要素：

9.基于此，有必要针对现有反应堆物理计算程序的重水堆功率预测偏差大的问题，提供一种基于人工智能的重水堆燃料通道功率预测方法和装置，提高重水堆燃料通道换料后功率预测准确性，进而提高核电厂的安全性和经济性。
10.为了实现上述目的，本发明提供如下技术方案：
11.一种基于人工智能的重水堆燃料通道功率预测方法，基于stacking集成学习模型，包括如下步骤：
12.1、对重水堆机组每个燃料通道的特征数据集合通过初级学习算法训练，生成初级学习器；
13.2、将初级学习器输出的预测结果集合作为次级学习算法的输入进行训练，生成次级学习器；
14.3、通过次级学习器预测重水堆机组燃料通道换料前后功率变化量。
15.进一步地，步骤1中，特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位和换料影响指数对应的换料前后实际功率变化量。
16.进一步地，步骤1中，所述特征数据集合是重水堆机组历史运行的堆芯状态数据经过清洗处理并经过特征选择后得到的，包括如下步骤：
17.1、获取重水堆机组历史运行的堆芯状态数据，包括但不限于反应性增益、卸料燃耗、最大棒束功率、换料记录、液位数据和燃料通道功率分布等指标数据；
18.2、对重水堆机组历史运行的堆芯状态数据进行如下清洗处理：删除非8棒束换料的数据；删除重水堆总功率低于95％的数据；删除停堆启动后一周内的数据；删除其他无效数据；
19.3、确定初级学习算法建模采用的输入特征为：燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位和换料影响指数；换料影响指数中，如果预测对象为燃料通道x，则燃料通道x换料时该值为10，燃料通道x相邻燃料通道换料时该值为2，燃料通道x相隔一个燃料通道换料时该值为1。
20.进一步地，步骤1具体包括如下步骤：为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的样本集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的样本集合使用初级学习算法，采用5折交叉验证的方法构造初级学习器。
21.进一步地，步骤1中，所述初级学习算法包括xgboost、随机森林、bp神经网络和支持向量回归算法，重水堆机组每个燃料通道的特征数据集合分别通过xgboost、随机森林、bp神经网络和支持向量回归算法训练，在训练前设置初始参数，经过训练和参数调优，生成相应的初级学习器。
22.进一步地，步骤2中，预测结果集合＝{(x1，y
′1)，(x2，y
′2)，(x3，y
′3)，(x4，y
′4)，(x5，y
′5)，(x6，y
′6)，(x7，y
′7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y
′1、y
′2、y
′3、y
′4、y
′5、y
′6和y
′7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后预测功率变化量。
23.进一步地，步骤2包括如下步骤：为重水堆机组每个燃料通道的预测结果集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的预测结果集合按照8:2的比例划分出训练集d
t’与测试集d
p’；对单个燃料通道一次随机抽样得到的数据集合使用次级学习算法，采用预测偏差率验证构造次级学习器。
24.进一步地，步骤2中，预测偏差率公式如下：
[0025][0026]
式中，per为预测偏差率，为yi表示燃料通道i换料后实际功率变化量，y
′i表示燃料通道i换料后预测功率变化量，i＝{1，2，3，...，379，380}；预测偏差率的最大值为预测偏差率的平均值为
[0027]
进一步地，步骤2中，所述次级学习算法为支持向量回归算法。
[0028]
本发明还提供一种基于人工智能的重水堆燃料通道功率预测装置，包括：初级学习器和次级学习器；
[0029]
所述初级学习器是由初级学习算法训练重水堆机组每个燃料通道的特征数据得到的；
[0030]
所述次级学习器是初级学习器输出的预测结果集合作为次级学习算法输入训练得到的；
[0031]
所述次级学习器预测重水堆机组燃料通道换料前后功率变化量。
[0032]
本发明还提供一种基于人工智能的重水堆燃料通道功率预测装置，包括：
[0033]
处理器；
[0034]
用于存储处理器可执行指令的存储器；
[0035]
其中，所述处理器被配置为执行基于人工智能的重水堆燃料通道功率预测方法。
[0036]
本发明还提供一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理执行时实现基于人工智能的重水堆燃料通道功率预测方法。
[0037]
本发明的有益技术效果：
[0038]
本发明的基于人工智能的重水堆燃料通道功率预测方法和装置，基于stacking集成学习模型，建模特征选择考虑“燃料通道功率”、“平均出口卸料燃耗”、“历史换料记录”、“液位数据”、“液位变化量”和“平均液位”，同时还考虑燃料通道自身和相邻燃料通道换料对功率的影响程度的差异，设计了“换料影响指数”特征，以这些特征数据集合为输入，经xgboost、随机森林、bp神经网络和支持向量回归算法训练出初级学习器，然后生成的预测结果集合用于训练次级学习器，次级学习器选用效果较好的支持向量回归算法支持，最终输出预测结果，相较于单个预测模型和传统的rfsp预测模型，达到了更好的预测效果，使得物理工程师在换料计划制定过程中能够得到更为准确的功率反馈，以科学地选取换料燃料通道，进而在保证重水堆安全性的基础上提升了经济效益。
附图说明
[0039]
图1为stacking集成学习建模流程示意图。
[0040]
图2为xgboost算法模型的流程示意图。
[0041]
图3为随机森林算法模型的流程示意图。
[0042]
图4为bp神经网络算法模型的流程示意图。
[0043]
图5为支持向量回归算法模型的流程示意图。
[0044]
图6为某通道预测结果与样本实际值的拟合效果。
[0045]
图7为stacking集成学习模型与rfsp预测模型对某通道测试集的预测效果对比图。
[0046]
图8为stacking集成学习模型与rfsp预测模型在新数据下预测效果对比图。
[0047]
图9是集成学习预测模型运用到实际场景中，验证其在反应堆运行新数据下380个通道的预测效果图。
具体实施方式
[0048]
下面结合附图和实施例对本发明做进一步详细地描述。
[0049]
实施例1
[0050]
参见图1-5，本发明提供一种基于人工智能的重水堆燃料通道功率预测方法，基于stacking集成学习模型，包括如下步骤：
[0051]
1、对重水堆机组每个燃料通道的特征数据集合通过初级学习算法训练，生成初级学习器；
[0052]
2、将初级学习器输出的预测结果集合作为次级学习算法的输入进行训练，生成次级学习器；
[0053]
3、通过次级学习器预测重水堆机组燃料通道换料前后功率变化量。
[0054]
步骤1中，特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位和换料影响指数对应的换料前后实际功率变化量。
[0055]
步骤1具体包括如下步骤：为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的样本集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的样本集合使用初级学习算法，采用5折交叉验证的方法构造初级学习器。
[0056]
特征数据集合采集截止时间分别为：1号机组的截止满功率天为5464.1，2号机组的截止满功率天为5346.5，经过原始数据清洗、转换、整合及特征选择，最终得到一个2045
×
1449的有效数据矩阵，训练集样本量1636，剩余的409条样本作为测试样本。
[0057]
步骤1中，所述初级学习算法包括xgboost、随机森林、bp神经网络和支持向量回归算法。
[0058]
步骤2中，预测结果集合＝{(x1，y
′1)，(x2，y
′2)，(x3，y
′3)，(x4，y
′4)，(x5，y
′5)，(x6，y
′6)，(x7，y
′7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、
历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y
′1、y
′2、y
′3、y
′4、y
′5、y
′6和y
′7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后预测功率变化量。
[0059]
步骤2包括如下步骤：为重水堆机组每个燃料通道的预测结果集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的预测结果集合按照8:2的比例划分出训练集d
t’与测试集d
p’；对单个燃料通道一次随机抽样得到的数据集合使用次级学习算法，采用预测偏差率验证构造次级学习器。
[0060]
步骤2中，预测偏差率公式如下：
[0061][0062]
式中，per为预测偏差率，为yi表示燃料通道i换料后实际功率变化量，y
′i表示燃料通道i换料后预测功率变化量，i＝{1，2，3，...，379，380}；预测偏差率的最大值为预测偏差率的平均值为
[0063]
回归预测模型常用评价指标为均方误差：式中，yi表示实际值，y
′i表示预测值，m为大于等于1的正整数。本发明结合重水堆机组运行特点、核动力运行的安全性要求以及堆物理工程师的评估重点，设计了类似于均方误差的评价指标-预测偏差率。
[0064]
步骤2中，所述次级学习算法为支持向量回归算法。
[0065]
步骤1中，特征数据集合是重水堆机组历史运行的堆芯状态数据经过清洗处理并经过特征选择后得到的。
[0066]
秦山三厂有两台重水堆机组，每台重水堆机组有380个通道，重水堆机组历史运行的堆芯状态数据包括但不限于反应性增益、卸料燃耗、最大棒束功率、换料记录、液位数据和燃料通道功率分布等指标数据。
[0067]
秦山三厂的两台重水堆机组运行年份已久，1号机组于2002年12月31日开始运行，2号机组2003年7月24日开始运行，数据存储和管理存在异构性，原数据存在无效值、缺失值和重复值，为此，结合数据质量调研，基于统计规律及重水堆机组实际运行情况对重水堆机组历史运行的堆芯状态数据进行如下清洗处理：删除非8棒束换料的数据，例如删除4棒束和12棒束换料的数据；删除重水堆总功率低于95％的数据；删除停堆启动后一周内的数据；删除其他无效数据。
[0068]
初级学习算法和次级学习算法对重水堆机组的380个燃料通道逐一作为建模对象，预测目标是换料前后的功率变化量。重水堆机组换料前后，功率的变化量比功率值本身更为敏感，以重水堆机组的380个燃料通道作为建模对象，预测目标是换料前后的功率变化量比换料前后的功率值效果更好。
[0069]
由于燃料通道之间存在相互影响，在对某燃料通道建模时需要考虑其他燃料通道的影响指标，因此，需要将每类指标对应380个燃料通道的值都作为一个特征列添加到数据矩阵中，然后通过各特征之间pearson相关性检验进行特征过滤与筛选。
[0070]
对于一个燃料通道而言，往往自身换料后功率变化最大，临近燃料通道换料同样
会引起该燃料通道功率的较大增幅，其它的燃料通道换料随着距离变远呈现的功率影响趋势越来越小。通过对历史数据中燃料通道换料影响的分析，本发明设计了“换料影响指数”这一特征，表示其自身及相邻燃料通道换料带来的影响程度，具体地，自身换料时该值为10，相邻燃料通道换料时该值为2，相隔一个燃料通道换料时该值为1。
[0071]
通过重水堆物理参数间的相关性检验结果及重水堆物理规律对所有的堆芯物理参数筛选，以某燃料通道模型为例，特征变量重要程度中，“换料影响指数”的重要程度是第一位，说明该指标在模型中发挥了正向作用，其次是“p06燃料通道自身是否换料”，较重要的特征还有“9区域液位变化量”、“平均液位变化量”、“2区液位变化量”、“p06燃料通道上次的功率”、“p07是否换料”及“p06平均出口卸料燃耗”。
[0072]
所以最终确定建模采用的输入特征为：380个燃料通道的功率、平均出口卸料燃耗和历史换料记录，14个轻水区域控制装置的液位、液位变化量和平均液位，以及换料影响指数，如果预测对象为燃料通道x，则燃料通道x换料时该值为10，燃料通道x相邻燃料通道换料时该值为2，燃料通道x相隔一个燃料通道换料时该值为1。
[0073]
xgboost算法是华盛顿大学陈天奇于2016年开发的boosting库，兼具线性规模求解器和树学习算法，以分类回归树或线性分类器作为基模型组合的boosting集成学习的算法，对损失函数做二阶泰勒展开，加入树模型复杂度作为正则项，用于权衡目标函数的下降和模型的复杂程度，避免过拟合，支持并行处理，提高模型的求解效率。xgboost算法的关键参数包括迭代模型、学习率、最小叶节点权重、树深度、最大叶节点数量、节点分裂所需的最小损失函数下降值、随机采样比例、损失函数和度量参数等，具体的算法流程如下所述：
[0074]
(1)构造目标函数。
[0075]
xgboost中的每一颗分类回归树对应一个不同函数f
t
，通过不断迭代拟合上次树模型预测的残差，定义xgboost算法的目标函数：
[0076][0077]
目标函数由两部分构成，前者为梯度提升算法，代表实际值yi与预测值的偏离程度；后者为正则化项，代表树的复杂程度。
[0078]
(2)将目标函数进行泰勒二阶展开。
[0079]
为最小化目标函数，使用牛顿法求解损失函数，将函数按二阶泰勒的形式展开后，目标函数近似为：
[0080][0081]
其中hi为二阶导数。
[0082]
(3)将目标函数参数化，将树结构引入目标函数。
[0083]
获得最小化目标函数后，将关键参数代入目标函数使其参数化，并将树结构引入目标函数，方便后续的参数调优。
[0084]
(4)根据目标函数，通过参数调优，构建最优树。
[0085]
参见图2，本发明对每个燃料通道的特征数据集合通过xgboost算法生成初级学习器。
[0086]
每个燃料通道的特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后实际功率变化量。
[0087]
为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的特征数据集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的数据集合使用xgboost算法，采用5折交叉验证的方法构造xgboost初级学习器。
[0088]
初始化参数：选用树模型进行计算；以缄默方式运行不打印运行时信息；选择弱分类器的数量为200；提升迭代的次数设定为200；更新过程中的收缩步长设定为0.075，防止过拟合，在每次提升计算之后，算法会直接获得新特征的权重，更新过程中的收缩步长通过缩减特征的权重使提升计算过程更加保守；指定学习任务及相应的学习目标为线性回归。
[0089]
参数调优：选择一个相对较高的学习率，如学习率learning_rate＝0.1。树的最大深度默认值为6，合理的设置可以防止过拟合，取值的范围为：[3～10]，迭代确定最优参数为8。孩子节点中最小的样本权重和默认值为1，取值的范围为：[1～7]，迭代确定最优参数为6。用于控制是否后剪枝的参数默认值为0，设置的值越大，模型就越保守，候选值为：[0,0.1,0.2,0.3,0.4，0.5,0.6,0.7,0.8,0.9,1],迭代确定最优参数为0.2。在建立树时对特征采样的比例默认值为1，候选值为：[0.6,0.7,0.8,0.9,1]，迭代确定最优参数为0.6。用于训练模型的子样本占整个样本集合的比例默认值1，取值在(0,1)之间；设置为1表示使用所有数据训练弱学习器；如果取值小于1，则只有一部分样本会去做gbdt的决策树拟合；选择小于1的比例可以减少方差，但是会增加样本拟合的偏差，因此取值不能太低；候选值为：[0.6,0.7,0.8,0.9,1]，迭代确定最优参数为0.9。l2正则化权重项和l1正则化权重项；l2正则化权重项，增加此值将使模型更加保守，推荐的候选值为：[0,0.1,0.5,1]；l1正则化权重项，增加此值将使模型更加保守，推荐的候选值为：[0,0.01～0.1,1]。对于不同的问题，理想的学习率会在0.01到0.1之间波动，候选值为：[0.01,0.015,0.025,0.05,0.1]，迭代确定最优参数为0.01。
[0090]
随机森林算法是由里奥﹒布莱曼(leo breiman)和阿黛尔﹒卡特勒(adele cutler)在2001年提出的，具有较强的泛化能力。该算法利用建立决策树时是否使用有放回抽样重抽样方法从原始训练样本集n中有放回地重复随机抽取k个样本生成新的训练样本集合，且在特征上也是随机的，对k个样本分别进行决策树建模组合成森林，对于分类问题采用投票的方式得到分类结果，对于回归问题计算模型结果的均值作为最后的输出。随机森林算法的关键参数包括回归树数量、建模类型、迭代次数和分裂标准等，具体的算法流程如下所述：
[0091]
(1)从训练集中采用自助抽样法，即有放回地抽取n个样本，作为一个训练子集。
[0092]
(2)对于训练子集，从特征集中无放回地随机抽取m个特征，作为决策树上的每个节点分裂的依据，从根结点开始，自上而下生成一个完整的决策树。
[0093]
采用分类回归树作为随机森林中每棵独立决策树的基生成构造算法，使用gini系数作为特征选择与分裂的衡量标准并以此构建生成决策树：
[0094][0095]
其中gini代表基尼系数，t代表特征类别数量，p
t
代表特征的概率。当gini系数数值越小时，模型的分类纯度越高，数据的分类准确率也就越好。对决策树全部特征向量进行遍历并选择系数最小的特征向量作为节点的分裂特征，直到决策树构建完成。
[0096]
(3)重复步骤1和2，得到n个训练子集t1,t2,
…
,tn，并生成决策树s1,s2,
…
,sn，将n个决策树组合起来，形成随机森林。
[0097]
参见图4，本发明对重水堆机组每个燃料通道的特征数据集合通过随机森林算法生成随机森林初级学习器。
[0098]
每个燃料通道的特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后实际功率变化量。
[0099]
为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的特征数据集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的数据集合使用随机森林算法，采用5折交叉验证的方法构造随机森林初级学习器。
[0100]
初始化参数：建立决策树时使用有放回抽样，设置程序的并行作业数量为1。
[0101]
参数调优：在一定范围内，树的数量越多，模型效果表现越好；但树的数量达到一定值后，模型的精确度不再上升，计算量却逐渐变大；因此选择一个初始树的数量，如50；每次增加10，根据最佳交叉验证确定最优树的数量；决策树的个数越多越好，但是性能会越差，推荐的取值范围为：[50～300]，迭代确定最优参数为200。根据网格搜索确定树的最大深度最佳值；一般根据数据的大小来进行搜索，当数据集很小时，可以采用[1～10]，或者[1～20]；但是对于大型数据，应该尝试[30～50]层深度或更深，推荐的取值范围为：[10～100]，迭代确定最优参数为80。回归树衡量分枝质量的指标选用“mse”系数模型效果更好。一个节点分成几类样本的最小值为2，所以从2开始调起，根据样本量数量逐步增大该值；推荐的取值范围为：[2～10]，迭代确定最优参数为6。建立决策树时选择的最大特征数目可填入的值有：总特征个数取整，特征总数目的百分比，总特征个数开平方取整,总特征个数取对数取整，默认值为总特征个数开平方取整；迭代确定最优参数为总特征个数开平方取整。叶子节点的最小样本数目默认为1，当叶结点数目小于样本数，则和兄弟结点一起被剪枝；样本量不大时，可以使用默认配置，否则增大该值，推荐的取值范围为：[1～15]，迭代确定最优参数为5。
[0102]
bp神经网络算法是由韦伯斯(werbos)在1974年首先提出，于1986年由鲁梅尔哈特(rumelhart)为首的科学家重新发明的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。该算法的学习过程由信号的正向传播与误差的反向传播组成，先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，然后将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权重和阈值进行调整，该迭代过程循环进行，直到达到最小误差要求或者预置迭代次数。神经网络算法
的关键参数包括激活函数、损失函数、输入层、隐藏层、输出层、神经元、优化器等，具体的算法流程如下所述：
[0103]
(1)计算各层神经元的输入和输出。
[0104]
隐藏层输入：
[0105]
隐藏层输出：hoh(k)＝f(hih(k))
[0106]
输出层输入：
[0107]
输出层输出：yoo(k)＝f(yio(k))
[0108]
其中xi表示其它神经元传来的信号，w
ij
表示神经元j到i的连接权值，h＝1,2
…
,p表示隐藏层的神经元数，o＝1,2
…
q表示输出层的神经元数。
[0109]
(2)计算输出误差。
[0110]
误差函数：其中do表示期望输出向量,yoo表示输出层输出向量。
[0111]
(3)误差反向传播，调整权值和阈值。
[0112]
(4)计算神经网络的平均误差。
[0113]
参见图4，本发明对重水堆机组每个燃料通道的特征数据集合通过bp神经网络算法生成bp神经网络初级学习器。
[0114]
每个燃料通道的特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后实际功率变化量。
[0115]
为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的特征数据集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的数据集合使用bp神经网络算法，采用5折交叉验证的方法构造bp神经网络初级学习器。
[0116]
初始化参数：定义输入层为“1”。
[0117]
参数调优：确定神经网络隐藏层数和隐层节点数；优先设计神经网络为3层网络，即有1层隐藏层，调节隐层节点数来获取较低的误差。隐层节点数对建立的神经网络模型的性能影响很大，而且是出现“过拟合”的直接原因；为尽可能避免出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数；隐藏层推荐的取值范围为：[1～5]，隐层节点推荐的取值范围为1-100，迭代确定最优参数为2。确定神经网络层的类型为全连接。确定初始化模型参数权重方法。通过对比不同的初始化模型参数权重方法，最优的效果为“uniform”。激活函数选择“relu”。确定神经网络的优化方法。通过对比不同的神经网络的优化方法，最优的效果为“nadam(0.01)”。损失函数选择均方误差“mean_squared_error”。
[0118]
支持向量机是1995年由科尔特斯(cortes)和瓦尼克(vapnik)正式发表的一种具有稀疏性和稳健性的二分类模型。它是定义在特征空间上的间隔最大的线性分类器，其学习过程可形式化为一个求解凸二次规划的问题，通过引入核函数，巧妙地解决了在高维空
间中的内积运算。支持向量机的目标就是创建一个超平面，使得任何一边的数据划分都是相当均匀的。将支持向量机由分类问题推广至回归问题可以得到支持向量回归算法(简称svr)。对于样本(x，y)，传统的回归算法通常直接基于算法输出f(x)与真实输出y时间的差别来计算损失，当且仅当f(x)与y完全相同时，损失才为0。支持向量回归算法与此不同，它能容忍f(x)与y最多有ε的偏差，当f(x)与y之间的差值绝对值大于ε时才会计算偏差。支持向量回归算法的关键参数包括内核类型、核系数和独立项等，具体的算法流程如下所述：
[0119]
(1)构造输入数据矩阵x＝[x1,x2…
,xn]和标签矩阵y＝[y1,y2…
,yn]
t
。
[0120]
回归函数为：
[0121]
其中，为原始特征数据的非线性映射函数，可以将x输入向量映射到高维特征空间，w为权向量，b为阈值。
[0122]
(2)构造拉格朗日方程l，并用smo方法求解令l最小的α*与α
ˉ
*。
[0123][0124]
其中，ε为最大容忍偏差，为松弛变量，α为拉格朗日乘子。
[0125]
通过smo方法求解得到α
*
与α-*
。
[0126]
(3)计算w*和b*，得到svr模型。
[0127][0128]b*
＝y
i*-w
*t
x
[0129]
参见图5，本发明对重水堆机组每个燃料通道的特征数据集合通过支持向量回归算法生成支持向量回归初级学习器。
[0130]
每个燃料通道的特征数据集合＝{(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，(x5，y5)，(x6，y6)，(x7，y7)}；其中，x1、x2、x3、x4、x5、x6和x7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数；y1、y2、y3、y4、y5、y6、和y7分别表示燃料通道功率、平均出口卸料燃耗、历史换料记录、液位数据、液位变化量、平均液位avzl和换料影响指数对应的换料前后实际功率变化量。
[0131]
为重水堆机组每个燃料通道的特征数据集合定义随机种子，确保一次随机样本集合可重复利用，然后将随机排列后的特征数据集合按照8:2的比例划分出训练集d
t
与测试集d
p
；对单个燃料通道一次随机抽样得到的数据集合使用支持向量回归算法，采用5折交叉验证的方法构造支持向量回归初级学习器。
[0132]
初始化参数：设定核函数的类型为径向基函数，其调参数量少且效果好；设定多项式核函数的次数为3。
[0133]
参数调优：导入网格搜索类，调整错误项的惩罚因子为2。调整核函数的系数为'
scale'。当错误项的惩罚因子比较大时，损失函数也会越大，表示想要比较远的离群点，会选择更多的样本来做支持向量，支持向量和超平面的模型也会变得越复杂，容易过拟合；反之，当比较小时，表示不想要那些离群点，会选择较少的样本来做支持向量，支持向量和超平面的模型也会简单；默认取值为1，迭代确定最优参数为2。当核函数的系数比较小时，单个样本对整个分类超平面的影响距离比较远，容易被选择为支持向量；反之，当比较大时，单个样本对整个分类超平面的影响距离比较近，不容易被选择为支持向量；取值范围为：'auto'、'scale'、(0，1]，迭代确定最优参数为'scale'。
[0134]
本发明还提供一种基于人工智能的重水堆燃料通道功率预测装置，包括：初级学习器和次级学习器；
[0135]
所述初级学习器是由初级学习算法训练重水堆机组每个燃料通道的特征数据得到的；
[0136]
所述次级学习器是初级学习器输出的预测结果集合作为次级学习算法输入训练得到的；
[0137]
所述次级学习器预测重水堆机组燃料通道换料前后功率变化量。
[0138]
本发明还提供一种基于人工智能的重水堆燃料通道功率预测装置，包括：
[0139]
处理器；
[0140]
用于存储处理器可执行指令的存储器；
[0141]
其中，所述处理器被配置为执行基于人工智能的重水堆燃料通道功率预测方法。
[0142]
本发明还提供一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理执行时实现基于人工智能的重水堆燃料通道功率预测方法。
[0143]
参见图6，(a)(b)(c)(d)(e)分别代表了xgboost、随机森林、支持向量回归、bp神经网络和stacking集成学习的预测值与样本实际值的散点分布。
[0144]
从图6中可以看出，stacking集成学习模型的预测值与样本实际值拟合程度最好，其拟合优度度量值r2为0.85。四种初级学习器中，表现最好的是支持向量回归算法，r2为0.84，其次是随机森林算法，r2为0.83，bp神经网络算法和xgboost算法表现稍差，但是也解释了74％以上的因变量的变化情况，且上述拟合方程的自变量系数均是统计显著的，其最大的p值小于2.2e-16
。可见，四种初级学习器的预测效果无负向作用，且集成学习模型能够比单个算法模型预测得更准。
[0145]
参见图7，
①
阶梯线代表的是stacking集成学习模型，
②
阶梯线表示rfsp预测模型，
③
实线(y＝0.45)与
④
虚线(y＝1.68)分别代表集成学习预测模型的平均预测偏差率与最大预测偏差率，
⑤
实线(y＝1.82)与
⑥
虚线(y＝6.62)表示rfsp预测模型的平均预测偏差率与最大预测偏差率。
[0146]
对比发现，集成学习预测模型的平均预测偏差率和最大预测偏差率均优于rfsp预测模型，对两组预测偏差率进行t检验表明其具有非常显著性差异，其双尾pt《＝t为2.38e-46
)，且对两样本的方差分析结果表示集成学习预测模型的预测结果更稳定，集成学习预测模型的预测偏差率方差为0.11，rfsp预测模型的预测偏差率方差为2.37，图中折线图表示集成学习预测模型、rfsp预测模型预测功率以及实际功率的分布情况，可以看出集成学习预测模型比rfsp预测模型更接近实际功率。
[0147]
参见图9，是stacking集成学习模型运用到实际场景中，验证其在反应堆运行新数
据下380个通道的预测效果，图中“1#5473.4
→
5474.4”表示1号机组5473.4满功率天预测换料后5474.4满功率天的功率，结果表明，基于历史数据构建的stacking集成学习模型的效果在新数据下也优于rfsp预测模型。
[0148]
重水堆功率预测模型是基于stacking集成学习，经数据清洗、特征选择后，得到“燃料通道功率”、“平均出口卸料燃耗”、“历史换料记录”、“液位数据”、“液位变化量”、“平均液位”等特征，考虑到燃料通道自身和相邻燃料通道换料对功率的影响程度的差异，又设计了“换料影响指数”特征，以这些特征数据集合为输入，经xgboost、随机森林、bp神经网络和支持向量回归算法训练出初级学习器，然后生成的预测结果集合用于训练次级学习器，次级学习器选用效果较好的支持向量回归算法支持，最终输出预测结果。该预测模型用于换料计划制定过程的功率预测环节，采用stacking集成学习方法构建的stacking集成学习模型达到了更好的预测效果，实现了“二次提升”，且算法对特征重要程度的评价是符合实际的，这表明在重水堆燃料通道功率的预测问题上引入人工智能算法是可行且科学的。
[0149]
本发明所构建的stacking集成学习模型的预测效果显著优于传统rfsp预测模型，具体体现如下：
[0150]
(1)stacking集成学习模型的平均预测偏差率和最大预测偏差率均较传统rfsp预测模型有显著降低。
[0151]
(2)stacking集成学习模型的预测偏差率的样本方差较传统rfsp预测模型有显著降低，即模型更稳定。
[0152]
(3)在新数据下，stacking集成学习模型的优势依然存在。
[0153]
在重水堆燃料通道功率预测问题上引入人工智能算法来构建模型，提高了预测准确性，对于提高换料计划的合理性具有促进意义，使得物理工程师在换料计划制定过程中能够得到更为准确的功率反馈，以科学地选取换料燃料通道，进而在保证重水堆安全性的基础上提升了经济效益。
[0154]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。