CN108830323B - 一种核反应堆事故模式识别和安全参数估算方法及估算系统 - Google Patents
一种核反应堆事故模式识别和安全参数估算方法及估算系统 Download PDFInfo
- Publication number
- CN108830323B CN108830323B CN201810627261.4A CN201810627261A CN108830323B CN 108830323 B CN108830323 B CN 108830323B CN 201810627261 A CN201810627261 A CN 201810627261A CN 108830323 B CN108830323 B CN 108830323B
- Authority
- CN
- China
- Prior art keywords
- accident
- module
- data
- parameter estimation
- pattern recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Abstract
本发明属于核反应事故分析技术领域,具体提供了一种核反应堆事故模式识别和安全参数估算系统,以及基于此系统提供了一种核反应堆事故模式识别和安全参数估算方法。使用核反应堆事故序列的系统响应参数作为训练样本,分别对事故模式识别模型和事故参数估算模型进行训练。本发明运用人工智能技术逻辑斯特回归和BP神经网络,能够科学、客观、准确、快速地识别核事故类型和估算核反应堆系统的安全相关参数。
Description
技术领域
本发明属于核反应事故分析技术领域,具体提供了一种核反应堆事故模式识别和安全参数估算系统,以及基于此系统提供了一种核反应堆事故模式识别和安全参数估算方法。
背景技术
核反应堆系统具有复杂的结构,当发生核事故时,反应堆堆芯、一回路系统、二回路系统以及专设安全系统会发生一系列复杂的物理热工响应,系统参数变化趋势具有复杂的非线性特征。如果在核事故应急或应急演习中,依靠人的经验对发生事故的类型进行人工判断,不仅具有太大的主观性,而且也达不到快速识别的要求,更不可能在较短的时间内,快速估算核反应堆系统的安全相关参数,如燃料包壳温度、燃料芯块温度和主管道破口尺寸等。因此设计一套能够在事故工况下快速自动评估核反应堆发生事故类型,以及快速自动估算核反应堆安全相关参数的人工智能系统,对于核应急和应急演习工作而言,具有很大的意义和应用价值。
在以往的核电厂智能诊断研究中,主要是针对核电厂运行过程中遇到的故障,未发现有针对核应急和应急演习工作中快速自动识别事故和评估安全参数的研究。
发明内容
鉴于上述问题,本发明可以在事故工况下,对核反应堆数据进行运算,快速自动评估核反应堆发生事故的可能类型和相应置信度,并能快速自动估算核反应堆系统的安全相关参数,如燃料包壳温度、燃料芯块温度和主管道破口尺寸等,为核应急或应急演习工作提供技术和决策参考。
具体的技术方案为,本发明提供了一种核反应堆事故模式识别和安全参数估算系统,该系统包括,事故模式识别模块与事故参数估算模块,事故模式识别模块与事故参数估算模块连接。
进一步地,所述的事故模式识别模块,
包括,系统相应参数数据采集模块、数据预处理模块A、事故识别模型训练模块,所述的系统相应参数采集模块与数据预处理模块A连接,数据预处理模块 A与事故识别模型训练模块模块连接;
还包括,测量或仿真数据采集模块及数据预处理模块B,所述测量或仿真数据采集模块与数据预处理模块B连接;
还包括,事故模式识别模块,所述的事故模式识别模块一端分别与数据预处理模块B和事故识别模型训练模块连接,另一端与可视化界面模块连接。
进一步地,所述的事故参数估算模块,
包括,系统相应参数数据采集模块、数据预处理模块C、事故参数估算模型训练模块,所述的系统相应参数采集模块与数据预处理模块C连接,数据预处理模块C与事故参数估算模训练模块连接;
还包括,一测量或仿真数据采集模块及数据预处理模块D,所述测量或仿真数据采集模块与数据预处理模块D连接;
还包括,一事故参数估算模块,所述的事故参数估算模块一端分别与数据预处理模块D和事故参数估算模型训练模块连接,另一端与可视化界面模块连接。
同时根据本发明的另一方面,还提供了一种核反应堆事故模式识别和安全参数估算方法。具体为,使用核反应堆事故序列的系统响应参数作为训练样本,分别对事故模式识别模型和事故参数估算模型进行训练。
进一步地,所述的事故模式识别模型的训练和识别计算包括两个数据处理通道,
1)事故识别模型数据文件的建立:
采集反应堆事故序列系统响应数据,对相应数据进行预处理得到样本数据文件,再采用事故识别模型的训练模块对样本数据文件进行训练,得到事故识别模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故模式识别模块对上述通道得到数据进行模式识别计算,并将识别结果进行可视化界面处理。
进一步地,所述的事故参数估算模型的训练和参数估算也包括两个数据处理通道,
1)事故参数估算模型数据文件的建立:
采集故障、异常及事故序列系统相应参数,对其进行数据预处理,得到训练样本数据文件,采用事故参数估算模型的训练模块对该数据文件进行训练,得到事故参数估算模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故参数估算模块对上述通道得到数据进行参数估算,并将估算结果实现可视化界面。
进一步地,事故模式识别模型使用逻辑斯特回归算法,分析训练样本数据中核反应堆事故序列的系统响应参数与事故类型之间内在的关联规则,并将其存储在事故识别模型数据文件中。
进一步地,事故参数估算模型使用BP神经网络算法,分析训练样本数据中核反应堆事故序列的系统响应参数与安全参数之间的非线性拟合关系,并将其存储在事故参数估算模型数据文件中。
进一步地,所述的预处理为将系统响应数据矩阵化,矩阵的行标识为样本编号,列标识为系统响应数据类型特征,表示为,
本发明运用人工智能技术(逻辑斯特回归和BP神经网络),能够科学、客观、准确、快速地识别核事故类型和估算核反应堆系统的安全相关参数。
附图说明
图1.本发明系统的结构框图
图2.事故模式快速智能识别层示意图
图3.事故参数估算层示意图
图4.BP神经网络算法示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,本发明提供了一种核反应堆事故模式识别和安全参数估算系统,该系统包括,事故模式识别模块与事故参数估算模块,事故模式识别模块与事故参数估算模块连接。反应堆事故有很多种类(即事故1,事故2等等),事故模式识别模型先识别出事故类型,然后事故参数估算模型才能根据相应的事故类型,调用与该事故相匹配的事故参数估算模型数据文件,对安全参数进行拟合估算。因此每一类事故都会有自己独立的事故参数估算模型数据文件,所以图1中会有事故1,事故2等等很多分支。需要特别说明的是,在事故参数估算模型训练过程时,所有的事故类型都要同时进行训练,以备日后调用;而在对事故进行参数估算时,只会根据识别模块提供的事故类型,调用事故1至事故n中的一个与事故识别结果相匹配的事故。
参考图2,作为方案的改进,所述的事故模式识别模块,包括,系统相应参数数据采集模块、数据预处理模块A、事故识别模型训练模块,所述的系统相应参数采集模块与数据预处理模块A连接,数据预处理模块A与事故识别模型训练模块模块连接;
还包括,测量或仿真数据采集模块及数据预处理模块B,所述测量或仿真数据采集模块与数据预处理模块B连接;
还包括,事故模式识别模块,所述的事故模式识别模块一端分别与数据预处理模块B和事故识别模型训练模块连接,另一端与可视化界面模块连接。
参考图3,作为方案的改进,所述的事故参数估算模块,包括,系统相应参数数据采集模块、数据预处理模块C、事故参数估算模型训练模块,所述的系统相应参数采集模块与数据预处理模块C连接,数据预处理模块C与事故参数估算模训练模块连接;
还包括,一测量或仿真数据采集模块及数据预处理模块D,所述测量或仿真数据采集模块与数据预处理模块D连接;
还包括,一事故参数估算模块,所述的事故参数估算模块一端分别与数据预处理模块D和事故参数估算模型训练模块连接,另一端与可视化界面模块连接。
同时根据本发明的另一方面,还提供了一种核反应堆事故模式识别和安全参数估算方法。具体为,使用核反应堆事故序列的系统响应参数作为训练样本,分别对事故模式识别模型和事故参数估算模型进行训练。
作为方案的改进,所述的事故模式识别模型的训练和识别计算包括两个数据处理通道,
1)事故识别模型数据文件的建立:
采集反应堆事故序列系统响应数据,响应数据包括:反应堆功率、一回路压力、稳压器水位、环路冷段温度、环路热段温度、环路流量、高压安注流量、中压安注流量、低压安注流量、蒸发器水位、蒸发器压力、蒸汽流量、主给水流量、辅助给水流量、换料水箱水位、辅助给水箱水位、安全壳压力、安全壳温度、地坑温度、安喷系统流量、安全壳氢气浓度、烟囱放射性活度、安全壳剂量率、蒸发器排污管放射性活度、管道破口尺寸、破口流量、燃料包壳和芯块温度、DNBR 等,本方案中所提到的相应数据均包括上述内容。对相应数据进行预处理得到样本数据文件,再采用事故识别模型的训练模块对样本数据文件进行训练,得到事故识别模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故模式识别模块对上述通道得到数据进行模式识别计算,并将识别结果进行可视化界面处理。
作为方案的改进,所述的事故参数估算模型的训练和参数估算也包括两个数据处理通道,
1)事故参数估算模型数据文件的建立:
采集故障、异常及事故序列系统相应参数,对其进行数据预处理,得到训练样本数据文件,采用事故参数估算模型的训练模块对该数据文件进行训练,得到事故参数估算模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故参数估算模块对上述通道得到数据进行参数估算,并将估算结果实现可视化界面。
作为方案的改进,事故模式识别模型使用逻辑斯特回归算法,分析训练样本数据中核反应堆事故序列的系统响应参数与事故类型之间内在的关联规则,并将其存储在事故识别模型数据文件中。
具体为,
Z=A0+A1*X1+A2*X2+....+An*Xn(X0=1) (1)
f(Z)=1/(1+exp(-Z)) (2)
其中Ai(i=0,n)是线性变换系数;Xi,i=1,n是输入的特征变量;f是非线性变换函数;J是损失函数;m是样本批次;Y是输出实际值;a是学习步长;C是正则化系数。
作为方案的改进,事故参数估算模型使用BP神经网络算法,分析训练样本数据中核反应堆事故序列的系统响应参数与安全参数之间的非线性拟合关系,并将其存储在事故参数估算模型数据文件中。具体的,
Z(2)=X*W(1)+b(1) (1)
a(2)=f(Z(2)) (2)
Z(3)=a(2)*W(2)+b(2) (3)
O=f(Z(3)) (4)
f(Z)=1/(1+exp(-Z)) (6)
其中:X是样本特征矩阵;W是神经元连接权重矩阵;b是神经元连接偏置值矩阵;f是激活函数;O是输出预测值;Y是输出实际值;J是损失函数;α是学习步长。
对于本估算方法中,所述的预处理为将系统响应数据矩阵化,矩阵的行标识为样本编号,列标识为系统响应数据类型特征,表示为,
当实际核反应堆发生事故,需要进行核应急或日常应急演习时,先将核反应堆系统的各种测量数据或仿真数据输入到快速智能模式识别模块中,系统从快速智能模式识别模型数据文件中调用已训练好的智能识别模型,对输入数据进行前向运算,快速评估核反应堆发生事故的可能类型和相应置信度。然后根据相应事故类型,从事故参数智能估算模型数据文件中调用已训练好的参数智能估算模型,快速估算核反应堆系统的安全相关参数,如燃料包壳温度、燃料芯块温度和主管道破口尺寸等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种核反应堆事故模式识别和安全参数估算方法,其特征在于:使用核反应堆事故序列的系统响应数据参数作为训练样本,分别对事故模式识别模型和事故参数估算模型进行训练计算,建立两个计算层对应的模型;事故参数估算模型使用BP神经网络算法,分析训练样本数据中核反应堆事故序列的系统响应参数与安全参数之间的非线性拟合关系;
事故模式识别模型的训练和识别计算包括两个数据处理通道,
1)事故识别模型数据文件的建立:
采集反应堆事故序列系统响应数据,对相应数据进行预处理,得到样本数据文件,再采用事故识别模型的训练模块对样本数据文件进行训练,得到事故识别模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故模式识别模块对上述通道得到数据进行模式识别计算,并将识别结果进行可视化界面处理;
事故模式识别模型使用逻辑斯特回归算法,分析训练样本数据中核反应堆事故序列的系统响应参数与事故类型之间内在的关联规则,并将其存储在事故识别模型数据文件中;具体为,
Z=A0*X0+A1*X1+A2*X2+....+An*Xn,其中X0=1 (1)
f(Z)=1/(1+exp(-Z)) (2)
其中,Ai,i=0,...,n,是线性变换系数向量;Xi,i=0,...,n,是输入的特征向量;f是非线性变换函数;J是损失函数;m是样本批次;a是学习步长;C是正则化系数。
2.如权利要求1所述的一种核反应堆事故模式识别和安全参数估算方法,其特征在于:所述的事故参数估算模型的训练和估算也包括两个数据处理通道:
1)事故参数估算模型数据文件的建立:
采集故障、异常及事故序列系统相应参数数据,对其进行数据预处理,得到训练样本数据文件,采用事故参数估算模型的训练模块对该数据文件进行训练,得到事故参数估算模型数据文件;
2)对反应堆系统测量或者仿真数据进行数据预处理;
采用事故参数估算模块对上述通道得到数据进行参数估算,并将估算结果进行可视化界面处理。
5.一种核反应堆事故识别和安全参数估算系统,其特征在于:该系统包括,事故模式识别模块与事故参数估算模块,事故模式识别模块与事故参数估算模块连接;所述事故模式识别模块采用逻辑斯特回归算法,事故参数估算模块采用BP神经网络算法;
所述事故模式识别模块,包括,系统相应参数数据采集模块、数据预处理模块A、事故识别模型训练模块,所述的系统相应参数采集模块与数据预处理模块A连接,数据预处理模块A与事故识别模型训练模块连接;
还包括,测量或仿真数据采集模块及数据预处理模块B,所述测量或仿真数据采集模块与数据预处理模块B连接;
还包括,事故模式识别模块,所述的事故模式识别模块一端分别与数据预处理模块B和事故识别模型训练模块连接,另一端与可视化界面模块连接;
所述的事故参数估算模块,包括,系统相应参数数据采集模块、数据预处理模块C及事故参数估算模型训练模块,所述的系统相应参数采集模块与数据预处理模块C连接,数据预处理模块C与事故参数估算模训练模块连接;
还包括,一测量或仿真数据采集模块及数据预处理模块D,所述测量或仿真数据采集模块与数据预处理模块D连接;
还包括,一事故参数估算模块,所述的事故参数估算模块一端分别与数据预处理模块D和事故参数估算模型训练模块连接,另一端与可视化界面模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810627261.4A CN108830323B (zh) | 2018-06-11 | 2018-06-11 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810627261.4A CN108830323B (zh) | 2018-06-11 | 2018-06-11 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830323A CN108830323A (zh) | 2018-11-16 |
CN108830323B true CN108830323B (zh) | 2022-06-03 |
Family
ID=64141559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810627261.4A Active CN108830323B (zh) | 2018-06-11 | 2018-06-11 | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830323B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1838333A (zh) * | 2005-03-25 | 2006-09-27 | 大亚湾核电运营管理有限责任公司 | 压水堆核电站严重事故的诊断和处理方法 |
CN103578590A (zh) * | 2013-11-13 | 2014-02-12 | 中广核工程有限公司 | 核电站失电事故分析方法和系统 |
CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN105844407A (zh) * | 2016-03-24 | 2016-08-10 | 西南科技大学 | 一种基于专家知识库的核应急决策系统 |
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
-
2018
- 2018-06-11 CN CN201810627261.4A patent/CN108830323B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1838333A (zh) * | 2005-03-25 | 2006-09-27 | 大亚湾核电运营管理有限责任公司 | 压水堆核电站严重事故的诊断和处理方法 |
CN103578590A (zh) * | 2013-11-13 | 2014-02-12 | 中广核工程有限公司 | 核电站失电事故分析方法和系统 |
CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及系统 |
CN105844407A (zh) * | 2016-03-24 | 2016-08-10 | 西南科技大学 | 一种基于专家知识库的核应急决策系统 |
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
Non-Patent Citations (1)
Title |
---|
BP神经网络反演核事故源项中重要参数的研究;侯闻宇等;《南京航空航天大学学报》;20151031;第47卷(第5期);第778-783页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108830323A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Advanced fault diagnosis method for nuclear power plant based on convolutional gated recurrent network and enhanced particle swarm optimization | |
Do Koo et al. | Nuclear reactor vessel water level prediction during severe accidents using deep neural networks | |
CN111337768A (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN113722985B (zh) | 航空发动机健康状态评估和剩余寿命预测方法及系统 | |
CN108803520A (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
Tolo et al. | Robust on-line diagnosis tool for the early accident detection in nuclear power plants | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
Kim et al. | Reactor vessel water level estimation during severe accidents using cascaded fuzzy neural networks | |
CN112199890B (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
No et al. | Monitoring severe accidents using AI techniques | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
Ebrahimzadeh et al. | Detection and estimation of faulty sensors in NPPs based on thermal-hydraulic simulation and feed-forward neural network | |
CN111312414B (zh) | 核电厂疲劳监测和寿命评估系统的疲劳评价方法 | |
CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
CN116680105A (zh) | 一种基于邻域信息融合注意力机制的时序异常检测方法 | |
Do Koo et al. | Prediction of the internal states of a nuclear power plant containment in LOCAs using rule-dropout deep fuzzy neural networks | |
CN108830323B (zh) | 一种核反应堆事故模式识别和安全参数估算方法及估算系统 | |
Do Koo et al. | Prediction of nuclear reactor vessel water level using deep neural networks | |
CN111354497B (zh) | 一种核电站破口事故信息诊断方法 | |
Boring et al. | A research roadmap for computation-based human reliability analysis | |
No et al. | Development of a prediction method for SAMG entry time in NPPs using the extended group method of data handling (GMDH) model | |
Park et al. | System and component anomaly detection using lstm-vae | |
Liu et al. | An accident diagnosis method of pressurized water reactor based on BI-LSTM neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230717 Address after: 100000 collective, No. 54, Honglian South Village, Haidian District, Beijing Patentee after: Feng Jinjun Address before: 100000 5-802, yard 20, weijiacun South Road, Fengtai District, Beijing Patentee before: Zhan Jiashuo |
|
TR01 | Transfer of patent right |