CN115018143A - 一种预测核电站停堆时间的方法及系统 - Google Patents
一种预测核电站停堆时间的方法及系统 Download PDFInfo
- Publication number
- CN115018143A CN115018143A CN202210610576.4A CN202210610576A CN115018143A CN 115018143 A CN115018143 A CN 115018143A CN 202210610576 A CN202210610576 A CN 202210610576A CN 115018143 A CN115018143 A CN 115018143A
- Authority
- CN
- China
- Prior art keywords
- sub
- current
- monitoring data
- neural network
- nuclear power
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 213
- 238000012544 monitoring process Methods 0.000 claims abstract description 159
- 230000002159 abnormal effect Effects 0.000 claims abstract description 128
- 230000000875 corresponding effect Effects 0.000 claims description 99
- 230000015654 memory Effects 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 abstract description 31
- 230000004044 response Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 15
- 230000010485 coping Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明实施例提供了一种预测核电站停堆时间的方法及系统，通过当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；依据所述当前异常情况的种类确定相对应的目标第二子神经网络；获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。通过神经网络自动进行生成停堆时间，以当前时刻距离自动停堆的倒计时形式来量化地显示出核电站发生的异常工况的严重程度，使得操作员能够更好的进行适当且有效的应对动作，距离自动停堆的倒计时实时更新调整。
Description
技术领域
本发明涉及核电站技术领域，具体涉及一种预测核电站停堆时间的方法及系统。
背景技术
核电站是十分复杂的工业系统，虽然在现代核电站设计中采取了各种纵深防御安全设计，但在核电站运行寿命中各类装置失效和故障工况是无法完全避免的，这些失效和故障如果不能得到有效应对，其引发的核事故会造成巨大的经济损失和公众安全危害。
在核电站的运行过程中，操纵员需要通过读取数量众多的仪表参数来对运行状态进行监测，由此判断各类故障工况的类型并加以应对。在核电站偏离正常运行工况或发生事故工况的情况下，主控室中会出现多处报警，操纵员判断异常情况类型，进行对应的动作。
但在异常工况时，多出报警会给核电站操纵员带来很大的心理压力。核电站操纵员在这种情况下，不仅要正确地判断核电站当前异常工况的类型，进行适当且有效的应对动作，同时还必须持续观察重要参数的变化趋势和变化速度，从而掌握工况异常的严重程度和缓解程度，具有很大的难度。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种预测核电站停堆时间的方法及系统，包括：
一种预测核电站停堆时间的方法，所述方法应用于通过人工智能模型建立在核电站发生异常情况时所述核电站的运行情况与停堆时间之间的对应关系；其中，所述人工智能模型包括第一模型；
所述第一模型包括第一子神经网络和第二子神经网络；所述对应关系包括第一子关系和第二子关系，所述运行情况包括初始监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第二子神经网络一一对应；
所述方法包括；
当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
优选地，所述人工智能模型包括第二模型，当所述第一模型输出所述第一停堆时间且进行人工操作后，调用所述第二模型；
所述第二模型包括第三子神经网络和第四子神经网络；所述对应关系包括第三子关系和第四子关系；所述运行情况包括操作后监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第三子神经网络一一对应；
获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果；其中，所述判定结果为停堆或不停堆；
依据所述当前异常情况的种类确定相对应的目标第四子神经网络；
获取所述判定结果，若停堆，获取当前第二工况监测数据，并通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间。
优选地，所述获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类的步骤，还包括：
通过所述第一子神经网络建立初始监测数据与核电站故障时的异常情况的种类的所述第一子关系；
通过所述第二子神经网络建立第一工况监测数据与第一停堆时间的所述第二子关系。
优选地，所述获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果的步骤之前，还包括：
通过所述第三子神经网络建立操作后监测数据与判定结果的所述第三子关系；
通过所述第四子神经网络建立第二工况监测数据与第二停堆时间的所述第四子关系。
优选地，所述获取所述判定结果，若停堆，获取当前第二工况监测数据的步骤，还包括：
获取所述判定结果，若不停堆，结束预测核电站停堆时间。
优选地，所述依据所述当前异常情况的种类确定相对应的目标第二子神经网络的步骤，包括：
依据所述异常情况的种类选择相对应的第二子神经网络。
优选地，所述依据所述当前异常情况的种类确定相对应的目标第四子模型的步骤，包括：
依据所述异常情况的种类选择相对应的第四子神经网络。
为实现本申请还包括一种预测核电站停堆时间的系统，其特征在于，所述系统应用于通过人工智能模型建立在核电站发生异常情况时所述核电站的运行情况与停堆时间之间的对应关系；其中，其中，所述人工智能模型包括第一模型；
所述第一模型包括第一子神经网络和第二子神经网络；所述对应关系包括第一子关系和第二子关系，所述运行情况包括初始监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第二子神经网络一一对应；
所述系统包括；
种类确定模块：用于当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
模型确定模块：用于依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
停堆时间确定模块：用于获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
为实现本申请，还包括一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现预测核电站停堆时间的方法。
为实现本发明还包括一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现预测核电站停堆时间的方法。
本申请具有以下优点：
在本申请的实施例中，通过人工智能模型建立在核电站发生异常情况时所述核电站的运行情况与停堆时间之间的对应关系；其中，所述人工智能模型包括第一模型；所述第一模型包括第一子神经网络和第二子神经网络；所述对应关系包括第一子关系和第二子关系，所述运行情况包括初始监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第二子神经网络一一对应；所述方法包括；当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；依据所述当前异常情况的种类确定相对应的目标第二子神经网络；获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。通过神经网络自动进行生成停堆时间，以当前时刻距离自动停堆的倒计时形式来量化地显示出核电站发生的异常工况的严重程度，从而使核电站操纵员获得直观的事故应对紧迫程度，使得操作员能够更好的进行适当且有效的应对动作，距离自动停堆的倒计时实时更新调整：如果操纵员执行异常工况应对动作后，核电站逐渐恢复到正常工况或不再继续从正常工况偏离，则取消自动停堆的倒计时；如果操纵员执行异常工况应对动作后，核电站工况仍然偏离正常工况并向着自动停堆发展，则倒计时在根据实时监测数据进行调整后继续进行，直到操纵员进行下一动作或触发自动停堆。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种预测核电站停堆时间的方法的步骤流程图；
图2是本申请一实施例提供的一种预测核电站停堆时间的方法的第二子神经网络的结构示意图；
图3是本申请一实施例提供的一种预测核电站停堆时间的方法的第二子神经网络的LSTM节点的结构示意图；
图4是本申请一实施例提供的一种预测核电站停堆时间的方法的第二子神经网络的无噪声仿真监测数据结果的结构示意图；
图5是本申请一实施例提供的一种预测核电站停堆时间的方法的第二子神经网络的添随机噪声仿真监测数据结果结构示意图；
图6是本申请一实施例提供的一种预测核电站停堆时间的方法的第一实施例的结构示意图；
图7是本申请一实施例提供的一种预测核电站停堆时间的方法的第二实施例的结构示意图；
图8是本申请一实施例提供的一种预测核电站停堆时间的方法的第三实施例的结构示意图；
图9是本申请一实施例提供的一种预测核电站停堆时间的系统的结构框图；
图10是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的实施例中，通过人工智能模型建立在核电站发生异常情况时所述核电站的运行情况与停堆时间之间的对应关系；其中，所述人工智能模型包括第一模型；所述第一模型包括第一子神经网络和第二子神经网络；所述对应关系包括第一子关系和第二子关系，所述运行情况包括初始监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第二子神经网络一一对应；所述方法包括；当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；依据所述当前异常情况的种类确定相对应的目标第二子神经网络；获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。通过神经网络自动进行生成停堆时间，以当前时刻距离自动停堆的倒计时形式来量化地显示出核电站发生的异常工况的严重程度，从而使核电站操纵员获得直观的事故应对紧迫程度，使得操作员能够更好的进行适当且有效的应对动作，距离自动停堆的倒计时实时更新调整：如果操纵员执行异常工况应对动作后，核电站逐渐恢复到正常工况或不再继续从正常工况偏离，则取消自动停堆的倒计时；如果操纵员执行异常工况应对动作后，核电站工况仍然偏离正常工况并向着自动停堆发展，则倒计时在根据实时监测数据进行调整后继续进行，直到操纵员进行下一动作或触发自动停堆。
参照图1，示出了本申请一实施例提供的一种实现预测核电站停堆时间的方法的步骤流程图，具体包括如下步骤：
S110、当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
S120、依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
S130、获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
下面，将对本示例性实施例中的一种预测核电站停堆时间的方法作进一步地说明。
如上述步骤S110所述，当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类”的具体过程。
如下列步骤所述，通过所述第一子神经网络建立初始监测数据与核电站故障时的异常情况的种类的所述第一子关系；通过所述第二子神经网络建立第一工况监测数据与停堆时间的所述第二子关系。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类”的具体过程。
如上述步骤S110所述，所述第一模型包括第一子神经网络和第二子神经网络；所述第一子关系包括第二子关系和第二子关系；所述运行关系包括初始监测数据和操作后监测数据；所述异常情况的种类包括异常工况种类和判定结果。
如上述步骤S110所述，当核电站发送异常情况时，获取当前初始工况监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始工况监测数据所对应的当前异常情况的类型。
在本发明一实施例中，可以结合下列描述进一步说明步骤“获取当前初始工况监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始工况监测数据所对应的当前异常情况的类型”的具体过程。
如下列步骤所述，通过所述第一子神经网络建立初始工况监测数据与异常情况的类型的所述第一子关系。
作为一种示例，第一子神经网络的作用是判断核电站异常情况的类型，其可以选用具有分类识别能力的RBF(RadialBasisFunction，径向基函数) 网络等浅层神经网络或者深度卷积神经网络；其中，包括ResNet(残差神经网络)等深度神经网络。第一子神经网络的输入数据为核电站各关键工况参数在异常工况初始阶段的数据，即为初始监测数据，为了提高初始工况监测数据的诊断精确度，输入初始监测数据进行归一化。第一子神经网络可以有多个输出节点，每个输出值代表一种核电站异常工况模式是否发生，可以设置输出为1代表发生对应的异常工况，输出为0则代表对应的异常工况不发生或者相反的设置也是可以。另外，第一子神经网络也可以仅有一个输出节点，而设置多个第一子神经网络，每个第一子神经网络仅用于判断一种异常工况的种类是否发生，将所有第一子神经网络的输出组合起来判断当前异常情况的类型。
在训练第一子神经网络时，使用已知异常情况的类型且具有不同严重程度和初始工况监测数据的核电站异常工况早期数据作为训练集的输入，使用代表该异常情况的类型的特定网络输出作为训练集的输出，进行有监督训练，使得第一子神经网络能够根据核电站初始工况监测数据早期数秒至十几秒的数据来判断其类型。
在一具体实施例中，使用第一子神经网络来识别核电站当前异常情况的类型，第一子神经网络使用核电站异常工况的初始工况监测数据进行训练，一般可以在异常工况发生后几秒到十几秒的时间范围内得到诊断结果。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述当前异常情况的种类确定相对应的目标第二子神经网络”的具体过程。
如上述步骤S120所述，依据所述异常情况的种类选择相对应的第二子神经网络，可以针对每种不同的核电站异常情况的类型分别建立第二子神经网络，这样训练的难度较小，然后根据第一子神经网络的当前异常情况的类型识别结果调用对应的第二子神经网络。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前停堆时间”的具体过程。
在本发明一实施例中，所述第一模型包括第一子神经网络和第二子神经网络；所述对应关系包括第一子关系和第二子关系，所述运行情况包括初始监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第二子神经网络一一对应。
在本发明一实施例中，可以结合下列描述进一步说明“获取当前第二工况监测数据，并通过由第二子神经网络预建立的所述第二子关系确定与当前第一工况监测数据所对应的当前第一停堆时间”的具体过程。
在本申请一实施例中，通过所述第二子神经网络建立第二工况监测数据与第一停堆时间的所述第二子关系；依据所述异常情况的种类选择相对应的第二子神经网络。
在一具体实施例中，第二子神经网络选用适用于处理长时间序列的RNN(RecurrentNeuralNetwork，循环神经网络)，包括门控循环单元RNN (GRU-RNN)和LSTM(LongShort-TermMemory，长短期记忆网络)-RNN 等RNN的变体。RNN的基本结构是在前馈神经网络的基础上增加具有时间延迟的循环输入结构，是一类在时间维度上具有极大“学习深度”的模型。以简单的ElmanRNN(J.L.Elman于1990年首先针对语音处理问题而提出来的，是一种典型的局部回归网络)为例，其与拓扑结构相似的在时间维度上的展开示如图2，其中，ElmanRNN使用隐含层在上一时间点的输出作为下一时间点隐含层的输入，网络输出公式为：
其中，
为神经网络输出向量，h为隐含层输出向量，x为神经网络的输入向量，v为输出层权值矩阵，u为从输入向量到隐含层节点的权重矩阵，w为隐含层上一时刻输出作为下一时刻隐含层输入的权重矩阵，也就是从承接层的到隐含层权重矩阵。在Elman神经网络中，
一般为线性函数，
一般为 sigmoid函数。式中上角标代表模型参量对应的时间点。
将前一时刻的隐含层输出逐次带入式(5-1)，可以发现计算每一时刻的神经网络输出时，实际上使用了监测数据序列之前所有时刻的输入向量：
为了改善RNN存在的梯度消失、梯度爆炸等问题，优选地使用采用 LSTM节点的RNN来构建第二子神经网络。为了解决循环神经网络无法学习距离当前时刻较远的输入数据的问题，LSTM节点除了节点自身的输出之外还增加了一个新的状态量c，称为单元状态(cellstate)，其作用是保存距离当前时刻较长时间的序列信息，即长期记忆。LSTM节点中设置了称为门 (Gate)的结构，以控制节点中信息的增减。门实际上是一层全连接层，其输入是一个向量，输出是一个0到1之间的实数向量。一般一个LSTM节点包含三种门：遗忘门、输入门和输出门。其中遗忘门的计算公式为
其中，wf为遗忘门的权值矩阵，bf为遗忘门的偏置向量，h(t-1)为上一时刻的节点输出，x(t)为当前时刻的输入，[h(t-1),x(t)]代表将两个向量相连，
为sigmoid 型激活函数，输入向量维度为I，隐含层节点数为J，则权值矩阵wf的维度为 J×(I+J)。遗忘门的输出决定上一时刻单元状态有多少继续保留在当前时刻的单元状态之中。
输入门的计算公式为
其中，wi为输入门的权值矩阵，bi为输入门的偏置向量。输入门的输出决定是否将当前时刻输入产生的记忆候选值加入单元状态中，记忆候选值向量的计算公式为
其中，tanh为双曲正切函数，wc和bc为相应的权值矩阵和偏置向量。
根据上一时刻的单元状态和当前时刻的记忆候选值，计算当前时刻的单元状态：
其中，⊙表示向量按元素逐个相乘。
输出门控制单元状态c对当前时刻输出的影响，其计算公式为
其中，wo为输出门的权值矩阵，bo为输出门的偏置向量。
当前时刻的节点输出由输出门的输出和当前时刻的单元状态共同决定；
h(t)＝o(t)⊙tan(c(t))
由以上计算流程即可建立LSTM节点模型，LSTM节点的计算结构如图3所示。
在本申请一实施例中，第二子神经网络的输入数据为核电站异常工况下的监测数据序列，即当前第一工况监测数据，当前第一工况监测数据序列按照时间顺序输入到循环神经网络模型中，从而使第二子神经网络在理论上既可以从过去的监测数据中获取信息，也可以根据最新记录的监测数据来调整预测输出。第二子神经网络的输出为当前异常工况下，如果操纵员不进行任何干预，距离核电站触发自动停堆的时间。
在训练第二子神经网络时，使用属于同一类型且具有不同严重程度和初始运行条件的核电站异常工况数据作为训练集的输入，即第一工况监测数据，该输入数据是在没有操纵员干预的情况下从异常工况发生直到触发核电站自动停堆的工况监测数据。使用训练集中的第一工况监测数据的每个数据点距离触发自动停堆的时间作为每个对应数据点对应的训练输出，从而构建第二子神经网络的结构，并对其进行seq2seq(编码器-解码器)有监督训练，使该神经网络能够对特定类型异常工况的自动停堆时间进行预测。
在一具体实现中，在训练好的第二子神经网络后，可以将其用于针对核电站第一工况监测数据来生成自动停堆的倒计时。将无操纵员干预情况下的当前第一工况监测数据实时输入到训练完成的第二子神经网络中，输出当前时刻距离核电站触发自动停堆的时间预测值，即第一停堆时间，该预测值随时间流逝而减小，就形成了自动停堆倒计时的效果，从而证明了第二子神经网络的有效性。第二子神经网络的示例输出结果如图4和图5所示，其中，图4为使用无噪声仿真监测数据得到的自动停堆倒计时测试结果，图5为使用添随机噪声的仿真监测数据所得到的自动停堆倒计时测试结果。自动停堆时间预测值基本与实际值相吻合，能够为核电站操纵员提供核电站异常工况严重程度和紧迫程度的参考。
在本发明一实施例中，可以结合下列描述进一步说明所述“获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果；其中，所述判定结果为停堆或不停堆”的具体过程。
如上述步骤所述，所述人工智能模型包括第二模型，当所述第一模型输出所述第一停堆时间且进行人工操作后，调用所述第二模型；所述第二模型包括第三子神经网络和第四子神经网络；所述对应关系包括第三子关系和第四子关系；所述运行情况包括操作后监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第三子神经网络一一对应；
如上述步骤所述，获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果；其中，所述判定结果为停堆或不停堆。
在本发明一实施例中，可以结合下列描述进一步说明步骤“获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果”的具体过程。
在本申请一实施例中，通过所述第三子神经网络建立操作后监测数据与判定结果的所述第三子关系。
作为一种示例，第三子神经网络的作用是在核电站操纵员执行应对动作后，判断核电站的运行工况是否还会发展为自动停堆。第三子神经网络也可以选用具有分类识别能力的RBF(RadialBasisFunctionNeuralNetwork，径向基神经网络)网络等浅层神经网络或者深度卷积神经网络，包括ResNet(残差神经网络)等深度神经网络。
作为一种示例，第三子神经网络的输入数据是核电站异常工况下操纵员执行应对动作后较短时间(数秒至十几秒或者稍微更长时间)内的操作后监测数据。与第二子神经网络类似，每个第三子神经网络一般也只用于一种核电站异常工况，因此只有一个输出节点，输出停堆或不停堆，或者将输出为 0设置为代表工况不会发展为自动停堆，即停堆；将输出为1设置为代表工况还是会发展为自动停堆，即不停堆，相反的设置也是可以的。
在一具体实施例中，当核电站发生异常工况并且先后调用第一子神经网络和第二子神经网络来生成自动停堆倒计时后，如果核电站操纵员采取了应对动作来避免触发自动停堆，则必须对所生成的自动停堆倒计时进行调整。首先，调用训练好的第三子神经网络，将核电站操纵员采取应对动作后的工况监测数据输入到第三子神经网络中，如果第三子神经网络的输出指示核电站工况将不再发展为自动停堆，则取消自动停堆倒计时，反之则继续调用第四子神经网络来更新自动停堆倒计时。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“依据所述当前异常情况的种类确定相对应的目标第四子神经网络；获取所述判定结果，若停堆，获取当前第二工况监测数据，并通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间。”的具体过程。
如上述步骤所述，获取所述判定结果，若停堆，获取当前第二工况监测数据；通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间”的具体过程。
在本申请一实施例中，所述人工智能模型包括第二模型，当所述第一模型输出所述第一停堆时间且进行人工操作后，调用所述第二模型；所述第二模型包括第三子神经网络和第四子神经网络；所述对应关系包括第三子关系和第四子关系；所述运行情况包括操作后监测数据和第一工况监测数据；其中，所述异常情况的种类与所述第三子神经网络一一对应，依据所述异常情况的种类选择相对应的第四子神经网络，通过所述第四子神经网络建立第二工况监测数据与第二停堆时间的所述第四子关系。
作为一种示例，所述第四子神经网络的作用是根据操纵员执行应对动作后的核电站第二工况监测数据，预测在后续没有操纵员再进行下一步干预的情况下当前时刻距离自动停堆的时间，然后使用第四子神经网络的预测输出代替第一神经网络的预测输出来更新自动停堆倒计时。第四子神经网络也应当选用适用于处理长时间序列的循环神经网络(RNN)、门控循环单元RNN (GRU-RNN)和长短期记忆RNN(LSTM-RNN)等模型。
作为一种示例，第四子神经网络的结构与第二子神经网络相同，只是训练数据不同，其训练输入数据是异常工况发生且核电站操纵员执行应对第二工况监测数据，训练输出数据是在操纵员执行该应对操作后，如果操纵员不再进行进一步干预，距离核电站触发自动停堆的时间。在生成第四子神经网络的训练数据集时，需要考虑在特定核电站异常工况模式下，操纵员可能采取的各种应对动作。可以使用单个第四子神经网络来学习执行各种可能的应对动作后的工况监测数据，使其适用于特定异常工况下的各种情况，并且使生成自动停堆倒计时的模型策略简单。也可以针对操纵员可能采取的各种应对动作分别训练不同的第四子神经网络，然后在实际的核电站运行监测中根据核电站操纵员所执行的不同动作来调用不同的第四子神经网络，这样做的优点是训练难度较低且模型更为灵活。
在本申请一实施例中，还包括获取所述判定结果，若不停堆，结束预测核电站停堆时间。
在训练以上的第一子神经网络、第二子神经网络、第三子神经网络、第四子神经网络时，可以使用核电站仿真软件或者核电站仿真机生成的核电站异常工况仿真数据，也可以选用核电站系统的等比例或缩小比例热工实验台的模拟实验工况数据，也可以使用核电站系统冷试、热试中的实验数据或核电站运行过程中采集到的真实工况数据。
在一具体实施例中，使用第三子神经网络和第四子神经网络来更新自动停堆倒计时，可能会出现以下三种情况：
(1)异常工况发生，使用第一子神经网络生成了自动停堆倒计时，操纵员采取应对动作，调用第三子神经网络，第三子神经网络判断当前工况不再会触发自动停堆，即否，自动停堆倒计时停止。所述情况的示例如图6，假设在异常工况发生后100秒时核电站操纵员采取应对动作，15秒后第三子神经网络判断当前工况不再会触发自动停堆，自动停堆倒计时停止。
(2)异常工况发生，使用第一子神经网络生成了自动停堆倒计时，操纵员采取应对动作，调用第三子神经网络，第三子神经网络判断当前工况仍然会触发自动停堆，调用第四子神经网络预测距离自动停堆的时间，第四子神经网络的预测结果指示操纵员采取应对动作后，距离自动停堆的时间变长。该情况的示例如图7，假设在异常工况发生后100秒时核电站操纵员采取应对动作，5秒后第三子神经网络判断当前工况仍然会触发自动停堆，用第四子神经网络的预测结果来更新自动停堆倒计时，更新后的自动停堆倒计时指示距离自动停堆的时间变长。
(3)异常工况发生，使用第二子神经网络生成了自动停堆倒计时，操纵员采取应对动作，然后调用第三子神经网络，第三子神经网络判断当前工况仍然会触发自动停堆，调用第四子神经网络预测距离自动停堆的时间，第四子神经网络的预测结果指示操纵员采取应对动作后，核电站运行工况加速恶化，距离自动停堆的时间反而变短。该情况的一个示例如图8，假设在异常工况发生后100秒时核电站操纵员采取应对动作，5秒后第三子神经网络判断当前工况仍然会触发自动停堆，用第四子神经网络的预测结果来更新自动停堆倒计时，更新后的自动停堆倒计时指示距离自动停堆的时间变短。
在一具体实施例中，下面以核电站部分丧失最终冷源事故为例，解释以上自动停堆倒计时的预测生成方法的具体实施方式。
我国目前建设的大型核电站均采用海水作为最终冷源，一般采用重要厂用水系统(SEC)引入海水来冷却设备冷却水系统(RRI)，进而冷却核电站重要设备(如主泵等)。在滨海海洋生物大量繁殖并进入SEC的情况下，会部分阻塞SEC的取水管路，有可能使核电站丧失部分最终冷源，最终造成核电站非计划停堆。
假设当前由于SEC取水管道阻塞而使核电站丧失了部分最终冷源，核电站的运行工况开始偏离正常运行工况，则第一子神经网络在核电站丧失部分最终冷源工况发生后较短时间内判断出当前异常工况的类型，进而自动调用丧失部分最终冷源工况对应的第二子神经网络。该第二子神经网络根据核电站实时监测数据来预测在没有操纵员干预的情况下核电站将在多久之后触发自动停堆。该预测值随着时间流逝和异常工况发展而逐渐减小，从而生成自动停堆倒计时，并显示给核电站操纵员。
在丧失部分最终冷源工况发生的情况下，核电站操纵员可以采取相应的应对动作，例如切换到备用的SEC系列，或开启备用的SEC泵以增大抽取海水的流量。在核电站操纵员采取应对措施后，使用第三子神经网络根据监测数据变化趋势来判断部分丧失最终冷源的情况是否缓解：如果第三子神经网络的判断结果为采取应对动作后核电站运行工况已经不会发展为自动停堆，则取消第二子神经网络生成的倒计时；如果判断结果为当前工况会继续发展为自动停堆(由于操纵员采取的应对措施未能缓解或仅部分缓解核电站丧失最终冷源，例如发生备用SEC取水管路也被海洋生物阻塞的共模故障)，则自动调用第四子神经网络。第四子神经网络根据操纵员采取应对动作之后的核电站实时监测数据来预测距离核电站自动停堆的时间，生成新的自动停堆倒计时，并代替第二子神经网络生成的倒计时显示给核电站操纵员。如果操纵员所采取的应对动作不足以避免核电站触发自动停堆，但产生了部分缓解效果，则更新后的自动停堆倒计时时间会变长，在此期间核电操纵员可以采取进一步的应对动作(例如清理SEC鼓型滤网)，在核电站操纵员每次采取动作之后，可以重复地调用第三子神经网络来判断是否需要继续进行自动停堆倒计时，以及在第三子神经网络的判断结果指示仍会引发自动停堆的情况下，再次调用第四子神经网络来更新自动停堆倒计时。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，具体参照图9，示出了本申请一实施例提供的一种信预测核电站停堆时间的系统；
具体包括：
种类确定模块910：用于当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
模型确定模块920：用于依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
停堆时间确定模块930：用于获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
在本发明一实施例中，还包括：
判定结果模块：用于获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果；其中，所述判定结果为停堆或不停堆；
第四神经网络确定模块：用于依据所述当前异常情况的种类确定相对应的目标第四子神经网络；
第二停堆时间确定模块：用于获取所述判定结果，若停堆，获取当前第二工况监测数据，并通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间。
在本发明一实施例中，所述种类确定模块910，包括：
第一子关系确定模块：用于通过所述第一子神经网络建立初始监测数据与核电站故障时的异常情况的种类的所述第一子关系；
第二子关系确定模块：用于通过所述第二子神经网络建立第一工况监测数据与第一停堆时间的所述第二子关系。
在本发明一实施例中，所述判定结果模块，包括：
第三子关系确定模块：用于通过所述第三子神经网络建立操作后监测数据与判定结果的所述第三子关系；
第四子关系确定模块：用于通过所述第四子神经网络建立第二工况监测数据与第二停堆时间的所述第四子关系。
在本发明一实施例中，所述第二停堆时间确定模块，包括：
判定结果获取子模块：用于获取所述判定结果，若不停堆，结束预测核电站停堆时间。
在本发明一实施例中，所述模型确定模块920，包括：
第二子神经网络选择子模块：用于依据所述异常情况的种类选择相对应的第二子神经网络。
在本发明一实施例中，所述第四神经网络确定模块，包括：
第四子神经网络选择子模块：用于依据所述异常情况的种类选择相对应的第四子神经网络。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图10，示出了本申请的一种预测核电站停堆时间的方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM， DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/ 或公共网络(例如因特网)通信。如图10所示，网络适配器20通过总线18 与计算机设备12的其他模块通信。应当明白，尽管图10中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种预测核电站停堆时间的方法。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种预测核电站停堆时间的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种预测核电站停堆时间的方法及系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种预测核电站停堆时间的方法，其特征在于，所述方法应用于通过人工智能模型建立在核电站发生异常情况时所述核电站的停堆时间；其中，所述人工智能模型包括第一模型和第二模型；所述第一模型包括第一子神经网络和第二子神经网络；所述第一子神经网络用于建立当前初始监测数据所与对应的当前异常情况的种类之间的第一子关系；所述第二子神经网络用于建立第一工况监测数据与停堆时间之间的第二子关系；所述第二模型包括第三子神经网络和第四子神经网络；所述第三子神经网络用于建立当前操作后监测数据与所对应的判定结果之间的第三子关系；所述第四子神经网络用于建立当前第二工况监测数据所对应的当前第二停堆时间之间的第四子关系；
所述异常情况的种类与所述第二子神经网络一一对应；
所述方法包括；
当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
2.根据权利要求1所述的预测核电站停堆时间的方法，其特征在于，当所述第一模型输出所述第一停堆时间且进行人工操作后，调用所述第二模型；
所述异常情况的种类与所述第四子神经网络一一对应；
获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果；其中，所述判定结果为是否将会发生自动停堆；
依据所述当前异常情况的种类确定相对应的目标第四子神经网络；
获取所述判定结果，若发生自动停堆，获取当前第二工况监测数据，并通过由第四子神经网络预建立的所述第四子关系确定与当前第二工况监测数据所对应的当前第二停堆时间。
3.根据权利要求1所述的预测核电站停堆时间的方法，其特征在于，所述获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类的步骤，还包括：
通过所述第一子神经网络建立初始监测数据与核电站故障时的异常情况的种类的所述第一子关系；
通过所述第二子神经网络建立第一工况监测数据与第一停堆时间的所述第二子关系。
4.根据权利要求2所述的预测核电站停堆时间的方法，其特征在于，所述获取当前操作后监测数据，并通过由所述第三子神经网络预建立的所述第三子关系确定与所述当前操作后监测数据所对应的判定结果的步骤之前，还包括：
通过所述第三子神经网络建立操作后监测数据与判定结果的所述第三子关系；
通过所述第四子神经网络建立第二工况监测数据与第二停堆时间的所述第四子关系。
5.根据权利要求2所述的预测核电站停堆时间的方法，其特征在于，所述获取所述判定结果，若停堆，获取当前第二工况监测数据的步骤，还包括：
获取所述判定结果，若不发生自动停堆，结束预测核电站停堆时间。
6.根据权利要求2所述的预测核电站停堆时间的方法，其特征在于，所述依据所述当前异常情况的种类确定相对应的目标第四子模型的步骤，包括：
依据当前异常情况的种类获取操纵员采取的应对动作；
依据所述当前异常情况的种类以及操纵员采取的应对动作选择相对应的第四子神经网络。
7.根据权利要求2所述的预测核电站停堆时间的方法，其特征在于，所述依据所述当前异常情况的种类确定相对应的目标第四子模型的步骤，包括：
依据所述异常情况的种类选择相对应的第四子神经网络。
8.一种预测核电站停堆时间的系统，其特征在于，所述系统应用于通过人工智能模型建立在核电站发生异常情况时所述核电站的停堆时间；其中，所述人工智能模型包括第一模型和第二模型；所述第一模型包括第一子神经网络和第二子神经网络；所述第一子神经网络用于建立当前初始监测数据所与对应的当前异常情况的种类之间的第一子关系；所述第二子神经网络用于建立第一工况监测数据与停堆时间之间的第二子关系；所述第二模型包括第三子神经网络和第四子神经网络；所述第三子神经网络用于建立当前操作后监测数据与所对应的判定结果之间的第三子关系；所述第四子神经网络用于建立当前第二工况监测数据所对应的当前第二停堆时间之间的第四子关系；
所述异常情况的种类与所述第二子神经网络一一对应；
所述系统包括；
种类确定模块：用于当核电站发送异常情况时，获取当前初始监测数据，并通过由所述第一子神经网络预建立的所述第一子关系确定与所述当前初始监测数据所对应的当前异常情况的种类；
模型确定模块：用于依据所述当前异常情况的种类确定相对应的目标第二子神经网络；
停堆时间确定模块：用于获取当前第一工况监测数据，并通过由所述目标第二子神经网络预建立的目标第二子关系确定与所述当前第一工况监测数据所对应的当前第一停堆时间。
9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的预测核电站停堆时间的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的预测核电站停堆时间的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610576.4A CN115018143B (zh) | 2022-05-31 | 2022-05-31 | 一种预测核电站停堆时间的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210610576.4A CN115018143B (zh) | 2022-05-31 | 2022-05-31 | 一种预测核电站停堆时间的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115018143A true CN115018143A (zh) | 2022-09-06 |
| CN115018143B CN115018143B (zh) | 2023-04-07 |
Family
ID=83070858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210610576.4A Active CN115018143B (zh) | 2022-05-31 | 2022-05-31 | 一种预测核电站停堆时间的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018143B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014153346A (ja) * | 2013-02-14 | 2014-08-25 | Hitachi Ltd | 原子力発電プラント |
| CN109146137A (zh) * | 2018-07-23 | 2019-01-04 | 广东核电合营有限公司 | 预测发电机运行状态变化趋势的方法、装置及终端设备 |
| CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
| WO2021227468A1 (zh) * | 2020-09-23 | 2021-11-18 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
| CN114298226A (zh) * | 2021-12-29 | 2022-04-08 | 南华大学 | 一种核电厂故障诊断方法、装置及其介质 |
| CN114511243A (zh) * | 2022-02-22 | 2022-05-17 | 哈尔滨工业大学（深圳） | 一种基于物联网监测的火灾风险动态评估的方法及系统 |
-
2022
- 2022-05-31 CN CN202210610576.4A patent/CN115018143B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014153346A (ja) * | 2013-02-14 | 2014-08-25 | Hitachi Ltd | 原子力発電プラント |
| CN109146137A (zh) * | 2018-07-23 | 2019-01-04 | 广东核电合营有限公司 | 预测发电机运行状态变化趋势的方法、装置及终端设备 |
| CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
| WO2021227468A1 (zh) * | 2020-09-23 | 2021-11-18 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
| CN114298226A (zh) * | 2021-12-29 | 2022-04-08 | 南华大学 | 一种核电厂故障诊断方法、装置及其介质 |
| CN114511243A (zh) * | 2022-02-22 | 2022-05-17 | 哈尔滨工业大学（深圳） | 一种基于物联网监测的火灾风险动态评估的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115018143B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10289478B2 (en) | System fault diagnosis via efficient temporal and dynamic historical fingerprint retrieval | |
| US7359759B2 (en) | Method and system for virtual metrology in semiconductor manufacturing | |
| US11797882B2 (en) | Prognostic-surveillance technique that dynamically adapts to evolving characteristics of a monitored asset | |
| US20170235626A1 (en) | Anomaly Fusion on Temporal Casualty Graphs | |
| Miao et al. | A computational situation assessment model for nuclear power plant operations | |
| EP3827387A1 (en) | Systematic prognostic analysis with dynamic causal model | |
| US20170278007A1 (en) | Early Warning Prediction System | |
| Albalawi et al. | Process operational safety via model predictive control: Recent results and future research directions | |
| US11916940B2 (en) | Attack detection and localization with adaptive thresholding | |
| EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
| US20210072740A1 (en) | Deep causality learning for event diagnosis on industrial time-series data | |
| Choi et al. | Development of an on-line fuzzy expert system for integrated alarm processing in nuclear power plants | |
| Safaeipour et al. | Incipient fault detection in nonlinear non-Gaussian noisy environment | |
| EP4170561A1 (en) | Method and device for improving performance of data processing model, storage medium and electronic device | |
| Vinod et al. | Symptom based diagnostic system for nuclear power plant operations using artificial neural networks | |
| Ruta et al. | Deep bi-directional lstm networks for device workload forecasting | |
| CN115018143B (zh) | 一种预测核电站停堆时间的方法及系统 | |
| Nabeshima et al. | Nuclear reactor monitoring with the combination of neural network and expert system | |
| US20220121194A1 (en) | Computing an explainable event horizon estimate | |
| CN117251695A (zh) | 数据预测模型的训练方法、装置、设备及存储介质 | |
| US20200385141A1 (en) | Data driven machine learning for modeling aircraft sensors | |
| CN114676021A (zh) | 作业日志监控方法、装置、计算机设备和存储介质 | |
| Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
| Venkidasalapathy et al. | Hidden Markov model based fault diagnoser using binary alarm signals with an analysis on distinguishability | |
| Singh et al. | Improved measurement accuracy in critical parameters of safety-critical systems with multisensor data fusion |
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 |