CN115564247A - 一种核电厂事故智能识别及决策的方法及系统 - Google Patents
一种核电厂事故智能识别及决策的方法及系统 Download PDFInfo
- Publication number
- CN115564247A CN115564247A CN202211247193.1A CN202211247193A CN115564247A CN 115564247 A CN115564247 A CN 115564247A CN 202211247193 A CN202211247193 A CN 202211247193A CN 115564247 A CN115564247 A CN 115564247A
- Authority
- CN
- China
- Prior art keywords
- accident
- power plant
- nuclear power
- typical
- mitigation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000000116 mitigating effect Effects 0.000 claims abstract description 74
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000000977 initiatory effect Effects 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 239000002826 coolant Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种核电厂事故智能识别及决策的方法及系统，该方法包括：根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据，构建典型事故数据库，以此训练事故智能识别模型；采集核电厂实时运行数据，通过事故智能识别模型进行事故识别，确定事故的始发事件类型；在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟仿真；根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。本发明实现了对核电厂事故始发事件的识别，并实现了事故缓解策略的快速决策。
Description
技术领域
本发明涉及核电厂安全分析技术领域，尤其涉及一种核电厂事故智能识别及决策的方法及系统。
背景技术
核电安全一直是核电领域重点关注的问题。核电厂是一个极为复杂的能源系统，其子部件之间紧密耦合，同时存在大量不确定性因素。在极低的概率下，微小的故障可能通过传播与积累，叠加人员失误，引发其它一连串的故障，从而导致严重的事故发生，危害公众的生命财产安全，并导致大范围的环境污染。因此，为了保证核电厂的安全运行，以防重大事故的发生，及时识别并缓解事故是十分必要的。
现有的核电厂事故识别方案中，大多通过对设备仪表的实时监测以及基于专家经验和知识水平建立的定性判断管理规程来实现事故识别。而由于核电厂复杂系统监测点多，数据量大，人为判断与识别事故比较困难，而且事故情景往往具有紧急性，在事故下开展评估和决策的核电厂工作人员面临较大的工作负荷和精神压力，因此，核电厂事故缓解策略的决策面临时间紧和定量难的困境。
发明内容
为解决上述现有技术的不足，本发明提供了一种核电厂事故智能识别及决策的方法及系统，利用事故仿真分析平台建立足量完备的典型事故数据库，基于该典型事故数据库训练事故智能识别模型，实现对核电厂事故始发事件的识别，同时，基于该识别结果和实际运行情况，对事故进程进行模拟，通过对事故识别结果的正向实时追踪和对事故进程预测的反馈更新，不断优化最优缓解策略，实现事故缓解策略的快速智能决策。
第一方面，本公开提供了一种核电厂事故智能识别及决策的方法，包括以下步骤：
根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据，构建典型事故数据库，基于所述典型事故数据库，训练事故智能识别模型；
采集核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
进一步的技术方案，在进行事故进程模拟预测时，从典型事故数据库中调取最相近事故，根据该事故的关键变量演变规律进行实际事故的模拟预测。
进一步的技术方案，在构建典型事故数据库前，确定典型事故的始发事件类型及与始发事件类型对应的事故关键变量，具体步骤为：
基于核电厂概率安全分析和工程判断，确定核电厂典型事故的始发事件类型；
通过评价多种事故变量对核电厂状态识别的重要度、多种事故变量之间的关联性、多种事故变量的可测量性、对称系统合并准则，确定事故关键变量；所述事故关键变量包括：反应堆冷却剂系统压力、堆芯出口温度、热段液位、蒸汽发生器水位、蒸汽发生器压力、安全壳压力、安全壳温度、安全壳内氢气浓度、安全系统动作、水源液位。
进一步的技术方案，所述基于所述典型事故数据库，训练事故智能识别模型，具体步骤为：
构建事故智能识别模型；
将典型事故数据库中的事故关键变量数据作为样本数据，对样本数据进行特征提取，获取事故特征，以标注典型事故的始发事件类型的事故特征为训练样本，训练事故智能识别模型。
进一步的技术方案，还包括：对典型事故数据库中的事故关键变量数据进行特征化处理，所述特征化处理包括降维、降噪、标准化及归一化。
进一步的技术方案，所述事故仿真平台快速模拟设计基准事故和严重事故两个计算阶段，当阶段转化时，将关键参数进行接口对接，通过实施平滑过渡，实现对事故进程的完整模拟预测分析。
进一步的技术方案，所述缓解策略库中预存有与事故始发事件类型相对应的多种不同缓解策略，所述缓解策略基于核电厂事故应急规程和事故应急管理导则的要求而制定。
进一步的技术方案，基于核电厂实时运行的数据，实时修正事故智能识别模型的识别结果，实现对事故的正向实时追踪；
同时，在将获取的最优缓解策略应用到事故进程模拟的过程中，对事故进程预测进行更新，重新评估最优缓解策略所产生的定量化正负效应，形成反馈机制，优化输出的缓解策略。
第二方面，本公开提供了一种核电厂事故智能识别及决策的系统，包括：
训练模块，用于基于典型事故数据库，训练事故智能识别模型；所述典型事故数据库根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据构建获得；
事故识别模块，用于根据采集的核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
事故预测模块，用于基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
缓解策略决策模块，用于根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种核电厂事故智能识别及决策的方法及系统，利用事故仿真分析平台建立足量完备的典型事故数据库，基于该典型事故数据库训练事故智能识别模型，实现对核电厂事故始发事件的识别，避免人为判断与识别事故困难且不准确的问题；同时，基于该识别结果自动筛选可行缓解策略，根据识别结果、实际运行情况和可行缓解策略，对事故进程进行模拟，通过对事故识别结果的正向实时追踪和对事故进程预测的反馈更新，不断优化最优缓解策略，实现事故缓解策略的快速智能决策，获取最优缓解策略。
2、本发明利用大数据处理技术快速提取核电厂有效信息并进行事故分析，做出缓解策略决策，避免人工决策的困境，实现核电厂的安全经济运行。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一所述核电厂事故智能识别及决策的方法的流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种核电厂事故智能识别及决策的方法，如图1所示，包括：
步骤S1、根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据，构建典型事故数据库，基于所述典型事故数据库，训练事故智能识别模型；
步骤S2、采集核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
步骤S3、基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
步骤S4、根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
在步骤S1中，首先基于核电厂概率安全分析和工程判断，确定核电厂典型事故的始发事件类型，包括但不限于破口事件、失去电源事件、失去冷却能力事件等。上述始发事件还可进一步细分，以破口事件为例，其包括但不限于主回路管道破口事件、直接安注管线破口事件、蒸汽发生器传热管破裂事件、给水管道破口事件等。
针对每一始发事件类型，设定相应的特征参数，仍旧以破口事件为例，设定的特征参数为破口位置、破口尺寸等，同时设定核电厂中各种设备(补水、降压等相关设备)的投入情况，如安全注射系统阀门开启状态、能动系统向一回路注水流量等，采用事故仿真分析平台进行不同始发事件的模拟运算，得到多种始发事件导致的模拟事故，构建典型事故工况。
针对典型事故工况，利用事故仿真分析平台模拟运算，获得多种事故变量的模拟仿真数据，通过评价各事故变量对核电厂状态识别的重要度(如压力降低速率对于破口尺寸的重要度较高)、事故变量之间是否相互关联或是否能够相互替代(如高温和高压往往正相关，取一类参数即能表征状态)、对称系统合并(对于两列同样的设备，故障可能发生在A，也可能在B，可对参数取并集以包络不确定性)等准则，提取能够通过仪表测量获得的事故关键变量。此时，根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据，构建完备的典型事故数据库。
在本实施例中，从模拟事故工况信息中提取能够通过仪表测量获得的事故关键变量，包括但不限于反应堆冷却剂系统压力、堆芯出口温度、热段液位、蒸汽发生器水位、蒸汽发生器压力、安全壳压力、安全壳温度、安全壳内氢气浓度、安全系统动作、水源液位等，将典型事故的始发事件类型和上述事故关键变量所对应的数据，以此构成全谱典型事故数据库。
将利用事故仿真分析平台获取的事故关键变量所对应的数据，即典型事故数据库中的事故关键变量数据作为样本数据，对样本数据进行特征提取，获取与事故的始发事件类型相关的事故特征。
进一步的，构建事故智能识别模型，利用机器学习智能算法构建事故与事故关键变量特征之间的逻辑关系，以标注典型事故的始发事件类型的事故关键变量所对应的数据为样本数据，对样本数据进行特征提取得到事故特征，以此构成训练样本集，用于训练事故智能识别模型，建立核电厂可测量参数和事故之间的联系模型，实现智能判断事故发生的初始时刻(即始发时间)以及智能识别事故发生的始发事件类型及事故的具体信息，如是否发生了破口、是否失去冷却能力以及破口的大小、位置等信息。
上述过程中，由于利用事故仿真分析平台模拟仿真得到的数据中存在噪声，而这将会影响后续事故智能识别模型的鲁棒性。在本实施例中，采用大数据特征化处理技术，如k近邻学习方法、主成分分析方法等，获取样本数据的特征值和特征向量，筛除较小特征值对应的特征向量，降低样本数据的噪声，使样本数据更为清晰。
由于核电厂事故相关变量繁多，高维数据集易出现数据样本稀疏的问题，在本实施例中，利用数学变换将原始高维属性空间转变为低维空间，对样本数据进行降维处理，提高样本密度，获取事故关键变量的特征。
此外，对于参数分布较广、量级差距较大的情况，采用标准化、归一化的方式，将参数数值统一压缩至同一范围，从而便于后续的训练，提高训练效率。
在本实施例中，采用长短期记忆算法构建事故与样本数据特征之间的逻辑关联，并进行机器学习模型的训练和性能评估，实现事故始发事件的识别以及事故始发时间的判断。
步骤S2中，采集核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型。
具体的，采集核电厂实时运行数据，即通过仪表测量获得的上述事故关键变量的实际数据，将该实际数据输入训练完成的事故智能识别模型中进行分析与诊断，识别事故的始发事件类型。需要指出的是，为了保证识别的准确性，对采集的核电厂实时运行数据进行降维降噪的特征化处理，提取事故关键变量所对应数据的事故特征，基于该事故特征，实现事故类型的识别。
本实施例除了能够实现对核电厂事故类型的识别外，还能够实现针对核电厂事故缓解策略的快速决策。即，步骤S3中，首先，基于识别的事故始发事件类型，以及核电厂的设备可用状态，在缓解策略库中自动筛选出可行缓解策略。
具体的，上述缓解策略库中预存有多种不同的缓解策略，在本实施例中，该缓解策略库中包含所有可能的缓解策略，该缓解策略是基于核电厂事故应急规程和事故应急管理导则的要求而制定的。
优选的，上述缓解策略库中预存有与事故始发事件类型相对应的多种不同缓解策略，在通过训练完成的事故智能识别模型识别并确定事故的始发事件类型后，根据该事故始发事件类型，在缓解策略库中进行匹配，自动筛选出与该事故始发事件类型相对应的缓解策略作为可行缓解策略。
然后，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测，通过对事故关键变量(如反应堆冷却剂系统压力、堆芯出口温度、热段液位、蒸汽发生器水位、蒸汽发生器压力、安全壳压力、安全壳温度、安全壳内氢气浓度、安全系统动作、水源液位等)的演变规律分析，实现对事故进程的模拟预测。
作为另一种实施方式，考虑到典型事故数据库中预存有多种事故进程数据，因此，在进行事故进程模拟预测时，还可以从典型事故数据库中调取最相近事故，根据该事故的关键变量演变规律进行实际事故的模拟预测。
最后，步骤S4中，根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
通过上述事故仿真分析平台对事故进程的仿真模拟，以及实时动态地评估缓解措施带来的正负效应，高效准确地实现缓解策略的快速决策。
进一步的，本实施例所述方案还实现了对核电厂事故的实时追踪，具体的，基于核电厂实时运行的数据，实时修正事故智能识别模型的识别结果，实现针对事故智能识别的正向实时追踪；同时，将获取的最优缓解策略应用到事故进程模拟的过程中，对事故进程预测进行更新，重新评估所述最优缓解策略的正负效应，形成反馈机制，进一步优化输出的缓解策略。通过上述正向实时追踪和缓解策略反馈机制，实现对事故的实时追踪。
此处，需要指出的是，本实施例上述所采用的事故仿真平台，能够快速模拟设计基准事故和严重事故两个计算阶段，该事故仿真平台的计算速度高于物理现象的发生速度，因此，可通过模拟为后续缓解策略的选择提供快速决策。上述两个阶段分别采用不同的分析方法和工具，例如RELAP5和MAAP程序，当阶段转化时，将关键参数进行接口对接，并实施平滑处理，以实现对事故进程的完整模拟预测分析。
实施例二
本实施例提供了一种核电厂事故智能识别及决策的系统，包括：
训练模块，用于基于典型事故数据库，训练事故智能识别模型；所述典型事故数据库根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据构建获得；
事故识别模块，用于根据采集的核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
事故预测模块，用于基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
缓解策略决策模块，用于根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
进一步的，本实施例所述系统还包括跟踪模块，该跟踪模块用于基于核电厂实时运行的数据，实时修正事故智能识别模型的识别结果，实现对事故的正向实时追踪。
上述跟踪模块还用于在将获取的最优缓解策略应用到事故进程模拟的过程中，对事故进程预测进行更新，重新评估最优缓解策略所产生的定量化正负效应，形成反馈机制，优化输出的缓解策略。
作为一种实施方式，本实施例所述系统还包括人机交互界面，该人机交互界面可用于人为输入或自动输出核电厂的实时运行数据，同时实时显示该输入的数据、事故识别模块输出的事故始发事件类型、输出的最优缓解策略等。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的核电厂事故智能识别及决策的方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的核电厂事故智能识别及决策的方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种核电厂事故智能识别及决策的方法，其特征是，包括以下步骤：
根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据，构建典型事故数据库，基于所述典型事故数据库，训练事故智能识别模型；
采集核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
2.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，在进行事故进程模拟预测时，从典型事故数据库中调取最相近事故，根据该事故的关键变量演变规律进行实际事故的模拟预测。
3.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，在构建典型事故数据库前，确定典型事故的始发事件类型及与始发事件类型对应的事故关键变量，具体步骤为：
基于核电厂概率安全分析和工程判断，确定核电厂典型事故的始发事件类型；
通过评价多种事故变量对核电厂状态识别的重要度、多种事故变量之间的关联性、多种事故变量的可测量性、对称系统合并准则，确定事故关键变量；所述事故关键变量包括：反应堆冷却剂系统压力、堆芯出口温度、热段液位、蒸汽发生器水位、蒸汽发生器压力、安全壳压力、安全壳温度、安全壳内氢气浓度、安全系统动作、水源液位。
4.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，所述基于所述典型事故数据库，训练事故智能识别模型，具体步骤为：
构建事故智能识别模型；
将典型事故数据库中的事故关键变量数据作为样本数据，对样本数据进行特征提取，获取事故特征，以标注典型事故的始发事件类型的事故特征为训练样本，训练事故智能识别模型。
5.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，所述事故仿真平台快速模拟设计基准事故和严重事故两个计算阶段，当阶段转化时，将关键参数进行接口对接，通过实施平滑过渡，实现对事故进程的完整模拟预测分析。
6.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，所述缓解策略库中预存有与事故始发事件类型相对应的多种不同缓解策略，所述缓解策略基于核电厂事故应急规程和事故应急管理导则的要求而制定。
7.如权利要求1所述的一种核电厂事故智能识别及决策的方法，其特征是，基于核电厂实时运行的数据，实时修正事故智能识别模型的识别结果，实现对事故的正向实时追踪；
同时，在将获取的最优缓解策略应用到事故进程模拟的过程中，对事故进程预测进行更新，重新评估最优缓解策略所产生的定量化正负效应，形成反馈机制，优化输出的缓解策略。
8.一种核电厂事故智能识别及决策的系统，其特征是，包括：
训练模块，用于基于典型事故数据库，训练事故智能识别模型；所述典型事故数据库根据典型事故的始发事件类型及与始发事件类型对应的事故关键变量的数据构建获得；
事故识别模块，用于根据采集的核电厂实时运行数据，通过训练完成的事故智能识别模型进行事故识别，确定事故的始发事件类型；
事故预测模块，用于基于识别的事故始发事件类型，在缓解策略库中自动筛选出可行缓解策略，将识别的事故始发事件类型、核电厂中各种设备的实际投入情况及选取的缓解策略输入事故仿真分析平台中进行事故进程的模拟预测；
缓解策略决策模块，用于根据事故进程的预测分析，实时动态评估不同缓解策略所产生的定量化正负效应，输出最优缓解策略。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7中任一项所述的一种核电厂事故智能识别及决策的方法的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7中任一项所述的一种核电厂事故智能识别及决策的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247193.1A CN115564247A (zh) | 2022-10-12 | 2022-10-12 | 一种核电厂事故智能识别及决策的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247193.1A CN115564247A (zh) | 2022-10-12 | 2022-10-12 | 一种核电厂事故智能识别及决策的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115564247A true CN115564247A (zh) | 2023-01-03 |
Family
ID=84745837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211247193.1A Pending CN115564247A (zh) | 2022-10-12 | 2022-10-12 | 一种核电厂事故智能识别及决策的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564247A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628986A (zh) * | 2023-05-24 | 2023-08-22 | 中国人民解放军海军工程大学 | 一种用于核动力装置严重事故分析仿真计算方法 |
-
2022
- 2022-10-12 CN CN202211247193.1A patent/CN115564247A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628986A (zh) * | 2023-05-24 | 2023-08-22 | 中国人民解放军海军工程大学 | 一种用于核动力装置严重事故分析仿真计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asadzadeh et al. | An integrated systemic model for optimization of condition-based maintenance with human error | |
| JPH0522241B2 (zh) | ||
| CN107545375A (zh) | 一种石油石化高危设备故障风险定量化评价方法 | |
| WO2022147853A1 (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
| CN112818008A (zh) | 核电调试故障智能诊断的方法、系统、介质及电子设备 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| Karanki et al. | Quantification of dynamic event trees–a comparison with event trees for MLOCA scenario | |
| CN115564247A (zh) | 一种核电厂事故智能识别及决策的方法及系统 | |
| CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
| CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
| CN117909864A (zh) | 一种电力故障预测系统及方法 | |
| Zhao et al. | Incorporation TACOM and SPAR-H into the operating procedure of nuclear power plants | |
| CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
| CN110688152B (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
| Park et al. | An Investigation of Time Distributions for Task Primitives to Support the HUNTER Dynamic Human Reliability Analysis | |
| Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
| Santhosh et al. | Transient identification & operator decision support system for PHWR (Diagnostic System) | |
| Bani-Mustafa et al. | A hierarchical tree-based decision making approach for assessing the trustworthiness of risk assessment models | |
| JPH0524521B2 (zh) | ||
| CN113837535B (zh) | 一种用于核电厂严重事故进程回溯的方法 | |
| Feng et al. | Failure prediction of weld defects in long distance pipeline | |
| CN118228735B (zh) | 水务数据采集方法及系统 | |
| Farcasiu et al. | Data collection assessment for the human performance analysis in nuclear installations | |
| Tian et al. | Application of Knowledge Graph in Fault Prediction of Power Transformers | |
| Foerster et al. | Probabilistic Safety Assessment of NPPs against combined natural hazards: outcomes of the NARSIS project |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd. Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd. |