基于ARIMA-LSTM模型的核電廠運(yùn)行事件變化分析及預(yù)測(cè)

侯秦脈 朱 偉 鄒 象 劉時(shí)賢 吳彥農(nóng)

（生態(tài)環(huán)境部核與輻射安全中心 北京 102445）

《中國(guó)的核安全》首次發(fā)布于2019年，該書是中國(guó)政府發(fā)表的第一部核安全白皮書，白皮書全面介紹了中國(guó)核安全事業(yè)的發(fā)展歷程，闡述中國(guó)核安全的基本原則和政策主張，分享中國(guó)核安全監(jiān)管的理念和實(shí)踐，闡明中國(guó)推進(jìn)全球核安全治理進(jìn)程的決心和行動(dòng)［1］。截至2019年6月，已安全穩(wěn)定運(yùn)行累計(jì)300余堆年，未發(fā)生過(guò)國(guó)際核與放射事件分級(jí)表（International Nuclear Event Scale，INES）2級(jí)及以上的事件或事故，且0級(jí)偏差和1級(jí)異常事件發(fā)生率呈下降趨勢(shì)。該報(bào)告提供了1991～2018年我國(guó)運(yùn)行核電廠的運(yùn)行事件數(shù)量，同時(shí)《核安全年報(bào)》也提供了2019～2020年的運(yùn)行事件數(shù)量［2］，此領(lǐng)域研究目前多為對(duì)運(yùn)行事件本身的分析和一般的趨勢(shì)性描述。鄭麗馨等［3］指出運(yùn)行事件對(duì)了解機(jī)組性能、運(yùn)行經(jīng)驗(yàn)趨勢(shì)的評(píng)價(jià)有重要的貢獻(xiàn)。胡攀［4］認(rèn)為對(duì)低級(jí)別事件趨勢(shì)分析能夠跟蹤管理異常趨勢(shì)并提高異常趨勢(shì)的識(shí)別效率。劉時(shí)賢等［5］從誤碰方面分析了運(yùn)行事件對(duì)核電廠的安全性和經(jīng)濟(jì)性造成影響。修炳林等［6］指出2015～2016年新機(jī)組投運(yùn)高峰帶來(lái)運(yùn)行事件的增加。但缺乏有效的工具對(duì)運(yùn)行事件數(shù)量變化趨勢(shì)及預(yù)測(cè)進(jìn)行研究，因此，需要研究一套方法進(jìn)行核電廠運(yùn)行事件數(shù)量的趨勢(shì)分析和預(yù)測(cè)。

差分自回歸移動(dòng)平均模型（Autoregressive Mobile Average Model，ARIMA）是經(jīng)典的時(shí)間序列預(yù)測(cè)方法，武云云等［7］探討了運(yùn)用ARIMA模型在核電站外圍環(huán)境放射性水平動(dòng)態(tài)分析和預(yù)測(cè)，為核電站外圍環(huán)境影響評(píng)價(jià)和核事故放射性污染提供參考。胡衍坤等［8］指出ARIMA模型能夠較好地體現(xiàn)時(shí)間序列數(shù)據(jù)中的線性特征，但是單一的ARIMA模型對(duì)非線性變化難以充分有效地處理，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)模型能有效提高河流水質(zhì)預(yù)測(cè)精度7%。在深度學(xué)習(xí)算法中，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型（Long and Short-Term Memory，LSTM）由于其特殊的網(wǎng)絡(luò)結(jié)構(gòu)，在處理事件序列問(wèn)題時(shí)，比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)更快更容易收斂到最優(yōu)解，非常適合處理核電廠運(yùn)行事件指標(biāo)這種時(shí)序數(shù)據(jù)。因此，本文建立ARIMA與LSTM組合模型進(jìn)行核電廠運(yùn)行事件預(yù)測(cè)的研究，通過(guò)Mann-Kendall檢驗(yàn)法（簡(jiǎn)稱M-K檢驗(yàn)法）探討運(yùn)行事件變化特性以及預(yù)測(cè)的合理性，并結(jié)合白皮書中我國(guó)運(yùn)行核電廠運(yùn)行事件數(shù)據(jù)，分析運(yùn)行事件變化趨勢(shì)，為核安全監(jiān)管提供數(shù)據(jù)支持。

1 研究方法描述

1.1 M-K檢驗(yàn)法

M-K檢驗(yàn)法是一種非參數(shù)檢驗(yàn)方法［9］，對(duì)樣本分布無(wú)要求，能有效排除個(gè)別異常值對(duì)時(shí)間序列的影響，該方法廣泛應(yīng)用于大氣和地質(zhì)等行業(yè)時(shí)間序列突變點(diǎn)檢測(cè)研究中［10］。在突變分析方面，M-K檢驗(yàn)?zāi)軌虿檎页鰯?shù)據(jù)異常點(diǎn)，確定突變區(qū)域。

根據(jù)核電廠運(yùn)行事件數(shù)時(shí)間序列的秩序列為：

在時(shí)間序列隨機(jī)獨(dú)立的假定下，定義統(tǒng)計(jì)量：

式中：E（Sk）、Var（Sk）分別是秩序列Sk的均值和方差。

根據(jù)UBk=?UFk，同樣方法計(jì)算反序列得到統(tǒng)計(jì)量UBk。依據(jù)UBk和UFk可得到UB曲線和UF曲線，差值大于零則呈下降趨勢(shì)，小于零呈上升趨勢(shì)，差值等于零為相交點(diǎn)［11?12］，如果相交點(diǎn)在0.05顯著性水平下，則該點(diǎn)是突變點(diǎn)。

1.2 ARIMA模型

ARIMA是一種廣泛用于時(shí)間序列分析和預(yù)測(cè)的模型，對(duì)處理線性時(shí)間序列有較好的優(yōu)勢(shì)［13］。非平穩(wěn)時(shí)間序列通過(guò)該方法差分后轉(zhuǎn)化為平穩(wěn)時(shí)間序列，模型對(duì)因變量滯后值以及其隨機(jī)誤差進(jìn)行回歸，融合了兩種模型：自回歸模型（Autoregressive，AR）和移動(dòng)平均模型（Moving Average，MA）。組間隨機(jī)變量具有的依存關(guān)系，既包括本身的變化規(guī)律同時(shí)也包括了外部影響因素，該方法有較高的預(yù)測(cè)精度，有助于解釋預(yù)測(cè)變動(dòng)的規(guī)律。

首選需要確保預(yù)測(cè)時(shí)，ARIMA模型的時(shí)間序列是平穩(wěn)的或近似平穩(wěn)的，自相關(guān)系數(shù)只有時(shí)間間隔一個(gè)變量，即時(shí)間變化不影響均數(shù)和方差?；谕|(zhì)性是非平穩(wěn)時(shí)間序列的普遍特征，可以通過(guò)差分處理轉(zhuǎn)化為平穩(wěn)時(shí)間序列，差分次數(shù)就是其次的階數(shù)。那么完整的差分自回歸移動(dòng)平均過(guò)程ARIMA（p，d，q）模型可以用滯后算子B表示為［14］：

式中：p是自回歸滯后階；d是非平穩(wěn)序列轉(zhuǎn)化為平穩(wěn)序列的差分次數(shù)；q是移動(dòng)平均階數(shù)，偏自相關(guān)函數(shù)值顯著不為零的最高階數(shù)；ei是i時(shí)刻的偏差；Фi是自回歸部分的系數(shù)；B是滯后算子；θi是移動(dòng)平均部分的系數(shù)［15］。

ARIMA模型建立方法如下：

1）模型識(shí)別，驗(yàn)證時(shí)間序列數(shù)據(jù)平穩(wěn)性，非平穩(wěn)數(shù)據(jù)需進(jìn)行差分處理，利用自相關(guān)函數(shù)圖（Autocorrelation Function，ACF）和偏自相關(guān)函數(shù)圖（Partial Autocorrelation Function，PACF）進(jìn)行分析，確定自回歸滯后階數(shù)、差分次數(shù)和移動(dòng)平均階數(shù)。

2）參數(shù)估計(jì)和模型檢驗(yàn)。用特定時(shí)間序列的數(shù)據(jù)，估計(jì)模型的參數(shù)并進(jìn)行檢驗(yàn)［16］，判斷該模型是否恰當(dāng)，如不恰當(dāng)，返回步驟1）。

3）趨勢(shì)預(yù)測(cè)應(yīng)用，并對(duì)設(shè)定的將來(lái)某個(gè)時(shí)間段給出預(yù)測(cè)值。

1.3 LSTM模型

LSTM是一種遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNNs）的改進(jìn)［17］，可以解決長(zhǎng)時(shí)間周期依賴的預(yù)測(cè)，并且對(duì)于有限數(shù)據(jù)樣本深入分析其長(zhǎng)期趨勢(shì)，解決RNNs距離感知能力對(duì)梯度的依賴，在各行業(yè)時(shí)間序列預(yù)測(cè)上LSTM有著廣泛的應(yīng)用［18］。

LSTM模型在遞歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上添加了遺忘、輸入、輸出等三個(gè)門層，解決了有限時(shí)間和數(shù)據(jù)樣本的問(wèn)題［19］，通過(guò)梯度下降得到模型的最佳誤差參數(shù)。LSTM的第一步是確定遺忘門層遺忘哪些信息，借助Sigmoid層決定前一時(shí)間周期的節(jié)點(diǎn)數(shù)據(jù)。讀取上一層節(jié)點(diǎn)數(shù)據(jù)輸出ht?1和輸入數(shù)據(jù)Xt，并為單元狀態(tài)Ct?1輸出0~1的值ft，0和1分別表示“不允許任何量通過(guò)”和“允許任何量通過(guò)”的邏輯意義［20］。ft通過(guò)Sigmoid函數(shù)的輸出值得到，分配給Ct?1決定前一個(gè)狀態(tài)的值是否丟棄，ft為0表示“遺忘”，1表示“保留”，Wf是權(quán)重矩陣，bf是偏置項(xiàng)，其表達(dá)式為：

下一步是在輸入層中決定輸入哪些信息。Sigmoid函數(shù)決定將更新哪些值，添加到新候選值Ct的tanh函數(shù)輸入值（?1~1）組成一個(gè)向量，并乘以Sigmoid函數(shù)值，得到輸出值。其表達(dá)式為：

最后需要通過(guò)輸出門層輸出函數(shù)的參數(shù)。首先運(yùn)行一個(gè)Sigmoid層，將得到輸出參數(shù)信息ot，包含決定輸出的單元狀態(tài)信息［21］，最終得到將要輸出的部分ht，其表達(dá)式為：

1.4 組合預(yù)測(cè)模型

核電廠運(yùn)行事件數(shù)據(jù)具有線性特征和非線性特征，將運(yùn)行事件數(shù)據(jù)記為At，分解為線性和非線性兩個(gè)部分，分別用Bt表示線性部分和Ct表示非線性部分，表達(dá)式如下：

第一步，時(shí)間序列模型建模；對(duì)時(shí)間數(shù)據(jù)序列At進(jìn)行建模，然后將訓(xùn)練數(shù)據(jù)進(jìn)行擬合并進(jìn)行預(yù)測(cè)，通過(guò)自相關(guān)圖和偏自相關(guān)圖建立ARIMA（p，d，q）模型，輸出時(shí)間數(shù)據(jù)序列Bt'，其數(shù)據(jù)序列描述線性部分，得到偏差et的時(shí)間數(shù)據(jù)序列。

第二步，LSTM殘差預(yù)測(cè)；使用LSTM模型對(duì)偏差的時(shí)間數(shù)據(jù)序列et進(jìn)行擬合。對(duì)數(shù)據(jù)序列At中非線性部分?jǐn)?shù)據(jù)信息進(jìn)行挖掘，識(shí)別Ct中與et的異常關(guān)系，通過(guò)對(duì)et進(jìn)行LSTM處理，得到預(yù)測(cè)結(jié)果Ct'。

第三步，模型組合；通過(guò)ARIMA（p，d，q）模型表達(dá)線性部分和LSTM模型表達(dá)非線性部分建立混合模型，得到混合預(yù)測(cè)模型表達(dá)式。

因此，將刻畫數(shù)據(jù)序列線性關(guān)系的ARIMA（p，d，q）模型和描述數(shù)據(jù)序列非線性關(guān)系的LSTM模型的各自優(yōu)點(diǎn)有機(jī)結(jié)合，能夠顯示混合模型的優(yōu)越性和提高預(yù)測(cè)的準(zhǔn)確度。

2 實(shí)驗(yàn)數(shù)據(jù)和變化特征分析

2.1 實(shí)驗(yàn)數(shù)據(jù)及趨勢(shì)分析

實(shí)驗(yàn)運(yùn)行事件數(shù)量數(shù)據(jù)來(lái)源于2019年9月國(guó)務(wù)院新聞辦公室發(fā)表的《中國(guó)的核安全》白皮書，白皮書提供了1991～2018年我國(guó)運(yùn)行核電廠的運(yùn)行事件數(shù)量。國(guó)家核安全年報(bào)提供了2019～2020年的運(yùn)行事件數(shù)量，將用作組合模型預(yù)測(cè)值的對(duì)比。

采用線性回歸的方法對(duì)1991～2018年運(yùn)行事件數(shù)量時(shí)間序列進(jìn)行線性趨勢(shì)分析（圖1），運(yùn)行事件數(shù)量?jī)A向率為線性方程的斜率，在0.95置信限下運(yùn)行事件數(shù)量趨勢(shì)函數(shù)為f（x）=69.252?0.017 5x。由圖1可以看出，1）運(yùn)行事件數(shù)量與時(shí)間呈負(fù)線性相關(guān)趨勢(shì)。2）年度運(yùn)行事件波動(dòng)性變化明顯，波動(dòng)范圍在8~93，1993年、2002年和2016年達(dá)到波峰，1991年、2000年和2009年達(dá)到波谷，經(jīng)歷了枯-豐-正常-枯-豐-正常-枯-豐階段，最大值與最小值相差10倍。

圖1 1991～2018年運(yùn)行事件數(shù)量及趨勢(shì)Fig.1 Number and trend of operation events from 1991 to 2018

2.2 運(yùn)行事件數(shù)量時(shí)間序列突變分析

采用M-K方法檢驗(yàn)突變點(diǎn)，對(duì)1991～2018年我國(guó)運(yùn)行核電廠的運(yùn)行事件數(shù)量進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)圖2。結(jié)果表明：年度運(yùn)行事件的突變檢驗(yàn)曲線存在交匯點(diǎn)，圖2中時(shí)間序列M-K突變檢驗(yàn)在0.05顯著性水平下，UF統(tǒng)計(jì)量與UB統(tǒng)計(jì)量從1995～2013年無(wú)交點(diǎn)即無(wú)突變點(diǎn)，這一時(shí)期我國(guó)核電機(jī)組數(shù)量以年均不到1臺(tái)機(jī)組緩慢發(fā)展，運(yùn)行事件數(shù)量無(wú)顯著突變。

圖2 運(yùn)行事件數(shù)量M-K檢驗(yàn)結(jié)果Fig.2 M-K test results of the number of operation events

而在1991年、1994年、2014年、2016年和2017年存在交點(diǎn)，說(shuō)明1991～1994年以及2014～2018年為運(yùn)行事件序列顯著突變年份，查閱核電機(jī)組數(shù)量從1991～1994年核電機(jī)組從無(wú)到有的摸索階段，同時(shí)2014～2018年我國(guó)核電機(jī)組數(shù)量年均增長(zhǎng)4.2臺(tái)，對(duì)于核電行業(yè)來(lái)說(shuō)這兩個(gè)階段都是快速發(fā)展期，處在新人員積累經(jīng)驗(yàn)的階段，可以說(shuō)明突變點(diǎn)伴隨著行業(yè)的高速發(fā)展，同時(shí)也說(shuō)明機(jī)組數(shù)量年均增長(zhǎng)1臺(tái)不會(huì)引起運(yùn)行事件數(shù)量突變，而機(jī)組數(shù)量年均增長(zhǎng)4臺(tái)會(huì)引起國(guó)內(nèi)運(yùn)行事件數(shù)量的突變，應(yīng)對(duì)方法將是在高速發(fā)展階段前提前儲(chǔ)備人才，加強(qiáng)人員職業(yè)能力培養(yǎng)，核安全監(jiān)管隊(duì)伍規(guī)模也應(yīng)該做出相應(yīng)調(diào)整。

3 運(yùn)行事件時(shí)間序列預(yù)測(cè)

從文獻(xiàn)［8］中可以看出，客觀事物具有線性和非線性特征，本文§2趨勢(shì)分析和突變分析反映了運(yùn)行事件也具有線性和非線性的雙重特征。對(duì)于運(yùn)行事件的線性關(guān)系，通過(guò)R軟件調(diào)用Tseries和Forecast程序，實(shí)現(xiàn)ARIMA模型對(duì)運(yùn)行事件數(shù)量的預(yù)測(cè)。對(duì)于運(yùn)行事件的非線性關(guān)系，通過(guò)R軟件調(diào)用基于Tensorflow框架的keras程序，實(shí)現(xiàn)LSTM模型的殘差預(yù)測(cè)。

采用組合模型按照5個(gè)步驟對(duì)我國(guó)核電廠運(yùn)行事件數(shù)量建模并預(yù)測(cè)：

1）平穩(wěn)化處理1991～2018年運(yùn)行事件數(shù)量時(shí)間序列。首先通過(guò)ADF檢測(cè)檢測(cè)未差分時(shí)間序列是否平穩(wěn)，未差分的p-value=0.22，大于0.05，可知此時(shí)間序列為非平穩(wěn)序列；經(jīng)過(guò)一階差分后p-value達(dá)到0.05，可知1階差分后時(shí)間序列平穩(wěn)化，確定數(shù)值1作為ARIMA模型參數(shù)d的值。

2）ARIMA模型參數(shù)p、q定階。通過(guò)一階差分后運(yùn)行事件數(shù)量時(shí)間序列的自相關(guān)圖和偏自相關(guān)圖，如圖3所示。圖3（a）中說(shuō)明，有3個(gè)自相關(guān)系數(shù)顯著不為0，參數(shù)q可以推斷取3或2（考慮3是偶然出現(xiàn)的因素，則取2是顯著不為0的階數(shù)），圖3（b）中說(shuō)明，有2個(gè)偏自相關(guān)系數(shù)顯著不為0，參數(shù)p可以推斷取2或1（考慮2是偶然出現(xiàn)的因素，則取1是顯著不為0的階數(shù)）。

圖3 一階差分后的自相關(guān)圖ACF(a)和偏自相關(guān)圖PACF(b)Fig.3 ACF(a)and PACF(b)maps of first order difference

根據(jù)參數(shù)p、q初步定階結(jié)果，ARIMA模型可暫定為ARIMA（3，1，2）、ARIMA（3，1，1）、ARIMA（2，1，2）、ARIMA（2，1，1），等待赤池檢驗(yàn)確定最終模型參數(shù)。由赤池信息準(zhǔn)則（Akaike Information Criterion，AIC）可知，AIC結(jié)果大小決定著模型優(yōu)劣，數(shù)值越小表明模型越佳，模型參數(shù)估計(jì)見(jiàn)表1。從表1中AIC值可知，ARIMA（2，1，2）為運(yùn)行事件預(yù)測(cè)的最佳模型。

表1 ARIMA模型參數(shù)估計(jì)Table 1 ARIMA model parameter estimation

3）白噪聲檢驗(yàn)。通過(guò)計(jì)算Ljung-Box檢驗(yàn)統(tǒng)計(jì)量，用于檢驗(yàn)給定時(shí)間序列中獨(dú)立的零假設(shè)。檢驗(yàn)ARIMA（2，1，2）模型殘差的白噪聲，殘差的白噪聲檢驗(yàn)統(tǒng)計(jì)量結(jié)果p-value=0.998 3，大于0.05，說(shuō)明模型殘差顯著性檢驗(yàn)沒(méi)有通過(guò)，確定了殘差無(wú)自相關(guān)，ARIMA（2，1，2）模型能夠較好地?cái)M合核電廠運(yùn)行事件數(shù)量時(shí)間序列。

4）ARIMA模型預(yù)測(cè)。本文采用ARIMA（2，1，2）模型對(duì)1991～2018年運(yùn)行事件數(shù)數(shù)量進(jìn)行預(yù)測(cè)，并預(yù)測(cè)了在95%置信限值下的2019～2021年運(yùn)行事件數(shù)量預(yù)測(cè)結(jié)果，如表2所示。

表2 2019～2021年運(yùn)行事件數(shù)量預(yù)測(cè)Table 2 Predicted values of operation events from 2019 to 2021

5）LSTM殘差預(yù)測(cè)，合并得到組合模型預(yù)測(cè)值。采用LSTM模型對(duì)ARIMA模型預(yù)測(cè)運(yùn)行事件數(shù)量殘差進(jìn)行訓(xùn)練和預(yù)測(cè)，訓(xùn)練集和測(cè)試集比例分別占數(shù)據(jù)集的2/3和1/3，對(duì)于訓(xùn)練集控制訓(xùn)練迭代50次，訓(xùn)練損失隨迭代次數(shù)快速下降，在20次后趨于平穩(wěn)，說(shuō)明擬合良好。計(jì)算得到運(yùn)行事件數(shù)量殘差的預(yù)測(cè)結(jié)果，將ARIMA運(yùn)行事件數(shù)量預(yù)測(cè)結(jié)果與LSTM運(yùn)行事件數(shù)量殘差預(yù)測(cè)結(jié)果相加得到組合模型預(yù)測(cè)結(jié)果，組合模型預(yù)測(cè)結(jié)果如圖4所示。ARIMA預(yù)測(cè)值相對(duì)真實(shí)值滯后的問(wèn)題在時(shí)域分析是普遍存在的，如果運(yùn)行事件是一個(gè)平滑序列的預(yù)測(cè)，出現(xiàn)滯后的概率就會(huì)偏低。如果在新的時(shí)刻運(yùn)行事件出現(xiàn)了一個(gè)跳變被認(rèn)為是客觀規(guī)律，不能判斷為異常，那么預(yù)測(cè)將會(huì)滯后。從圖4看出，2019～2021年運(yùn)行事件趨勢(shì)穩(wěn)中向下，有利于減輕運(yùn)行板塊的核安全監(jiān)管壓力，實(shí)現(xiàn)在不增員的前提下突出監(jiān)管重點(diǎn)，科學(xué)協(xié)調(diào)審評(píng)和監(jiān)督的資源向在建板塊傾斜，有利于板塊輪動(dòng)和提升監(jiān)管能力。

圖4 組合模型運(yùn)行事件數(shù)量預(yù)測(cè)結(jié)果Fig.4 Predicted values of combined model

4 模型評(píng)價(jià)

根據(jù)ARIMA模型和ARIMA-LSTM組合模型預(yù)測(cè)的運(yùn)行事件數(shù)量結(jié)果，分別計(jì)算模型預(yù)測(cè)運(yùn)行事件數(shù)量的均方誤差（Mean-Square Error，MSE）、根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）（表3），可用于量化模型預(yù)測(cè)的準(zhǔn)確性。

由表3可以看出，ARIMA（2，1，2）模型運(yùn)行事件預(yù)測(cè)值的MSE、RMSE、MAPE分別為234.92、15.32和36.5%，ARIMA-LSTM組合模型的MSE、RMSE、MAPE分 別 為223.94、14.96和33.6%。ARIMA（2，1，2）-LSTM組合模型比ARIMA（2，1，2）模型運(yùn)行事件數(shù)量的預(yù)測(cè)精度提高約3%。可以看出，ARIMA模型能夠較好地體現(xiàn)時(shí)間序列數(shù)據(jù)中的線性特征，但是單一的ARIMA模型對(duì)非線性變化難以充分有效的處理，胡衍坤等結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)模型能有效提高河流水質(zhì)預(yù)測(cè)精度7%，與本文運(yùn)行事件數(shù)量的預(yù)測(cè)精度提高能力相近，在具有更多固定成分的不穩(wěn)定時(shí)間序列上表明LSTM做得更好，隨著未來(lái)運(yùn)行數(shù)據(jù)的增加，預(yù)測(cè)精度將會(huì)更加顯著。

表3 模型評(píng)價(jià)參數(shù)Table 3 Model evaluation parameters

根據(jù)國(guó)家核安全局發(fā)布的《國(guó)家核安全局2019年報(bào)》和《國(guó)家核安全局2020年報(bào)》，可以得到2019～2020年的核電廠運(yùn)行事件數(shù)量分別為31起和20起，與組合模型預(yù)測(cè)值的2019年27.64和2020年21.08非常接近，證明該組合模型能夠精確地預(yù)測(cè)核電廠運(yùn)行事件數(shù)量，能夠很好地描述運(yùn)行事件數(shù)量時(shí)間序列的趨勢(shì)。有利于提前調(diào)配在建板塊和運(yùn)行板塊的核安全監(jiān)管審評(píng)力量，依據(jù)預(yù)測(cè)趨勢(shì)變化大小，在趨勢(shì)下降時(shí)調(diào)配資源到在建板塊，在趨勢(shì)上升時(shí)適當(dāng)從在建板塊調(diào)配資源到運(yùn)行板塊，前瞻性地調(diào)配有限監(jiān)管力量，實(shí)現(xiàn)板塊間合理輪動(dòng)。

5 結(jié)語(yǔ)

本文研究利用M-K檢驗(yàn)法對(duì)《核安全白皮書》中1991～2018年核電廠運(yùn)行事件數(shù)量進(jìn)行了趨勢(shì)和突變分析，利用ARIMA（2，1，2）模型對(duì)核電廠運(yùn)行事件數(shù)量進(jìn)行預(yù)測(cè)，并利用LSTM模型對(duì)非線性部分的殘差進(jìn)行預(yù)測(cè)，結(jié)合兩模型預(yù)測(cè)值得到最終組合模型的預(yù)測(cè)值。通過(guò)與2019～2020年《國(guó)家核安全局年報(bào)》核電廠運(yùn)行事件數(shù)量對(duì)比和驗(yàn)證，其預(yù)測(cè)結(jié)果能夠準(zhǔn)確地描述實(shí)測(cè)值，表明其預(yù)測(cè)結(jié)果具有良好的可信度。

ARIMA-LSTM組合模型比ARIMA單一模型的預(yù)測(cè)預(yù)測(cè)精度提高了3%，充分發(fā)揮了LSTM模型和ARIMA模型的優(yōu)點(diǎn)，前者優(yōu)化非線性部分，后者擬合線性部分，高效地處理了核電廠運(yùn)行事件數(shù)量存在的非線性問(wèn)題?；旌夏Ｐ蛯?duì)應(yīng)用差分自然回歸的ARIMA模型的殘差進(jìn)行優(yōu)化，有效解決了單一模型存在的誤差問(wèn)題。研究結(jié)果表明，通過(guò)對(duì)原始數(shù)據(jù)的優(yōu)化，組合模型能夠提高核電廠運(yùn)行事件數(shù)量預(yù)測(cè)的精度。

作者貢獻(xiàn)聲明侯秦脈：提出研究思路、設(shè)計(jì)研究方案、進(jìn)行數(shù)據(jù)計(jì)算、數(shù)據(jù)分析及論文的撰寫；朱偉：負(fù)責(zé)完善研究方案、數(shù)據(jù)收集、參與數(shù)據(jù)計(jì)算、稿件的審閱與修訂；鄒象：負(fù)責(zé)提供技術(shù)支持與指導(dǎo)；劉時(shí)賢：負(fù)責(zé)研究進(jìn)度的監(jiān)督與指導(dǎo)；吳彥農(nóng)：負(fù)責(zé)收集參考文獻(xiàn)。