基于KNN方法的熔鹽堆系統(tǒng)瞬態(tài)識別模型開發(fā)及分析

周天澤 虞凱程 程懋松 戴志敏,3

1（上?？萍即髮W 上海 201210）

2（中國科學院上海應用物理研究所 上海 201800）

3（中國科學院大學 北京 100049）

熔鹽堆是第四代先進核能系統(tǒng)之一，其利用熔鹽作為燃料與冷卻劑，其研究始于20世紀40年代末的美國［1-2］，美國橡樹嶺國家實驗室（Oak Ridge National Laboratory，ORNL）于1954年建造了2.5 MW空間動力試驗反應堆（Aircraft Reactor Experiment，ARE），展示了很好的穩(wěn)定性以及易控制性［3］。熔鹽堆具備高溫、低壓、高化學穩(wěn)定性等特性，可被應用于高溫制氫、放射性同位素制備、內(nèi)陸地區(qū)發(fā)電等場景［4-6］。在熔鹽堆運行過程中，需要及時識別可能的事故瞬態(tài)并采取措施，以防止事故瞬態(tài)進一步惡化，確保反應堆安全。目前，核電站采用的瞬態(tài)識別方法主要依靠操作員根據(jù)監(jiān)測數(shù)據(jù)進行人為識別，這種方法存在著較大的人為因素［7］。為了盡量減少人為因素的引入，確保核電安全，可以采用機器學習方法建立核反應堆系統(tǒng)瞬態(tài)識別模型，在較少的人為因素下對核反應堆系統(tǒng)瞬態(tài)工況進行快速、準確地識別。

目前，國內(nèi)外已有許多團隊進行了基于機器學習核電站系統(tǒng)瞬態(tài)識別模型的開發(fā)。哈爾濱工程大學Wang等［8］利用卷積神經(jīng)網(wǎng)絡提取輸入?yún)?shù)特征后再利用遷移學習降低不同功率水平下的特征分布差異，實現(xiàn)不同功率水平下的核電站系統(tǒng)瞬態(tài)識別。來自東北大學的Li等［9］提出了一種無監(jiān)督聚類方法，能夠自動準確地匹配運行瞬態(tài)與預先設計的瞬態(tài)，從而減少操作員主觀判斷瞬態(tài)類型帶來的誤差。Ramezani等［10］采用多種特征過濾方法以確定核電站瞬態(tài)識別的重要輸入?yún)?shù)，以降低訓練系統(tǒng)瞬態(tài)識別模型所帶來的計算成本，結果表明，采用鄰成分分析濾波方法進行特征過濾的系統(tǒng)瞬態(tài)識別模型擁有最好的性能，并確定了模型達到90%識別準確率所需的最少輸入?yún)?shù)類型。dos Santos等［11］開發(fā)了一種基于5層深度整流神經(jīng)網(wǎng)絡的系統(tǒng)瞬態(tài)識別模型，用于巴西壓水堆瞬態(tài)事故識別，在識別12種瞬態(tài)事故與穩(wěn)態(tài)運行工況時的準確率達到99.03%。Mendoza和Tsvetkov［12］利用主成分分析和支持向量機、深度神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡開發(fā)了故障檢測與診斷監(jiān)控系統(tǒng)FDDMS（Fault Detection and Diagnosis Monitoring System），可用于核電站功率調(diào)節(jié)瞬態(tài)識別，卷積神經(jīng)網(wǎng)絡在Raw類型的數(shù)據(jù)中可以達到99%以上的識別準確率。Mena等［13］使用AutoML和TPOT等工具，基于6種機器學習方法建立了6種不同的系統(tǒng)瞬態(tài)識別模型，用于識別APR1400的系統(tǒng)瞬態(tài)，并且6種模型均達到95%以上的識別準確率，其中基于邏輯回歸的系統(tǒng)瞬態(tài)識別模型達到了98%以上的識別準確率。目前，國內(nèi)外的相關研究主要集中在壓水堆、沸水堆等堆型，缺乏針對熔鹽堆的系統(tǒng)瞬態(tài)識別模型研究，鑒于熔鹽堆獨特的設計和運行方式，需要基于機器學習方法開發(fā)適用于熔鹽堆的系統(tǒng)瞬態(tài)識別模型。

為了減少熔鹽堆運行過程中人為因素，提高熔鹽堆運行安全，基于K近鄰（K-nearest Neighbor，KNN）機器學習方法，建立了熔鹽堆系統(tǒng)瞬態(tài)識別模型，并對系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性進行詳細分析和優(yōu)化。

1 基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型

基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型的開發(fā)流程主要包括兩個部分：數(shù)據(jù)集生成和系統(tǒng)瞬態(tài)識別模型的建立，如圖1所示。使用熔鹽堆系統(tǒng)分析程序RELAP5-TMSR進行建模與仿真，獲得對應瞬態(tài)工況的運行數(shù)據(jù)，生成數(shù)據(jù)集并劃分為訓練集與測試集。而系統(tǒng)瞬態(tài)識別模型的建立過程則基于前一過程中所得到的訓練集與測試集。這一過程主要包含對系統(tǒng)瞬態(tài)模型的訓練、優(yōu)化與測試：通過訓練集訓練及優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識別模型的超參數(shù)，然后使用測試集數(shù)據(jù)對優(yōu)化好的系統(tǒng)瞬態(tài)識別模型進行測試，并對系統(tǒng)瞬態(tài)識別模型的泛化能力進行評估。

圖1 熔鹽堆系統(tǒng)瞬態(tài)識別模型開發(fā)流程Fig.1 Development process of the system transient identification model

1.1 KNN方法

KNN是一種基于實例的監(jiān)督學習算法，可以用于分類和回歸問題［14］；同樣是一種懶惰學習方法［15］，它不需要訓練階段，只需存儲訓練數(shù)據(jù)集。

對于分類問題，KNN根據(jù)未知類別的樣本點的K個最近鄰樣本點中出現(xiàn)最多的類別來確定未知樣本點的類別。因此，在KNN算法中，K這一超參數(shù)的選取至關重要。通常情況下，如果K值過小，識別結果對近鄰點非常敏感，容易過擬合；如果K值過大，模型容易受到樣本分布的影響，導致欠擬合。KNN的優(yōu)點是可以快速對新的測試樣本進行分類；缺點是對于大規(guī)模數(shù)據(jù)集，計算距離的復雜度較高。如果采用暴力搜索（Brute Force）計算數(shù)據(jù)所有點之間的距離，在面對大量的高維數(shù)據(jù)時，將耗費大量時間和計算資源。采用K-D樹或球數(shù)等算法［16-17］可以解決暴力搜索的低效率問題。同時，在KNN方法中，近鄰點距離的計算方法也很重要［18］。歐氏距離和曼哈頓距離是兩種距離計算方法，n維空間點a（x11，x12，…，x1n）與b（x21，x22，…，x2n）之間的兩種距離數(shù)學表達d12E和d12M分別如式（1）和（2）所示：

1.2 熔鹽堆系統(tǒng)瞬態(tài)識別模型

在熔鹽堆系統(tǒng)瞬態(tài)識別模型中（圖2），KNN方法依據(jù)待識別瞬態(tài)樣本在多維空間中的K個最近鄰瞬態(tài)樣本，按照少數(shù)服從多數(shù)原則，確定待識別瞬態(tài)樣本的瞬態(tài)類型。

圖2 基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型Fig.2 KNN-based system transient identification model for the MSR system

基于KNN的系統(tǒng)瞬態(tài)識別模型的超參數(shù)選取也大致圍繞這幾方面進行展開，如表1所示，待優(yōu)化的超參數(shù)包含鄰近點數(shù)K（N_neighbors）、鄰近點查找方法（Algorithm）、距離計算方法（P）和鄰近點權重方式（Weights）。

基于KNN的系統(tǒng)瞬態(tài)識別模型框架如圖3所示。模型的輸入為N種熔鹽堆內(nèi)的系統(tǒng)運行參數(shù)，如反應堆功率、溫度、壓力和質(zhì)量流量等。模型的輸出是P種瞬態(tài)工況在對應N種運行參數(shù)下的概率，最終模型從這些瞬態(tài)工況中選取概率最大的瞬態(tài)作為最終的識別結果。

圖3 基于KNN的系統(tǒng)瞬態(tài)識別模型框架Fig.3 Framework of the KNN-based system transient identification model

2 系統(tǒng)瞬態(tài)識別模型訓練、優(yōu)化及測試

2.1 數(shù)據(jù)集產(chǎn)生

20世紀60年代，美國橡樹嶺國家實驗室設計并建造了熔鹽實驗堆（Molten Salt Reactor Experiment，MSRE），并于1965年成功運行。本文以MSRE為對象，建立和訓練熔鹽堆系統(tǒng)瞬態(tài)識別模型。由于相關報告中的瞬態(tài)實驗數(shù)據(jù)不足，因此使用由中國科學院上海應用物理研究所團隊［19-21］擴展開發(fā)的RELAP5-TMSR系統(tǒng)分析程序對MSRE的瞬態(tài)工況進行建模與仿真，產(chǎn)生所需數(shù)據(jù)集。MSRE的RELAP5-TMSR模型節(jié)點圖如圖4所示。

圖4 MSRE的RELAP5-TMSR節(jié)點圖Fig.4 RELAP5-TMSR nodalization of the MSRE

為了開展系統(tǒng)瞬態(tài)識別研究，參考ORNL的MSRE相關報告［22］，選擇了表2中所列的瞬態(tài)工況，并使用RELAP5-TMSR程序進行建模與仿真。除了考慮瞬態(tài)工況的選擇，還需要選擇合適的熔鹽堆系統(tǒng)運行參數(shù)作為系統(tǒng)瞬態(tài)識別模型的輸入特征。在選取輸入特征時，參考實際熔鹽堆中操作人員容易獲得的一些參數(shù)，選取了表3中所列的功率、堆芯出入口溫度、回路壓力和質(zhì)量流量等11種熔鹽堆運行參數(shù)。為了更好地測試系統(tǒng)瞬態(tài)識別模型的泛化能力，將熔鹽堆系統(tǒng)瞬態(tài)識別模型的數(shù)據(jù)集劃分為訓練集與測試集，兩者獨立生成。為確保模擬結果的穩(wěn)定性和可靠性，相應的瞬態(tài)工況在MSRE穩(wěn)態(tài)運行100 s后引入。訓練集在1～8 MW的熱功率下均勻分成8種功率水平，在每個功率水平下對瞬態(tài)工況進行建模與仿真，每隔1 s提取對應時刻的11種熔鹽堆運行參數(shù)作為熔鹽堆系統(tǒng)識別的特征參數(shù)。最終，獲取的訓練數(shù)據(jù)集由72 356個數(shù)據(jù)點組成。測試數(shù)據(jù)集在1～8 MW的隨機反應堆功率下的11種不同運行狀態(tài)生成，由25 055個數(shù)據(jù)點組成，以更全面地評估系統(tǒng)瞬態(tài)識別模型的性能和識別能力。

表2 MSRE運行工況類型Table 2 MSRE operation condition type

表3 熔鹽堆系統(tǒng)識別特征參數(shù)Table 3 Feature parameters of identification in MSR system

2.2 系統(tǒng)瞬態(tài)識別模型訓練及優(yōu)化

本節(jié)利用生成的數(shù)據(jù)集訓練和優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識別模型，進一步提高系統(tǒng)瞬態(tài)識別模型的識別準確率和泛化能力。

2.2.1 超參數(shù)優(yōu)化

通過對超參數(shù)優(yōu)化，從超參數(shù)組合中尋找到最優(yōu)的超參數(shù)組合，使得基于KNN的系統(tǒng)瞬態(tài)識別模型在驗證集的性能最佳。采用5折交叉法和隨機搜索相結合的方式對超參數(shù)組合進行篩選。

在超參數(shù)優(yōu)化中，需要確定優(yōu)化指標以評估不同超參數(shù)組合下的系統(tǒng)瞬態(tài)識別模型性能。在機器學習中，基于KNN的系統(tǒng)瞬態(tài)識別模型是一種分類模型，通常用表4的形式來表述二分類結果。真正例（True Positive，TP）是模型正確地將正例預測為正例的數(shù)量。假正例（False Positive，F(xiàn)P）是模型錯誤地將負例預測為正例的數(shù)量。真反例（True Negative，TN）是模型正確地將負例預測為負例的數(shù)量。假反例（False Negative，F(xiàn)N）是模型錯誤地將正例預測為負例的數(shù)量。這4個二分類指標可以進一步組成不同的性能指標。在熔鹽堆系統(tǒng)瞬態(tài)識別模型的超參數(shù)優(yōu)化中選用最常用的準確率（Accuracy）作為評估指標，其數(shù)學表達形式如式（3）所示。

表4 二分類結果Table 4 Binary classification results

2.2.2 系統(tǒng)瞬態(tài)識別模型優(yōu)化結果

對表1所選取的超參數(shù)組合進行優(yōu)化，優(yōu)化結果如圖5所示。鄰近點查找方法、鄰近點數(shù)K、距離計算方法對于基于KNN的系統(tǒng)瞬態(tài)識別模型準確率影響不明顯。但在鄰近點權重方式中，采用“distance”方式進行鄰近點權重略優(yōu)于采用“uniform”方式進行鄰近點權重。其中最優(yōu)超參數(shù)組合列于表5中。

表5 基于KNN的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果Table 5 Hyper-parameters optimization results of KNN-based system transient identification model

圖5 基于KNN的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果Fig.5 Hyper-parameter optimization results of the KNN-based system transient identification model

2.3 系統(tǒng)瞬態(tài)識別模型測試及評估

在評估系統(tǒng)瞬態(tài)識別模型時需要選擇評估指標，在上一小節(jié)的模型優(yōu)化過程中采用了準確率，但是在某些情況下，單純依賴準確率并不能完全反映系統(tǒng)瞬態(tài)識別模型的性能。在類別不平衡的情況下，即某一類別的樣本數(shù)量明顯少于另一類別時，僅使用準確率評估分類器的性能會產(chǎn)生偏差，因為此時分類器可能會傾向于預測樣本數(shù)量較多的類別。在評估熔鹽堆系統(tǒng)瞬態(tài)識別模型時，需要引入其他指標來更全面地對系統(tǒng)瞬態(tài)識別模型的性能進行評估。除準確率外，額外選取了在機器學習分類方法中常用的其他三個評估指標：精確率（Precision）、召回率（Recall）和F1分數(shù)（F1-score）［23］，它們的具體數(shù)學表達形式如下：

精確率反映了被模型正確識別的正樣本數(shù)量占模型識別的所有正樣本數(shù)量的比例，精確率越高，說明模型正確識別出的正樣本數(shù)量越多。召回率反映了被模型正確識別的正樣本數(shù)量占總正樣本數(shù)量的比例，召回率越高，說明模型正確識別出的正樣本數(shù)量越接近于總正樣本數(shù)量。而F1分數(shù)綜合考慮精確率和召回率，是精確率和召回率的調(diào)和平均數(shù)。

采用混淆矩陣（Confusion Matrix）評估系統(tǒng)瞬態(tài)識別模型在測試集上的識別性能?；旌暇仃噲D中的數(shù)字為樣本數(shù)，橫坐標為系統(tǒng)瞬態(tài)識別模型對瞬態(tài)的識別類別，縱坐標為真實瞬態(tài)類別，位于對角線上的樣本為系統(tǒng)瞬態(tài)識別模型正確識別的樣本。基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型的測試結果如圖6所示。

圖6 基于KNN的系統(tǒng)瞬態(tài)識別模型混淆矩陣圖Fig.6 Confusion matrix for the KNN-based system transient identification model

基于KNN的系統(tǒng)瞬態(tài)識別模型的準確率、精確率、召回率和F1分數(shù)均為99.99%，如表6所示?；贙NN的系統(tǒng)瞬態(tài)識別模型正確識別了25 055個瞬態(tài)工況樣本中的25 054個瞬態(tài)工況，只有一例3根控制棒誤提升樣本被誤識別為2根控制棒誤提升。此外，單獨瞬態(tài)的F1分數(shù)結果列于表7中，基于KNN的系統(tǒng)瞬態(tài)識別模型在測試集上表現(xiàn)出極佳的識別性能。這表明了本文建立的基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型能夠高效、準確地識別MSRE中的多種瞬態(tài)工況。

表6 基于KNN識別模型測試結果Table 6 Test results of KNN-based identification models

表7 單獨瞬態(tài)的F1分數(shù)Table 7 F1-score of individual transient

3 系統(tǒng)瞬態(tài)識別模型魯棒性分析及優(yōu)化

3.1 高斯白噪聲魯棒性分析

在熔鹽堆實際運行過程中，測量儀表的測量數(shù)值會受到不同程度的噪聲干擾。因此，在系統(tǒng)瞬態(tài)識別模型對熔鹽堆系統(tǒng)瞬態(tài)進行識別的過程中，需要考慮系統(tǒng)瞬態(tài)識別模型的輸入?yún)?shù)在實際應用時的噪聲干擾，開展對熔鹽堆系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性分析。測量儀表在t時刻測得的運行參數(shù)數(shù)值X（t）可以表示為［24］：

式中：S（t）是運行參數(shù)在t時刻的真實數(shù)值；D（t）是t時刻噪聲對測量儀表的干擾。這些噪聲干擾通常來自多個不同噪聲源，并且具有一定的隨機性。隨著噪聲源數(shù)量的增加，這些噪聲之和近似服從高斯分布，通過假設噪聲干擾的總和為高斯白噪聲以模擬未知的真實噪聲［25］。

噪聲的大小通常采用信噪比（Signal to Noise Ratio，SNR）來衡量［26］，表示為：

式中：Psignal代表信號功率；Pnoise代表噪聲功率；Asignal代表信號幅度；Anoise代表噪聲幅度。在核電站內(nèi)，測量儀表受到的噪聲干擾不會太大，最大噪聲干擾的SNR在30 dB左右［27］。本文通過在測試集中添加20～50 dB的高斯白噪聲干擾，分析基于KNN的系統(tǒng)瞬態(tài)識別模型的魯棒性。

基于KNN的系統(tǒng)瞬態(tài)識別模型在含噪聲測試集中的測試結果如圖7所示。4種評估指標呈現(xiàn)出隨著SNR的增長而不斷上升的趨勢，在低SNR下較低，并在40 dB左右基本達到一致水平。其中準確率在不同SNR下均高于其他三個評估指標；而精確率在低SNR時和準確率保持一致，但是其上升趨勢較慢；召回率與F1分數(shù)在不同SNR下基本保持一致，但均低于準確率與精確率的數(shù)值。

圖7 魯棒性測試結果Fig.7 Robustness test results

對基于KNN的系統(tǒng)瞬態(tài)識別模型在30 dB SNR下的魯棒性進一步分析?；贙NN的系統(tǒng)瞬態(tài)識別模型在30 dB SNR下識別準確率為97.41%，精確率達到94.47%，召回率和F1分數(shù)也分別達到94.61%和94.31%，如表8所示，4項評估指標均高于94%，具有較好的魯棒性。但是準確率明顯高于精確率、召回率和F1分數(shù)，準確率作為綜合指標，可能會忽略某幾種瞬態(tài)帶來的影響，而精確率、召回率和F1分數(shù)考慮了單一瞬態(tài)帶來的影響，可以推斷是因為誤識別瞬態(tài)分布集中導致。相比較在無噪聲下達到99.99%的識別結果，在30 dB噪聲下的識別結果較低，需要進一步優(yōu)化系統(tǒng)瞬態(tài)識別模型的魯棒性。

表8 系統(tǒng)瞬態(tài)識別模型在30 dB SNR下的識別結果Table 8 Results of system transient identification model under 30 dB SNR

3.2 魯棒性優(yōu)化

3.2.1 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型

含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型通過在數(shù)據(jù)集中加入噪聲，使用含噪聲數(shù)據(jù)對基于KNN的系統(tǒng)瞬態(tài)識別模型重新訓練，從而進一步優(yōu)化系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性。在數(shù)據(jù)集中添加SNR為30 dB的噪聲，使得訓練集中的數(shù)據(jù)含有噪聲，從而增加系統(tǒng)瞬態(tài)識別模型在噪聲下對瞬態(tài)工況的識別能力。

3.2.2 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型優(yōu)化

與基于KNN的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化過程一樣，通過5折交叉法和隨機搜索相結合的方式對表1中的超參數(shù)組合進行篩選。含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型優(yōu)化結果如圖8所示，最優(yōu)超參數(shù)組合列于表9中。

表9 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果Table 9 Hyper-parameters optimization results of system transient identification model trained by data with noise

圖8 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果Fig.8 Hyper-parameter optimization results of the system transient identification model trained on noisy data

3.2.3 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型測試及評估

同樣使用準確率、精確率、召回率和F1分數(shù)4個評估指標對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型的泛化能力進行評估。首先在不含噪聲的測試集上，對基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型的性能進行測試，其測試結果如圖9所示。

圖9 基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在無噪聲測試集上的混淆矩陣圖Fig.9 Confusion matrix for the KNN-based system transient identification model trained using noisy data on noiseless test datasets

基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型無噪聲測試集數(shù)據(jù)中的準確率為99.69%、精確率為99.26%、召回率和F1分數(shù)均為99.22%，如表10所示。其在無噪聲測試集上的4項評估指標也均超過99%，具有較好的熔鹽堆系統(tǒng)瞬態(tài)識別性能。

表10 基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在無噪聲測試集上的測試結果Table 10 Results of KNN-based system transient identification model trained by data with noise on noiseless test datasets

但是無噪聲只是一種理想環(huán)境，在熔鹽堆實際運行過程中，儀表測量往往會受到環(huán)境噪聲干擾，因此主要在噪聲環(huán)境下對含噪聲模型進行分析。需要在有噪聲測試集上，對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型進行測試。因為在訓練集中添加的噪聲為30 dB SNR，所以在測試集上同樣添加了30 dB SNR的噪聲。采用混合矩陣評估含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型對含噪樣本的識別情況?；贙NN的含噪聲數(shù)據(jù)訓練的瞬態(tài)模型在含噪測試集中的表現(xiàn)結果如圖10所示。

圖10 基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在含噪聲測試集上的混淆矩陣圖Fig.10 Confusion matrix for the KNN-based system transient identification model trained using noisy data on noisy test datasets

基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在30 dB SNR的含噪聲測試集數(shù)據(jù)中的準確率為99.89%、精確率為99.73%、召回率和F1分數(shù)均為99.73%，如表11所示。含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型正確識別了25 055個瞬態(tài)工況樣本中的25 028個瞬態(tài)工況，其中27個被誤識別的瞬態(tài)工況均為控制棒誤提升瞬態(tài)，有17例2根控制棒誤提升瞬態(tài)被誤識別為3根控制棒誤提升。使用含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在含噪聲測試集上的識別性能非常優(yōu)越，具體單獨瞬態(tài)的F1分數(shù)結果列于表12中。表明了本文建立的基于KNN的含噪聲數(shù)據(jù)訓練的熔鹽堆系統(tǒng)瞬態(tài)識別模型能夠在30 dB SNR的噪聲環(huán)境下準確地識別MSRE中的多種瞬態(tài)工況。

表11 基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型測試結果Table 11 Results of KNN-based noise-added system transient identification model in test datasets

表12 基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型識別單獨瞬態(tài)的F1分數(shù)Table 12 F1-scores of individual transients using KNN-based system transient identification model trained by data with noise

3.2.4 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型魯棒性分析

相較于不含噪聲數(shù)據(jù)的系統(tǒng)瞬態(tài)識別模型，使用含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在30 dB SNR的高斯白噪聲下具有較高的魯棒性。但是考慮到熔鹽堆在實際運行中，儀表測量受到的噪聲干擾未知，30 dB SNR的高斯白噪聲僅能反映含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在最大噪聲下具有較好的性能，仍需要對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在不同程度SNR的高斯白噪聲下的魯棒性進行分析。基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在20～50 dB SNR噪聲下的魯棒性測試結果如圖11所示。

圖11 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型魯棒性測試結果Fig.11 Robustness test results of the system transient identification model trained on noisy data

4種評估指標呈現(xiàn)出先隨著SNR的增長而不斷上升，再隨著SNR的增長而不斷緩慢降低的趨勢，轉折點在27 dB左右。準確率在不同SNR下依舊高于其他三個評估指標，并且在高SNR下依舊明顯高于其他三個評估指標。在低SNR下，精確率、召回率和F1分數(shù)的差別較為明顯，精確率較高而F1分數(shù)最差；在高SNR下，這三種指標幾乎保持一致。相較于魯棒性優(yōu)化前的識別模型，魯棒性優(yōu)化后的系統(tǒng)瞬態(tài)識別模型在噪聲下具有更好的識別性能，這也表明了采用含噪聲數(shù)據(jù)訓練方法可以有效提高識別模型在噪聲下的魯棒性，同時也證明了魯棒性優(yōu)化后的基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型在高斯白噪聲下具有極高的識別性能，可以在噪聲下準確識別MSRE瞬態(tài)工況。

4 結語

為了減少熔鹽堆系統(tǒng)瞬態(tài)識別過程中引入的人為因素，提高熔鹽堆運行安全，基于KNN方法建立了熔鹽堆系統(tǒng)瞬態(tài)識別模型。使用系統(tǒng)分析程序RELAP5-TMSR生成數(shù)據(jù)集進行系統(tǒng)瞬態(tài)識別模型的訓練和超參數(shù)優(yōu)化，并對系統(tǒng)瞬態(tài)識別模型的性能進行了測試與評估?？紤]到熔鹽堆實際運行中的測量儀表噪聲干擾，對系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性進行了分析和優(yōu)化。結果表明：在無噪聲情況下，基于KNN方法建立的熔鹽堆系統(tǒng)瞬態(tài)識別模型識別性能極佳，在噪聲下識別性能同樣較好，表現(xiàn)出較高的魯棒性；通過魯棒性優(yōu)化，系統(tǒng)瞬態(tài)識別模型在噪聲下的識別性能進一步提升，魯棒性得到增強。上述結果表明，所開發(fā)的系統(tǒng)瞬態(tài)識別模型能夠有效識別MSRE系統(tǒng)瞬態(tài)工況，具有較大潛力和價值，可以進一步推廣至其他熔鹽堆系統(tǒng)，提高熔鹽堆系統(tǒng)的運行安全性，并為熔鹽堆的智能運維提供有力支持。

作者貢獻聲明周天澤負責進行熔鹽堆系統(tǒng)瞬態(tài)識別模型的開發(fā)、分析及文章撰寫；虞凱程負責對文章的知識性內(nèi)容作批評性審閱及文章修訂；程懋松負責提出研究思路，文章審閱與修訂；戴志敏負責研究方案指導、研究進度監(jiān)督和研究項目管理。