一種用于核動(dòng)力系統(tǒng)態(tài)勢(shì)感知的深度梯度鏈?zhǔn)揭嫠惴?/h1>
2025-08-09 00:00:00陳杰肖凱黃軻李羿良
中圖分類號(hào)：TL36 文獻(xiàn)標(biāo)志碼：A DOI： 10.19907/j. 0490-6756.250074
Adeep gradientchainenginealgorithm for thesituation awarenessofnuclearpowersystems
CHEN Jie，XIAO Kai，HUANG Ke，LI Yi-Liang （State KeyLaboratoryofAdvanced NuclearEnergy Technology，NuclearPower InstituteofChina，Chengdu 6lO213，China）
Abstract： Situational awareness is the core of achieving \"less manpower\" in nuclear power systems，especially for the accurate prediction of primary loop parameters.In this paper，based on the superiority of AI in solving complex nonlinear problems，the authors develop an ofline transient operating parameter analysis algorithm，say，Deep Gradient Chain Engine（DGCE） algorithm，for nuclear power systems using the automated machine learning and deep learning approaches.DGCE algorithm is a fully automated chained computingarchitecture extended from the automated machine learning and contains four key modules：metalearning，time sliding window，DGCE core and Bayesian optimization.The time sliding window module dynamically extracts the training dataset with optimal dimensionality.The Bayesian optimization and metalearning modules synergistically determine the hyperparameter configurations including the learning rate，network depth，weight and bias distributions，which is used to optimize both the training efficiencyand computational accuracy.Meanwhile，the Bayesian optimization module iteratively explores the topology space through probabilistic surrogate modeling，accumulating experiential knowledge to identify minimal-loss graph structures.The meta-learning module enables predictive adaptation by analyzing inter-dataset gradient relationships，allowing DGCE to extrapolate parameter distributions （weights/biases） for unseen operational scenarios. DGCE algorithm is expected to realize self-configuring operations such as topology construction，hyperparameter selection，system debugging and model training.Then，from the perspective of data-driven and statistical analysis，a prediction model is proposed for the reactor primary key parameters based on DGCE algorithm，the trend of transient operating parameters of nuclear power systems over time is analyzed to explore the inherent correlation between the transient operating parameters.Thevalidation of the model is car ried out based on simulation experiments.Simulation results indicate that the modelcan accurately predict the coolant flow rate，stabilizer pressure，water level，core thermal power and relevant parameters of the steam generator；the minimum prediction reliability is 94.25% under the reduced power conditions and 90.92% under the accident conditions;the operating speed reaches the 10-5 second level.
Keywords： Nuclear power system； Prediction of primary loop parameters; Situational awareness; Deep gradient chain engine
1引言
核動(dòng)力系統(tǒng)具有高維、非線性和強(qiáng)耦合等特點(diǎn)，運(yùn)行環(huán)境惡劣，工況切換頻繁.掌握系統(tǒng)的瞬時(shí)運(yùn)行態(tài)勢(shì)有助于提前預(yù)測(cè)潛在故障和風(fēng)險(xiǎn)、保障系統(tǒng)運(yùn)行安全[1.2].其中，核動(dòng)力裝置一回路參數(shù)的時(shí)序預(yù)測(cè)是核動(dòng)力系統(tǒng)狀態(tài)預(yù)測(cè)的一個(gè)關(guān)鍵點(diǎn)[3].
目前，人工智能在處理復(fù)雜非線性問(wèn)題等方面的優(yōu)越性越來(lái)越得到學(xué)術(shù)界和工業(yè)界的認(rèn)可[4.5].諸多學(xué)者基于人工智能方法對(duì)核動(dòng)力系統(tǒng)的不同運(yùn)行參數(shù)的預(yù)測(cè)問(wèn)題展開(kāi)研究，例如，在冷卻劑系統(tǒng)參數(shù)預(yù)測(cè)方面，文獻(xiàn)[6]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于主冷卻劑系統(tǒng)參數(shù)預(yù)測(cè)，通過(guò)特征提取深層次信息，并對(duì)數(shù)據(jù)進(jìn)行歸一化及網(wǎng)格處理，在仿真軟件PCTRAN上進(jìn)行了仿真.結(jié)果表明，所提算法框架在破口事故下參數(shù)預(yù)測(cè)具有很好的時(shí)效性.在堆芯參數(shù)預(yù)測(cè)方面，文獻(xiàn)[7使用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了堆芯熱功率精確預(yù)測(cè).在主冷卻劑泵參數(shù)預(yù)測(cè)方面，文獻(xiàn)[8]提出將差分整合移動(dòng)平均自回歸和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的模型應(yīng)用于主冷卻劑泵的狀態(tài)預(yù)測(cè).在汽輪機(jī)組參數(shù)預(yù)測(cè)方面，文獻(xiàn)[9]提出同時(shí)使用BPNN和貝葉斯優(yōu)化對(duì)核反應(yīng)堆汽輪機(jī)組功率進(jìn)行預(yù)測(cè)．仿真結(jié)果表明，引入貝葉斯優(yōu)化后，BPNN預(yù)測(cè)準(zhǔn)確率能夠達(dá)到 99.83% .在核電站總體參數(shù)預(yù)測(cè)方面，文獻(xiàn)[10]基于深度學(xué)習(xí)方法建立起管理平臺(tái)供操作員使用，當(dāng)系統(tǒng)出現(xiàn)異常且可能導(dǎo)致放射性物質(zhì)泄漏時(shí)該平臺(tái)就會(huì)向操作員發(fā)出警告并提供解決方案.文獻(xiàn)[11提出了一種使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)反應(yīng)堆進(jìn)行瞬態(tài)分析的DCNN-LSTM模型，模型結(jié)合了CNN和LSTM的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用數(shù)據(jù)分割湍流模型以使其能夠被用于鈉冷快堆的瞬態(tài)分析.仿真結(jié)果表明，經(jīng)訓(xùn)練和優(yōu)化后，該模型對(duì)湍流黏度具有很好的預(yù)測(cè)效果.在系統(tǒng)關(guān)鍵參數(shù)變化趨勢(shì)的快速準(zhǔn)確預(yù)測(cè)方面，文獻(xiàn)[12]提出了一種由多步預(yù)測(cè)策略和人工神經(jīng)網(wǎng)絡(luò)組成的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型，解決了考慮操作員在多種緊急情況下的行為的未來(lái)參數(shù)趨勢(shì)估計(jì)的多變量問(wèn)題，可支持核電站操作員應(yīng)對(duì)人為錯(cuò)誤和事故診斷.
目前常用的系統(tǒng)態(tài)勢(shì)感知智能算法主要有人工神經(jīng)網(wǎng)絡(luò)ANN、誤差逆?zhèn)鞑ニ惴˙PNN、卷積神經(jīng)網(wǎng)絡(luò)CNN、支持向量機(jī)SVM、隨機(jī)森林RF、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM等[13]，參見(jiàn)表1.其中，BiBPNN和BiLSTM分別指經(jīng)過(guò)貝葉斯優(yōu)化后的BP和LSTM神經(jīng)網(wǎng)絡(luò).
表1系統(tǒng)態(tài)勢(shì)感知智能算法列表 雖然人工智能方法在系統(tǒng)智能態(tài)勢(shì)感知中取得了很好的效果，但設(shè)計(jì)人員往往需要花費(fèi)大量時(shí)間和計(jì)算資源去處理模型的搭建、調(diào)參、訓(xùn)練及發(fā)布任務(wù)[14.15]，效率較低．為了提高工作效率并推進(jìn)智能態(tài)勢(shì)感知方法在核工程中的應(yīng)用，提升現(xiàn)有系統(tǒng)的智能化水平，本文在自動(dòng)化深度學(xué)習(xí)基礎(chǔ)上利用深度梯度鏈?zhǔn)揭娣椒ń⒘艘环N離線的核動(dòng)力系統(tǒng)瞬態(tài)運(yùn)行參數(shù)預(yù)測(cè)算法—DGCE算法.仿真結(jié)果表明，使用離線數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練后，該算法能夠?qū)崿F(xiàn)系統(tǒng)瞬態(tài)運(yùn)行參數(shù)隨時(shí)間的變化趨勢(shì)快速預(yù)測(cè)．
2 算法設(shè)計(jì)
2.1深度梯度鏈?zhǔn)揭?/p>
圖1是DGCE算法的處理流程，其結(jié)構(gòu)主要包含特征選擇、元學(xué)習(xí)、貝葉斯優(yōu)化和深度梯度鏈?zhǔn)揭婧诵牡?個(gè)模塊.
基于局部線性嵌入算法的流形學(xué)習(xí)模塊，算法化簡(jiǎn)原數(shù)據(jù)中各數(shù)據(jù)間的耦合關(guān)系，降低統(tǒng)計(jì)學(xué)習(xí)的時(shí)間和空間復(fù)雜度，然后將降維后的數(shù)據(jù)集劃分為訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本，用于智能模型訓(xùn)練.其中，將訓(xùn)練樣本和驗(yàn)證樣本應(yīng)用于基于模型無(wú)關(guān)元學(xué)習(xí)模塊，通過(guò)學(xué)習(xí)瞬態(tài)運(yùn)行數(shù)據(jù)集中各數(shù)據(jù)的梯度變化規(guī)律實(shí)現(xiàn)基于先驗(yàn)經(jīng)驗(yàn)指導(dǎo)新模型訓(xùn)練的功能目標(biāo)，將測(cè)試樣本應(yīng)用于貝葉斯優(yōu)化模塊，為引擎核心的超參數(shù)自動(dòng)調(diào)整提供測(cè)試環(huán)境.
圖1DGCE算法流程 基于LSTM算法的核心模塊的處理流程如圖2所示.該部分集合了上述3個(gè)模塊的計(jì)算結(jié)果，自動(dòng)地建立瞬態(tài)運(yùn)行參數(shù)算法模型，實(shí)現(xiàn)模型訓(xùn)練.
為解決循環(huán)神經(jīng)網(wǎng)絡(luò)無(wú)法學(xué)習(xí)距離當(dāng)前時(shí)刻較遠(yuǎn)的輸人數(shù)據(jù)的問(wèn)題，LSTM網(wǎng)絡(luò)除了節(jié)點(diǎn)自身的輸出之外還增加了一個(gè)新的狀態(tài)量c，稱為單元狀態(tài)（cellstate），作用是保存距離當(dāng)前時(shí)刻較長(zhǎng)時(shí)間的序列信息，即長(zhǎng)期記憶.LSTM節(jié)點(diǎn)中設(shè)置了稱為門（Gate）的結(jié)構(gòu)，以控制節(jié)點(diǎn)中信息的增減.門實(shí)際上是一層全連接層，輸入是一個(gè)向量，輸出是一個(gè)0到1之間的實(shí)數(shù)向量.
一個(gè)LSTM節(jié)點(diǎn)包含3種門：遺忘門、輸入門和輸出門.遺忘門的計(jì)算公式為
圖2引擎核心的計(jì)算流程Fig.2Flowchart of the DGCE core 
其中， wf 為遺忘門的權(quán)值矩陣， bf 為遺忘門的偏置向量， h（t-1） 為上一時(shí)刻的節(jié)點(diǎn)輸出， X（t） 為當(dāng)前時(shí)刻的輸入， [h（t-1） ， X（t） ]代表將兩個(gè)向量相連， φ 為sigmoid型激活函數(shù)，輸入向量維度為 I， 隱含層節(jié)點(diǎn)數(shù)為 J ，則權(quán)值矩陣 wf 的維度為 J×（I+J） .遺忘門的輸出決定上一時(shí)刻單元狀態(tài)有多少需要繼續(xù)保留在當(dāng)前時(shí)刻的單元狀態(tài)中．輸入門的計(jì)算公式為
其中， wi 為輸入門的權(quán)值矩陣， bi 為輸入門的偏置向量.輸入門的輸出決定是否將當(dāng)前時(shí)刻輸入產(chǎn)生的記憶候選值加入單元狀態(tài)中，記憶候選值向量的計(jì)算公式為
其中tanh為雙曲正切函數(shù)， 
和 bc 為相應(yīng)的權(quán)值矩陣和偏置向量.
根據(jù)上一時(shí)刻的單元狀態(tài)和當(dāng)前時(shí)刻的記憶候選值，用公式（4）來(lái)計(jì)算當(dāng)前時(shí)刻的單元狀態(tài)：
其中輸出門控制單元狀態(tài)c表示對(duì)當(dāng)前時(shí)刻輸出的影響，計(jì)算公式為
其中 wo 為輸出門的權(quán)值矩陣， bo 為輸出門的偏置向量.
當(dāng)前時(shí)刻的節(jié)點(diǎn)輸出由輸出門的輸出和當(dāng)前時(shí)刻的單元狀態(tài)共同決定，即
h（t）=o（t）?tanh（c（t））
這樣，由以上計(jì)算流程即可建立LSTM節(jié)點(diǎn)模型.與常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)中的隱含層節(jié)點(diǎn)相同，LSTM節(jié)點(diǎn)的輸出h不僅傳遞給神經(jīng)網(wǎng)絡(luò)的下一層，同時(shí)也作為下一時(shí)刻LSTM層每個(gè)節(jié)點(diǎn)的輸人.LSTM節(jié)點(diǎn)的單元狀態(tài)c則僅傳遞給下一時(shí)刻的LSTM節(jié)點(diǎn)自身，并不向神經(jīng)網(wǎng)絡(luò)的下一層傳遞.
需要指出的是，如果將LSTM節(jié)點(diǎn)作為一個(gè)整體，則其在神經(jīng)網(wǎng)絡(luò)中起的作用與Elman神經(jīng)網(wǎng)絡(luò)中的循環(huán)層節(jié)點(diǎn)是相同的.因此，使用LSTM節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)仍然是一種循環(huán)神經(jīng)網(wǎng)絡(luò).
2.2 貝葉斯優(yōu)化模塊設(shè)計(jì)
2.2.1貝葉斯優(yōu)化算法原理貝葉斯優(yōu)化算法是在已知有限樣本點(diǎn)的情況下通過(guò)構(gòu)造黑箱函數(shù)輸出的后驗(yàn)概率來(lái)尋找函數(shù)的最優(yōu)值．為避免陷入局部極值，算法中通常會(huì)加入一定的隨機(jī)性，并在隨機(jī)探索與后驗(yàn)分布取值之間做權(quán)衡.
2.2.2貝葉斯概率代理模型考慮到原始目標(biāo)函數(shù)的評(píng)估復(fù)雜度，采用概率代理模型來(lái)近似地表示目標(biāo)函數(shù).高斯過(guò)程可根據(jù)核函數(shù)和觀測(cè)值精確計(jì)算出閉合形式的后驗(yàn)分布.協(xié)方差函數(shù)可在高斯過(guò)程中進(jìn)行組合，以表示出更復(fù)雜的函數(shù)結(jié)構(gòu).
貝葉斯優(yōu)化過(guò)程的核心是概率代理模型根據(jù)新樣本推斷出模型后驗(yàn).作為代理模型，高斯過(guò)程在推斷后驗(yàn)分布時(shí)需要計(jì)算協(xié)方差矩陣的逆.值得注意的是，當(dāng)訓(xùn)練樣本特別大時(shí)不適合使用高斯過(guò)程開(kāi)展推斷.
2.2.3貝葉斯優(yōu)化算法框架面向超參數(shù)估計(jì)的貝葉斯優(yōu)化算法流程如圖3所示.從選擇初始的超參數(shù)集開(kāi)始，算法根據(jù)現(xiàn)有的樣本點(diǎn)通過(guò)最優(yōu)化采集函數(shù)獲取更有可能達(dá)到最優(yōu)值的超參數(shù)向量，然后對(duì)新樣本進(jìn)行函數(shù)評(píng)估得到新的泛化性能．為節(jié)省計(jì)算資源，算法對(duì)代價(jià)昂貴的評(píng)估次數(shù)設(shè)置了上限.
2.2.4超參數(shù)優(yōu)化超參數(shù)定義了算法模型屬性或訓(xùn)練過(guò)程的配置變量，包含學(xué)習(xí)率、批量大小及懲罰系數(shù)等參數(shù).超參數(shù)選擇會(huì)影響算法訓(xùn)練的收斂速度和準(zhǔn)確性.
2.2.5貝葉斯優(yōu)化（i）基于貝葉斯優(yōu)化的模型構(gòu)建，如圖3所示，貝葉斯優(yōu)化算法包括兩個(gè)核心過(guò)程，即先驗(yàn)函數(shù)與采集函數(shù)．
圖3貝葉斯優(yōu)化算法流程Fig.3Flowchart of theBayesian optimizationalgorithm （ii）基于貝葉斯優(yōu)化的模型優(yōu)化設(shè)置.算法的初始值與范圍配置如表2所示.算法采用穩(wěn)健初始化策略，將關(guān)鍵參數(shù)設(shè)定在工程合理區(qū)間以確保優(yōu)化穩(wěn)定性.貝葉斯優(yōu)化通過(guò)概率代理模型構(gòu)建動(dòng)態(tài)搜索機(jī)制：當(dāng)檢測(cè)到高潛力參數(shù)區(qū)域時(shí)自主增強(qiáng)局部勘探密度，實(shí)現(xiàn)超參數(shù)的精準(zhǔn)定位.相比傳統(tǒng)方法，該方法的自適應(yīng)平衡策略能夠有效抑制局部收斂風(fēng)險(xiǎn).仿真實(shí)驗(yàn)結(jié)果表明，該方法能夠引導(dǎo)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)向優(yōu)勢(shì)區(qū)間收斂，關(guān)鍵參數(shù)的預(yù)測(cè)誤差波動(dòng)幅度可以得到顯著控制.經(jīng)過(guò)優(yōu)化后，模型表現(xiàn)出更穩(wěn)定的預(yù)測(cè)性能，從而驗(yàn)證了所提方案在參數(shù)自適應(yīng)優(yōu)化方面的應(yīng)用價(jià)值.
表2貝葉斯優(yōu)化算法的參數(shù)配置Tab.2Parameter configuration of the Bayesian optimiza tionalgorithm 2.3 元學(xué)習(xí)模塊設(shè)計(jì)
2.3.1無(wú)關(guān)元學(xué)習(xí)算法元學(xué)習(xí)算法旨在從歷史任務(wù)中學(xué)習(xí)處理任務(wù)的有用經(jīng)驗(yàn)，提高解決新任務(wù)的效率．具體而言，元學(xué)習(xí)算法通過(guò)在歷史任務(wù)上的學(xué)習(xí)獲得一個(gè)通用算法，進(jìn)而在新任務(wù)上實(shí)現(xiàn)快速適應(yīng)，然后將其作為解決新任務(wù)時(shí)的初始化參數(shù)，用于快速解決新任務(wù)．
2.3.2基于梯度的元學(xué)習(xí)算法基于梯度的元學(xué)習(xí)算法主要聚焦于利用歷史任務(wù)的梯度學(xué)習(xí)參數(shù)初始化，使模型具備快速適應(yīng)新任務(wù)的能力.通過(guò)從多個(gè)元訓(xùn)練任務(wù)中獲取梯度信息，算法能夠得到較好的初始化模型參數(shù).在該初始化模型參數(shù)的基礎(chǔ)上，算法進(jìn)行一步或多步的梯度調(diào)整，以達(dá)到僅用少量數(shù)據(jù)就能快速適應(yīng)新任務(wù)的自的.
元學(xué)習(xí)算法的具體優(yōu)化過(guò)程主要分為內(nèi)層優(yōu)化和外層優(yōu)化.通過(guò)交替執(zhí)行內(nèi)層和外層優(yōu)化過(guò)程，可以得到解決新任務(wù)的元參數(shù).當(dāng)需要解決新任務(wù)時(shí)，算法基于該元參數(shù)對(duì)模型執(zhí)行參數(shù)初始化操作，在新任務(wù)上僅需執(zhí)行較少的更新迭代次數(shù)便可以在新任務(wù)上達(dá)到較好的性能，提高新任務(wù)的優(yōu)化效率.
2.3.3元學(xué)習(xí)訓(xùn)練為了使預(yù)測(cè)模型能快速適應(yīng)新任務(wù)，采用元學(xué)習(xí)技術(shù)在多個(gè)小規(guī)模任務(wù)上對(duì)預(yù)測(cè)模型進(jìn)行預(yù)訓(xùn)練.經(jīng)過(guò)元訓(xùn)練階段后，預(yù)測(cè)模型能夠通過(guò)少量的訓(xùn)練迭代輪數(shù)快速適應(yīng)新任務(wù)．值得指出的是，提供更豐富的元數(shù)據(jù)或增加元訓(xùn)練的迭代輪數(shù)都有助于預(yù)測(cè)模型從歷史任務(wù)中獲得更多經(jīng)驗(yàn).
2.3.4引擎算法的初參數(shù)設(shè)置 DGCE算法需要設(shè)定最佳參數(shù)集，通過(guò)學(xué)習(xí)熱工水力瞬態(tài)運(yùn)行數(shù)據(jù)集中各數(shù)據(jù)間的梯度變化，可以建立模型間的關(guān)聯(lián)關(guān)系.無(wú)論是建立計(jì)算穩(wěn)壓器水空間溫度計(jì)算模型還是其他模型，都可根據(jù)已學(xué)習(xí)到的模型間的梯度變化快速計(jì)算新模型的拓?fù)浣Y(jié)構(gòu)參數(shù)，使引擎核心計(jì)算結(jié)果快速收斂，減小訓(xùn)練時(shí)間，提升計(jì)算精度.
2.4 引擎核心搭建
算法的引擎核心為L(zhǎng)STM.使用具有默認(rèn)配置和均方誤差丟失函數(shù)的高效Adam優(yōu)化算法完成定義及編譯網(wǎng)絡(luò).網(wǎng)絡(luò)完成訓(xùn)練后，評(píng)估所有測(cè)試模式的損失函數(shù)值，完成訓(xùn)練．
3 數(shù)據(jù)源
基于秦山 300MW e全范圍仿真數(shù)據(jù)，分別進(jìn)行智能態(tài)勢(shì)感知模型的框架初步驗(yàn)證.基于RELAP5仿真程序，對(duì)核動(dòng)力裝置反應(yīng)堆一回路進(jìn)行系統(tǒng)建模，并利用仿真模型進(jìn)行相應(yīng)運(yùn)行工況模擬研究和數(shù)據(jù)采集.最后，進(jìn)行模型的二次使用調(diào)整與優(yōu)化，完成智能態(tài)勢(shì)感知算法設(shè)計(jì)．
根據(jù)工況劃分，數(shù)據(jù)集包括降功率工況、穩(wěn)壓器泄漏事故、冷卻劑喪失事故、SG傳二次側(cè)泄漏事故和SG傳熱管破裂事故等子數(shù)據(jù)集．
降功率工況的子數(shù)據(jù)集數(shù)據(jù)分為3大類、22個(gè)子類，共8604組數(shù)據(jù).按照反應(yīng)堆最后下降到的目標(biāo)功率，分為200MWe、220MWe和250Mwe等3大類.這3大類同時(shí)又按照功率降低速率的差異進(jìn)行劃分.其中，在200MWe的熱功率水力瞬態(tài)運(yùn)行參數(shù)數(shù)據(jù)集中，降功率速率分別為30、32、34和35.在220MWe數(shù)據(jù)集中，降功率速率分別為22、23、24、25、26、27和28；在 250MW e數(shù)據(jù)集中，降功率速率分別為5，7.5，10，12，13，14，15，16，17和18.
每組熱工水力瞬態(tài)運(yùn)行參數(shù)均具有31個(gè)屬性．每個(gè)數(shù)據(jù)集都從反應(yīng)堆正常運(yùn)行開(kāi)始，按照各自的目標(biāo)功率和故障類型進(jìn)行仿真實(shí)驗(yàn).數(shù)據(jù)采樣頻率為 1Hz ，運(yùn)行參數(shù)的31種屬性如表3所示．
表3瞬態(tài)運(yùn)行參數(shù)列表Tab.3The list of transient operating parameters 4仿真分析
4.1 仿真環(huán)境
基于Python3.10.13版本的PyTorch2.1開(kāi)發(fā)仿真算法.采用Windows11專業(yè)版操作系統(tǒng)、NVIDIAGeForceRTX4060Ti顯卡、IntelCorei5-13400F處理器 （2.50GHz ，內(nèi)存64GB），包含10個(gè)計(jì)算核心.
4.2仿真參數(shù)設(shè)置
從降功率工況數(shù)據(jù)集的每個(gè)子類中隨機(jī)抽取100個(gè)數(shù)據(jù)樣本，共2200個(gè)數(shù)據(jù)樣本，匯總形成訓(xùn)練數(shù)據(jù)集，將模型無(wú)關(guān)元學(xué)習(xí)方法計(jì)算得到的權(quán)重和偏置代人引擎算法.圖4和圖5分別是目標(biāo)功率為 200MWe 和 220M we條件下300s內(nèi)穩(wěn)壓器水空間溫度的變化.
將算法的循環(huán)代數(shù)分別設(shè)置為1、2、3和5，將模型無(wú)關(guān)元學(xué)習(xí)算法計(jì)算的權(quán)重和偏置分布代入引擎算法，模型無(wú)關(guān)元學(xué)習(xí)算法循環(huán)3代，得到的穩(wěn)壓器水空間溫度計(jì)算值和實(shí)際值兩條曲線幾乎重疊，表明僅需要少量幾次迭代計(jì)算，生成的權(quán)重和偏置分布便可使引擎算法的結(jié)果快速收斂．當(dāng)循環(huán)代數(shù)分別取值為3和5時(shí)，可以發(fā)現(xiàn)，穩(wěn)壓器水空間溫度最接近于實(shí)際運(yùn)行值，5代循環(huán)后的精度范圍反而有所降低.因此，循環(huán)代數(shù)可設(shè)置為3.
圖4200MWe目標(biāo)功率條件下的穩(wěn)壓器水空間溫度曲線Fig.4Water space temperature curve of the stabilizer at the target power 2OO MWe 4.3態(tài)勢(shì)感知模型仿真
以降功率工況數(shù)據(jù)為例，目標(biāo)功率為250MWe的降功率工況數(shù)據(jù)，預(yù)測(cè)時(shí)長(zhǎng)為1s、5s和10s ，選取影響系統(tǒng)的安全和穩(wěn)定運(yùn)行的反應(yīng)堆一回路系統(tǒng)的關(guān)鍵熱工參數(shù)，包括冷卻劑流量、穩(wěn)壓器壓力、穩(wěn)壓器水位、堆芯熱功率、蒸汽發(fā)生器二次側(cè)壓力、蒸汽發(fā)生器蒸汽出口溫度為預(yù)測(cè)對(duì)象，進(jìn)行算法預(yù)測(cè)結(jié)果與仿真結(jié)果的比較分析，結(jié)果如圖6所示．
分別選取均方根誤差（RootMeanSquareError，RMSE），最大平均絕對(duì)誤差（MeanAbsoluteError，MAE）及最大相對(duì)誤差和計(jì)算用時(shí)為性能評(píng)估指標(biāo).降功率工況下深度梯度鏈?zhǔn)揭嫠惴ǖ念A(yù)測(cè)性能如表 4～ 表6所示，事故工況下深度梯度鏈?zhǔn)揭嫠惴ǖ念A(yù)測(cè)性能如表7～表9所示，
圖5250MWe目標(biāo)功率條件下的穩(wěn)壓器水空間溫度曲線 
圖6預(yù)測(cè)時(shí)長(zhǎng)為1s時(shí)預(yù)測(cè)結(jié)果與仿真結(jié)果的比較Fig.6 Comparison of the model prediction results with the simulation results for a prediction duration of 1 s 
表4降功率工況下預(yù)測(cè)時(shí)長(zhǎng)為1s時(shí)DGCE算法的預(yù)測(cè)性能Tab.4Predictionperformanceof theDGCE algorithmunder theload reductionconditionwitha predictiondurationof1 s 下面考慮預(yù)測(cè)的可信度，計(jì)算公式為
可信度 =1 一相對(duì)誤差/ 'C （7）其中 C=0.1 結(jié)合表 4～ 表9，計(jì)算可得引擎算法在降功率工況下最低可信度為 94.25% ，最大計(jì)算時(shí)間約為 7×10-5s ；在事故工況下最低可信度為90.92% ，最大計(jì)算時(shí)間約為 4×10-5s .因此，深度梯度鏈?zhǔn)揭嫠惴軌驅(qū)崿F(xiàn)反應(yīng)堆一回路系統(tǒng)熱工關(guān)鍵參數(shù)短時(shí)間范圍的快速精準(zhǔn)預(yù)測(cè)目標(biāo).
表5降功率工況下預(yù)測(cè)時(shí)長(zhǎng)為5s時(shí)DGCE算法的預(yù)測(cè)性能 
表7事故工況下預(yù)測(cè)時(shí)長(zhǎng)為1s時(shí)DGCE算法的預(yù)測(cè)性能 
表6降功率工況下預(yù)測(cè)時(shí)長(zhǎng)為1Os時(shí)DGCE算法的預(yù)測(cè)性能 
Tab.8Predictionperformance of the DGCE algorithm under the accident condition with aprediction duration of 5 s表9事故工況下預(yù)測(cè)時(shí)長(zhǎng)為1Os時(shí)DGCE算法的預(yù)測(cè)性能 
表8事故工況下預(yù)測(cè)時(shí)長(zhǎng)為5s時(shí)DGCE算法的預(yù)測(cè)性能 5結(jié)論
本文提出了一種基于深度梯度鏈?zhǔn)揭娴暮藙?dòng)力系統(tǒng)態(tài)勢(shì)感知算法，該算法能夠?qū)崿F(xiàn)對(duì)核動(dòng)力系統(tǒng)冷卻劑流量、穩(wěn)壓器壓力、水位、堆芯熱功率及蒸汽發(fā)生器相關(guān)關(guān)鍵參數(shù)的精準(zhǔn)、快速預(yù)測(cè).仿真結(jié)果表明，該算法對(duì)降功率工況的關(guān)鍵參數(shù)預(yù)測(cè)可信度最低為 94.25% ，對(duì)事故工況的關(guān)鍵參數(shù)預(yù)測(cè)可信度最低為 90.92% ，運(yùn)行速度達(dá)到 10-5 秒級(jí)．在核動(dòng)力系統(tǒng)運(yùn)行過(guò)程中，可以利用本算法進(jìn)行系統(tǒng)關(guān)鍵參數(shù)的精準(zhǔn)、快速預(yù)測(cè)，輔助操作人員及時(shí)發(fā)現(xiàn)系統(tǒng)異常，保障核動(dòng)力系統(tǒng)的安全穩(wěn)定運(yùn)行．
參考文獻(xiàn)：
[1] WangB，XuS，WangB，etal.Reviewof recent research on heat pipe cooled reactor [J].Nucl Eng Des，2023，415：112679.
[2] ZhangYH，ChenJR，WangB，etal.Researchon core thermal hydraulic parameters prediction based on the improved GAN method and combined ANN model[J].Ann Nucl Energy，2025，211：110913.
[3] TanCY，ZhangW，WangB，etal.WeightsembeddingInformer prediction algorithm-based fault diagnosis framework for nuclear power plant[J].Ann Nucl Energy，2024，207：110736.
[4] Liu YC，Li T，ChengYH，et al.Design of adaptive nuclear reactor power controller based on deep deterministic policy gradient algorithm [J].Atomic Energy Science and Technology，2024，58：1076. [劉永超，李桐，成以恒，等.基于深度確定性策略 梯度算法的自適應(yīng)核反應(yīng)堆功率控制器設(shè)計(jì)[J].原 子能科學(xué)技術(shù)，2024，58：1076.]
[5] LiW，ChenJ，LiT，etal.Neural networkmodel predictive control of core power of Qinshan nuclear power plant based on reinforcement learning [J]. Ann Nucl Energy，2024，207：110702.
[6] WangMD，WangJL，YuCB.Pressure prediction of main coolant system in nuclear power plant based on CNN[J]. Journal ofHarbin Universityof Commerce（Natural SciencesEdition），2O21，37：576. [王夢(mèng)蝶，王俊玲，于成波.基于CNN的核電站主 冷卻劑系統(tǒng)壓力預(yù)測(cè)[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自 然科學(xué)版），2021，37：576.]
[7]ZhangA X，TengJ，JuY，et al.Thermal power pre diction of nuclear reactor core based on neural net work[J].Computer Simulation，2021，38：455.[張 奧鑫，滕婧，琚賚，等.基于神經(jīng)網(wǎng)絡(luò)的核反應(yīng)堆堆 芯熱功率預(yù)測(cè)[J].計(jì)算機(jī)仿真，2021，38：455.]
[8] Zhu S M，Xia H，Lu X Z，et al.Main pump condition prediction of nuclear power plant based on combined ARIMA and LSTM model[J].Nuclear PowerEngineering，2022，43：246.[朱少民，夏虹， 呂新知，等.基于ARIMA和LSTM組合模型的核 電廠主泵狀態(tài)預(yù)測(cè)[J].核動(dòng)力工程，2022， 43：246.]
[9] ZhaiXF，Ma SH，WeiW，et al.Automatic optimization method of nuclear power unit power parametersbased on neural network and Bayesian optimization［J].Automation Application，2021（3）：51.[翟 小飛，馬仕洪，魏偉，等.基于神經(jīng)網(wǎng)絡(luò)和貝葉斯優(yōu) 化的核電站機(jī)組功率參數(shù)自動(dòng)尋優(yōu)方法[J].自動(dòng)化 應(yīng)用，2021（3）：51.]
[10]Lee JH， Yilmaz A， Denning R，et al. An online operator support tool for severe accident management in nuclear power plants using dynamic event trees and deep learning[J].Ann Nucl Energy，2020，146： 107626.
[11]Liu Y，HuR，Balaprakash P，et al.Data-driven modeling of coarse mesh turbulence for reactor transient analysis using convolutional recurrent neural networks[J].Nucl Eng Des，2022，39O：111716.
[12]Bae J，Kim G，Lee S J. Real-time prediction of nuclear power plant parameter trends following operator actions[J].Expert Syst Appl 2021，186：115848.
[13]Liu Y C，Wang B，Tan S C，et al. Applications of deep reinforcement learning in nuclear energy：A re view[J].Nucl EngDes，2024，429：113655.
[14]Qiao H，Ma J，Wang B，et al.Application of datadriven technology in nuclear engineering：Prediction， classification and design optimization [J].Ann Nucl Energy，2023，194：110089.
[15]Li T T，Ma X，Liu S，et al.A stock price prediction method based on meta-learning and variational mode decomposition [J]. Knowledge-Based Syst，2022， 252：109324.
（責(zé)任編輯：周興旺）
猜你喜歡
環(huán)形區(qū)域上非線性項(xiàng)中含梯度項(xiàng)的 Kirchhoff方程的徑向?qū)ΨQ解 吉林大學(xué)學(xué)報(bào)(理學(xué)版)(2025年4期)2025-08-18 00:00:00 基于圖神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的APT攻擊瀕源與檢測(cè)機(jī)制研究現(xiàn)代信息科技(2025年12期)2025-08-18 00:00:00 基于CiteSpace的神經(jīng)網(wǎng)絡(luò)模型可視化分析現(xiàn)代信息科技(2025年12期)2025-08-18 00:00:00 基于CTI教學(xué)模式的公式教學(xué)實(shí)踐探索中國(guó)數(shù)學(xué)教育(高中版)(2025年6期)2025-08-15 00:00:00 擠壓-切削制備可控厚度的雙層梯度結(jié)構(gòu)帶材的新工藝及機(jī)理中國(guó)機(jī)械工程(2025年4期)2025-08-13 00:00:00 錐度球頭刀四軸銑削TC4殘余應(yīng)力梯度分布反解中國(guó)機(jī)械工程(2025年4期)2025-08-13 00:00:00 初中數(shù)學(xué)不等式在生活問(wèn)題中的應(yīng)用探索數(shù)理天地(初中版)(2025年12期)2025-08-12 00:00:00 通過(guò)數(shù)學(xué)思維理解成功概率證券市場(chǎng)周刊(2025年30期)2025-08-12 00:00:00 人工智能應(yīng)用于雷達(dá)回波外推研究綜述農(nóng)業(yè)災(zāi)害研究(2025年5期)2025-08-10 00:00:00 孕育人工智能的奇異物理學(xué)世界科學(xué)(2025年7期)2025-08-09 00:00:00
四川大學(xué)學(xué)報(bào)(自然科學(xué)版)2025年4期
- 四川大學(xué)學(xué)報(bào)(自然科學(xué)版)的其它文章
- 基于諾如病毒樣顆粒和 SpyCatcher/SpyTag系統(tǒng)的IL-10遞送平臺(tái)構(gòu)建
- 缺陷團(tuán)簇對(duì)Cu/W納米多層膜輻照腫脹影響的分子動(dòng)力學(xué)模擬研究
- 化學(xué)氣相沉積法和機(jī)械剝離法制備的二硫化鉬的光譜特性對(duì)比研究
- 軟件定義廣域網(wǎng)中多控制器故障下的路徑可編程性恢復(fù)方法
- 基于改進(jìn)強(qiáng)化學(xué)習(xí)的小型模塊化核反應(yīng)堆智能路徑規(guī)劃
- 不同制備工藝對(duì)Ti-5.1A1-3.1Mo-2.9Cr-0.9Zr鈦合金組織與性能的影響
中圖分類號(hào)：TL36 文獻(xiàn)標(biāo)志碼：A DOI： 10.19907/j. 0490-6756.250074
Adeep gradientchainenginealgorithm for thesituation awarenessofnuclearpowersystems
CHEN Jie，XIAO Kai，HUANG Ke，LI Yi-Liang （State KeyLaboratoryofAdvanced NuclearEnergy Technology，NuclearPower InstituteofChina，Chengdu 6lO213，China）
Abstract： Situational awareness is the core of achieving \"less manpower\" in nuclear power systems，especially for the accurate prediction of primary loop parameters.In this paper，based on the superiority of AI in solving complex nonlinear problems，the authors develop an ofline transient operating parameter analysis algorithm，say，Deep Gradient Chain Engine（DGCE） algorithm，for nuclear power systems using the automated machine learning and deep learning approaches.DGCE algorithm is a fully automated chained computingarchitecture extended from the automated machine learning and contains four key modules：metalearning，time sliding window，DGCE core and Bayesian optimization.The time sliding window module dynamically extracts the training dataset with optimal dimensionality.The Bayesian optimization and metalearning modules synergistically determine the hyperparameter configurations including the learning rate，network depth，weight and bias distributions，which is used to optimize both the training efficiencyand computational accuracy.Meanwhile，the Bayesian optimization module iteratively explores the topology space through probabilistic surrogate modeling，accumulating experiential knowledge to identify minimal-loss graph structures.The meta-learning module enables predictive adaptation by analyzing inter-dataset gradient relationships，allowing DGCE to extrapolate parameter distributions （weights/biases） for unseen operational scenarios. DGCE algorithm is expected to realize self-configuring operations such as topology construction，hyperparameter selection，system debugging and model training.Then，from the perspective of data-driven and statistical analysis，a prediction model is proposed for the reactor primary key parameters based on DGCE algorithm，the trend of transient operating parameters of nuclear power systems over time is analyzed to explore the inherent correlation between the transient operating parameters.Thevalidation of the model is car ried out based on simulation experiments.Simulation results indicate that the modelcan accurately predict the coolant flow rate，stabilizer pressure，water level，core thermal power and relevant parameters of the steam generator；the minimum prediction reliability is 94.25% under the reduced power conditions and 90.92% under the accident conditions;the operating speed reaches the 10-5 second level.
Keywords： Nuclear power system； Prediction of primary loop parameters; Situational awareness; Deep gradient chain engine
1引言
核動(dòng)力系統(tǒng)具有高維、非線性和強(qiáng)耦合等特點(diǎn)，運(yùn)行環(huán)境惡劣，工況切換頻繁.掌握系統(tǒng)的瞬時(shí)運(yùn)行態(tài)勢(shì)有助于提前預(yù)測(cè)潛在故障和風(fēng)險(xiǎn)、保障系統(tǒng)運(yùn)行安全[1.2].其中，核動(dòng)力裝置一回路參數(shù)的時(shí)序預(yù)測(cè)是核動(dòng)力系統(tǒng)狀態(tài)預(yù)測(cè)的一個(gè)關(guān)鍵點(diǎn)[3].
目前，人工智能在處理復(fù)雜非線性問(wèn)題等方面的優(yōu)越性越來(lái)越得到學(xué)術(shù)界和工業(yè)界的認(rèn)可[4.5].諸多學(xué)者基于人工智能方法對(duì)核動(dòng)力系統(tǒng)的不同運(yùn)行參數(shù)的預(yù)測(cè)問(wèn)題展開(kāi)研究，例如，在冷卻劑系統(tǒng)參數(shù)預(yù)測(cè)方面，文獻(xiàn)[6]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于主冷卻劑系統(tǒng)參數(shù)預(yù)測(cè)，通過(guò)特征提取深層次信息，并對(duì)數(shù)據(jù)進(jìn)行歸一化及網(wǎng)格處理，在仿真軟件PCTRAN上進(jìn)行了仿真.結(jié)果表明，所提算法框架在破口事故下參數(shù)預(yù)測(cè)具有很好的時(shí)效性.在堆芯參數(shù)預(yù)測(cè)方面，文獻(xiàn)[7使用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了堆芯熱功率精確預(yù)測(cè).在主冷卻劑泵參數(shù)預(yù)測(cè)方面，文獻(xiàn)[8]提出將差分整合移動(dòng)平均自回歸和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的模型應(yīng)用于主冷卻劑泵的狀態(tài)預(yù)測(cè).在汽輪機(jī)組參數(shù)預(yù)測(cè)方面，文獻(xiàn)[9]提出同時(shí)使用BPNN和貝葉斯優(yōu)化對(duì)核反應(yīng)堆汽輪機(jī)組功率進(jìn)行預(yù)測(cè)．仿真結(jié)果表明，引入貝葉斯優(yōu)化后，BPNN預(yù)測(cè)準(zhǔn)確率能夠達(dá)到 99.83% .在核電站總體參數(shù)預(yù)測(cè)方面，文獻(xiàn)[10]基于深度學(xué)習(xí)方法建立起管理平臺(tái)供操作員使用，當(dāng)系統(tǒng)出現(xiàn)異常且可能導(dǎo)致放射性物質(zhì)泄漏時(shí)該平臺(tái)就會(huì)向操作員發(fā)出警告并提供解決方案.文獻(xiàn)[11提出了一種使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)反應(yīng)堆進(jìn)行瞬態(tài)分析的DCNN-LSTM模型，模型結(jié)合了CNN和LSTM的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用數(shù)據(jù)分割湍流模型以使其能夠被用于鈉冷快堆的瞬態(tài)分析.仿真結(jié)果表明，經(jīng)訓(xùn)練和優(yōu)化后，該模型對(duì)湍流黏度具有很好的預(yù)測(cè)效果.在系統(tǒng)關(guān)鍵參數(shù)變化趨勢(shì)的快速準(zhǔn)確預(yù)測(cè)方面，文獻(xiàn)[12]提出了一種由多步預(yù)測(cè)策略和人工神經(jīng)網(wǎng)絡(luò)組成的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型，解決了考慮操作員在多種緊急情況下的行為的未來(lái)參數(shù)趨勢(shì)估計(jì)的多變量問(wèn)題，可支持核電站操作員應(yīng)對(duì)人為錯(cuò)誤和事故診斷.
目前常用的系統(tǒng)態(tài)勢(shì)感知智能算法主要有人工神經(jīng)網(wǎng)絡(luò)ANN、誤差逆?zhèn)鞑ニ惴˙PNN、卷積神經(jīng)網(wǎng)絡(luò)CNN、支持向量機(jī)SVM、隨機(jī)森林RF、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM等[13]，參見(jiàn)表1.其中，BiBPNN和BiLSTM分別指經(jīng)過(guò)貝葉斯優(yōu)化后的BP和LSTM神經(jīng)網(wǎng)絡(luò).
雖然人工智能方法在系統(tǒng)智能態(tài)勢(shì)感知中取得了很好的效果，但設(shè)計(jì)人員往往需要花費(fèi)大量時(shí)間和計(jì)算資源去處理模型的搭建、調(diào)參、訓(xùn)練及發(fā)布任務(wù)[14.15]，效率較低．為了提高工作效率并推進(jìn)智能態(tài)勢(shì)感知方法在核工程中的應(yīng)用，提升現(xiàn)有系統(tǒng)的智能化水平，本文在自動(dòng)化深度學(xué)習(xí)基礎(chǔ)上利用深度梯度鏈?zhǔn)揭娣椒ń⒘艘环N離線的核動(dòng)力系統(tǒng)瞬態(tài)運(yùn)行參數(shù)預(yù)測(cè)算法—DGCE算法.仿真結(jié)果表明，使用離線數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練后，該算法能夠?qū)崿F(xiàn)系統(tǒng)瞬態(tài)運(yùn)行參數(shù)隨時(shí)間的變化趨勢(shì)快速預(yù)測(cè)．
2 算法設(shè)計(jì)
2.1深度梯度鏈?zhǔn)揭?/p>
圖1是DGCE算法的處理流程，其結(jié)構(gòu)主要包含特征選擇、元學(xué)習(xí)、貝葉斯優(yōu)化和深度梯度鏈?zhǔn)揭婧诵牡?個(gè)模塊.
基于局部線性嵌入算法的流形學(xué)習(xí)模塊，算法化簡(jiǎn)原數(shù)據(jù)中各數(shù)據(jù)間的耦合關(guān)系，降低統(tǒng)計(jì)學(xué)習(xí)的時(shí)間和空間復(fù)雜度，然后將降維后的數(shù)據(jù)集劃分為訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本，用于智能模型訓(xùn)練.其中，將訓(xùn)練樣本和驗(yàn)證樣本應(yīng)用于基于模型無(wú)關(guān)元學(xué)習(xí)模塊，通過(guò)學(xué)習(xí)瞬態(tài)運(yùn)行數(shù)據(jù)集中各數(shù)據(jù)的梯度變化規(guī)律實(shí)現(xiàn)基于先驗(yàn)經(jīng)驗(yàn)指導(dǎo)新模型訓(xùn)練的功能目標(biāo)，將測(cè)試樣本應(yīng)用于貝葉斯優(yōu)化模塊，為引擎核心的超參數(shù)自動(dòng)調(diào)整提供測(cè)試環(huán)境.
基于LSTM算法的核心模塊的處理流程如圖2所示.該部分集合了上述3個(gè)模塊的計(jì)算結(jié)果，自動(dòng)地建立瞬態(tài)運(yùn)行參數(shù)算法模型，實(shí)現(xiàn)模型訓(xùn)練.
為解決循環(huán)神經(jīng)網(wǎng)絡(luò)無(wú)法學(xué)習(xí)距離當(dāng)前時(shí)刻較遠(yuǎn)的輸人數(shù)據(jù)的問(wèn)題，LSTM網(wǎng)絡(luò)除了節(jié)點(diǎn)自身的輸出之外還增加了一個(gè)新的狀態(tài)量c，稱為單元狀態(tài)（cellstate），作用是保存距離當(dāng)前時(shí)刻較長(zhǎng)時(shí)間的序列信息，即長(zhǎng)期記憶.LSTM節(jié)點(diǎn)中設(shè)置了稱為門（Gate）的結(jié)構(gòu)，以控制節(jié)點(diǎn)中信息的增減.門實(shí)際上是一層全連接層，輸入是一個(gè)向量，輸出是一個(gè)0到1之間的實(shí)數(shù)向量.
一個(gè)LSTM節(jié)點(diǎn)包含3種門：遺忘門、輸入門和輸出門.遺忘門的計(jì)算公式為
其中， wf 為遺忘門的權(quán)值矩陣， bf 為遺忘門的偏置向量， h（t-1） 為上一時(shí)刻的節(jié)點(diǎn)輸出， X（t） 為當(dāng)前時(shí)刻的輸入， [h（t-1） ， X（t） ]代表將兩個(gè)向量相連， φ 為sigmoid型激活函數(shù)，輸入向量維度為 I， 隱含層節(jié)點(diǎn)數(shù)為 J ，則權(quán)值矩陣 wf 的維度為 J×（I+J） .遺忘門的輸出決定上一時(shí)刻單元狀態(tài)有多少需要繼續(xù)保留在當(dāng)前時(shí)刻的單元狀態(tài)中．輸入門的計(jì)算公式為
其中， wi 為輸入門的權(quán)值矩陣， bi 為輸入門的偏置向量.輸入門的輸出決定是否將當(dāng)前時(shí)刻輸入產(chǎn)生的記憶候選值加入單元狀態(tài)中，記憶候選值向量的計(jì)算公式為
其中tanh為雙曲正切函數(shù)， 和 bc 為相應(yīng)的權(quán)值矩陣和偏置向量.
根據(jù)上一時(shí)刻的單元狀態(tài)和當(dāng)前時(shí)刻的記憶候選值，用公式（4）來(lái)計(jì)算當(dāng)前時(shí)刻的單元狀態(tài)：
其中輸出門控制單元狀態(tài)c表示對(duì)當(dāng)前時(shí)刻輸出的影響，計(jì)算公式為
其中 wo 為輸出門的權(quán)值矩陣， bo 為輸出門的偏置向量.
當(dāng)前時(shí)刻的節(jié)點(diǎn)輸出由輸出門的輸出和當(dāng)前時(shí)刻的單元狀態(tài)共同決定，即
h（t）=o（t）?tanh（c（t））
這樣，由以上計(jì)算流程即可建立LSTM節(jié)點(diǎn)模型.與常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)中的隱含層節(jié)點(diǎn)相同，LSTM節(jié)點(diǎn)的輸出h不僅傳遞給神經(jīng)網(wǎng)絡(luò)的下一層，同時(shí)也作為下一時(shí)刻LSTM層每個(gè)節(jié)點(diǎn)的輸人.LSTM節(jié)點(diǎn)的單元狀態(tài)c則僅傳遞給下一時(shí)刻的LSTM節(jié)點(diǎn)自身，并不向神經(jīng)網(wǎng)絡(luò)的下一層傳遞.
需要指出的是，如果將LSTM節(jié)點(diǎn)作為一個(gè)整體，則其在神經(jīng)網(wǎng)絡(luò)中起的作用與Elman神經(jīng)網(wǎng)絡(luò)中的循環(huán)層節(jié)點(diǎn)是相同的.因此，使用LSTM節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)仍然是一種循環(huán)神經(jīng)網(wǎng)絡(luò).
2.2 貝葉斯優(yōu)化模塊設(shè)計(jì)
2.2.1貝葉斯優(yōu)化算法原理貝葉斯優(yōu)化算法是在已知有限樣本點(diǎn)的情況下通過(guò)構(gòu)造黑箱函數(shù)輸出的后驗(yàn)概率來(lái)尋找函數(shù)的最優(yōu)值．為避免陷入局部極值，算法中通常會(huì)加入一定的隨機(jī)性，并在隨機(jī)探索與后驗(yàn)分布取值之間做權(quán)衡.
2.2.2貝葉斯概率代理模型考慮到原始目標(biāo)函數(shù)的評(píng)估復(fù)雜度，采用概率代理模型來(lái)近似地表示目標(biāo)函數(shù).高斯過(guò)程可根據(jù)核函數(shù)和觀測(cè)值精確計(jì)算出閉合形式的后驗(yàn)分布.協(xié)方差函數(shù)可在高斯過(guò)程中進(jìn)行組合，以表示出更復(fù)雜的函數(shù)結(jié)構(gòu).
貝葉斯優(yōu)化過(guò)程的核心是概率代理模型根據(jù)新樣本推斷出模型后驗(yàn).作為代理模型，高斯過(guò)程在推斷后驗(yàn)分布時(shí)需要計(jì)算協(xié)方差矩陣的逆.值得注意的是，當(dāng)訓(xùn)練樣本特別大時(shí)不適合使用高斯過(guò)程開(kāi)展推斷.
2.2.3貝葉斯優(yōu)化算法框架面向超參數(shù)估計(jì)的貝葉斯優(yōu)化算法流程如圖3所示.從選擇初始的超參數(shù)集開(kāi)始，算法根據(jù)現(xiàn)有的樣本點(diǎn)通過(guò)最優(yōu)化采集函數(shù)獲取更有可能達(dá)到最優(yōu)值的超參數(shù)向量，然后對(duì)新樣本進(jìn)行函數(shù)評(píng)估得到新的泛化性能．為節(jié)省計(jì)算資源，算法對(duì)代價(jià)昂貴的評(píng)估次數(shù)設(shè)置了上限.
2.2.4超參數(shù)優(yōu)化超參數(shù)定義了算法模型屬性或訓(xùn)練過(guò)程的配置變量，包含學(xué)習(xí)率、批量大小及懲罰系數(shù)等參數(shù).超參數(shù)選擇會(huì)影響算法訓(xùn)練的收斂速度和準(zhǔn)確性.
2.2.5貝葉斯優(yōu)化（i）基于貝葉斯優(yōu)化的模型構(gòu)建，如圖3所示，貝葉斯優(yōu)化算法包括兩個(gè)核心過(guò)程，即先驗(yàn)函數(shù)與采集函數(shù)．
（ii）基于貝葉斯優(yōu)化的模型優(yōu)化設(shè)置.算法的初始值與范圍配置如表2所示.算法采用穩(wěn)健初始化策略，將關(guān)鍵參數(shù)設(shè)定在工程合理區(qū)間以確保優(yōu)化穩(wěn)定性.貝葉斯優(yōu)化通過(guò)概率代理模型構(gòu)建動(dòng)態(tài)搜索機(jī)制：當(dāng)檢測(cè)到高潛力參數(shù)區(qū)域時(shí)自主增強(qiáng)局部勘探密度，實(shí)現(xiàn)超參數(shù)的精準(zhǔn)定位.相比傳統(tǒng)方法，該方法的自適應(yīng)平衡策略能夠有效抑制局部收斂風(fēng)險(xiǎn).仿真實(shí)驗(yàn)結(jié)果表明，該方法能夠引導(dǎo)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)向優(yōu)勢(shì)區(qū)間收斂，關(guān)鍵參數(shù)的預(yù)測(cè)誤差波動(dòng)幅度可以得到顯著控制.經(jīng)過(guò)優(yōu)化后，模型表現(xiàn)出更穩(wěn)定的預(yù)測(cè)性能，從而驗(yàn)證了所提方案在參數(shù)自適應(yīng)優(yōu)化方面的應(yīng)用價(jià)值.
2.3 元學(xué)習(xí)模塊設(shè)計(jì)
2.3.1無(wú)關(guān)元學(xué)習(xí)算法元學(xué)習(xí)算法旨在從歷史任務(wù)中學(xué)習(xí)處理任務(wù)的有用經(jīng)驗(yàn)，提高解決新任務(wù)的效率．具體而言，元學(xué)習(xí)算法通過(guò)在歷史任務(wù)上的學(xué)習(xí)獲得一個(gè)通用算法，進(jìn)而在新任務(wù)上實(shí)現(xiàn)快速適應(yīng)，然后將其作為解決新任務(wù)時(shí)的初始化參數(shù)，用于快速解決新任務(wù)．
2.3.2基于梯度的元學(xué)習(xí)算法基于梯度的元學(xué)習(xí)算法主要聚焦于利用歷史任務(wù)的梯度學(xué)習(xí)參數(shù)初始化，使模型具備快速適應(yīng)新任務(wù)的能力.通過(guò)從多個(gè)元訓(xùn)練任務(wù)中獲取梯度信息，算法能夠得到較好的初始化模型參數(shù).在該初始化模型參數(shù)的基礎(chǔ)上，算法進(jìn)行一步或多步的梯度調(diào)整，以達(dá)到僅用少量數(shù)據(jù)就能快速適應(yīng)新任務(wù)的自的.
元學(xué)習(xí)算法的具體優(yōu)化過(guò)程主要分為內(nèi)層優(yōu)化和外層優(yōu)化.通過(guò)交替執(zhí)行內(nèi)層和外層優(yōu)化過(guò)程，可以得到解決新任務(wù)的元參數(shù).當(dāng)需要解決新任務(wù)時(shí)，算法基于該元參數(shù)對(duì)模型執(zhí)行參數(shù)初始化操作，在新任務(wù)上僅需執(zhí)行較少的更新迭代次數(shù)便可以在新任務(wù)上達(dá)到較好的性能，提高新任務(wù)的優(yōu)化效率.
2.3.3元學(xué)習(xí)訓(xùn)練為了使預(yù)測(cè)模型能快速適應(yīng)新任務(wù)，采用元學(xué)習(xí)技術(shù)在多個(gè)小規(guī)模任務(wù)上對(duì)預(yù)測(cè)模型進(jìn)行預(yù)訓(xùn)練.經(jīng)過(guò)元訓(xùn)練階段后，預(yù)測(cè)模型能夠通過(guò)少量的訓(xùn)練迭代輪數(shù)快速適應(yīng)新任務(wù)．值得指出的是，提供更豐富的元數(shù)據(jù)或增加元訓(xùn)練的迭代輪數(shù)都有助于預(yù)測(cè)模型從歷史任務(wù)中獲得更多經(jīng)驗(yàn).
2.3.4引擎算法的初參數(shù)設(shè)置 DGCE算法需要設(shè)定最佳參數(shù)集，通過(guò)學(xué)習(xí)熱工水力瞬態(tài)運(yùn)行數(shù)據(jù)集中各數(shù)據(jù)間的梯度變化，可以建立模型間的關(guān)聯(lián)關(guān)系.無(wú)論是建立計(jì)算穩(wěn)壓器水空間溫度計(jì)算模型還是其他模型，都可根據(jù)已學(xué)習(xí)到的模型間的梯度變化快速計(jì)算新模型的拓?fù)浣Y(jié)構(gòu)參數(shù)，使引擎核心計(jì)算結(jié)果快速收斂，減小訓(xùn)練時(shí)間，提升計(jì)算精度.
2.4 引擎核心搭建
算法的引擎核心為L(zhǎng)STM.使用具有默認(rèn)配置和均方誤差丟失函數(shù)的高效Adam優(yōu)化算法完成定義及編譯網(wǎng)絡(luò).網(wǎng)絡(luò)完成訓(xùn)練后，評(píng)估所有測(cè)試模式的損失函數(shù)值，完成訓(xùn)練．
3 數(shù)據(jù)源
基于秦山 300MW e全范圍仿真數(shù)據(jù)，分別進(jìn)行智能態(tài)勢(shì)感知模型的框架初步驗(yàn)證.基于RELAP5仿真程序，對(duì)核動(dòng)力裝置反應(yīng)堆一回路進(jìn)行系統(tǒng)建模，并利用仿真模型進(jìn)行相應(yīng)運(yùn)行工況模擬研究和數(shù)據(jù)采集.最后，進(jìn)行模型的二次使用調(diào)整與優(yōu)化，完成智能態(tài)勢(shì)感知算法設(shè)計(jì)．
根據(jù)工況劃分，數(shù)據(jù)集包括降功率工況、穩(wěn)壓器泄漏事故、冷卻劑喪失事故、SG傳二次側(cè)泄漏事故和SG傳熱管破裂事故等子數(shù)據(jù)集．
降功率工況的子數(shù)據(jù)集數(shù)據(jù)分為3大類、22個(gè)子類，共8604組數(shù)據(jù).按照反應(yīng)堆最后下降到的目標(biāo)功率，分為200MWe、220MWe和250Mwe等3大類.這3大類同時(shí)又按照功率降低速率的差異進(jìn)行劃分.其中，在200MWe的熱功率水力瞬態(tài)運(yùn)行參數(shù)數(shù)據(jù)集中，降功率速率分別為30、32、34和35.在220MWe數(shù)據(jù)集中，降功率速率分別為22、23、24、25、26、27和28；在 250MW e數(shù)據(jù)集中，降功率速率分別為5，7.5，10，12，13，14，15，16，17和18.
每組熱工水力瞬態(tài)運(yùn)行參數(shù)均具有31個(gè)屬性．每個(gè)數(shù)據(jù)集都從反應(yīng)堆正常運(yùn)行開(kāi)始，按照各自的目標(biāo)功率和故障類型進(jìn)行仿真實(shí)驗(yàn).數(shù)據(jù)采樣頻率為 1Hz ，運(yùn)行參數(shù)的31種屬性如表3所示．
4仿真分析
4.1 仿真環(huán)境
基于Python3.10.13版本的PyTorch2.1開(kāi)發(fā)仿真算法.采用Windows11專業(yè)版操作系統(tǒng)、NVIDIAGeForceRTX4060Ti顯卡、IntelCorei5-13400F處理器 （2.50GHz ，內(nèi)存64GB），包含10個(gè)計(jì)算核心.
4.2仿真參數(shù)設(shè)置
從降功率工況數(shù)據(jù)集的每個(gè)子類中隨機(jī)抽取100個(gè)數(shù)據(jù)樣本，共2200個(gè)數(shù)據(jù)樣本，匯總形成訓(xùn)練數(shù)據(jù)集，將模型無(wú)關(guān)元學(xué)習(xí)方法計(jì)算得到的權(quán)重和偏置代人引擎算法.圖4和圖5分別是目標(biāo)功率為 200MWe 和 220M we條件下300s內(nèi)穩(wěn)壓器水空間溫度的變化.
將算法的循環(huán)代數(shù)分別設(shè)置為1、2、3和5，將模型無(wú)關(guān)元學(xué)習(xí)算法計(jì)算的權(quán)重和偏置分布代入引擎算法，模型無(wú)關(guān)元學(xué)習(xí)算法循環(huán)3代，得到的穩(wěn)壓器水空間溫度計(jì)算值和實(shí)際值兩條曲線幾乎重疊，表明僅需要少量幾次迭代計(jì)算，生成的權(quán)重和偏置分布便可使引擎算法的結(jié)果快速收斂．當(dāng)循環(huán)代數(shù)分別取值為3和5時(shí)，可以發(fā)現(xiàn)，穩(wěn)壓器水空間溫度最接近于實(shí)際運(yùn)行值，5代循環(huán)后的精度范圍反而有所降低.因此，循環(huán)代數(shù)可設(shè)置為3.
4.3態(tài)勢(shì)感知模型仿真
以降功率工況數(shù)據(jù)為例，目標(biāo)功率為250MWe的降功率工況數(shù)據(jù)，預(yù)測(cè)時(shí)長(zhǎng)為1s、5s和10s ，選取影響系統(tǒng)的安全和穩(wěn)定運(yùn)行的反應(yīng)堆一回路系統(tǒng)的關(guān)鍵熱工參數(shù)，包括冷卻劑流量、穩(wěn)壓器壓力、穩(wěn)壓器水位、堆芯熱功率、蒸汽發(fā)生器二次側(cè)壓力、蒸汽發(fā)生器蒸汽出口溫度為預(yù)測(cè)對(duì)象，進(jìn)行算法預(yù)測(cè)結(jié)果與仿真結(jié)果的比較分析，結(jié)果如圖6所示．
分別選取均方根誤差（RootMeanSquareError，RMSE），最大平均絕對(duì)誤差（MeanAbsoluteError，MAE）及最大相對(duì)誤差和計(jì)算用時(shí)為性能評(píng)估指標(biāo).降功率工況下深度梯度鏈?zhǔn)揭嫠惴ǖ念A(yù)測(cè)性能如表 4～ 表6所示，事故工況下深度梯度鏈?zhǔn)揭嫠惴ǖ念A(yù)測(cè)性能如表7～表9所示，
下面考慮預(yù)測(cè)的可信度，計(jì)算公式為
可信度 =1 一相對(duì)誤差/ 'C （7）其中 C=0.1 結(jié)合表 4～ 表9，計(jì)算可得引擎算法在降功率工況下最低可信度為 94.25% ，最大計(jì)算時(shí)間約為 7×10-5s ；在事故工況下最低可信度為90.92% ，最大計(jì)算時(shí)間約為 4×10-5s .因此，深度梯度鏈?zhǔn)揭嫠惴軌驅(qū)崿F(xiàn)反應(yīng)堆一回路系統(tǒng)熱工關(guān)鍵參數(shù)短時(shí)間范圍的快速精準(zhǔn)預(yù)測(cè)目標(biāo).
5結(jié)論
本文提出了一種基于深度梯度鏈?zhǔn)揭娴暮藙?dòng)力系統(tǒng)態(tài)勢(shì)感知算法，該算法能夠?qū)崿F(xiàn)對(duì)核動(dòng)力系統(tǒng)冷卻劑流量、穩(wěn)壓器壓力、水位、堆芯熱功率及蒸汽發(fā)生器相關(guān)關(guān)鍵參數(shù)的精準(zhǔn)、快速預(yù)測(cè).仿真結(jié)果表明，該算法對(duì)降功率工況的關(guān)鍵參數(shù)預(yù)測(cè)可信度最低為 94.25% ，對(duì)事故工況的關(guān)鍵參數(shù)預(yù)測(cè)可信度最低為 90.92% ，運(yùn)行速度達(dá)到 10-5 秒級(jí)．在核動(dòng)力系統(tǒng)運(yùn)行過(guò)程中，可以利用本算法進(jìn)行系統(tǒng)關(guān)鍵參數(shù)的精準(zhǔn)、快速預(yù)測(cè)，輔助操作人員及時(shí)發(fā)現(xiàn)系統(tǒng)異常，保障核動(dòng)力系統(tǒng)的安全穩(wěn)定運(yùn)行．
參考文獻(xiàn)：
[1] WangB，XuS，WangB，etal.Reviewof recent research on heat pipe cooled reactor [J].Nucl Eng Des，2023，415：112679.
[2] ZhangYH，ChenJR，WangB，etal.Researchon core thermal hydraulic parameters prediction based on the improved GAN method and combined ANN model[J].Ann Nucl Energy，2025，211：110913.
[3] TanCY，ZhangW，WangB，etal.WeightsembeddingInformer prediction algorithm-based fault diagnosis framework for nuclear power plant[J].Ann Nucl Energy，2024，207：110736.
[4] Liu YC，Li T，ChengYH，et al.Design of adaptive nuclear reactor power controller based on deep deterministic policy gradient algorithm [J].Atomic Energy Science and Technology，2024，58：1076. [劉永超，李桐，成以恒，等.基于深度確定性策略 梯度算法的自適應(yīng)核反應(yīng)堆功率控制器設(shè)計(jì)[J].原 子能科學(xué)技術(shù)，2024，58：1076.]
[5] LiW，ChenJ，LiT，etal.Neural networkmodel predictive control of core power of Qinshan nuclear power plant based on reinforcement learning [J]. Ann Nucl Energy，2024，207：110702.
[6] WangMD，WangJL，YuCB.Pressure prediction of main coolant system in nuclear power plant based on CNN[J]. Journal ofHarbin Universityof Commerce（Natural SciencesEdition），2O21，37：576. [王夢(mèng)蝶，王俊玲，于成波.基于CNN的核電站主 冷卻劑系統(tǒng)壓力預(yù)測(cè)[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自 然科學(xué)版），2021，37：576.]
[7]ZhangA X，TengJ，JuY，et al.Thermal power pre diction of nuclear reactor core based on neural net work[J].Computer Simulation，2021，38：455.[張 奧鑫，滕婧，琚賚，等.基于神經(jīng)網(wǎng)絡(luò)的核反應(yīng)堆堆 芯熱功率預(yù)測(cè)[J].計(jì)算機(jī)仿真，2021，38：455.]
[8] Zhu S M，Xia H，Lu X Z，et al.Main pump condition prediction of nuclear power plant based on combined ARIMA and LSTM model[J].Nuclear PowerEngineering，2022，43：246.[朱少民，夏虹， 呂新知，等.基于ARIMA和LSTM組合模型的核 電廠主泵狀態(tài)預(yù)測(cè)[J].核動(dòng)力工程，2022， 43：246.]
[9] ZhaiXF，Ma SH，WeiW，et al.Automatic optimization method of nuclear power unit power parametersbased on neural network and Bayesian optimization［J].Automation Application，2021（3）：51.[翟 小飛，馬仕洪，魏偉，等.基于神經(jīng)網(wǎng)絡(luò)和貝葉斯優(yōu) 化的核電站機(jī)組功率參數(shù)自動(dòng)尋優(yōu)方法[J].自動(dòng)化 應(yīng)用，2021（3）：51.]
[10]Lee JH， Yilmaz A， Denning R，et al. An online operator support tool for severe accident management in nuclear power plants using dynamic event trees and deep learning[J].Ann Nucl Energy，2020，146： 107626.
[11]Liu Y，HuR，Balaprakash P，et al.Data-driven modeling of coarse mesh turbulence for reactor transient analysis using convolutional recurrent neural networks[J].Nucl Eng Des，2022，39O：111716.
[12]Bae J，Kim G，Lee S J. Real-time prediction of nuclear power plant parameter trends following operator actions[J].Expert Syst Appl 2021，186：115848.
[13]Liu Y C，Wang B，Tan S C，et al. Applications of deep reinforcement learning in nuclear energy：A re view[J].Nucl EngDes，2024，429：113655.
[14]Qiao H，Ma J，Wang B，et al.Application of datadriven technology in nuclear engineering：Prediction， classification and design optimization [J].Ann Nucl Energy，2023，194：110089.
[15]Li T T，Ma X，Liu S，et al.A stock price prediction method based on meta-learning and variational mode decomposition [J]. Knowledge-Based Syst，2022， 252：109324.
（責(zé)任編輯：周興旺）
猜你喜歡
吉林大學(xué)學(xué)報(bào)(理學(xué)版)(2025年4期)2025-08-18 00:00:00
現(xiàn)代信息科技(2025年12期)2025-08-18 00:00:00
現(xiàn)代信息科技(2025年12期)2025-08-18 00:00:00
中國(guó)數(shù)學(xué)教育(高中版)(2025年6期)2025-08-15 00:00:00
中國(guó)機(jī)械工程(2025年4期)2025-08-13 00:00:00
中國(guó)機(jī)械工程(2025年4期)2025-08-13 00:00:00
數(shù)理天地(初中版)(2025年12期)2025-08-12 00:00:00
證券市場(chǎng)周刊(2025年30期)2025-08-12 00:00:00
農(nóng)業(yè)災(zāi)害研究(2025年5期)2025-08-10 00:00:00
世界科學(xué)(2025年7期)2025-08-09 00:00:00
四川大學(xué)學(xué)報(bào)(自然科學(xué)版)2025年4期
- 四川大學(xué)學(xué)報(bào)(自然科學(xué)版)的其它文章
- 基于諾如病毒樣顆粒和 SpyCatcher/SpyTag系統(tǒng)的IL-10遞送平臺(tái)構(gòu)建
- 缺陷團(tuán)簇對(duì)Cu/W納米多層膜輻照腫脹影響的分子動(dòng)力學(xué)模擬研究
- 化學(xué)氣相沉積法和機(jī)械剝離法制備的二硫化鉬的光譜特性對(duì)比研究
- 軟件定義廣域網(wǎng)中多控制器故障下的路徑可編程性恢復(fù)方法
- 基于改進(jìn)強(qiáng)化學(xué)習(xí)的小型模塊化核反應(yīng)堆智能路徑規(guī)劃
- 不同制備工藝對(duì)Ti-5.1A1-3.1Mo-2.9Cr-0.9Zr鈦合金組織與性能的影響