基于深度學習的核電站事故預測及故障診斷方法

摘要：一種基于深度學習方法的長短期記憶(Long Short-Term Memory,LSTM)模型被用來預測核電站異常工況,以有效解決核電安全系統中工況參數預測的問題。該模型利用LSTM對于長時間序列數據處理的優勢,關注異常工況中核心參數的預測。根據異常工況的預測需要,LSTM模型預測功能的訓練通過歷史運行數據集和滾動更新方法(Rolling Update,RU)完成,并且通過測試數據集進行了實驗驗證。實驗結果表明,此模型能夠在事故工況下有效地預測核心參數變化趨勢,損失值可低至3.7×10^-6。同時在小型失水事故(LOCA)的模擬工況預測中,LSTM模型能夠對存在差異的同一類事故做出準確的工況走勢預測,展現了其對于同類型事故工況的良好適應性。與傳統數理統計方法和傳統RNN方法的對比結果證明,基于LSTM的深度學習方法能夠有效提升異常工況預測的準確度和時效性。