[发明专利]基于代价敏感LSTM循环神经网络的稳压器水位预测方法

权利要求书

1.一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法，其特征在于，包括如下步骤：

S1，选取与稳压器水位耦合度较高的p个参数x_t∈R^p作为输入参数，所述输入参数为稳压器水位耦合度较高的6项参数，包括反应堆进、出口平均温度、稳压器压力与温度、一回路主泵流量、核功率；

S2，构建基于LSTM稳压器水位预测模型及其框架；

所述步骤S2包括：S21，应用RNN模型计算出隐藏层序列和输出序列；

S22,将隐藏层的RNN细胞替换为LSTM细胞，使其具有长期记忆能力，构建LSTM模型；

计算方法如下：

i_t＝σ(W_xi⊙x_t+W_hi⊙h_t-1+W_ci⊙c_t-1+b_i) (4)

f_t＝σ(W_xf⊙x_t+W_hf⊙h_t-1+W_cf⊙c_t-1+b_f) (5)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_xc⊙x_t+W_hc⊙h_t-1+b_c) (6)

o_t＝σ(W_xo⊙x_t+W_ho⊙h_t-1+W_co⊙c_t+b_o) (7)

h_t＝o_t⊙tanh(c_t) (8)

其中，i、f、c、o分别代表输入门、遗忘门、细胞状态、输出门，W和b分别代表对应的权重和偏置值，σ和tanh分别为sigmoid和双曲正切激活函数，LSTM网络中的权值W和偏置值b为决策变量，包括W_xi、W_hi、W_ci、W_xf、W_hf、W_cf、W_xc、W_hc、W_xo、W_ho、W_co、b_i、b_f、b_c、b_o；选取与稳压器水位耦合度较高的p个参数x_t∈R^p作为输入参数，选择预测值与真实值的MAE为损失函数LOSS，

引入代价敏感权重进行改进，改进后的模型损失函数如下：

其中，y_t和分别为稳压器水位在t时刻的真实值和预测值，r_t为t时刻样本权重，m为训练集样本总数，训练集样本按时序排列；

将r_t设计成随时间t单调递增的特性，r_t应当具备以下性质：波动敏感性，与a_t正相关，a_t表征t时刻的相对大小；时序敏感性，随时间t单调递增，r_t＜r_t+1,t＝1,2,…,m-1；恒正性，r_t＞0,t＝1,2,…,m；收敛性，t＝1,2,…,m；将r_t构造成如下形式：

S3，采用BPTT算法对步骤S2中构建的水位预测模型进行训练和优化。