[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

说明书

本发明涉及船舶核动力稳压器水位预测技术领域，特别涉及一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法。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，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；S2，构建基于LSTM稳压器水位预测模型及其框架；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。本发明LSTM模型比SVR模型和BP神经网络模型能够更好的逼近水位的真实值，具有更强的学习能力和预测能力，且基于代价敏感型的LSTM模型精度更好、收敛更快。

技术领域

本发明涉及船舶核动力稳压器水位预测技术领域，特别涉及一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法。

背景技术

稳压器水位是船用压水堆非常重要的状态参数，是操纵员掌握反应堆运行状态、判断运行瞬变的重要依据。受舰船核动力装置负荷波动和高温高湿恶劣工作条件的影响，稳压器易发生汽水混合现象和测量故障，从而产生假水位或异常显示等问题。在这些情况下，操纵员将无法获取稳压器水位的真实情况，操作难度增加，人因失误概率加大，这也是美国三哩岛核事故发生的主要原因之一。研究表明，反应堆及一回路系统主要参数间存在必然的内部联系，因此，当稳压器水位信号丧失时，可通过其他易于获取、可正常显示的参数快速计算出真实的稳压器水位，并以此来对判断仪表指示正确与否，或获得丧失指示参数的重新标定。

对核动力装置参数进行预测和重构的方法主要有两种，分别是基于数学物理模型的方法和基于数据驱动的方法。由于核反应堆一回路复杂的动态特性，不同工况下有着不同的热工水力模型，且相同类型的核动力装置之间也存在特性差异。预测模型必须具备很强表示能力和迁移学习能力才能较好构建运行参数之间的非线性映射关系。基于数学物理模型的方法采用大型安全分析程序实现参数预测。安全分析程序需要针对不同的PWRs进行修正，且不易与实际运行数据发生交互，因此该方法的通用性和迁移适应性较差。另外，模型越复杂在计算过程中引入的舍入误差、传递误差就会越多，从而模型的计算值和实际值的偏差越大。如果精简数学模型，则又无法达到较高的预测精度。基于数据驱动的方法构建的机器学习模型能够从运行数据中自动学习运行参数之间的映射关系，具有精度高、适用性强等优点。特别是随着人工智能的发展，深度学习模型表现出强大的非线性映射能力和表示学习能力，相比传统的机器学习方法，能够达到更高的预测精度。

参数预测和重构本质上都是一种回归分析。近年来，在核科学领域，构建数理统计模型，运用机器学习和数据挖掘算法对核动力装置有关特性参数进行回归分析的相关研究主要分为以下两类。一类采用支持向量回归模型(SVRM)开展回归分析，包括Wang X L通过支持向量回归对船舶核动力装置相关参数开展了预测和重构研究；Liu J^[和Song M C运用支持向量回归对核动力装置故障预测进行了研究。支持向量回归具有学习速度快、泛化能力较好等优点，但也存在未能有效利用支持向量之外的数据信息，核函数及相关参数的选择对模型预测能力影响较大等缺点，而且模型假设输入数据之间是独立同分布的，但核动力装置运行参数具有很强的时序特性。

另一类是采用BP神经网络、自联想神经网络等浅层神经网络模型开展回归分析，包括Huang Y采用BP神经网络模型对压水堆偏离泡核沸腾比(Departure from NucleateBoiling Ratio)的计算进行了探讨；Shaheryar A以核电站传感器参数监测为分析对象，提出了通过引入几种正则化方法解决自联想神经网络(AANN)泛化性和鲁棒性较差的问题；Maio F D提出通过自联想核回归模型Auto-Associative Kernel Regression(AAKR)models对核电站信号重构问题进行了研究；Baraldi P主要运用主成分分析法(PCA)等数据挖掘算法对核动力装置传感器故障下的信号重构问题开展了研究探讨。这类模型具有很强的非线性映射能力，且网络越深，非线性映射能力越强，同时也容易因梯度消失而陷入局部极小值。