基于神经网络的核反应堆堆芯热功率预测

摘要

由于核反应堆经常变负荷运行,为使堆芯热功率与负荷相匹配,保证核电站的安全运行,需要精确预测反应堆堆芯热功率分布,以做出及时调整.传统方法包括基于核反应机理物理模型和实验模型,难以通过直接分析相关数据,准确预测功率分布.采用某CANDU重水堆核电站真实监测数据,根据数据的分布特征,分别构建了基于满功率日时间序列的LSTM循环神经网络和基于特征再提取的卷积神经网络CNN模型,并对网络结构优化,以此来进行核反应堆堆芯热功率预测仿真研究.相比于传统的BP神经网络,构建的LSTM和CNN模型在预测性能上有显著提升.在LSTM和CNN的预测结果中,绝对误差小于50MW的数据所占比例分别为97.63％和96.31％,相对误差在5％以内的数据所占比例为98.73％和98.42％,平均相对误差均不超过2.65％和2.96％.仿真研究表明,所提基于LSTM和CNN的模型可有效预测核反应堆堆芯热功率分布.