核电厂大气扩散预测校正方法、系统、介质及电子设备

摘要

本发明公开了核电厂大气扩散预测校正方法、系统、介质及电子设备，适用于核电厂事故泄漏，该方法包括以下步骤：S1：根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据；S2：获取事故泄漏时实际监测到的当前的辐射监测时空数据；S3：根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型；S4：根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据，并输入至校正模型中进行校正，得到校正后的未来的污染物时空数据，从而做出更准确的预测，向决策者提供实际可行的核应急决策技术支持，对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。

说明书

技术领域

本发明涉及计算机软件技术领域，尤其涉及一种核电厂大气扩散预测校正方法、系统、介质及电子设备。

背景技术

现有当发生核电厂事故泄漏时，需要对大气扩散进行预测，但这种预测往往存在偏差，因此需要对预测结果进行校正。而现有预测校正方法是将模型模拟数据与观测数据相结合，从而改善模型的预测结果，起源于20世纪50年代。它的发展经历了几个阶段，二十世纪五六十年代发展了经验算法，七八十年代发展了数学算法，八十年代以后发展了简单智能算法，二十一世纪以后发展了智能算法。数据同化方法在数值预测研究当中具有重要意义，根据不同的应用背景与应用模型，需要选取合适的数据同化方法，可以提高数值预测的准确性。现在较为常用的大气扩散预测校正方法是变分方法和卡尔曼滤波系列算法。

变分算法用代价函数来表示系统状态量的模拟与实际量之间的差异，通过最小化代价函数，从而把预测校正问题转化为极值求解问题，广泛应用的变分算法有三维变分算法与四维变分算法。

但是，由于实际应用时状态量的非线性变化，且维度通常很高，变分算法需要大量计算迭代求解。四维变分方法需要求解伴随模式与切线性方程，但伴随模式编写困难，计算成本十分高昂，尤其是考虑了背景场信息随时间的变化，进一步增加了伴随模式的复杂性。

卡尔曼滤波系列数据同化方法是一种顺序数据同化方法，可以随着事故进程，不断地将获得的观测数据与模式进行融合，它可分为预测和更新两个步骤，应用最广泛的是集合卡尔曼滤波方法。

但是该算法在大气扩散数据同化的实际应用中，在每一个校正步骤内需要多次调用大气扩散模型进行计算来生成状态量的概率密度函数，花费大量的时间，而且还存在滤波发散问题。

因此，现有的预测模型，都要求很苛刻的输入，而且输入数据很多，在事故早期，根本就无法准确的得到那些数据。因此如何实现在核电站事故早期，只需简单的参数无需复杂的模型和观测相关的误差先验条件，就能够快速准确的预测出污染物的时空分布，是目前的主要挑战。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种核电厂大气扩散预测校正方法、系统、介质及电子设备。

本发明解决其技术问题所采用的技术方案是：构造一种核电厂大气扩散预测校正方法，适用于核电厂事故泄漏，包括以下步骤：

S1：根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据；

S2：获取事故泄漏时实际监测到的当前的辐射监测时空数据；

S3：根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型；

S4：根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据，并输入至所述校正模型中进行校正，得到校正后的未来的污染物时空数据。

优选地，在本发明所述的核电厂大气扩散预测校正方法中，所述环境信息包括选定区域的气象数据，其中包括风速、风向和温度；

所述泄露信息包括泄漏区域的源项数据，其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。

优选地，在本发明所述的核电厂大气扩散预测校正方法中，所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。

优选地，在本发明所述的核电厂大气扩散预测校正方法中，所述校正模型为f(X)＝W

所述步骤S3包括：

将预测的当前的污染物时空数据输入至所述校正模型的X中，将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中，通过线性回归，计算出最优的校正参数W和B，获得完整的校正模型。

优选地，在本发明所述的核电厂大气扩散预测校正方法中，所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。

优选地，在本发明所述的核电厂大气扩散预测校正方法中，所述步骤S3之前还包括：

将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。

本发明还构造了一种核电厂大气扩散预测校正系统，适用于核电厂事故泄漏，包括：

预测模块，用于根据当前环境信息和泄露信息通过组合预测模型预测当前和未来的污染物时空数据；

监测模块，用于获取事故泄漏时实际监测到的当前的辐射监测时空数据；

构建模块，用于根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型；

校正模块，用于将预测的未来的污染物时空数据输入至所述校正模型中进行校正，得到校正后的未来的污染物时空数据。

优选地，在本发明所述的核电厂大气扩散预测校正系统中，所述环境信息包括选定区域的气象数据，其中包括风速、风向和温度；

所述泄露信息包括泄漏区域的源项数据，其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。

优选地，在本发明所述的核电厂大气扩散预测校正系统中，所述组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种。

优选地，在本发明所述的核电厂大气扩散预测校正系统中，所述校正模型为f(X)＝W

所述构建模块，用于将预测的当前的污染物时空数据输入至所述校正模型的X中，将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中，通过线性回归，计算出最优的校正参数W和B，获得完整的校正模型。

优选地，在本发明所述的核电厂大气扩散预测校正系统中，所述组合预测模型的输出值为多个预测模型的输出值的矩阵组合。

优选地，在本发明所述的核电厂大气扩散预测校正系统中，所述系统还包括：

数据转换模块，用于将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式。

本发明还构造了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的核电厂大气扩散预测校正方法。

本发明还构造了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任一项所述的核电厂大气扩散预测校正方法。

通过实施本发明，具有以下有益效果：

本发明的核电厂大气扩散预测校正方法能够综合分析多种辐射应急监测数据，可以很好的拟合现有观测数据，通过组合预测模型快速预测源项扩散数据，即污染物时空数据，通过校正模型对核事故后果预测评价结果进行快速可靠的数据校正、同化，从而做出更准确的预测，向决策者提供实际可行的核应急决策技术支持，对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明核电厂大气扩散预测校正方法的流程示意图；

图2是本发明核电厂大气扩散预测校正方法的逻辑框架图；

图3是本发明核电厂大气扩散预测校正系统的模块框图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。需要说明的是，附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本发明主要解决核事故早期，观察数据少的问题。并且核电设计参数具有数据量大、变化快、类型多、结构复杂的特点，因此存在计算速度慢，需要多次求解的问题。而本发明组合多种现有成熟的预测模型，动态赋予不同的参数(权重)，结合现有的观察数据，计算出最佳参数，可提高预测精度和速度。

如图1和2所示，本发明构造了一种核电厂大气扩散预测校正方法，适用于核电厂事故泄漏，包括步骤S1、S2、S3以及S4。

步骤S1：根据当前环境信息和泄露信息通过组合预测模型预测当前的污染物时空数据。

在本实施例中，时空数据亦可称为时空分布，时空是指时间和空间，例如连续的时间和厂区附近。环境信息和泄露信息可由监测设备监测得到，环境信息包括选定区域的气象数据，其中包括风速、风向和温度。泄露信息包括泄漏区域的源项数据，其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。在另外一些实施例中，泄露信息还包括泄露区域的其他数据，其中包括污染物浓度。

组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据，而在该步骤中，只需从中获取预测的当前的污染物时空数据。

并且，组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种，在此不再一一组合列举。在另外一些实施例中，也可以是任何经过验证的预测模型进行组合。

步骤S2：获取事故泄漏时实际监测到的当前的辐射监测时空数据。

在本实施例中，通过核电厂、气象站、辐射环境自动站、移动监测车等途径获取事故泄漏时实际监测到的当前的辐射监测时空数据。由于实际监测到的当前的辐射监测时空数据只有当时的时空数据，并没有未来的时空数据，因此可将其应用于步骤S3中，进行校正模型的构造。

步骤S3：根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型。

在本实施例中，校正模型为f(X)＝W

该步骤S3包括：将预测的当前的污染物时空数据输入至校正模型的X中，将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中，通过线性回归，计算出最优的校正参数W和B，获得完整的校正模型。在此需要说的是，要想计算出最优的校正参数W和B，需要输入至少两个预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据。

在另外一些实施例中，还可选用神经网络和支持向量机的算法对校正参数进行求解，在此不再赘述。

在另外一些实施例中，步骤S3之前还包括：将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式，方便校正模型的构造。

步骤S4：根据当前环境信息和泄露信息通过组合预测模型预测未来的污染物时空数据，并输入至校正模型中进行校正，得到校正后的未来的污染物时空数据。

在本实施例中，组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据，在该步骤中，只需从中获取预测的未来的污染物时空数据，输入至校正模型的X中，得到校正后的未来的污染物时空数据f(X)。

上述整个步骤是连续的，通过一次计算就能得到预测校正结果，其中几分钟就可以完成校正模型校正参数的求解，从而获得针对本次事故的校正模型，然后再对当前组合预测模型的预测值进行校正，特别是对预测的未来的时空数据进行校正，从而获得核电泄漏时，大气扩散的准确预测。

本发明的核电厂大气扩散预测校正方法能够综合分析多种辐射应急监测数据，可以很好的拟合现有观测数据，通过组合预测模型快速预测源项扩散数据，即污染物时空数据，通过校正模型对核事故后果预测评价结果进行快速可靠的数据校正、同化，从而做出更准确的预测，向决策者提供实际可行的核应急决策技术支持，对短期内采取紧急防护行动、减轻核事故放射性后果具有重要意义。具体效果如下：

1)只需要一次调用校正模型计算就可以完成校正、同化，计算速度较现有预测校正算法更快，稳定性更好；

2)仅需要泄漏速率、泄漏高度、风向、平均风速等简单的几个参数；

3)能够容忍观测数据存在较大不确定度(如30％的不确定度)，以适应应急辐射监测的特点；

4)可以在短时间内为应急决策提供快速有效的支持。

第二实施例，如图3所示，本发明构造了一种核电厂大气扩散预测校正系统，适用于核电厂事故泄漏，包括：预测模块、监测模块、构建模块和校正模块。

预测模块，用于根据当前环境信息和泄露信息通过组合预测模型预测当前和未来的污染物时空数据。

在本实施例中，时空数据亦可称为时空分布，时空是指时间和空间，例如连续的时间和厂区附近。环境信息和泄露信息可由监测设备监测得到，环境信息包括选定区域的气象数据，其中包括风速、风向和温度。泄露信息包括泄漏区域的源项数据，其中包括泄露速率、泄露点位置、泄露点温度、出口速度和排烟率。在另外一些实施例中，泄露信息还包括泄露区域的其他数据，其中包括污染物浓度。

合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据，而在该步骤中，只需从中获取预测的当前的污染物时空数据。

并且，组合预测模型包括高斯烟羽模式、拉格朗日模式、欧拉模式和计算流体力学模式中的至少两种，在此不再一一组合列举。在另外一些实施例中，也可以是任何经过验证的预测模型进行组合。

监测模块，用于获取事故泄漏时实际监测到的当前的辐射监测时空数据。

在本实施例中，通过核电厂、气象站、辐射环境自动站、移动监测车等途径获取事故泄漏时实际监测到的当前的辐射监测时空数据。由于实际监测到的当前的辐射监测时空数据只有当时的时空数据，并没有未来的时空数据，因此可将其应用于步骤S3中，进行校正模型的构造。

构建模块，用于根据预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据计算获得校正模型；

在本实施例中，校正模型为f(X)＝W

该构建模块，用于将预测的当前的污染物时空数据输入至校正模型的X中，将实际监测到的当前的辐射监测时空数据输入至所述校正模型的f(X)中，通过线性回归，计算出最优的校正参数W和B，获得完整的校正模型。在此需要说的是，要想计算出最优的校正参数W和B，需要输入至少两个预测的当前的污染物时空数据和实际监测到的当前的辐射监测时空数据。

在另外一些实施例中，还可选用神经网络和支持向量机的算法对校正参数进行求解，在此不再赘述。

在另外一些实施例中，本系统还包括：数据转换模块，用于将实际监测到的当前的辐射监测时空数据转换为与预测的当前的污染物时空数据相一致的数据格式，方便校正模型的构造。

校正模块，用于将预测的未来的污染物时空数据输入至校正模型中进行校正，得到校正后的未来的污染物时空数据。

在本实施例中，组合预测模型可根据当前环境信息和泄露信息预测当前和未来的污染物时空数据，在该步骤中，只需从中获取预测的未来的污染物时空数据，输入至校正模型的X中，得到校正后的未来的污染物时空数据f(X)。

第三实施例，本发明还构造了一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一实施例所述的核电厂大气扩散预测校正方法。

第四实施例，本发明构造了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如第一实施例所述的核电厂大气扩散预测校正方法。

可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。