模型库的建立方法及装置、诊断方法及装置、预测方法

摘要

本发明公开一种诊断模型库的建立方法，包括：确定严重事故的诊断目标；获取M个物理参数在N个始发事件下的时间序列，形成N个序列集；依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，2≤T＜M；获取与T个物理参数对应的分类模型和回归模型，并将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库。进一步地，还提供诊断模型库的建立装置、核电厂严重事故的诊断方法及装置、核电厂严重事故的进程预测方法。基于诊断模型库的建立方法获得的诊断模型，可实现在严重事故发生时，根据有限数量的仪表准确地诊断出严重事故的始发事件及相应始发事件的参数。

说明书

技术领域

本发明属于核电严重事故分析技术领域，具体涉及一种诊断模型库的建立方法及装置、核电厂严重事故的诊断方法及装置、核电厂严重事故的进程预测方法。

背景技术

严重事故管理导则(Severe Accident Management Guidelines，SAMG)是核电厂在发生严重事故时，用于主控室和技术支持中心的工作人员采取措施以缓解堆芯损伤事故造成后果的指导性管理文件。

SAMG实施成功的关键因素之一为需及时、全面、准确地通过仪表获取电厂状态的物理参数。但在严重事故发生时，监测物理参数的仪表可能出现损坏或数据不准确的情况，从而导致现有的严重事故诊断结果的准确度不高。

发明内容

本发明要解决的技术问题是针对现有技术存在的上述不足，提供一种诊断模型库的建立方法及装置、核电厂严重事故的诊断方法及装置、核电厂严重事故的进程预测方法，实现在严重事故发生时，可根据有限数量的仪表监测的物理参数准确地诊断出严重事故的始发事件及相应的参数，从而为SAMG的有效实施提供准确数据。

第一方面，本方面实施例提供一种诊断模型库的建立方法，包括：确定严重事故的诊断目标，严重事故的诊断目标包括N个始发事件及其相应的参数之间的映射关系；获取M个物理参数在N个始发事件下的时间序列，形成N个序列集，其中，每个序列集包括M列数据，每列数据为单个的物理参数的时间序列，M个物理参数包括仪表测量到的蒸汽发生器水位、蒸汽发生器压力、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气、安全壳压力、以及安全壳温度，N和M为正整数；依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，其中，所述数据集包括N个第一序列集，每个第一序列集包括T列数据，2≤T＜M，T为正整数；获取与T个物理参数对应的分类模型和回归模型，并将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库，其中，分类模型的数量为一个。

优选地，在所述将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库之后，诊断模型库的建立方法还包括：依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，获取与各T+t个物理参数对应的分类模型和回归模型，并将各T+t个物理参数、与T+t个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至诊断模型库。

优选地，所述获取M个物理参数在N个始发事件下的时间序列，形成N个序列集，具体包括：调用严重事故一体化分析程序分别对N个始发事件相应的参数进行模拟计算，获取M个物理参数在N个始发事件下的时间序列，形成N个序列集。

优选地，所述依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，具体包括：依次从N个序列集中分别选取与诊断目标相关性大于第一相关阈值，且仪表可用性大于第一仪表阈值的T个具有同一物理参数的时间序列，形成数据集。

优选地，所述获取与T个物理参数对应的分类模型和回归模型，具体包括：采用长短期记忆算法对所述数据集进行深度学习模型训练和性能评估，得到与T个物理参数对应的分类模型集合和回归模型集合；对与T个物理参数对应的分类模型集合和回归模型集合中的各模型进行性能评价，获取性能评价值超过性能阈值所对应的分类模型和回归模型，确定为与T个物理参数对应的分类模型和回归模型。所述依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，获取与各T+t个物理参数对应的分类模型和回归模型，具体包括：依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，采用长短期记忆算法对每次选取的时间序列分别进行深度学习模型训练和性能评估，得到与各T+t个物理参数对应的分类模型集合和回归模型集合；对各T+t个物理参数对应的分类模型集合和回归模型集合中的各模型进行性能评价，获取性能评价值超过性能阈值所对应的分类模型和回归模型，确定为与各T+t个物理参数对应的分类模型和回归模型，其中，分类模型的数量与t的选取次数相同。

第二方面，本发明实施例还提供一种核电厂严重事故的诊断方法，包括：获取第一方面中所述的诊断模型库的建立方法建立的诊断模型库；在发生严重事故后，根据现场的可用仪表监测的物理参数的实时数据，以及诊断模型库中预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果。

优选地，所述根据现场的可用仪表监测的物理参数的实时数据，以及诊断模型库中预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果，具体包括：在诊断模型库中选取与现场的可用仪表监测的物理参数相应的分类模型和回归模型，作为所述预定的分类模型和回归模型；将现场的可用仪表监测的物理参数的实时数据输入至所述预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果，其中，分类模型用于诊断严重事故始发事件，回归模型用于诊断严重事故始发事件相应的参数。

第三方面，本发明实施例还提供一种核电厂严重事故的进程预测方法，包括：将根据第二方面所述的核电厂严重事故的诊断方法获取的严重事故始发事件及其相应的参数的诊断结果输入到严重事故一体化分析程序，得到严重事故进程的预测值，预测值包括干预手段的正负面影响。

第四方面，本发明实施例还提供一种诊断模型库的建立装置，包括确定模块、获取模块、第一选取模块，以及构建模块。确定模块，用于确定严重事故的诊断目标，严重事故的诊断目标包括N个始发事件及其相应的参数之间的映射关系。获取模块，与确定模块连接，用于获取M个物理参数在N个始发事件下的时间序列，形成N个序列集，其中，每个序列集包括M列数据，每列数据为单个的物理参数的时间序列，M个物理参数包括仪表测量到的蒸汽发生器水位、蒸汽发生器压力、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气、安全壳压力、以及安全壳温度，N和M为正整数。第一选取模块，与获取模块连接，用于依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，其中，所述数据集包括N个第一序列集，每个第一序列集包括T列数据，2≤T＜M，T为正整数。构建模块，与第一选取模块连接，用于获取与T个物理参数对应的分类模型和回归模型，并将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库，其中，分类模型的数量为一个。

第五方面，本发明实施例还提供一种核电厂严重事故的诊断装置，包括第四方面所述的诊断模型库的建立装置、第二选取模块和诊断模块。诊断模型库的建立装置，用于建立诊断模型库。第二选取模块，与诊断模型库的建立装置连接，用于在诊断模型库中选取与现场的可用仪表监测的物理参数相应的分类模型和回归模型，作为所述预定的分类模型和回归模型。诊断模块，与第二选取模块连接，用于将现场的可用仪表监测的物理参数的实时数据输入至所述预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果，其中，分类模型用于诊断严重事故始发事件，回归模型用于诊断严重事故始发事件相应的参数。

本发明的一种诊断模型库的建立方法及装置、核电厂严重事故的诊断方法及装置、核电厂严重事故的进程预测方法，通过确定严重事故的诊断目标；并根据诊断目标获取M个物理参数在N个始发事件下的时间序列，形成N个序列集；依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，其中，N和M为正整数，2≤T＜M，T为正整数；根据数据集获取与T个物理参数对应的分类模型和回归模型，并将之存储至模型库，以形成诊断模型库。实现在严重事故发生后，根据有限数量的可用仪表监测的物理参数及诊断模型库中的分类模型和回归模型，准确诊断出严重事故的始发事件及相应的参数，从而为SAMG的有效实施提供准确数据。

附图说明

图1：为本发明实施例1的一种诊断模型库的建立方法的流程图；

图2：为本发明实施例4的一种诊断模型库的建立装置的结构图；

图3：为本发明实施例5的一种核电厂严重事故的诊断装置的结构图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和实施例对本发明作进一步详细描述。

实施例1：

如图1所示，本实施例提供一种诊断模型库的建立方法，包括：

步骤101，确定严重事故的诊断目标，严重事故的诊断目标包括N个始发事件及其相应的参数之间的映射关系。

本实施例中，确定严重事故的诊断目标，即确定N个始发事件及其相应的参数之间的映射关系。如表1的始发事件列表所示(不限于表中所列举的始发事件及其参数)，针对表中“一回路冷却剂系统破口”始发事件，有相应的破口尺寸、破口位置、喷放系数等参数值，可通过查阅文献确定严重事故N个始发事件相应的具体参数值。

表1

步骤102，获取M个物理参数在N个始发事件下的时间序列，形成N个序列集，其中，每个序列集包括M列数据，每列数据为单个的物理参数的时间序列，M个物理参数包括仪表测量到的蒸汽发生器水位、蒸汽发生器压力、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气、安全壳压力、以及安全壳温度，N和M为正整数。

本实施例中，物理参数指在严重事故发生后，仍然能被仪表监测到的参数，例如蒸汽发生器水位、蒸汽发生器压力、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气、安全壳压力、安全壳温度以及其他物理参数。本实施例中通过调用严重事故一体化分析程序分别对N个始发事件相应的参数进行模拟计算，获取M个物理参数在N个始发事件下的时间序列，形成N个序列集。例如，获取M个物理参数在一回路冷却剂系统破口这一始发事件下发展的时间序列，得到一个序列集，且该序列集包括M列数据，其中，每列数据为一个物理参数的时间序列。常用的严重事故一体化分析程序包括美国Fauske&Associates开发的MAAP、美国Sandia国家实验室开发的MELCOR，以及法国的IRSN和德国的GRS联合开发的ASTEC等，物理参数可在严重事故一体化分析程序的输入卡中进行设定。

步骤103，依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，其中，数据集包括N个第一序列集，每个第一序列集包括T列数据，2≤T＜M，T为正整数。

本实施例中，从第1个序列集中选取蒸汽发生器水位、一回路压力、堆芯温度、压力容器内水位这四个物理参数的时间序列，其中，T＝4；继而从第2个序列集中选取以上相同的四个物理参数的时间序列；依次选取，直至从第N个序列集中选取以上相同的四个物理参数的时间序列，得到数据集，该数据集包括N个第一序列集，每个第一序列集包括蒸汽发生器水位、一回路压力、堆芯温度、压力容器内水位的时间序列。

可选地，依次从N个序列集中分别选取与诊断目标相关性大于第一相关阈值，且仪表可用性大于第一仪表阈值的T个具有同一物理参数的时间序列，形成数据集。

本实施例中，选取与诊断目标相关性大于第一相关阈值，且仪表可用性大于第一仪表阈值的物理参数，以使获取的T个物理参数对应的分类模型和回归模型与重要的、可用性最好的仪表组合相匹配，使用本实施例中的T个物理参数对应的分类模型和回归模型，可实现在严重事故发生后，根据现场可用的、与诊断目标相关的数个仪表监测的物理参数的实时数据即可完成准确诊断。需要说明的是，预先根据试验或经验获取M个物理参数分别与诊断目标的相关性，以及根据所述相关性进行排序的列表，列表包括物理参数、相关性，以及物理参数与相关性的映射关系。此外，预先根据试验或经验获取仪表可用性的排序列表，且仪表与物理参数具有对应关系。

步骤104，获取与T个物理参数对应的分类模型和回归模型，并将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库，其中，分类模型的数量为一个。

本实施例中，将步骤103得到的数据集进行深度学习模型训练和性能评估，对于严重事故始发事件的诊断，建立与4个物理参数对应的分类模型，分类模型的数量为一个；对于严重事故始发事件参数的诊断，建立与4个物理参数对应的回归模型，回归模型的数量超过N个，例如，用于诊断“一回路冷却剂系统破口”始发事件的相应参数的回归模型的数量为三个，分别用于诊断破口位置、破口尺寸、喷放系数。并将4个物理参数(即蒸汽发生器水位、一回路压力、堆芯温度、压力容器内水位)、与4个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库。使用该诊断模型库中的分类模型和回归模型，可实现对严重事故的始发事件及其参数的诊断。

可选地，步骤104具体包括：采用长短期记忆算法对步骤103得到的数据集进行深度学习模型训练和性能评估，得到与T个物理参数对应的分类模型集合和回归模型集合；对与T个物理参数对应的分类模型集合和回归模型集合中的各模型进行性能评价，获取性能评价值超过性能阈值所对应的分类模型和回归模型，确定为与T个物理参数对应的分类模型和回归模型。

可选地，在将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库之后，诊断模型库的建立方法还包括：

步骤105，依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，获取与各T+t个物理参数对应的分类模型和回归模型，并将各T+t个物理参数、与T+t个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至诊断模型库。

本实施例中，在严重事故发生时，由于监测物理参数的现场的仪表出现损坏或数据不准确的情况是不确定的，且训练数据集中的物理参数的种类越多，其对应的分类模型和回归模型的准确性越高，因此，建立多种情况对应的分类模型和回归模型，以完善诊断模型库中的模型。在如上实施例的基础上，从N个序列集中分别选取4+1个具有同一物理参数(如蒸汽发生器水位、一回路压力、堆芯温度、压力容器内水位、安全壳水位)的时间序列，形成数据集，并对该数据集进行深度学习模型训练和性能评估，获取与该4+1个物理参数对应的分类模型和回归模型，并将之存储至诊断模型库；继而从N个序列集中分别选取4+2个具有同一物理参数(如蒸汽发生器水位、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气)的时间序列，形成数据集，并对该数据集进行深度学习模型训练和性能评估，获取与该4+2个物理参数对应的分类模型和回归模型，并将之存储至诊断模型库；遍历t的取值，直至获取到与M个物理参数对应的分类模型和回归模型。需要说明的是，虽然本实施例中以一个物理参数递增的方式获取各物理参数组合对应的分类模型和回归模型，也可以以多个物理参数递增的方式获取物理参数组合相应的分类模型和回归模型。

可选地，步骤105具体包括：依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，采用长短期记忆算法对每次选取的时间序列分别进行深度学习模型训练和性能评估，得到与各T+t个物理参数对应的分类模型集合和回归模型集合；对各T+t个物理参数对应的分类模型集合和回归模型集合中的各模型进行性能评价，获取性能评价值超过性能阈值所对应的分类模型和回归模型，确定为与各T+t个物理参数对应的分类模型和回归模型，其中，分类模型的数量与t的选取次数(即遍历次数)相同。此外，深度学习模型训练和性能评估时使用常用的深度学习框架，如DeepLearning4J、TensorFlow、Pytorch等，并使用这些框架内集成的LSTM算法。

本实施例的诊断模型库的建立方法中，通过对始发事件及其相应的参数进行模拟得到与T个物理参数对应的数据集，对数据集进行深度学习模型训练和性能评估以获取与T个物理参数对应的分类模型和回归模型，并将之存储至模型库，以形成诊断模型库。实现在严重事故发生后，根据T个有限数量的可用仪表监测的物理参数及诊断模型库中的分类模型和回归模型，准确诊断出严重事故的始发事件及相应的参数，从而为SAMG的有效实施提供准确数据。此外，依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，获取与各T+t个物理参数对应的分类模型和回归模型，并将之存储至诊断模型库，从而完善诊断模型库中的模型数量和模型质量，从而可根据现场的可用仪表选择与仪表监测的物理参数相匹配的模型进行诊断，最大化地利用现场可用仪表，可进一步地提高基于模型进行始发事件及其相应参数的诊断结果的准确性。

实施例2：

本实施例提供一种核电厂严重事故的诊断方法，包括：

步骤201，获取实施例1所述的诊断模型库的建立方法所建立的诊断模型库。

步骤202，在发生严重事故后，根据现场的可用仪表监测的物理参数的实时数据，以及诊断模型库中预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果。

可选地，步骤202具体包括：在诊断模型库中选取与现场的可用仪表监测的物理参数相应的分类模型和回归模型，作为预定的分类模型和回归模型；将现场的可用仪表监测的物理参数的实时数据输入至预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果，其中，分类模型用于诊断严重事故始发事件，回归模型用于诊断严重事故始发事件相应的参数。

本实施例中，在严重事故发生后，当现场的可用仪表监测的为T+5个物理参数，则在诊断模型库中选取与该T+5个物理参数对应的分类模型和回归模型作为预定的分类模型和回归模型，并将现场的可用仪表监测的这T+5个物理参数的实时数据输入至预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果。

本实施例提供的核电厂严重事故的诊断方法中，根据诊断模型库中完善的诊断模型，及现场的可用仪表监测的物理参数的实时数据获得始发事件及其参数的诊断结果。由于诊断模型库中具有与不同物理参数组合相匹配的诊断模型，使得最大化地利用了现场的可用仪表监测的数据进行诊断，从而使得诊断结果的准确性更高。

实施例3：

本实施例提供一种核电厂严重事故的进程预测方法，包括：将根据实施例2所述的核电厂严重事故的诊断方法获取的严重事故始发事件及其相应的参数的诊断结果输入到严重事故一体化分析程序，得到严重事故进程的预测值，预测值包括干预手段的正负面影响。严重事故一体化分析程序包括美国Fauske&Associates开发的MAAP、美国Sandia国家实验室开发的MELCOR，以及法国的IRSN和德国的GRS联合开发的ASTEC等。

实施例4：

如图2所示，本实施例提供一种诊断模型库的建立装置4，包括确定模块41、获取模块42、第一选取模块43，以及构建模块44。

确定模块41，用于确定严重事故的诊断目标，严重事故的诊断目标包括N个始发事件及其相应的参数之间的映射关系。诊断目标示例如实施例1中所述的表1。

获取模块42，与确定模块41连接，用于获取M个物理参数在N个始发事件下的时间序列，形成N个序列集，其中，每个序列集包括M列数据，每列数据为单个的物理参数的时间序列，M个物理参数包括仪表测量到的蒸汽发生器水位、蒸汽发生器压力、一回路压力、堆芯温度、压力容器内水位、安全壳水位、安全壳氢气、安全壳压力、以及安全壳温度，N和M为正整数。

可选地，获取模块42用于调用严重事故一体化分析程序分别对N个始发事件相应的参数进行模拟计算，获取M个物理参数在N个始发事件下的时间序列。

第一选取模块43，与获取模块42连接，用于依次从N个序列集中分别选取T个具有同一物理参数的时间序列，形成数据集，其中，数据集包括N个第一序列集，每个第一序列集包括T列数据，2≤T＜M，T为正整数。

可选地，选取模块43用于依次从N个序列集中分别选取与诊断目标相关性大于第一相关阈值，且仪表可靠性大于第一仪表阈值的T个具有同一物理参数的时间序列，形成数据集。

构建模块44，与第一选取模块43连接，用于获取与T个物理参数对应的分类模型和回归模型，并将T个物理参数、与T个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至模型库，以形成诊断模型库，其中，分类模型的数量为一个，回归模型的数量超过N个。

可选地，构建模块44还用于依次从N个序列集中分别选取T+t个具有同一物理参数的时间序列，其中，t＝1,2,3,...,M-T，遍历t的取值，获取与各T+t个物理参数对应的分类模型和回归模型，并将各T+t个物理参数、与T+t个物理参数对应的分类模型、回归模型及其三者之间的对应关系存储至诊断模型库。

实施例5：

如图3所示，本实施例提供一种核电厂严重事故的诊断装置，包括实施例4所述的诊断模型库的建立装置4、第二选取模块51和诊断模块52，

诊断模型库的建立装置4，用于建立诊断模型库。

第二选取模块51，与诊断模型库的建立装置4连接，用于在诊断模型库中选取与现场的可用仪表监测的物理参数相应的分类模型和回归模型，作为所述预定的分类模型和回归模型。

诊断模块52，与第二选取模块51连接，用于将现场的可用仪表监测的物理参数的实时数据输入至预定的分类模型和回归模型，获取严重事故始发事件及其相应的参数的诊断结果，其中，分类模型用于诊断严重事故始发事件，回归模型用于诊断严重事故始发事件相应的参数。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。