[發明專利]基于代價敏感LSTM循環神經網絡的穩壓器水位預測方法

有效

• 申請號: 201910496634.3
• 申請日: 2019-06-10
• 公開（公告）號: CN110119854B
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 張錦;潘志松;王曉龍;趙誠;沈軍
• 申請（專利權）人: 中國人民解放軍陸軍軍事交通學院鎮江校區
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06F30/20;G06F30/15;G06N3/08
• 代理公司: 南京中高專利代理有限公司 32333
• 代理人: 徐莉娜

本發明涉及船舶核動力穩壓器水位預測技術領域，特別涉及一種基于代價敏感LSTM循環神經網絡的穩壓器水位預測方法。一種基于代價敏感LSTM循環神經網絡的穩壓器水位預測方法，包括如下步驟：S1，選取與穩壓器水位耦合度較高的p個參數x_t∈R^p作為輸入參數；S2，構建基于LSTM穩壓器水位預測模型及其框架；S3，采用BPTT算法對步驟S2中構建的水位預測模型進行訓練和優化。本發明LSTM模型比SVR模型和BP神經網絡模型能夠更好的逼近水位的真實值，具有更強的學習能力和預測能力，且基于代價敏感型的LSTM模型精度更好、收斂更快。

技術領域

本發明涉及船舶核動力穩壓器水位預測技術領域，特別涉及一種基于代價敏感LSTM循環神經網絡的穩壓器水位預測方法。

背景技術

穩壓器水位是船用壓水堆非常重要的狀態參數，是操縱員掌握反應堆運行狀態、判斷運行瞬變的重要依據。受艦船核動力裝置負荷波動和高溫高濕惡劣工作條件的影響，穩壓器易發生汽水混合現象和測量故障，從而產生假水位或異常顯示等問題。在這些情況下，操縱員將無法獲取穩壓器水位的真實情況，操作難度增加，人因失誤概率加大，這也是美國三哩島核事故發生的主要原因之一。研究表明，反應堆及一回路系統主要參數間存在必然的內部聯系，因此，當穩壓器水位信號喪失時，可通過其他易于獲取、可正常顯示的參數快速計算出真實的穩壓器水位，并以此來對判斷儀表指示正確與否，或獲得喪失指示參數的重新標定。

對核動力裝置參數進行預測和重構的方法主要有兩種，分別是基于數學物理模型的方法和基于數據驅動的方法。由于核反應堆一回路復雜的動態特性，不同工況下有著不同的熱工水力模型，且相同類型的核動力裝置之間也存在特性差異。預測模型必須具備很強表示能力和遷移學習能力才能較好構建運行參數之間的非線性映射關系。基于數學物理模型的方法采用大型安全分析程序實現參數預測。安全分析程序需要針對不同的PWRs進行修正，且不易與實際運行數據發生交互，因此該方法的通用性和遷移適應性較差。另外，模型越復雜在計算過程中引入的舍入誤差、傳遞誤差就會越多，從而模型的計算值和實際值的偏差越大。如果精簡數學模型，則又無法達到較高的預測精度。基于數據驅動的方法構建的機器學習模型能夠從運行數據中自動學習運行參數之間的映射關系，具有精度高、適用性強等優點。特別是隨著人工智能的發展，深度學習模型表現出強大的非線性映射能力和表示學習能力，相比傳統的機器學習方法，能夠達到更高的預測精度。

參數預測和重構本質上都是一種回歸分析。近年來，在核科學領域，構建數理統計模型，運用機器學習和數據挖掘算法對核動力裝置有關特性參數進行回歸分析的相關研究主要分為以下兩類。一類采用支持向量回歸模型(SVRM)開展回歸分析，包括Wang X L通過支持向量回歸對船舶核動力裝置相關參數開展了預測和重構研究；Liu J^[和Song M C運用支持向量回歸對核動力裝置故障預測進行了研究。支持向量回歸具有學習速度快、泛化能力較好等優點，但也存在未能有效利用支持向量之外的數據信息，核函數及相關參數的選擇對模型預測能力影響較大等缺點，而且模型假設輸入數據之間是獨立同分布的，但核動力裝置運行參數具有很強的時序特性。

另一類是采用BP神經網絡、自聯想神經網絡等淺層神經網絡模型開展回歸分析，包括Huang Y采用BP神經網絡模型對壓水堆偏離泡核沸騰比(Departure from NucleateBoiling Ratio)的計算進行了探討；Shaheryar A以核電站傳感器參數監測為分析對象，提出了通過引入幾種正則化方法解決自聯想神經網絡(AANN)泛化性和魯棒性較差的問題；Maio F D提出通過自聯想核回歸模型Auto-Associative Kernel Regression(AAKR)models對核電站信號重構問題進行了研究；Baraldi P主要運用主成分分析法(PCA)等數據挖掘算法對核動力裝置傳感器故障下的信號重構問題開展了研究探討。這類模型具有很強的非線性映射能力，且網絡越深，非線性映射能力越強，同時也容易因梯度消失而陷入局部極小值。