摘要：一種基于深度學(xué)習(xí)方法的長短期記憶(Long Short-Term Memory,LSTM)模型被用來預(yù)測核電站異常工況,以有效解決核電安全系統(tǒng)中工況參數(shù)預(yù)測的問題。該模型利用LSTM對于長時(shí)間序列數(shù)據(jù)處理的優(yōu)勢,關(guān)注異常工況中核心參數(shù)的預(yù)測。根據(jù)異常工況的預(yù)測需要,LSTM模型預(yù)測功能的訓(xùn)練通過歷史運(yùn)行數(shù)據(jù)集和滾動更新方法(Rolling Update,RU)完成,并且通過測試數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,此模型能夠在事故工況下有效地預(yù)測核心參數(shù)變化趨勢,損失值可低至3.7×10^-6。同時(shí)在小型失水事故(LOCA)的模擬工況預(yù)測中,LSTM模型能夠?qū)Υ嬖诓町惖耐活愂鹿首龀鰷?zhǔn)確的工況走勢預(yù)測,展現(xiàn)了其對于同類型事故工況的良好適應(yīng)性。與傳統(tǒng)數(shù)理統(tǒng)計(jì)方法和傳統(tǒng)RNN方法的對比結(jié)果證明,基于LSTM的深度學(xué)習(xí)方法能夠有效提升異常工況預(yù)測的準(zhǔn)確度和時(shí)效性。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
