核電站失水事故的智能預(yù)警及仿真方法研究

佘兢克，施天姿，唐鈺淇，張一凡

（1.湖南大學(xué) 信息科學(xué)與工程學(xué)院，長沙 410082；2.長沙理工大學(xué) 電氣與信息工程學(xué)院，長沙 410015；3.湖南農(nóng)業(yè)大學(xué) 信息與智能科學(xué)技術(shù)學(xué)院，長沙 410128）

0 引言

隨著社會經(jīng)濟(jì)的快速發(fā)展，對于能源的大量需求使得核能等優(yōu)質(zhì)能源的發(fā)展成為必然。而在核能領(lǐng)域，核電站的運行安全是重中之重。對核電站運行中可能出現(xiàn)的事故進(jìn)行提前預(yù)警以及對事故工況進(jìn)行仿真，對于提升核電站安全裕度，從而及時獲取事故應(yīng)急的決策依據(jù)具有重要意義。

事故的預(yù)警主要難點在于對故障臨界點或者事故初期特征的抓取與確認(rèn)。傳統(tǒng)控制手段中是在工況超過閾值，即事故實際發(fā)生情況下給出警報，因此缺乏及時和合理的預(yù)警方式[1]。而在對核電事故工況的模擬仿真領(lǐng)域，系統(tǒng)建模是最主要的方式之一。由于核電站反應(yīng)堆的物理過程復(fù)雜、系統(tǒng)和設(shè)備之間相互作用復(fù)雜以及重要參數(shù)的非線性變化等因素，使得建模仿真難度極大，而且大多數(shù)事故場景中都存在的非線性的特征也使得傳統(tǒng)的統(tǒng)計方法難以準(zhǔn)確地計算和描述事故的發(fā)展趨勢。

近年來隨著人工智能方法的發(fā)展，使用深度學(xué)習(xí)模型來對數(shù)據(jù)進(jìn)行分類和預(yù)測已成為了一種有效的工況仿真與分析方法。它可以利用現(xiàn)存核電真實數(shù)據(jù)和工業(yè)級仿真數(shù)據(jù)，構(gòu)建基于數(shù)據(jù)驅(qū)動的智能分析方法，檢測核電站的異常工況，發(fā)出警告，并進(jìn)而模擬仿真該事故的發(fā)展趨勢。因此，本文工作采用深度學(xué)習(xí)方法來構(gòu)建事故預(yù)警及事故仿真的整合模型，而以往研究工作中積存的大量數(shù)據(jù)也為本工作奠定了堅實基礎(chǔ)。

1 相關(guān)工作

1.1 LOCA預(yù)警

失水事故（Loss of Coolant Accident，LOCA）是指反應(yīng)堆冷卻劑系統(tǒng)主管道發(fā)生破裂而造成的反應(yīng)堆冷卻劑喪失事故。核電站一般分為三道安全屏障，即燃料包殼、一回路壓力邊界、安全殼[2]。LOCA通常指第二道安全屏障破壞，喪失了一回路的壓力邊界，使得一回路的冷卻劑進(jìn)入到安全殼內(nèi)，放射性物質(zhì)釋放到安全殼的環(huán)境中[3,4]。由于冷卻劑的流失導(dǎo)致反應(yīng)堆堆芯無法獲得充分冷卻，很有可能使反應(yīng)堆過熱而導(dǎo)致最終熔毀。LOCA作為威脅核電站安全的重大事故之一，是本次工作的研究重點。為了能在LOCA事故發(fā)生后可以及時地采取針對性的措施，在系統(tǒng)正常運行期間對即將發(fā)生的事故進(jìn)行提前預(yù)警是十分必要的。但是核電站復(fù)雜的運行過程以及難以預(yù)知的破口尺寸，使得對事故做出準(zhǔn)確預(yù)警存在較大困難。

過去的一段時間不少專家學(xué)者對核電站各種類型的事故提出了預(yù)警方法。錢虹[5]等人提出一種分層多維故障識別方法，建立核電站主管道破裂的預(yù)警系統(tǒng)；Ji[6]等人介紹了核電站在線監(jiān)測預(yù)警系統(tǒng)，利用自動關(guān)聯(lián)的核回歸（Auto-Associative Kernel Regression， AAKR）技術(shù)，通過測量值和估計值之間的差異來監(jiān)測異常；史文奇[7]等人針對3種主要的核電冷源安全海冰致險模式提出了不同的數(shù)值模擬預(yù)警流程；Liu[8]等人提出一種基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的多信息融合模型對核電站冷源系統(tǒng)海洋生物入侵進(jìn)行預(yù)警。之前大多數(shù)預(yù)警方法都是根據(jù)核電的機(jī)理模型和專家經(jīng)驗手工制定一系列的規(guī)則對特定事故進(jìn)行預(yù)警，制定模型難度大、復(fù)雜度高，且模型的泛化能力不強。

本文工作采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型作為LOCA事故預(yù)警的方法。為了能夠?qū)OCA進(jìn)行準(zhǔn)確地預(yù)警，首先要對每一個破口尺寸的事故數(shù)據(jù)特征進(jìn)行分析并提取。CNN是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（Deep Learning）的代表算法之一[9,10]，且具有表征學(xué)習(xí)能力，可以有效地提取到不同破口尺寸數(shù)據(jù)的共同特征，然后對未來的數(shù)據(jù)進(jìn)行預(yù)測分類，從而達(dá)到事故提前發(fā)出警告的功能。

1.2 LOCA仿真

在獲得了LOCA事故預(yù)警之后，對當(dāng)前事故工況的發(fā)展趨勢進(jìn)行模擬仿真能夠為事故的應(yīng)急處置提供重要的決策依據(jù)。而通過事故期間相關(guān)系統(tǒng)關(guān)鍵參數(shù)的變化構(gòu)建深度學(xué)習(xí)模型，并由此對LOCA事故的工況發(fā)展進(jìn)行模擬仿真，準(zhǔn)確呈現(xiàn)事故后續(xù)趨勢及重要參數(shù)變化，有利于應(yīng)急處置人員提前選擇正確的處置預(yù)案，將事故影響控制在最小程度。

對于LOCA這一類非線性的復(fù)雜物理運行過程來說，用傳統(tǒng)的統(tǒng)計學(xué)方法來對其未來趨勢進(jìn)行仿真較為困難。在過去的十幾年中，人們也嘗試了很多方法來對核電站的運行過程進(jìn)行模擬仿真，如Park[11]等人提出數(shù)據(jù)分組處理方法（Group Method of Data Handling，GMDH）和Koo[12]等人提出深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）對未來水容器水位進(jìn)行仿真；Kim[13]等人通過模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）對LOCA的泄漏流量進(jìn)行仿真；Yang[14]等人使用RELAP5/MOD3.3代碼來模擬具有非能動安全特性的第三代反應(yīng)堆主蒸汽中斷的LOCA；Mira[15]等人利用DNN/LSTM專家系統(tǒng)模擬核電站失水事故。以上工作都在核電站事故的仿真中取得了一定的成果，但其中不足的是大部分運用的方法和神經(jīng)網(wǎng)絡(luò)都比較傳統(tǒng)，對于LOCA中比較復(fù)雜和突發(fā)的拐點情況還是很難進(jìn)行準(zhǔn)確地模擬。

本文借鑒之前所做工作中基于深度學(xué)習(xí)的LOCA事故預(yù)測方法[16]，采用卷積長短期記憶網(wǎng)絡(luò)（Convolutional Long-Short Term Memory，ConvLSTM）模型對LOCA發(fā)展趨勢進(jìn)行仿真。ConvLSTM是長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）的一個變體。它用卷積運算代替LSTM單元中每個門的矩陣乘法，從而可以在一維或者多維數(shù)據(jù)中通過卷積運算來捕獲基本的空間特征。ConvLSTM作為一種長時間序列預(yù)測的深度學(xué)習(xí)模型，可以用來進(jìn)行關(guān)鍵系統(tǒng)參數(shù)在LOCA發(fā)生后發(fā)展趨勢的仿真。

2 LOCA預(yù)警和仿真的混合模型構(gòu)建

本文的混合預(yù)警與仿真模型是由LOCA預(yù)警模型和LOCA仿真模型兩個主要模塊組成。其中，基于CNN的LOCA預(yù)警模型主要是對LOCA事故進(jìn)行提前預(yù)警，基于ConvLSTM的LOCA仿真模型是在對LOCA事故提前預(yù)警后，對事故數(shù)據(jù)進(jìn)行模擬仿真。

2.1 基于CNN的LOCA預(yù)警模型

LOCA的發(fā)生常常伴有一系列的不確定性，如斷裂尺寸的大小、堆芯入口溫度的升高或降低、流量的上升或下降等。在尺寸未知情況下，對LOCA事故進(jìn)行預(yù)警就需要對不同的關(guān)鍵系統(tǒng)參數(shù)進(jìn)行特征提取，以便于通過輸入數(shù)據(jù)判斷是否會發(fā)生LOCA事故。而CNN利用權(quán)值共享和池化操作的卷積結(jié)構(gòu)，可以有效地提取事故發(fā)展的早期特征。因此，本工作使用一維CNN模型來完成模型預(yù)警部分。

訓(xùn)練數(shù)據(jù)集選取的時間步長為5s，即從不同尺寸、不同功率的數(shù)據(jù)集上分別截取5s的數(shù)據(jù)作為模型訓(xùn)練集。利用傳統(tǒng)的一維卷積層對輸入的LOCA數(shù)據(jù)集進(jìn)行關(guān)鍵特征提取，并選用ReLU函數(shù)作為激勵函數(shù)，其中卷積核大小K=2，卷積核個數(shù)為8個。在卷積層進(jìn)行特征提取后，數(shù)據(jù)緊接著會被傳遞至最大池化層進(jìn)行特征選擇和信息過濾，Dropout設(shè)為0.2。最后的兩層全連接層用于加強模型的分類性能。第一層全連接層使用16個神經(jīng)元對特征進(jìn)行整合，第二層則使用1個神經(jīng)元將輸出結(jié)果分為0和1兩種情況，其中標(biāo)簽0表示不會發(fā)生事故，標(biāo)簽1表示會發(fā)生事故。

該預(yù)警模型將對5組不同破口尺寸的數(shù)據(jù)進(jìn)行訓(xùn)練，目的是不管測試數(shù)據(jù)屬于哪個尺寸，該預(yù)警模型都可以對其是否即將要發(fā)生事故進(jìn)行預(yù)測和判斷。如圖1所示為LOCA預(yù)警模型的模型結(jié)構(gòu)，表1顯示了其參數(shù)配置。

圖1 基于CNN的LOCA預(yù)警模型圖Fig.1 LOCA Early warning model diagram based on CNN

表1 LOCA預(yù)警模型參數(shù)配置Table 1 LOCA Early warning model parameter configuration

2.2 基于ConvLSTM的LOCA仿真模型

LOCA發(fā)展趨勢具有一定的不可預(yù)測性，根據(jù)核電站運行狀態(tài)的不同，LOCA發(fā)生時的數(shù)據(jù)情況也是多變的，這對于LOCA發(fā)展情況的模擬仿真造成了一定的難度。選用ConvLSTM模型進(jìn)行仿真模型的構(gòu)建主要考慮到以下幾點：

1）ConvLSTM的卷積運算可以對輸入的LOCA數(shù)據(jù)的關(guān)鍵特征進(jìn)行提取。

2） ConvLSTM的LSTM結(jié)構(gòu)可以很好地處理時間序列數(shù)據(jù)并對未來的時序數(shù)據(jù)進(jìn)行預(yù)測。

3）LOCA數(shù)據(jù)的復(fù)雜性需要構(gòu)建的仿真模型對特征和時序數(shù)據(jù)進(jìn)行同時處理。

本文的LOCA仿真模型由1個ConvLSTM層和2個全連接層構(gòu)成，模型訓(xùn)練選取的時間步長為4s。首先，利用ConvLSTM捕獲基本的數(shù)據(jù)特征并對時序數(shù)據(jù)進(jìn)行預(yù)測，設(shè)置卷積核個數(shù)為64個，同樣選用ReLU函數(shù)作為激勵函數(shù)；最后，2個全連接層用來對仿真輸出結(jié)果進(jìn)行處理。

該仿真模型使用5組不同的破口尺寸數(shù)據(jù)分別進(jìn)行訓(xùn)練，然后將訓(xùn)練完成的5組模型權(quán)重保存在一個“仿真參數(shù)庫”中，用于之后的LOCA仿真。圖2所示為LOCA仿真模型的模型結(jié)構(gòu)，表2所示為模型參數(shù)的詳細(xì)配置。

表2 LOCA仿真模型參數(shù)配置Table 2 LOCA Simulation model parameter configuration

圖2 基于ConvLSTM的LOCA仿真模型圖Fig.2 LOCA Simulation model diagram based on ConvLSTM

圖3顯示了兩個模型集成之后對LOCA進(jìn)行預(yù)警仿真的流程圖。首先，將數(shù)據(jù)輸入到預(yù)警模型，模型經(jīng)過測試之后判斷是否存在事故征兆。在發(fā)出事故預(yù)警之后，依據(jù)判定的事故類型選擇仿真參數(shù)庫中對應(yīng)的仿真模型對事故數(shù)據(jù)進(jìn)行仿真模擬，輸出仿真結(jié)果；若無事故征兆無需預(yù)警，則預(yù)警模型將繼續(xù)檢測之后的輸入數(shù)據(jù)。

圖3 LOCA預(yù)警仿真流程圖Fig.3 LOCA Early warning simulation flow chart

2.3 實驗準(zhǔn)備

2.3.1 數(shù)據(jù)集

實驗驗證用到的數(shù)據(jù)集是通過核電站控制系統(tǒng)設(shè)計和驗證平臺獲得的[17]。數(shù)據(jù)集來自5種運行狀態(tài)下（60%、70%、80%、90%及100%的反應(yīng)堆功率等級）發(fā)生的5種LOCA情況（0.2cm2、0.4cm2、0.6cm2、0.8cm2和1.0cm2的5個破口尺寸），共有25種樣例數(shù)據(jù)。其中，每個樣例數(shù)據(jù)包含10個關(guān)鍵系統(tǒng)參數(shù)的數(shù)據(jù)，分別是堆芯入口溫度、堆芯出口溫度、堆芯出口過冷度、穩(wěn)壓器壓力、穩(wěn)壓器水位以及5種冷卻液流量。

2.3.2 實驗設(shè)置

平臺模擬生成數(shù)據(jù)集的過程中，為了覆蓋的情況更加廣泛，會對數(shù)據(jù)集添加一些噪聲信號以使模擬過程更加真實。數(shù)據(jù)集按3:1分為訓(xùn)練集和測試集，然后對數(shù)據(jù)集進(jìn)行降噪與平滑操作，最后對數(shù)據(jù)集進(jìn)行最大最小值標(biāo)準(zhǔn)化。原始數(shù)據(jù)和仿真數(shù)據(jù)通過繪制成圖的方式進(jìn)行對比。實驗選用學(xué)習(xí)率為0.001的Adam優(yōu)化器來對模型進(jìn)行訓(xùn)練，采用均方差（Mean Square Error，MSE）評估標(biāo)準(zhǔn)對損失函數(shù)進(jìn)行評估。

3 實驗結(jié)果及分析

實驗分為兩個主要部分。首先，是利用上文提到的數(shù)據(jù)集對兩個模型分別進(jìn)行功能驗證；然后，選取數(shù)據(jù)集中的1個樣例來對混合模型進(jìn)行系統(tǒng)集成測試。

3.1 模型驗證

3.1.1 預(yù)警模型驗證

驗證預(yù)警模型性能所選用的測試數(shù)據(jù)集為5個破口尺寸在5個反應(yīng)堆功率下運行的數(shù)據(jù)集，即共25個測試向量，每個測試向量下含有10個關(guān)鍵系統(tǒng)參數(shù)（每個測試向量中的所有參數(shù)值屬于1種LOCA情況）。不同量級下的數(shù)據(jù)集確保了模型預(yù)警性能測試的全面性，即每一種數(shù)據(jù)集所包含的LOCA事故都能通過本文模型進(jìn)行預(yù)警測試。

選取5個時間步的數(shù)據(jù)作為測試數(shù)據(jù)輸入模型，取得結(jié)果。預(yù)警模型結(jié)果見表3。

表3 預(yù)警模型結(jié)果Table 3 Early warning model results

從表3可以看出，在25個測試向量中，只有3個向量預(yù)警判斷錯誤，分別為0.8cm2破口在70%功率下的向量，1.0 cm2破口在60%功率下的向量和1.0 cm2破口在60%功率下的向量，其余向量均判斷準(zhǔn)確并發(fā)出了警告信息。模型驗證達(dá)到88%的準(zhǔn)確率，證明了預(yù)警模型的可靠性能。

3.1.2 仿真模型驗證

1）功能性驗證

首先，對仿真模型進(jìn)行基礎(chǔ)的功能驗證，即用訓(xùn)練完畢的模型對相應(yīng)破口尺寸且同反應(yīng)堆功率的測試數(shù)據(jù)進(jìn)行模擬仿真。本實驗選擇破口尺寸大小為0.6 cm2、反應(yīng)堆功率為100%的訓(xùn)練模型完成功能性驗證實驗，從0.6cm2、100%功率的測試集中隨機(jī)抽取250s的數(shù)據(jù)輸入到訓(xùn)練模型，仿真結(jié)果如圖4所示。

從圖4可以看出，從訓(xùn)練模型仿真出的模擬數(shù)據(jù)與原始數(shù)據(jù)基本擬合，損失值在拐點處波動較大，且得到的損失值為3.7×10-5，證明該仿真結(jié)果精度較高，驗證了ConvLSTM模型的仿真能力。

圖4 仿真模型的功能性驗證結(jié)果Fig.4 Functional verification results of the simulation model

2）適應(yīng)性驗證

適應(yīng)性驗證主要是為了驗證該工作構(gòu)建的仿真模型是否可以針對情況類似但是破口尺寸不同的LOCA場景進(jìn)行仿真模擬，這對以后發(fā)生未知情況時的判斷具有一定的參考意義。選取破口尺寸為0.4cm2、反應(yīng)堆功率為100%的訓(xùn)練模型，破口尺寸為0.8cm2、反應(yīng)堆功率為100%的測試數(shù)據(jù)集完成適應(yīng)性驗證，過程同樣是隨機(jī)抽取250s數(shù)據(jù)輸入模型進(jìn)行仿真模擬。仿真結(jié)果如圖5所示。

圖5 仿真模型的適應(yīng)性驗證結(jié)果Fig.5 Adaptability verification results of the simulation model

圖5顯示在數(shù)據(jù)較平滑的地方模擬數(shù)據(jù)與原始數(shù)據(jù)擬合效果較好，在拐點處的模擬數(shù)據(jù)稍有偏差但loss值保持在較低水平。最后得到的損失值為4.2×10-5，較上一個驗證的損失值較高，但依然為10-5數(shù)量級，證明基于ConvLSTM的仿真模型具有較好的適應(yīng)性。

3.2 LOCA預(yù)警和仿真綜合實驗

集成的LOCA預(yù)警和仿真模型主要完成的功能為：監(jiān)測運行數(shù)據(jù)，由預(yù)警模型根據(jù)前5s數(shù)據(jù)判斷異常情況發(fā)生可能。在確認(rèn)事故即將發(fā)生情況下發(fā)出警告，并將工況數(shù)據(jù)輸入到仿真模型，對之后250s的LOCA工況數(shù)據(jù)進(jìn)行模擬仿真。

訓(xùn)練模型選取100%功率下0.2cm2的模型，并選取LOCA破口尺寸為0.2cm2、反應(yīng)堆功率為100%的兩個關(guān)鍵系統(tǒng)參數(shù)堆芯入口溫度和穩(wěn)壓器壓力進(jìn)行仿真模擬，結(jié)果分別如圖6、圖7所示。

圖6 0.2 cm2 LOCA堆芯入口溫度仿真Fig.6 Simulation of inlet temperature of 0.2 cm2 LOCA core

圖7 0.2 cm2 LOCA穩(wěn)壓器壓力仿真Fig.7 0.2 cm2 LOCA regulator pressure simulation

圖6和圖7顯示，系統(tǒng)集成模型對于LOCA數(shù)據(jù)可以做出準(zhǔn)確的預(yù)警并在仿真模擬過程中達(dá)到較好的擬合效果。因圖6與前兩個實驗都是對堆芯入口溫度進(jìn)行仿真，所以得到的損失值也在同一個數(shù)量級，為5.1×10-5。而圖7是對穩(wěn)壓器壓力進(jìn)行仿真，其中拐點較多，拐點處的損失值也會較高，說明模型對于拐點處的模擬仿真存在欠擬合的問題，所以與原始值相比，存在一定偏差，最后得到的損失值也較高，為4.43×10-4。

4 結(jié)論

本文提出了針對LOCA的事故預(yù)警與仿真的綜合實驗?zāi)Ｐ汀Ｆ渲?，預(yù)警模型基于CNN模型進(jìn)行構(gòu)建，仿真模型基于ConvLSTM模型進(jìn)行構(gòu)建。從基于系統(tǒng)建模方式的工業(yè)級仿真平臺獲得不同功率不同破口尺寸的LOCA工況數(shù)據(jù)集，數(shù)據(jù)的預(yù)處理工作主要為平滑去噪和標(biāo)準(zhǔn)化，然后對數(shù)據(jù)進(jìn)行訓(xùn)練和測試，最后通過不同的方式對模型進(jìn)行性能驗證。實驗結(jié)果顯示，基于CNN的預(yù)警模型準(zhǔn)確率為88%，基于ConvLSTM的仿真模型的功能型與適應(yīng)性以10-5量級的loss值通過了實驗驗證，最后的預(yù)警與仿真綜合模型集成實驗也達(dá)到了預(yù)期的實驗效果。

本文的研究工作中仍然存在一定的局限性。首先，實驗的樣本數(shù)據(jù)雖然包含了不同的功率和不同的破口尺寸，但數(shù)據(jù)集仍需要進(jìn)一步的擴(kuò)展以避免模型出現(xiàn)過擬合的情況。此外，對于拐點較多的數(shù)據(jù)，模型的擬合效果較差，這在之后的工作中仍需要進(jìn)一步的研究。

致謝

本文作者感謝來自下列科研機(jī)構(gòu)及科研項目的資金與技術(shù)支持：

1.湖南省“湖湘高層次人才聚集工程—創(chuàng)新人才計劃”（2018RS3050）。

2.2019年工業(yè)互聯(lián)網(wǎng)創(chuàng)新計劃—基于工業(yè)互聯(lián)網(wǎng)平臺的生產(chǎn)線數(shù)字孿生系統(tǒng)項目（TC19084DY）。

3.國家電力投資集團(tuán)有限公司。

4.中廣核研究院有限公司。

5.湖南湘江人工智能學(xué)院。