核電站失水事故的智能預警及仿真方法研究

佘兢克，施天姿，唐鈺淇，張一凡

（1.湖南大學 信息科學與工程學院，長沙 410082；2.長沙理工大學 電氣與信息工程學院，長沙 410015；3.湖南農業(yè)大學 信息與智能科學技術學院，長沙 410128）

0 引言

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

事故的預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。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警方式[1]。而在對核電事故工況的模擬仿真領域，系統(tǒng)建模是最主要的方式之一。由于核電站反應堆的物理過程復雜、系統(tǒng)和設備之間相互作用復雜以及重要參數的非線性變化等因素，使得建模仿真難度極大，而且大多數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，使用深度學習模型來對數據進行分類和預測已成為了一種有效的工況仿真與分析方法。它可以利用現存核電真實數據和工業(yè)級仿真數據，構建基于數據驅動的智能分析方法，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習方法來構建事故預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據也為本工作奠定了堅實基礎。

1 相關工作

1.1 LOCA預警

失水事故（Loss of Coolant Accident，LOCA）是指反應堆冷卻劑系統(tǒng)主管道發(fā)生破裂而造成的反應堆冷卻劑喪失事故。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入到安全殼內，放射性物質釋放到安全殼的環(huán)境中[3,4]。由于冷卻劑的流失導致反應堆堆芯無法獲得充分冷卻，很有可能使反應堆過熱而導致最終熔毀。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)生的事故進行提前預警是十分必要的。但是核電站復雜的運行過程以及難以預知的破口尺寸，使得對事故做出準確預警存在較大困難。

過去的一段時間不少專家學者對核電站各種類型的事故提出了預警方法。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警系統(tǒng)；Ji[6]等人介紹了核電站在線監(jiān)測預警系統(tǒng)，利用自動關聯的核回歸（Auto-Associative Kernel Regression， AAKR）技術，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值模擬預警流程；Liu[8]等人提出一種基于動態(tài)模糊神經網絡的多信息融合模型對核電站冷源系統(tǒng)海洋生物入侵進行預警。之前大多數預警方法都是根據核電的機理模型和專家經驗手工制定一系列的規(guī)則對特定事故進行預警，制定模型難度大、復雜度高，且模型的泛化能力不強。

本文工作采用卷積神經網絡（Convolutional Neural Network，CNN）模型作為LOCA事故預警的方法。為了能夠對LOCA進行準確地預警，首先要對每一個破口尺寸的事故數據特征進行分析并提取。CNN是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（Deep Learning）的代表算法之一[9,10]，且具有表征學習能力，可以有效地提取到不同破口尺寸數據的共同特征，然后對未來的數據進行預測分類，從而達到事故提前發(fā)出警告的功能。

1.2 LOCA仿真

在獲得了LOCA事故預警之后，對當前事故工況的發(fā)展趨勢進行模擬仿真能夠為事故的應急處置提供重要的決策依據。而通過事故期間相關系統(tǒng)關鍵參數的變化構建深度學習模型，并由此對LOCA事故的工況發(fā)展進行模擬仿真，準確呈現事故后續(xù)趨勢及重要參數變化，有利于應急處置人員提前選擇正確的處置預案，將事故影響控制在最小程度。

對于LOCA這一類非線性的復雜物理運行過程來說，用傳統(tǒng)的統(tǒng)計學方法來對其未來趨勢進行仿真較為困難。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行模擬仿真，如Park[11]等人提出數據分組處理方法（Group Method of Data Handling，GMDH）和Koo[12]等人提出深度神經網絡（Deep Neural Network，DNN）對未來水容器水位進行仿真；Kim[13]等人通過模糊神經網絡（Fuzzy Neural Network，FNN）對LOCA的泄漏流量進行仿真；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網絡都比較傳統(tǒng)，對于LOCA中比較復雜和突發(fā)的拐點情況還是很難進行準確地模擬。

本文借鑒之前所做工作中基于深度學習的LOCA事故預測方法[16]，采用卷積長短期記憶網絡（Convolutional Long-Short Term Memory，ConvLSTM）模型對LOCA發(fā)展趨勢進行仿真。ConvLSTM是長短期記憶網絡（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據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測的深度學習模型，可以用來進行關鍵系統(tǒng)參數在LOCA發(fā)生后發(fā)展趨勢的仿真。

2 LOCA預警和仿真的混合模型構建

本文的混合預警與仿真模型是由LOCA預警模型和LOCA仿真模型兩個主要模塊組成。其中，基于CNN的LOCA預警模型主要是對LOCA事故進行提前預警，基于ConvLSTM的LOCA仿真模型是在對LOCA事故提前預警后，對事故數據進行模擬仿真。

2.1 基于CNN的LOCA預警模型

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事故進行預警就需要對不同的關鍵系統(tǒng)參數進行特征提取，以便于通過輸入數據判斷是否會發(fā)生LOCA事故。而CNN利用權值共享和池化操作的卷積結構，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模型來完成模型預警部分。

訓練數據集選取的時間步長為5s，即從不同尺寸、不同功率的數據集上分別截取5s的數據作為模型訓練集。利用傳統(tǒng)的一維卷積層對輸入的LOCA數據集進行關鍵特征提取，并選用ReLU函數作為激勵函數，其中卷積核大小K=2，卷積核個數為8個。在卷積層進行特征提取后，數據緊接著會被傳遞至最大池化層進行特征選擇和信息過濾，Dropout設為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個神經元對特征進行整合，第二層則使用1個神經元將輸出結果分為0和1兩種情況，其中標簽0表示不會發(fā)生事故，標簽1表示會發(fā)生事故。

該預警模型將對5組不同破口尺寸的數據進行訓練，目的是不管測試數據屬于哪個尺寸，該預警模型都可以對其是否即將要發(fā)生事故進行預測和判斷。如圖1所示為LOCA預警模型的模型結構，表1顯示了其參數配置。

圖1 基于CNN的LOCA預警模型圖Fig.1 LOCA Early warning model diagram based on CNN

表1 LOCA預警模型參數配置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測性，根據核電站運行狀態(tài)的不同，LOCA發(fā)生時的數據情況也是多變的，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模型進行仿真模型的構建主要考慮到以下幾點：

1）ConvLSTM的卷積運算可以對輸入的LOCA數據的關鍵特征進行提取。

2） ConvLSTM的LSTM結構可以很好地處理時間序列數據并對未來的時序數據進行預測。

3）LOCA數據的復雜性需要構建的仿真模型對特征和時序數據進行同時處理。

本文的LOCA仿真模型由1個ConvLSTM層和2個全連接層構成，模型訓練選取的時間步長為4s。首先，利用ConvLSTM捕獲基本的數據特征并對時序數據進行預測，設置卷積核個數為64個，同樣選用ReLU函數作為激勵函數；最后，2個全連接層用來對仿真輸出結果進行處理。

該仿真模型使用5組不同的破口尺寸數據分別進行訓練，然后將訓練完成的5組模型權重保存在一個“仿真參數庫”中，用于之后的LOCA仿真。圖2所示為LOCA仿真模型的模型結構，表2所示為模型參數的詳細配置。

表2 LOCA仿真模型參數配置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進行預警仿真的流程圖。首先，將數據輸入到預警模型，模型經過測試之后判斷是否存在事故征兆。在發(fā)出事故預警之后，依據判定的事故類型選擇仿真參數庫中對應的仿真模型對事故數據進行仿真模擬，輸出仿真結果；若無事故征兆無需預警，則預警模型將繼續(xù)檢測之后的輸入數據。

圖3 LOCA預警仿真流程圖Fig.3 LOCA Early warning simulation flow chart

2.3 實驗準備

2.3.1 數據集

實驗驗證用到的數據集是通過核電站控制系統(tǒng)設計和驗證平臺獲得的[17]。數據集來自5種運行狀態(tài)下（60%、70%、80%、90%及100%的反應堆功率等級）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種樣例數據。其中，每個樣例數據包含10個關鍵系統(tǒng)參數的數據，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 實驗設置

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

3 實驗結果及分析

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

3.1 模型驗證

3.1.1 預警模型驗證

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

選取5個時間步的數據作為測試數據輸入模型，取得結果。預警模型結果見表3。

表3 預警模型結果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，其余向量均判斷準確并發(fā)出了警告信息。模型驗證達到88%的準確率，證明了預警模型的可靠性能。

3.1.2 仿真模型驗證

1）功能性驗證

首先，對仿真模型進行基礎的功能驗證，即用訓練完畢的模型對相應破口尺寸且同反應堆功率的測試數據進行模擬仿真。本實驗選擇破口尺寸大小為0.6 cm2、反應堆功率為100%的訓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抽取250s的數據輸入到訓練模型，仿真結果如圖4所示。

從圖4可以看出，從訓練模型仿真出的模擬數據與原始數據基本擬合，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果Fig.4 Functional verification results of the simulation model

2）適應性驗證

適應性驗證主要是為了驗證該工作構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、反應堆功率為100%的訓練模型，破口尺寸為0.8cm2、反應堆功率為100%的測試數據集完成適應性驗證，過程同樣是隨機抽取250s數據輸入模型進行仿真模擬。仿真結果如圖5所示。

圖5 仿真模型的適應性驗證結果Fig.5 Adaptability verification results of the simulation model

圖5顯示在數據較平滑的地方模擬數據與原始數據擬合效果較好，在拐點處的模擬數據稍有偏差但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數量級，證明基于ConvLSTM的仿真模型具有較好的適應性。

3.2 LOCA預警和仿真綜合實驗

集成的LOCA預警和仿真模型主要完成的功能為：監(jiān)測運行數據，由預警模型根據前5s數據判斷異常情況發(fā)生可能。在確認事故即將發(fā)生情況下發(fā)出警告，并將工況數據輸入到仿真模型，對之后250s的LOCA工況數據進行模擬仿真。

訓練模型選取100%功率下0.2cm2的模型，并選取LOCA破口尺寸為0.2cm2、反應堆功率為100%的兩個關鍵系統(tǒng)參數堆芯入口溫度和穩(wěn)壓器壓力進行仿真模擬，結果分別如圖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數據可以做出準確的預警并在仿真模擬過程中達到較好的擬合效果。因圖6與前兩個實驗都是對堆芯入口溫度進行仿真，所以得到的損失值也在同一個數量級，為5.1×10-5。而圖7是對穩(wěn)壓器壓力進行仿真，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 結論

本文提出了針對LOCA的事故預警與仿真的綜合實驗模型。其中，預警模型基于CNN模型進行構建，仿真模型基于ConvLSTM模型進行構建。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工況數據集，數據的預處理工作主要為平滑去噪和標準化，然后對數據進行訓練和測試，最后通過不同的方式對模型進行性能驗證。實驗結果顯示，基于CNN的預警模型準確率為88%，基于ConvLSTM的仿真模型的功能型與適應性以10-5量級的loss值通過了實驗驗證，最后的預警與仿真綜合模型集成實驗也達到了預期的實驗效果。

本文的研究工作中仍然存在一定的局限性。首先，實驗的樣本數據雖然包含了不同的功率和不同的破口尺寸，但數據集仍需要進一步的擴展以避免模型出現過擬合的情況。此外，對于拐點較多的數據，模型的擬合效果較差，這在之后的工作中仍需要進一步的研究。

致謝

本文作者感謝來自下列科研機構及科研項目的資金與技術支持：

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)互聯網創(chuàng)新計劃—基于工業(yè)互聯網平臺的生產線數字孿生系統(tǒng)項目（TC19084DY）。

3.國家電力投資集團有限公司。

4.中廣核研究院有限公司。

5.湖南湘江人工智能學院。