基于LSTM神经网络的核电厂瞬态参数预测与故障诊断研究

来源：核动力工程杂志2025年第2期北京时间：

作者：刘涛, 谢金森

单位：1.南华大学资源环境与安全工程学院，湖南衡阳，421001；2.南华大学核能与核技术工程虚拟仿真实验教学中心，湖南衡阳，421001；3.南华大学核科学技术学院，湖南衡阳， 421001；

摘要：为提高核电厂瞬态工况下参数预测和故障诊断的准确性和实时性，本研究采用长短期记忆（LSTM）神经网络模型进行预测和诊断。通过生成并随机化故障情景，减少预测模型对特定模式的依赖，提高其在未知故障情景下的泛化能力。研究结合沙普利加性解释性（SHAP）方法，对预测模型的参数预测结果进行解释性分析，评估不同输入特征对模型预测性能的影响，并验证该预测模型在传感器故障和数据传输错误情况下的预测准确性。此外，针对含有不同噪声水平的瞬态参数进行故障诊断，验证故障诊断模型的鲁棒性。结果表明，LSTM神经网络模型在预测和诊断方面具有较高的精度，即使在传感器故障、数据传输有误以及数据含有噪声情况下仍表现出色。本研究提出的方法能够提升核电厂运行安全和稳定性，为事故工况下的安全性提供有效技术支持。

关键词：核电厂, 瞬态参数预测, 故障诊断, LSTM神经网络, 沙普利加性解释性（SHAP）方法

基金资助：国家自然科学基金（U2267207）；湖南省自然科学基金（2022JJ30481）