核反应堆冷却剂系统智能事故诊断模型研究

来源：核动力工程杂志2025年第2期北京时间：

作者：闫家胜, 隋阳, 戴滔, 刘家义, 金艺, 贾晓龙

单位：1.南华大学核科学技术学院，湖南衡阳，421001；2.先进核能技术设计与安全教育部重点实验室，湖南衡阳，421001；3.福建福清核电有限公司，福建福清，350300；

摘要：尽管人工智能技术在核电厂的事故诊断领域中已被广泛应用，但传统模型存在诊断准确性不足、泛化性较弱等缺陷，难以满足核反应堆冷却剂系统（NRCS）对于事故诊断的高要求。本研究建立了一种NRCS智能事故诊断新模型。首先，为提高模型事故诊断的准确性，应用了卷积神经网络（CNN）和门控循环单元（GRU），结合CNN强大的特征提取能力和GRU高效的时序数据分类能力，建立了NRCS事故诊断模型（CNN-GRU模型）；其次，为提高模型的泛化性，应用灰狼优化（GWO）算法，在CNN-GRU模型中自适应优化超参数，建立了NRCS智能事故诊断模型（GWO-CNN-GRU模型）；最后，为验证所提出模型的性能，本研究以核电厂仿真与严重事故分析仪（PCTRAN）中的NRCS为研究对象，模拟测试了1 种正常工况和4 种典型事故工况的诊断过程。结果显示，在CPR1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.6%，相较于GRU和CNN-GRU模型分别提高了2.1%和1.5%；同时，在AP1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.5%，相较于其他两种模型分别提高了1.7%和1.3%。因此，本文提出的模型在准确性和泛化性方面均表现出优异性能，为NRCS智能事故诊断提供了重要参考。

关键词：核反应堆冷却剂系统（NRCS）, 智能事故诊断, 卷积神经网络（CNN）, 门控循环单元（GRU）, 灰狼优化（GWO）算法

基金资助：国家自然科学基金（52174189）；湖南省杰出青年科学基金（2023JJ10035）