本发明涉及核电仿真，特别是涉及一种压水堆核电厂运行状态数据挖掘方法。
背景技术：
1、核电厂运行数据受监测传感器或仪表量程限制，对事故发展程度和电厂运行状态的评估会带来较大偏差。电厂对堆芯损伤评价方法主要采用的是上世纪九十年代西屋公司编写的堆芯损伤评价程序，其依据堆芯热电偶温度和安全壳辐射剂量率对堆芯损伤程度值分别进行估算。
2、以堆芯出口温度估算的堆芯损伤程度仅为超温热电偶个数相对于总热电偶个数的比例，并没有三维的考虑堆芯的受损情况；基于安全壳辐射剂量率估算的堆芯损伤程度则为壳内剂量率相对于100％堆芯损伤时估算计量的比例，然而堆芯损伤程度与堆芯释放的裂变产物导致的壳内剂量率很大可能并非线性关系。
3、综上所述，目前电厂对堆芯损伤评价方法无法准确评价堆芯损伤程度。
技术实现思路
1、本发明的目的在于，提供一种压水堆核电厂运行状态数据挖掘方法，该方法以严重事故分析程序maap5计算结果为大数据来源，通过循环神经网络算法提取数据分析模式，实现对堆芯受损状态和事故源项的准确预测。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种压水堆核电厂运行状态数据挖掘方法，包括如下步骤：
4、1、获取训练数据集；
5、2、通过训练数据集训练循环神经网络，提炼出电厂重要参数与堆芯损伤程度和事故源项之间的函数关系，并以电厂重要参数作为输入对象，以堆芯损伤程度和事故源项作为输出对象，获得循环神经网络模型；
6、3、在循环神经网络模型中输入电厂重要参数，循环神经网络模型输出对应的堆芯损伤程度和事故源项。
7、进一步地，步骤1，获得训练数据集，包括如下步骤：
8、1.1、在国际通用严重事故分析程序maap5中，完成压水堆核电厂建模；
9、1.2、选取压水堆核电厂的多个事故序列输入国际通用严重事故分析程序maap5中进行计算，获得计算结果；
10、1.3、对计算结果整理出涉及堆芯损伤程度、电厂重要参数和事故源项的数据，作为训练数据集。
11、进一步地，步骤1.1和1.2中，所述压水堆核电厂为第三代非能动压水堆核电厂。
12、进一步地，步骤1.2中，选取的事故序列包括但不限于：同时发生mslb、cmt失效、prhr失效和sg给水丧失；同时发生主泵停运、cmt失效、prhr失效和sg给水丧失；同时发生atwt、cmt失效、prhr失效和sg给水丧失；同时发生dvi管线破口、irwst和再循环失效；同时发生dvi管线破口、irwst、再循环-a失效和ads-4失效；同时发生cmt入口管线破口、cmt失效和ads失效；同时发生prhr传热管破口、prhr失效和ads失效；同时发生sgtr、ads失效和sg给水丧失；同时发生停堆失效和sg给水丧失；同时发生dvi管线破口和ads失效；同时发生冷段大破口和acc失效；同时发生ads-4误开启、irwst、再循环失效和prhr失效；同时发生冷段大破口和acc-1失效；同时发生sbo和cmt误启动。
13、进一步地，步骤2中，循环神经网络包括输入层、隐藏层和输出层，每层1024个全连接单元，最大时间序列个数为500，时间间隔300s；
14、通过门控循环单元改进循环神经网络中隐含状态的计算方式；
15、循环神经网络模型输入的电厂重要参数包括主系统压力、安全壳压力、热管道温度、安全壳气温、冷管道温度、堆腔水位、反应堆功率、乏池水位、稳压器压力、安全壳氢气质量浓度、稳压器水位、反应堆停堆信号、一回路坍塌水位、失去ac电源信号、蒸发器宽量程水位、蒸发器压力、蒸发器蒸汽流量、蒸发器给水流量、循环换料水箱水位和凝结水箱中水质量；循环神经网络模型输出的堆芯损伤程度和事故源项包括堆芯损伤分数、安全壳上部隔间热阱表面温度、氢气产额、安全壳上部隔间气温、裂变产物产量、主系统破口面积、堆芯最高温度、主系统破口位置、堆芯熔化质量、蒸汽发生器蠕变失效面积、下封头堆芯碎片温度、蒸汽发生器蠕变失效位置、下封头堆芯碎片质量、主蒸汽管线破口位置、堆腔熔融物质量、非能动余热排出系统换热效率、堆腔熔池碎片温度、一回路冷段蒸汽质量、释放到环境的惰性气体质量分数和释放到环境的csi质量分数。
16、进一步地，步骤2中，通过监督学习方式训练循环神经网络。
17、本发明的有益技术效果：
18、本发明的压水堆核电厂运行状态数据挖掘方法，借助循环神经网络强大的模式识别和非线性建模能力，实现对压水堆核电站运行状态的分析预测，为核电厂应急人员提供更为清晰、准确的实时堆芯受损状态和事故源项估算，为核应急响应提供技术支持，最大限度降低事故后果。
1.一种压水堆核电厂运行状态数据挖掘方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，步骤1，获得训练数据集，包括如下步骤：
3.根据权利要求2所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，步骤1.1和1.2中，所述压水堆核电厂为第三代非能动压水堆核电厂。
4.根据权利要求2所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，步骤1.2中，选取的事故序列包括：同时发生mslb、cmt失效、prhr失效和sg给水丧失；同时发生主泵停运、cmt失效、prhr失效和sg给水丧失；同时发生atwt、cmt失效、prhr失效和sg给水丧失；同时发生dvi管线破口、irwst和再循环失效；同时发生dvi管线破口、irwst、再循环-a失效和ads-4失效；同时发生cmt入口管线破口、cmt失效和ads失效；同时发生prhr传热管破口、prhr失效和ads失效；同时发生sgtr、ads失效和sg给水丧失；同时发生停堆失效和sg给水丧失；同时发生dvi管线破口和ads失效；同时发生冷段大破口和acc失效；同时发生ads-4误开启、irwst、再循环失效和prhr失效；同时发生冷段大破口和acc-1失效；同时发生sbo和cmt误启动。
5.根据权利要求1所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，步骤2中，循环神经网络包括输入层、隐藏层和输出层，每层1024个全连接单元，最大时间序列个数为500，时间间隔300s；通过门控循环单元改进循环神经网络中隐含状态的计算方式。
6.根据权利要求5所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，步骤2中，通过监督学习方式训练循环神经网络。
7.根据权利要求1-6任意一项所述的压水堆核电厂运行状态数据挖掘方法，其特征在于，循环神经网络模型输入的电厂重要参数包括主系统压力、安全壳压力、热管道温度、安全壳气温、冷管道温度、堆腔水位、反应堆功率、乏池水位、稳压器压力、安全壳氢气质量浓度、稳压器水位、反应堆停堆信号、一回路坍塌水位、失去ac电源信号、蒸发器宽量程水位、蒸发器压力、蒸发器蒸汽流量、蒸发器给水流量、循环换料水箱水位和凝结水箱中水质量；循环神经网络模型输出的堆芯损伤程度和事故源项包括堆芯损伤分数、安全壳上部隔间热阱表面温度、氢气产额、安全壳上部隔间气温、裂变产物产量、主系统破口面积、堆芯最高温度、主系统破口位置、堆芯熔化质量、蒸汽发生器蠕变失效面积、下封头堆芯碎片温度、蒸汽发生器蠕变失效位置、下封头堆芯碎片质量、主蒸汽管线破口位置、堆腔熔融物质量、非能动余热排出系统换热效率、堆腔熔池碎片温度、一回路冷段蒸汽质量、释放到环境的惰性气体质量分数和释放到环境的csi质量分数。
