本发明涉及压水堆堆芯物理计算，具体涉及一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法。
背景技术：
1、堆芯临界硼浓度和停堆燃耗深度的预测对于核电厂日常运行至关重要，通过调硼控制反应性，在机组临界硼浓度降至10ppm左右时进行停堆换料，因此能够提前预知临界硼浓度变化得到停堆燃耗深度将对协调安排机组换料大修带来极大便利。目前较为成熟的方法是用反应堆堆芯物理分析软件进行三维中子学-热工水力学-燃耗耦合计算，计算耗时长，计算结果精度不高，可靠性不强。由此可见，目前的技术方法与工程需求间尚存距离，需要研发更加高效准确的临界硼浓度预测方法。
2、得益于数据的积累和算法的创新，近年来机器学习算法发展迅猛，且在解决此类复杂非线性问题表现优异，国内外在应用机器学习算法预测堆芯相关参数方面也有过相关尝试。总结可得，机器学习对于核电厂运行数据的开发应用主要集中于装料方案优化和核反应堆功率等参数预测两个方面，且相比传统的数值计算方法在保证准确率的前提下大大提高了计算效率。但存在以下问题，大多数研究采用数值计算软件生成训练、验证和测试数据集，模型训练数据集本身与实测值存在误差；输入的堆芯关键参数较少，在实际运行中对于目标参数的影响因素较多，因此不具有实际应用意义；由于压水堆多采用1/4或1/8对称装料，大多数研究采用堆芯缩略信息作为模型输入，而实际运行过程中由于冷却剂搅浑等原因导致的堆芯功率偏移会使堆芯的径向功率分布和燃料组件燃耗分布并不中心对称，所以该方法会导致模型无法提取堆芯的真实全局特征，使预测精度难以提高；个别研究的机器学习模型训练数据集过小，出现预测结果不稳定等问题。
技术实现思路
1、为了解决上述现有技术中存在的的问题，本发明的目的在于提供一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法，对电厂运行数据进行收集、筛选和分类，包括燃料组件富集度信息、燃料组件装载可燃毒物棒数量信息、g棒棒位、r棒棒位、功率水平、堆芯平均燃耗深度和堆芯硼浓度；采用堆芯物理分析软件计算确定每个燃耗点的燃料组件燃耗分布，并将上述参数进行重构，形成输入输出对，构建机器学习模型数据集；采用卷积神经网络算法搭建临界硼浓度预测模型，并基于实测数据构建的数据集对模型进行训练，并完成对机组临界硼浓度和停堆燃耗深度的预测。
2、为了实现上述目的，本发明采取如下的技术方案予以实施：
3、一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法，采用卷积神经网络算法构建机器学习模型，添加dropout层以避免过拟合现象并增强模型泛化能力，并基于核电厂运行数据和根据实际燃耗点采用堆芯物理分析软件计算确定的燃料组件燃耗分布数据制作训练数据集训练机器学习模型；采用学习率指数衰减的超参数调整策略以提高模型训练效率，向机器学习模型输入燃料组件富集度、燃料组件装载可燃毒物棒数量、燃料组件燃耗分布、g棒棒位、r棒棒位、功率水平和堆芯平均燃耗深度七个堆芯关键参数，模型输出堆芯临界硼浓度预测值；具体步骤如下：
4、步骤1：整理压水堆堆芯运行数据并进行筛选和分类，具体如下：
5、1)整理压水堆堆芯运行数据，包括各个循环堆芯装料图，核电厂功率历史文件，从装料图中提取各个循环燃料组件富集度和燃料组件装载可燃毒物棒数量，从功率历史文件中提取不同运行天数下的g棒棒位、r棒棒位、功率水平、堆芯平均燃耗深度和堆芯实测硼浓度信息；
6、2)筛选去除运行数据中存在缺失的燃耗点、停堆燃耗点和功率瞬跳点，各循环寿期初堆芯氙毒积累未达到平衡的燃耗点和调峰后氙毒未平衡的燃耗点会对模型训练起反作用，也需要予以去除；
7、步骤2：基于步骤1中从功率历史文件中提取的堆芯平均燃耗深度设定燃耗点，采用堆芯物理分析软件进行功率历史计算，确定每个燃耗点下燃料组件的燃耗分布；获得每个燃耗点下燃料组件的燃耗分布后，与该燃耗点下燃料组件富集度、燃料组件装载可燃毒物棒数量、g棒棒位、r棒棒位、功率水平和堆芯平均燃耗深度相匹配，作为输入数据集，用于训练的输出数据集采用步骤1中从功率历史文件中提取的堆芯实测硼浓度信息进行构建；
8、步骤3：基于步骤2获得的输入数据集和输出数据集，构建机器学习模型并训练，具体如下：
9、1)构建机器学习模型框架，为了提取堆芯布料的局部特征和空间特征，机器学习模型采用卷积神经网络算法，机器学习模型采用inception-resnet块作为基本结构，inception-resnet块由block-a、block-b、block-c串联组成，临界硼浓度和停堆燃耗深度预测模型由一个卷积层和一个平均池化层接收输入数据，临界硼浓度和停堆燃耗深度预测模型主体由三个inception-resnet块串联构成，再由一个全局平均池化层将高度抽象的特征参数转入四个全连接层最后输出目标参数，即临界硼浓度；
10、机器学习模型中所有激活函数均采用relu函数，表示为公式(1)：
11、f(a)＝max(a,0) 公式(1)
12、式中，a表示relu函数的作用对象；
13、机器学习模型采用采用均方误差mse作为损失函数，设n为样本数，yi为输出参数实际值，为机器学习模型预测值，损失函数表示为公式(2)：
14、
15、为了提高机器学习模型训练效率，参数优化结合adam优化器和学习率衰减的超参数调整策略，设ε为当前学习率，ε0为初始学习率，λ为学习衰减率，t为学习衰减步数，t为当前训练步数，学习率衰减由公式(3)表示：
16、
17、为了避免出现过拟合现象，机器学习模型在全连接层后添加dropout层，使部分权重参数在训练过程中不参与正向传播和权值更新，dropout层的计算由公式(4)表示：
18、
19、式中b为dropout层的作用对象；p为丢弃概率；
20、2)输入参数的预处理：为了减少机器学习模型的计算量，不直接以图片的形式输入燃料组件富集度、燃料组件装载可燃毒物棒数量和燃料组件燃耗分布，而是将每种输入参数的格式重构为15×15的矩阵，在没有燃料组件的位置用0填充，在各燃料组件的对应位置填充该组件的参数，g棒棒位、r棒棒位、功率水平和堆芯平均燃耗深度为堆芯集总参数，这4种输入参数的填充方式为将集总参数复制填满整层；再将上述7种输入参数矩阵进行叠加，组成15×15×7的张量，张量的每个通道为一种输入参数矩阵；
21、为了消除不同参数变量的刚性影响，在输入机器学习模型前需要对输入数据和输出数据进行归一化处理，输入数据的归一化处理如公式(5)所示：
22、
23、式中：x0为参数的输入值；x为归一化后的参数值；xmin为训练集中参数输入值中的最小值；xmax为训练集中参数输入值中的最大值；
24、同理，需对机器学习模型的输出参数做逆归一化处理，如公式(6)所示：
25、y＝y0(ymax-ymin)+ymin 公式(6)
26、式中：y0为归一化的输出参数值；y为输出参数预测值；ymin为训练集中输出参数最小值；ymax为训练集中输出参数最大值；
27、3)将输入数据集和输出数据集按照9：1的比例分为训练集和验证集并对机器学习模型进行训练，当训练集和验证集均误差小于目标值后保存机器学习模型的权重参数，机器学习模型训练完成；
28、步骤4：在使用机器学习模型预测时直接调用各层权重；首先按照步骤2计算得出各燃耗点下组件的燃耗分布，再按照步骤3将燃料组件富集度信息、燃料组件装载可燃毒物棒数量信息、燃料组件燃耗分布、g棒棒位、r棒棒位、功率水平和堆芯平均燃耗深度整理重构为15×15×7的张量形式，输入机器学习模型，模型输出对应燃耗点下氙稳态临界硼浓度预测值，当临界硼浓度预测值降至10ppm时堆芯燃耗深度即为停堆燃耗深度。
29、和现有技术相比较，本发明具备如下优点：
30、1)相较于传统数值求解方法，求解堆芯临界硼浓度需要进行复杂的三位中子-燃耗耦合计算，本发明方法通过构建机器学习模型并基于堆芯硼浓度实测对模型进行训练，采用训练完成的模型对堆芯硼浓度进行预测计算，计算量大大降低，因此本发明方法预测效率高。采用传统数值计算方法预测堆芯临界硼浓度单次预测耗时为分钟量级，而本方法单次预测仅耗时1.8毫秒；
31、2)由于本发明方法中机器学习模型的训练数据集来自于核电厂实测数据，并采用模型直接学习实测数据的内涵规律，因此本发明方法预测精度高。采用我国m310机组堆芯硼浓度实测数据对模型进行测试，本发明提出的机器学习模型预测值平均绝对误差为1.98ppm，误差的95％置信区间为[-5.1ppm,5.2ppm]，所有预测值符合±50ppm工业限值要求；采用模型对60个循环停堆燃耗点临界硼浓度进行预测，并与实测值进行对比验证，平均绝对误差为3.32ppm，误差的95％置信区间为[-6.0ppm,7.5ppm]，预测值与实测值符合良好；
32、3)可将本发明提出的机器学习模型应用于其他堆芯关键参数的预测。除了临界硼浓度和停堆燃耗深度之外，本发明提出的机器学习模型可用来预测其他具有数据基础的堆芯关键参数，按照本发明中所述的步骤建立机器学习模型，构建训练数据集并完成训练后即可应用于预测。
1.一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法，其特征在于：采用卷积神经网络算法构建机器学习模型，添加dropout层以避免过拟合现象并增强模型泛化能力，并基于核电厂运行数据和根据实际燃耗点采用堆芯物理分析软件计算确定的燃料组件燃耗分布数据制作训练数据集训练机器学习模型；采用学习率指数衰减的超参数调整策略以提高模型训练效率，向机器学习模型输入燃料组件富集度、燃料组件装载可燃毒物棒数量、燃料组件燃耗分布、g棒棒位、r棒棒位、功率水平和堆芯平均燃耗深度七个堆芯关键参数，模型输出堆芯临界硼浓度预测值；具体步骤如下：
