文献类型：期刊文章

作　　者：朱少民[1,2] 夏虹[1,2] 吕新知[3] 卢川[3] 张汲宇[1,2] 王志超[1,2] 尹文哲[1,2]

Zhu Shaomin;Xia Hong;Lyu Xinzhi;Lu Chuan;Zhang Jiyu;Wang Zhichao;Yin Wenzhe(Key Laboratory of Nuclear Safety and Advanced Nuclear Energy Technology,Ministry of Industry and Information Technology,Harbin,150001,China;Fundamental Science on Nuclear Safety and Simulation Technology Laboratory,Harbin Engineering University,Harbin,150001,China;Science and Technology on Reactor System Design Technology Laboratory,Nuclear Power Institute of China,Chengdu,610213,China)

机构地区：[1]核安全与先进核能技术工信部重点实验室,哈尔滨150001 [2]哈尔滨工程大学核安全与仿真技术国防重点学科实验室,哈尔滨150001 [3]中国核动力研究设计院核反应堆系统设计技术重点实验室,成都610213

出　　处：《核动力工程》

基　　金：国家自然科学基金(51379046);黑龙江省自然科学基金(E2017023)。

年　　份：2022

卷　　号：43

期　　号：2

起止页码：246-253

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了对核电厂主泵的运行过程进行监测和追踪,进而提高主泵的预警能力,提出了基于差分自回归移动平均(ARIMA)和长短期记忆(LSTM)神经网络组合模型的主泵状态预测方法,并用该方法对某核电厂主泵止推轴承温度和可控泄漏流量进行单步和多步预测,以根均方误差(RMSE)为指标对预测精度进行评估。结果表明,所建立的ARIMA和LSTM神经网络组合模型能够对主泵的状态进行准确的预测和追踪,并且组合模型的预测精度要优于ARIMA和LSTM单一模型,尤其在多步预测中,组合模型的优势更加明显。

关 键 词：ARIMA LSTM  组合模型  主泵 时序预测  状态监测  

分 类 号：TL363]