本發(fā)明涉及核事故源項反演，尤其涉及一種基于改進極限學習機的核事故反演方法。

背景技術：

1、核事故發(fā)生時，迅速準確地對核電廠工況判斷與分析，進行后果評價并實施應急防護措施顯得至關重要。而迅速準確地估算釋放的源項是核應急響應前期急需解決的問題。目前估計事故源項的方法主要分為兩種：一種是基于工廠工況數據正演確定源項，包括核電廠運行數據、反應堆廠房狀態(tài)監(jiān)測數據和相關儀表的讀數等，但可能會出現堆芯破損程度不明和設備儀表被破壞等情況影響可靠性與準確性；另一種是根據場外空氣劑量檢測點監(jiān)測放射性數據估計源項。精度更高、速度更快是本領域技術人員期望克服的。

2、目前常用的幾種核事故反演方法有最小二乘法、數據同化法、優(yōu)化算法、神經網絡。常見的幾種反演方法中，最小二乘法主要針對線性系統(tǒng)單變量進行分析其應用相對簡單，但對于復雜情況分析能力弱并且對數據精確性要求比較高。數據同化法借助于代價函數來定量表示理論值和觀測值之間的差異，通過求解極值來解決數據同化問題，其是主要基于線性化模型，而且對于觀測數據的誤差要求較高，一旦存在較大誤差，結果會受到很大影響。優(yōu)化算法很容易陷入局部最優(yōu)。而機器學習通過大量的數據訓練模型，不需要尋找數據之間的數學關系，能夠快速進行反演，對于源項預估具有很強的應用價值。

3、中國專利“cn115455808一種基于支持向量機的核事故釋放類別反演方法”提供了一種基于支持向量機的核事故釋放類別反演方法，此專利預估不同核事故釋放類別下不同放射性核素的釋放速率，使用支持向量機對環(huán)境伽馬劑量率監(jiān)測數據進行分析，快速反演核事故釋放類別，但是由于支持向量機對參數和核函數選擇敏感，而且對大規(guī)模數據集的處理較慢。

技術實現思路

1、針對現有技術的不足，本發(fā)明提供了一種基于改進極限學習機的核事故反演方法，根據實時測量的數據對核事故泄露源項14個放射源核素(i-131,xe-133,cs-137,kr-88,sr-91,te-132,mo-99,ba-140,la-140,ce-144,sb-129,ru-106,y-91,zr-95)的釋放率進行快速準確預測，同時考慮到了復雜氣象條件變化的情況，為后續(xù)后果評價與實施應急措施提供參考和依據。

2、本發(fā)明的技術方案為：

3、一種基于改進極限學習機的核事故反演方法，包括如下步驟：

4、s1、獲取若干組核事故測量數據，每組核事故測量數據中包括m個相關特征；所述相關特征為核電站相關信息、不同距離的空氣劑量率時間序列和氣象數據時間序列；

5、s2、對獲取的核事故測量數據進行數據處理，得到處理后的核事故測量數據；

6、所述數據處理的方法具體為：篩選不同距離的空氣劑量率時間序列和氣象數據時間序列中的缺失數據和異常數據并進行刪除，然后將不同距離的空氣劑量率時間序列和氣象數據時間序列輸入長短期記憶網絡進行初步特征提取與核事故泄露源項放射源核素的釋放率的初步預測得到預測結果，同時將對缺失數據和異常數據進行刪除后的空氣劑量率時間序列和氣象數據時間序列以窗口形式進行處理，拆分為若干個數據特征；

7、s3、將處理后的核事故測量數據按照設定比例劃分為訓練集和測試集；

8、s4、建立極限學習機神經網絡并利用訓練集和改進的麻雀優(yōu)化算法對極限學習機神經網絡進行優(yōu)化，將優(yōu)化后的極限學習機神經網絡作為核事故反演模型；

9、s4.1：建立極限學習機神經網絡并設置極限學習機神經網絡的參數；所述極限學習機神經網絡包括輸入層、隱含層和輸出層，輸入層的輸入為經過長短期記憶網絡得到的預測結果和拆分得到的數據特征，輸出層的輸出為核事故泄露源項放射源核素的釋放率；所述極限學習機神經網絡的參數為輸入層的節(jié)點數量、隱含層的節(jié)點數量和輸出層的節(jié)點數量；

10、s4.2：對極限學習機神經網絡進行結構改進，得到改進后的極限學習機神經網絡；

11、所述改進后的極限學習機神經網絡中的輸出層不僅使用隱含層的輸出矩陣，同時獲取輸入層的輸入進行輸出權值的計算，同時引用c-loss損失函數改進極限學習機神經網絡的輸出權值；

12、所述改進后的極限學習機神經網絡的輸出層節(jié)點的輸入為：

13、h'＝[p；h]

14、其中，h'為輸出層節(jié)點的輸入，p為輸入層節(jié)點的輸入，h為隱含層節(jié)點的輸出；

15、

16、其中，lc(ei)為c-loss損失函數，ei為預測值與實際值的誤差，σ為方差平方根；

17、s4.3：設定麻雀優(yōu)化算法種群中個體的數量，并初始化麻雀優(yōu)化算法種群中的個體；所述個體表示極限學習機神經網絡的輸入層權值和偏置；

18、初始化麻雀優(yōu)化算法中的個體的方法具體為：

19、首先確定群空間：

20、z＝l+r*(u-l)

21、其中，z是群空間，l為群空間的下界，u為群空間的上界，r表示[0,1]中隨機產生的數字；

22、s4.4：將麻雀優(yōu)化算法種群中的個體分別作為極限學習機神經網絡的訓練參數，得到若干個具有不同訓練參數的極限學習機神經網絡；所述訓練參數為輸入層權值與偏置；

23、s4.5：將訓練集分別輸入每個個體對應的極限學習機神經網絡，計算平均絕對誤差，并將其作為麻雀優(yōu)化算法種群中個體的適應度；

24、

25、其中，rmae為平均絕對誤差，n為訓練集樣本數，yl為第l個訓練樣本的預測輸出，為第l個訓練樣本的實際輸出；

26、s4.6：選取適應度最大的個體作為當前的全局最優(yōu)個體；

27、s4.7：進行種群探索，在麻雀優(yōu)化算法的生產者的位置更新公式中引入正余弦算法改進，更新種群中個體的位置；

28、個體的位置的迭代更新公式為：

29、

30、r1＝α(1-t/tmax)

31、r2＝r3＝2π*rand；r4＝rand

32、其中，xi(t+1)為第t+1次迭代的第i個個體的位置，t為迭代次數，xi(t)為第t次迭代的第i個個體的的位置，xbest(t)為當前的全局最優(yōu)個體的位置，r1為搜索步長，r2?r3?r4均為服從均勻分布的隨機數，rand為0-1的隨機值；

33、s4.8：選取適應度最大的個體作為本次迭代的全局最優(yōu)個體與當前的全局最優(yōu)個體進行比較，若本次迭代的全局最優(yōu)個體的適應度較大，則將本次迭代的全局最優(yōu)個體更新為當前的全局最優(yōu)個體，否則保持不變；

34、s4.9：判斷是否設定迭代次數內全局最優(yōu)個體沒有變化，若是執(zhí)行s4.10，否則執(zhí)行s4.11；

35、s4.10：將當前種群中的個體按照適應度進行排序，對適應度小于設定閾值的個體利用遺傳算法進行變異交叉；

36、s4.11：判斷當前迭代次數是否達到設定的迭代次數，若是則輸出當前的全局最優(yōu)個體并執(zhí)行s4.12，否則迭代次數加1，執(zhí)行s4.7；

37、s4.12：將輸出的全局最優(yōu)個體對應的訓練參數和在應用該訓練參數時計算得到的輸出層的權值應用于改進的極限學習機神經網絡，得到最終的核事故反演模型；

38、s5：將測試集輸入最終的核事故反演模型，輸出核事故泄露源項放射源核素的釋放率。

39、與現有技術相比較，本發(fā)明的有益效果為：

40、本發(fā)明對收集的核事故綜合數據進行缺失與異常數據篩選，并將核事故綜合數據中的時序數據輸入長短期記憶網絡(lstm)中進行初步預測并進行窗口特征提取處理。極限學習機作為一種前饋神經網絡，提供了一個對輸入的分布或輸入-輸出映射的規(guī)律性沒有強烈的要求靈活的框架，不需要尋找數據之間的數學關系，具有良好的泛化性能。能夠快速進行反演并且能適應復雜環(huán)境的預測，解決了最小二乘法對于復雜情況分析能力弱的缺點；本發(fā)明通過對極限學習機進行改進提升反演模型的效率精度，采用麻雀優(yōu)化算法與極限學習機結合，對極限學習機的權重矩陣和偏置向量進行全局優(yōu)化解決極限學習機參數隨機非最優(yōu)的缺點。同時傳統(tǒng)的麻雀優(yōu)化算法后期容易陷入局部最優(yōu)，因此本發(fā)明的方法中在麻雀優(yōu)化算法中引入正余弦算法與遺傳算法的變異交叉來克服所述缺點；在極限學習機輸出層引入輸入層信息同時引用c-loss損失函數對結構進行改進，提高模型魯棒性降低極限學習機模型的內在復雜性，防止過擬合，提高模型的質量，提高模型預測精度與速度。