-
题名基于SAC强化学习的核电事故诊断规程优化
- 1
-
-
作者
张大志
王志会
周华兵
付永杰
习家轩
-
机构
中核武汉核电运行技术股份有限公司
武汉工程大学
武汉工程大学
-
出处
《核动力工程》
EI
CAS
CSCD
北大核心
2024年第S01期85-90,共6页
-
文摘
基于Soft Actor-Critic (SAC)算法的核电事故诊断规程优化方法,以决策树模型为基础,对事故检测规程判断策略进行优化,在显著提高事故检测性能的同时保持了决策模型的可解释性。模型使用SAC作为强化学习算法,将状态定义为当前运行数据和历史数据的组合,动作设定为诊断规程决策阈值的调整,回报反映了诊断的准确性。借助SAC算法,系统不断地调整阈值进行策略优化以获得最佳的诊断效果。在主蒸汽管道破裂(MSLB)模拟工况事故中,模型能更好地适应和理解复杂高维数据,找到特定性能指标下的最优控制策略,准确率稳步趋近于1。本文方法显著减少了误判率,不仅更准确地检测核电事故,而且在减少误警方面表现出优秀的结果,提高了核电运行的安全性。
-
关键词
核电事故
强化学习
规程优化
MSLB
-
Keywords
Nuclear power accident
Reinforcement learning
Procedure optimization
MSLB
-
分类号
TL334
[核科学技术—核技术及应用]
-
