Research on Historical Anomaly Data Detection Technology for Nuclear Power Plant Based on Deep Auto-Encoder
-
摘要: 为解决核动力历史异常数据检测中存在的新的异常识别困难问题，基于重构误差的思路，提出基于深度自编码器的历史数据异常检测模型。该模型以某稳态运行工况下正常历史数据为学习对象，通过最小化正常数据重构误差目标训练模型，根据待测数据重构误差大小判断其是否异常。研究结果表明，深度自编码器对正常数据重构能力较好，对异常数据重构能力不足。因此，通过比较重构误差大小，深度自编码器能够有效检测出核动力历史异常数据，其性能优于一类支持向量机，可以为核动力装置状态评估提供相关依据。Abstract: In order to solve the problem of new anomaly identification difficulties in the detection of nuclear power historical anomaly data, according to the idea of reconstruction error, an anomaly detection model based on deep auto-encoder is proposed. The model takes the normal historical data under steady-state operating condition as the learning object, trains itself by minimizing the reconstruction error of the normal data, and judges whether the unknown data is abnormal according to the size of the reconstruction error. The research results show that the deep autoencoder has better ability to reconstruct normal data but insufficient ability to reconstruct abnormal data. Thus, by comparing the reconstruction error size, the deep autoencoder can effectively detect the historical abnormal data of nuclear power plant, and its performance is better than that of one-class support vector machine, which can provide relevant basis for the state evaluation of nuclear power plants.
-
Key words:
- Nuclear power plant /
- Anomaly detection /
- Reconstruction error /
- Deep auto-encoder
-
图 5 训练集和验证集重构误差变化曲线
Figure 5. Reconstruction Error Curve of Training Set and Validation Set
图 6 训练集重构误差分布直方图
Figure 6. Reconstruction Error Distribution Histogram of Training Set
图 11 去掉前10%异常样本后测试集重构误差分布
Figure 11. Reconstruction Error Distribution of Test Set with Top 10% Abnormal Samples Removed
图 12 去掉前10%异常样本后混淆矩阵
Figure 12. Confusion Matrix with Top 10% Abnormal Samples Removed
表 1 特征参数遴选表
Table 1. Selection of Characteristic Parameters
编号 特征名称 编号 特征名称 V1 右回路入口温度 V13 净化水温度 V2 左回路入口温度 V14 设备冷却水流量 V3 右回路出口温度 V15 二回路需求功率 V4 左回路出口温度 V16 核功率 V5 右回路平均温度 V17 反应堆热功率 V6 左回路平均温度 V18 1号主蒸汽压力 V7 右回路流量 V19 2号主蒸汽压力 V8 左回路流量 V20 1号蒸汽发生器水位 V9 稳压器压力 V21 2号蒸汽发生器水位 V10 稳压器温度 V22 二回路负荷功率 V11 稳压器水位 V23 设备冷却水出口总管温度 V12 净化水流量 
下载: 导出CSV
表 2 数据集构成
Table 2. Data Set Composition
数据集 运行状况 运行时间/s 样本数量 真实标签 训练集 正常运行 3168.625 20279 0 验证集 5070 0 测试集 工况1 正常运行 222.375 1779 0 蒸汽发生器给水调节阀卡滞 90.125 721 1 工况2 正常运行 155.875 1247 0 一回路压力安全阀误开启 31.625 253 1 工况3 正常运行 119.875 959 0 净化泵出口管路破损 130.125 1041 1 工况4 正常运行 96.000 768 0 蒸汽总管小破口 53.375 427 1
下载: 导出CSV
表 3 模型测试结果对比
Table 3. Comparison of Model Test Results
方法 样本标签 查准率 查全率 F1分数 DAE 正常 0.99 0.98 0.98 异常 0.97 0.97 0.97 OC-SVM 正常 0.99 0.89 0.94 异常 0.82 0.98 0.90
下载: 导出CSV
表 4 去掉前10%异常样本后模型测试结果
Table 4. Model Test Results with Top 10% Abnormal Samples Removed
方法 样本标签 查准率 查全率 F1分数 DAE 正常 1.00 0.98 0.99 异常 0.97 1.00 0.98
下载: 导出CSV
-
[1] 石川聪彦. 用Python编程和实践!深度学习教科书[M]. 陈欢,译. 北京: 中国水利水电出版社,2021: 16. [2] 孙宁可,王艳,纪志成. 基于深度自编码器的电力能耗异常检测方法[J]. 系统仿真学报,2022, 34(12): 2557-2565. [3] 吴鑫. 基于VAE的多维时间序列异常检测方法研究[D]. 徐州: 中国矿业大学,2022. [4] 李超能,冯冠文,刘如意,等. 一种基于重构误差的交通轨迹异常检测方法[J]. 计算机科学,2022, 49(2): 149-155. [5] SCHEIRER W J, DE REZENDE ROCHA A, SAPKOTA A, et al. Toward open set recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(7): 1757-1772. doi: 10.1109/TPAMI.2012.256 [6] 李傲. 基于机器学习算法的异常检测及其应用研究[D]. 哈尔滨: 哈尔滨工业大学,2021. [7] 王晓龙,张永发,刘忠,等. 基于数据驱动的核动力系统异常检测及分析方法研究[J]. 核动力工程,2021, 42(5): 149-155. [8] 周志华. 机器学习[M]. 北京: 清华大学出版社,2016: 28-67. [9] SCHÖLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional distribution[J]. Neural Computation, 2001, 13(7): 1443-1471. doi: 10.1162/089976601750264965 -
计量
- 文章访问数: 106
- HTML全文浏览量: 29
- PDF下载量: 20
- 被引次数: 0
