CN115130284A - 核电机组风险预测方法、预测***及评估*** - Google Patents
核电机组风险预测方法、预测***及评估*** Download PDFInfo
- Publication number
- CN115130284A CN115130284A CN202210662224.3A CN202210662224A CN115130284A CN 115130284 A CN115130284 A CN 115130284A CN 202210662224 A CN202210662224 A CN 202210662224A CN 115130284 A CN115130284 A CN 115130284A
- Authority
- CN
- China
- Prior art keywords
- risk
- nuclear power
- time
- prediction
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开一种核电机组风险预测方法、预测***及评估***,所述方法包括:获取核电机组各设备/部件的性能状态随时间变化的函数;根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。本发明能够实现核电机组风险预测,提高核电机组风险预测值的准确性,提前预见未来时刻的核电机组风险。
Description
技术领域
本发明属于核电技术领域,具体涉及一种核电机组风险预测方法、预测***及评估***。
背景技术
核安全是核能发展应用的前提和基础。概率安全分析PSA方法是国内外广泛应用并纳入核安全法规HAF102要求的核安全分析方法。为监测运行阶段配置变更导致的核电机组风险变化,业界提出了Living PSA的概念,在机组运行阶段,根据机组实际配置状态,及时更新PSA模型,以进行实时的风险评估,并开发了相应的风险监测器。
然而,现阶段的风险监测器在进行配置风险评价时仅考虑了设备的运行状态变化,而未涉及设备在不同寿期阶段的性能水平差异,这种差异导致设备在机组运行与事故缓解过程中执行相关任务的可靠性不同,进而导致机组实际风险水平不同,这使得风险监测的准确性不足。
此外,现有技术仅在机组配置变化后,评估核电机组的阶跃式风险,而无法对由设备的性能状态随时间变化导致的渐进式风险进行识别和预测,这可能导致错失提前开展配置管理、避免进入高风险的最有利时机,不利于提升核电机组的安全性和可用率。
发明内容
本发明所要解决的技术问题是针对现有技术中存在的上述不足,提供一种核电机组风险预测方法、预测***及评估***,能够实现核电机组风险预测,提高核电机组风险预测值的准确性,提前预见未来时刻的核电机组风险。
本发明第一方面,提供一种核电机组风险预测方法,包括:
获取核电机组各设备/部件的性能状态随时间变化的函数;
根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;
判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;
将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。
优选地,所述获取核电机组各设备/部件的性能状态随时间变化的函数,具体包括:
获取所述核电机组各设备/部件在当前时刻的运行参数;
将所述运行参数与各设备/部件的全寿期数据进行对比,获得各设备/部件当前所处的寿期阶段及性能状态随时间变化的程度;
根据所述当前所处的寿期阶段及性能状态随时间变化的程度,预测获得各设备/部件从当前时刻开始的预设未来时间段内的性能状态随时间变化的函数。
优选地,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述根据所述性能状态随时间变化的函数更新预设的动态概率安全分析LivingPSA模型在预设未来时刻的风险预测参数值,具体包括:
根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
优选地,所述性能状态随时间变化的函数,具体为设备/部件的剩余使用寿命分布函数。
优选地,所述根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t),具体为:
通过下式计算获得所述基本事件概率Q(t):
其中:t为所述预设未来时刻;λ(s)为所述基本事件对应的设备/部件失效率;Tm为实现***安全运行或缓解事故需要所述对应的设备/部件投入运行的任务时间;θ(s)和θ(u)分别为所述对应的设备/部件的剩余使用寿命分布函数以s和u为时间变量时的表达式;s为从t到t+Tm时刻对所述剩余使用寿命分布函数θ(s)进行积分使用的时间变量;u为从0到s时刻对所述剩余使用寿命分布函数θ(u)进行积分使用的时间变量。
优选地,所述根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi,具体为:
通过下式计算获得所述设备/部件失效类始发事件频率frIEi:
其中:λ(t)为所述设备/部件失效类始发事件对应的设备/部件失效率;T为所述对应的设备/部件在某运行工况下的年平均运行时间;θ(t)和θ(s)分别为所述对应的设备/部件的剩余使用寿命分布函数以t和s为时间变量时的表达式;t为从0到T时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量;s为从0到t时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量。
优选地,所述判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构,具体包括:
接收DCS***自动监测或通过人机界面手动输入的核电机组的配置,所述配置包括所述核电机组的***/设备在所述预设未来时刻的状态,并判断所述状态是否有变更;
如果是,更新所述Living PSA模型中所述***/设备的事件逻辑值,以得到最新结构的所述Living PSA模型。
优选地,所述预设未来时刻的风险预测值,具体包括以下至少之一:
所述Living PSA模型的事件树/故障树的最小割集、所述核电机组的风险指标、***失效概率、***/设备的风险重要度。
优选地,所述将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值之后,所述方法还包括:
在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果。
优选地,所述获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设时间段内的风险预测结果,具体包括:
获得多个预设未来时刻的所述核电机组的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果;和/或,
获得多个预设未来时刻的所述核电机组的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果。
本发明第二方面,提供一种核电机组风险预测***,包括:
获取模块,用于获取核电机组各设备/部件的性能状态随时间变化的函数;
第一更新模块,与所述获取模块连接,用于根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;
第二更新模块,与所述第一更新模块连接,用于判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;
风险预测模块,与所述第二更新模块连接,用于将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。
优选地,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述第一更新模块,具体包括:
第一参数更新单元,用于根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
第二参数更新单元,用于利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
第三参数更新单元,用于根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
优选地,所述***还包括:
结果联合模块,与所述风险预测模块连接,用于在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果。
优选地,所述结果联合模块,具体包括:
预测风险曲线单元,用于获得多个预设未来时刻的所述核电机组的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果;和/或,
预测风险列表单元,用于获得多个预设未来时刻的所述核电机组的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果。
本发明第三方面,提供一种核电机组风险评估***,包括:
风险监测功能模块,用于执行根据核电机组各设备/部件在当前时刻的性能状态进行风险监测的方法;以及,
风险预测功能模块,用于执行如上所述的核电机组风险预测方法。
本发明提供的核电机组风险预测方法、预测***及评估***,在进行核电机组风险预测时,根据核电机组设备/部件的性能状态随时间变化的函数,预测核电机组未来的渐进式风险,在现有核电机组风险评估技术的基础上,增加了对设备性能状态随时间变化的所引发的风险因素的考虑,能够基于核电机组设备性能变化准确预测核电机组未来的风险水平,能够识别关键薄弱环节,指导核电厂运维人员针对性开展配置风险管理,有利于开展核电机组风险预防工作,提升核电机组运行安全,提高核电机组的可用率,进而提高其经济性,即能够提高了核电机组的安全性和经济性。
附图说明
图1为本发明实施例中的核电机组风险预测方法示意图;
图2为本发明实施例中的核电厂结构示意图;
图3为本发明另一实施例中的核电机组风险评估方法示意图;
图4为本发明再一实施例中的一种典型的剩余使用寿命分布曲线图;
图5为本发明再一实施例中的风险评估时间域和运行时间域的对应关系示意图;
图6为本发明再一实施例中的TFA001PO非试验阶段的故障树模型图;
图7为本发明再一实施例中的TFA001PO试验阶段的故障树模型图;
图8为本发明再一实施例中的CDF风险曲线图;
图9为本发明实施例中的核电机组风险预测***结构示意图;
图10为本发明实施例中核电机组风险评估***结构示意图。
具体实施方式
下面将结合本发明中的附图,对发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的范围。
在本发明的描述中,需要说明的是,属于“上”等指示方位或位置关系是基于附图所示的方位或者位置关系,仅是为了便于和简化描述,而并不是指示或者暗示所指的装置或者元件必须设有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或者暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“连接”、“设置”、“安装”、“固定”等应做广义理解,例如可以是固定连接也可以是可拆卸地连接,或者一体地连接;可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,所涉及的每个单元、模块可仅对应一个实体结构,也可由多个实体结构组成,或者,多个单元、模块也可集成为一个实体结构;所涉及的单元、模块可通过软件的方式实现,也可通过硬件的方式来实现,例如单元、模块可位于处理器中。
在本发明的描述中,在不冲突的情况下,本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
为了便于理解本发明,首先对核电厂现有风险监测器进行说明。根据我国国家核***于2019年12月31日发布的《核电厂配置风险管理的技术政策(试行)》,核电厂营运单位对核电厂运行和维修活动进行配置风险管理,以弥补现阶段技术规格书中的运行要求,对核电厂配置组合的复杂性和多样性考虑不足的缺陷,保证核电厂安全水平得以维持甚至提高,并具体规定了以Living PSA方法及基于此方法的风险监测器作为配置风险管理的基本方法和工具。
Living PSA方法的基础是PSA方法,PSA方法通过事件树与故障树模型,对核电厂核电机组运行中可能产生的安全风险进行全面***分析,评估机组的风险水平,识别风险源、发展途径以及后果,以指导核电厂设计或运行人员采取针对性地措施,排除或降低风险。
为保证风险评估的有效性,PSA所采用的模型应该与核电机组的实际配置状态相匹配。而核电机组从设计到退役的整个寿期内,不可避免地会经历配置变更,如***改造、设备维护等。为监测运行阶段核电机组配置变更导致的风险变化,需要根据实际配置状态及时更新PSA模型,进行实时的风险评估,即Living PSA,现已开发了基于Living PSA的风险监测工具软件作为核电厂风险监测器。
但是,由于受限于过往监测技术水平,现有核电厂风险监测器在进行配置风险评价时仅考虑了设备的运行状态变化,如设备从“运行”变为“停运”,或进入“维修不可用”等,而未涉及设备在不同寿期阶段性能水平差异,而这种差异导致其在运行与事故缓解过程中执行相关任务的可靠性不同,进而导致核电机组实际风险水平不同,使得风险监测的准确性不足。此外,现有技术仅在机组配置变化后进行风险评估,而无法提前对由于设备的性能状态随时间变化的导致的风险的渐进变化进行识别和预测,使得风险监测无法预见未来时刻可能发生的风险。
这为配置管理至少带来如下不利影响:
(1)因为评估结果存在较大的不确定性,导致配置风险管理信心不足,限制了该技术在核电厂应用的范围、深度和效果;
(2)因为忽略了设备的性能差异,可能导致对风险的低估,并使得关键风险因素无法被准确识别出来,进而存在非保守决策的风险;
(3)因为无法预测未来风险,可能导致错失提前开展配置管理避免进入高风险的最有利时机,而一旦进入高风险状态之后可采取的管理措施也较为有限,限制了机组可用率的提升。
近年来,随着信息技术、计算机技术以及人工智能的飞速发展,工业***及设备的先进监测、诊断和预测技术能力显著提升,使得在核电机组运行中对设备的性能水平进行实时监测和预测变得可行,为解决上述问题提供了技术基础。
实施例1:
如图1所示,本发明实施例1提供一种核电机组风险预测方法。
具体在本实施例中,提供一种核电机组风险评估方法,应用于如图2所示的核电机组风险评估***20,该方法包括核电机组风险监测方法和如图1所示的核电机组风险预测方法,用于对图2所示的核电厂100中的核电机组10在其运行阶段进行当前风险监测与未来风险预测,并应用于开发相应的软件,即形成针对核电机组10的核电机组风险评估***20。更具体地说,该方法是基于核电机组10各设备性能随时间变化的关系对核电机组10进行风险监测与预测的方法,风险监测是对当前风险的评估,此时设备/部件性能可以测量得到;风险预测是对未来风险的评估,需要考虑在未来时间设备/部件性能的变化,这是本发明的重点。开发的软件-核电机组风险评估***20计划命名为:基于性能的风险监测与预测***PB-RMP(Performance-Based Risk Monitoring and Prediction),通过在现有核电厂100应用的风险监测器的基础上进行改进,引入核电机组10各设备性能随时间变化的函数,以准确评估核电机组10从当前时刻至往后一段时间内的风险水平变化。通过所建议的PB-RMP***的应用,可以在机组配置及设备/部件性能水平发生变化时,及时地进行风险监测和预测,提高风险评估的准确性和预见性,进而指导运维人员尽早地、针对性地开展配置风险管理,保证核电机组10安全经济运行,提高核电厂100的安全性和经济性。
另外,如图1所示的核电机组风险预测方法也可以单独形成如图9所示的核电机组风险预测***202,仅用于实现预测核电机组10未来的风险。
在一个更具体的实施例中,将以福清核电华龙机组为对象,以其功率运行工况1级PSA模型为基础,进行设定场景下的风险监测与预测,以对本发明方法的应用效果进行更详细地展示。
S1、获取核电机组10各设备/部件的性能状态随时间变化的函数。
具体在本实施例中,如图3所示,为了实现对核电机组10准确评估其当前时刻以及未来一段时间内的风险,首先需要针对本次风险评估涉及到的核电机组10设备/部件获取其性能状态随时间变化的函数,在此仅考虑设备性能随时间退化的情况,因此分别执行步骤S100:获取性能退化函数,以性能退化函数作为后续Living PSA模型参数更新的输入。本发明的风险评估是在机组运行的全过程中连续动态实施的,由于通常设备/部件运行时间越长,性能越差,相应的风险增加,在进行风险评估时考虑了设备/部件性能随时间退化的影响,可以获得随时间逐渐增大的渐进式风险评估结果,能够更加准确地监测当前风险以及预测未来风险。
在一个可选的实施例中,所述获取核电机组10各设备/部件的性能状态随时间变化的函数,具体包括:
获取所述核电机组10各设备/部件在当前时刻的运行参数;
将所述运行参数与各设备/部件的全寿期数据进行对比,获得各设备/部件当前所处的寿期阶段及性能状态;
根据所述当前所处的寿期阶段及性能状态,预测获得各设备/部件从当前时刻开始的预设未来时间段内的性能状态随时间变化的函数。
具体在本实施例中,如图3所示,为了获得核电机组10各设备/部件的性能退化函数,首先在核电机组10必要的设备/部件上设置传感器,由传感器执行步骤S101:测量运行参数,并将实时获得的运行参数发送给核电机组风险评估***20,核电机组风险评估***20接收到相应设备/部件的运行参数后,执行步骤S102:评估性能,具体可以是根据该设备/部件出厂厂家给定的或核电厂100根据自身经验总结的全寿期数据,对比确定运行参数所反应的该设备/部件当前所处的寿期阶段及性能状态,然后根据当前所处的寿期阶段及性能状态,获得该设备/部件从当前时刻开始的预设未来时间段内的性能退化函数。
由于预测设备/部件未来性能状态随时间变化涉及设备故障诊断的专门技术领域,工业界已经研究并开发了多种模型方法进行设备性能的监测与预测,实施中可根据具体的设备对象选择适用的模型方法,通过借鉴其它技术领域的设备性能监测与预测方法应用到本领域中,即可实现获取核电机组10各设备/部件的性能状态随时间变化的函数,本发明并不需要限定获得性能状态随时间变化的函数的具体方法。
在一个可选的实施例中,所述性能状态随时间变化的函数,具体为设备/部件的剩余使用寿命分布函数。
具体在本实施例中,如图3所示,预测获得设备/部件从当前时刻开始的预设未来时间段内的性能退化函数,具体通过执行步骤S103:预测剩余使用寿命(RUL,ResidualService Life)来实现。RUL的描述方式可以有多种,且可互相转化,图4展示了一种典型的剩余使用寿命分布曲线,其中横轴为时间t,纵轴为采用可靠性表示的剩余使用寿命分布函数预测值θ(t)。
在一个更具体的实施例中,针对福清核电华龙机组,首先设定评估当前时刻至未来150小时的预设时间段内核电机组10的风险。在此过程中,为了保证设备的可靠性,根据核电厂100技术规范的要求,需要定期对辅助给水电动泵TFA001PO进行试验,假定根据生产计划,将于第30小时至第50小时对辅助给水电动泵TFA001PO进行试验。同时,考虑设备冷却水泵WCC001PO和上充泵RCV001PO在预设时间段内的性能退化。由于基础可靠性数据库升版和更新属于机组换料停堆期间Living PSA模型维护的工作内容,运行阶段的风险监测和预测不涉及此类变更,故本例中也不考虑。假设WCC001PO和RCV001PO服从相同的退化规律,这不影响对本发明实施方式的论述,根据现有公开数据对WCC001PO和RCV001PO开展剩余使用寿命预测,剩余使用寿命分布采用设备在预设未来时刻单位时间内发生故障的概率描述,其结果见表1的第1列和第2列,该结果在本发明中仅作为风险评估的输入,根据设备故障诊断技术选择适用的模型即可获得,故在此不对预测过程展开论述。
S2、根据所述性能状态随时间变化的函数更新预设的动态概率安全分析LivingPSA模型在所述预设未来时刻的风险预测参数值。
具体在本实施例中,如图3所示,在获得性能退化函数后,核电机组风险评估***20执行步骤S200:更新Living PSA模型参数。这是本发明的核心关键功能,现有技术仅考虑了当前时刻设备/部件的性能,而没有考虑随着时间的推移,性能逐步下降带来的影响,其对未来风险的预测依然是基于当前性能获得的,这就导致了其对风险的估计是低于实际水平的。
在一个更具体的实施例中,现有方法的预测结果的一种典型示例展示在图8中,从图中可以看出,现有方法所示的曲线仅考虑了配置变更时核电机组10的阶跃风险,而无法得到本发明建议方法所示的渐进风险。为了获得图8中建议方法所示的渐进风险,本发明需要根据性能状态随时间变化的函数获得随时间变化的Living PSA模型风险预测参数值,即,根据每个得到的性能状态随时间变化的函数,更新对应设备/部件在预设未来时间段内需要预测风险的时刻的风险预测参数值,风险预测时刻是由评估人员根据预测需要设置的预设未来时间段内若干个时间点,每个风险预测参数值将反应对应设备/部件的风险随时间变化的特点。
在一个可选的实施例中,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述根据所述性能状态随时间变化的函数更新预设的动态概率安全分析LivingPSA模型在所述预设未来时刻的风险预测参数值,具体包括:
根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
具体在本实施例中,如图3所示,使用Living PSA模型进行定量分析的参数,主要包括故障树模型的基本事件概率和事件树模型的始发事件频率,因此,Living PSA模型参数更新主要包括步骤S201:更新故障树基本事件概率和S202:更新事件树始发事件频率。根据触发始发事件的对象不同,始发事件又可分为两类:设备/部件失效类,如管道破裂类事故;***失效类,如热阱丧失事故。其中,***失效类始发事件的频率,需利用故障树等***分析方法计算得到,这是PSA模型已知的方法,本发明只是在利用故障树分析得到***失效类始发事件的频率时,采用的基本事件概率Q(t)考虑了设备/部件的性能状态随时间变化带来的影响。
在一个可选的实施例中,所述根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t),具体为:
通过下式计算获得所述基本事件概率Q(t):
其中:t为所述预设未来时刻;λ(s)为所述基本事件对应的设备/部件失效率;Tm为实现***安全运行或缓解事故需要所述对应的设备/部件投入运行的任务时间;θ(s)和θ(u)分别为所述对应的设备/部件的剩余使用寿命分布函数以s和u为时间变量时的表达式;s为从t到t+Tm时刻对所述剩余使用寿命分布函数θ(s)进行积分使用的时间变量;u为从0到s时刻对所述剩余使用寿命分布函数θ(u)进行积分使用的时间变量。
在一个可选的实施例中,所述根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi,具体为:
通过下式计算获得所述设备/部件失效类始发事件频率frIEi:
其中:λ(t)为所述设备/部件失效类始发事件对应的设备/部件失效率;T为所述对应的设备/部件在某运行工况下的年平均运行时间;θ(t)和θ(s)分别为所述对应的设备/部件的剩余使用寿命分布函数以t和s为时间变量时的表达式;t为从0到T时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量;s为从0到t时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量。
具体在本实施例中,图5中实线为风险评估的时间,以当前时刻为0点,监测当前时刻和预测未来时刻的核电机组10的风险;虚线表示设备/部件运行时间域,以其上一次完成检修并投入运行的时刻为01为零点;实线表示对核电机组10进行风险评估的评估时间域,02为风险评估的零点,也即为当前时刻;显然,设备/部件运行的零点早于风险评估的零点,因为风险评估是在机组运行的全过程中连续动态实施的,而设备/部件可能是机组启动的时候就投入运行了,这段累积运行的影响会体现在性能变化上,也即从上一次完成检修到当前时刻的累积运行时间T0会影响RUL分布函数θ(t),进而影响基本事件概率Q(t)和始发事件频率frIEi。图中,t为拟评估风险的时刻,可以为预设未来时间段内的任一预设未来时刻,t=0为监测当前时刻的瞬时风险,也即进行风险监测,t>0为预测未来时刻的瞬时风险,也即风险预测。Tm为实现核电机组10安全运行或缓解事故,需要设备/部件投入运行的任务时间。对于设备/部件失效类始发事件频率frIEi通过对该设备/部件在某运行工况下的年平均运行时间进行积分获得,这是因为基于PSA的风险评估需针对不同的运行工况分别建模计算,最后基于不同工况持续时间所占的份额进行加权得到核电机组10的年度风险水平。
在一个更具体的实施例中,对于Living PSA模型参数更新,首先需分析其影响的范围,即是否对事件树的始发事件及故障树的基本事件产生影响。由于始发事件是核电厂经过***分析得出的一个具体的事故清单,本例中假设的变更不会导致该清单中的事故发生或发生频率变化,此处只影响故障树的基本事件对应该设备的故障概率,因此需在0-150小时内,对故障树的基本事件概率进行监测和预测。根据基本事件概率Q(t)的计算公式,可计算得到退化设备WCC001PO和RCV001PO所对应的模型事件在未来150小时内的发生概率,即设备执行缓解事故任务失败的概率,其计算结果见表1的第3列。本示例仅用于展示本发明的技术方法和效果,故对计算进行了简化,即假设WCC001PO和RCV001PO服从相同的退化规律,因此,得到的RUL分布和Living PSA模型参数规律均相同。
表1:RUL分布和Living PSA模型参数预测结果
S3、判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构。
具体在本实施例中,如图3所示,步骤S300:更新Living PSA模型结构具备一个启动条件,即步骤S303:判断机组配置是否变更,机组配置变更包括如设备失效、运行/备用列切换等情况,若发生机组配置变更,则需要对Living PSA模型结构进行更新,反之,则不需要进行模型结构更新,直接进入后续风险评估步骤。
在一个可选的实施例中,所述判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构,具体包括:
接收DCS***自动监测或通过人机界面手动输入的核电机组的配置,所述配置包括所述核电机组的***/设备在所述预设未来时刻的状态,并判断所述状态是否有变更;
如果是,更新所述Living PSA模型中所述***/设备的事件逻辑值,以得到最新结构的所述Living PSA模型。
具体在本实施例中,如图3所示,机组配置变更的判断依据包括:步骤S301:DCS***监测,或者S302:人机界面输入,依据为DCS***自动监测到的或用户通过人机界面手动输入的***/设备状态判断机组配置在拟评估风险时刻t是否发生了变更。
在一个更具体的实施例中,如图6和7所示,TFA001PO试验阶段的Living PSA模型结构变更,红框标记的为变更对象,在TFA001PO非试验阶段和试验阶段,该事件的逻辑值分别为“Normal”和“True”,分别表示该事件“存在一定概率不可用”和“确定不可用”,该“一定概率”受设备性能的影响。在本例中,因为其他设备都没有发生状态或性能变化,所以都不变,其他部分的逻辑值根据对应设备的状态决定,如果设备在运行,就是“Normal”,如果设备已经失效,就是“True”,这些是当前已有的PSA技术已经固化了的规则。因此,对于LivingPSA模型结构更新,仅在第30-50小时内TFA001PO试验不可用时需要考虑,更新方法为:在模型中将TFA001PO对应的故障事件逻辑值变更为“True”,即该事件的发生概率被设置为1,该设备确定不可用,相应的,核电机组10的整体风险水平会上升。
S4、将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。
在一个可选的实施例中,所述预设未来时刻的风险预测值,具体包括以下至少之一:
所述Living PSA模型的事件树/故障树的最小割集、所述核电机组的风险指标、***失效概率、***/设备的风险重要度。
具体在本实施例中,如图3所示,Living PSA模型的模型及参数更新后,执行步骤S400:Living PSA模型评估风险。此部分只是输入模型的参数改变了,其可计算分析得到的结果项与现有风险监测器是一样的,包括:事件树/故障树的最小割集求解、核电机组100风险指标计算、***失效概率预测、***/设备的风险重要度分析等,其中核电机组100风险指标包括:堆芯损毁频率CDF、放射性释放频率LERF等。
在一个可选的实施例中,所述将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值之后,所述方法还包括:
在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果。具体在本实施例中,如图3所示,在完成对预设时间段内的风险评估后,执行步骤S500:输出风险信息,以供核电厂100维护人员根据风险分析结果对核电机组10进行配置风险管理。为了便于维护人员观察风险分析结果,风险信息输出显示时对分析计算所得结果进行二次加工并可视化,具体包括:机组风险信息可视化,如风险曲线、风险重要***/设备列表等;配置风险管理指标计算和显示:如累积风险增量、允许配置时间等;提供风险信息查询、风险报告打印等人机交互功能;这些功能也是现有风险监测器可以实现的,本发明只是得到的结果所反应的风险大小和趋势与其不同。
在一个可选的实施例中,所述获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果,具体包括:
获得多个预设未来时刻的所述核电机组的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果;和/或,
获得多个预设未来时刻的所述核电机组的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果。
在一个更具体的实施例中,由于当前尚未有可实施本发明所述方法的软件工具,因此以业内广泛应用的PSA建模与分析软件Risk Spectrum为分析计算工具,通过手动多次更改模型参数进行多点计算,在每个拟评估风险时刻t的Living PSA模型更新完毕后,利用Risk Spectrum软件,进行风险分析计算,最终得到的结果包括:
如图8所示CDF风险曲线,由图可知,在本发明所建议方法中,随着设备的老化,机组的瞬时风险连续上升,在第30小时,由于TFA001PO试验不可用,机组风险阶跃上升,而在第50小时,其试验结束,恢复至初始状态,机组风险阶跃下降,但由于设备性能持续退化,机组的风险水平高于试验前的风险水平。与之对比,现有方法中,则仅能考虑试验不可用发生时的阶跃风险变化,而未包含对设备老化的考虑,这导致机组风险评估结果偏乐观,且不能***机组的高风险状态;以及,
如表2所示WCC001PO和RCV001PO故障事件的FV重要度(Fussel-VeselyImportance),由表可知,由于设备的性能变化,相关故障事件的重要度也随之变化;虽然二者退化规律相同,但RCV001PO故障的重要度随着性能退化迅速增长,明显高于WCC001PO的重要度,这是因为RCV***的冗余度较低,因此,虽然二者都接近于失效,但在维修计划制定中应优先考虑对RCV001PO的维修,可见,即使假设设备性能退化规律完全相同,其对风险和风险管理措施的影响也不相同。
表2 FV重要度排序
基于以上结果分析表明,本发明所提出的***方案具有可行性,与现有方案相比,其具有以下优势:(1)在风险评估中考虑了设备性能变化对风险的影响,提供更真实的风险评估结果;(2)可评估设备重要度随其性能退化而产生的变化,从机组层面提出设备维护的优先级建议,使得运维管理更具有针对性,资源调配更优化;(3)通过对设备故障和潜在高风险的***,可避免突发故障导致非计划停堆,并为运维管理争取更长的时间窗口。
实施例2:
如图9所示,本发明实施例2提供一种核电机组风险预测***202,所述***包括:
获取模块1,用于获取核电机组10各设备/部件的性能状态随时间变化的函数;
第一更新模块2,与所述获取模块1连接,用于根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;
第二更新模块3,与所述第一更新模块2连接,用于判断在所述预设未来时刻所述核电机组10的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;
风险预测模块4,与所述第二更新模块3连接,用于将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组10在所述预设未来时刻的风险预测值。
在一个可选的实施例中,所述获取模块1,具体包括:
获取单元,用于获取所述核电机组10各设备/部件在当前时刻的运行参数;
评估单元,与所述获取单元连接,用于将所述运行参数与各设备/部件的全寿期数据进行对比,获得各设备/部件当前所处的寿期阶段及性能状态;
预测单元,与所述评估单元连接,用于根据所述当前所处的寿期阶段及性能状态,预测获得各设备/部件从当前时刻开始的预设未来时间段内的性能状态随时间变化的函数。
在一个可选的实施例中,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述第一更新模块2,具体包括:
第一参数更新单元,用于根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
第二参数更新单元,与所述第一参数单元连接,用于利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
第三参数更新单元,用于根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
在一个可选的实施例中,所述性能状态随时间变化的函数,具体为设备/部件的剩余使用寿命分布函数。
在一个可选的实施例中,所述第一参数更新单元,具体用于:
通过下式计算获得所述基本事件概率Q(t):
其中:t为所述预设未来时刻;λ(s)为所述基本事件对应的设备/部件失效率;Tm为实现***安全运行或缓解事故需要所述对应的设备/部件投入运行的任务时间;θ(s)和θ(u)分别为所述对应的设备/部件的剩余使用寿命分布函数以s和u为时间变量时的表达式;s为从t到t+Tm时刻对所述剩余使用寿命分布函数θ(s)进行积分使用的时间变量;u为从0到s时刻对所述剩余使用寿命分布函数θ(u)进行积分使用的时间变量。
在一个可选的实施例中,所述第三参数更新单元,具体用于:
通过下式计算获得所述设备/部件失效类始发事件频率frIEi:
其中:λ(t)为所述设备/部件失效类始发事件对应的设备/部件失效率;T为所述对应的设备/部件在某运行工况下的年平均运行时间;θ(t)和θ(s)分别为所述对应的设备/部件的剩余使用寿命分布函数以t和s为时间变量时的表达式;t为从0到T时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量;s为从0到t时刻对所述剩余使用寿命分布函数θ(t)进行积分使用的时间变量。
在一个可选的实施例中,所述第二更新模块,具体包括:
接收单元,用于接收DCS***自动监测或通过人机界面手动输入的核电机组10的配置,所述配置包括所述核电机组10的***/设备在所述预设未来时刻的状态,并判断所述状态是否有变更;
更新单元,与所述接收单元连接,用于如果判断出所述状态有变更,更新所述Living PSA模型中所述***/设备的事件逻辑值,以得到最新结构的所述Living PSA模型。
在一个可选的实施例中,所述预设未来时刻的风险预测值,具体包括以下至少之一:
所述Living PSA模型的事件树/故障树的最小割集、所述核电机组10的风险指标、***失效概率、***/设备的风险重要度。
在一个可选的实施例中,所述***还包括:
结果联合模块,与所述风险预测模块4连接,用于在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组10在所述预设未来时间段内的风险预测结果。
在一个可选的实施例中,所述结果联合模块,具体包括:
预测风险曲线单元,用于获得多个预设未来时刻的所述核电机组10的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组10在所述预设未来时间段内的风险预测结果;和/或,
预测风险列表单元,用于获得多个预设未来时刻的所述核电机组10的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组10在所述预设未来时间段内的风险预测结果。
实施例3:
如图10所示,本发明实施例3提供一种核电机组风险评估***20,设置于如图2所示的核电厂100内,包括:
风险监测功能模块21,用于执行根据核电机组10各设备/部件在当前时刻的性能状态进行风险监测的方法;以及,
风险预测功能模块22,用于执行如实施例1所述的核电机组风险预测方法。
具体而言,在本实施例中,核电机组风险评估***20可实现包括当前风险监测和未来风险预测的核电机组10风险评估功能,风险监测功能模块21的当前风险监测功能可采用与核电厂100内现有风险监测器相同的方法实现,风险预测功能模块22的未来风险预测功能具体通过在核电机组10的相关设备/部件上设置传感器以采集设备/部件的运行参数,核电机组风险评估***20接收传感器数据,根据接收到的传感器数据获取设备/部件的性能状态随时间变化的函数,根据性能状态随时间变化的函数实现对核电机组10的风险评估。风险监测功能模块21和风险预测功能模块22具有相似性的部分功能可以通过计算机程序中相同的程序片段实现,这些程序片段可以被调用以实现风险监测功能模块21或风险预测功能模块22的功能,并不需要严格区分。
本发明实施例1-3提供的核电机组风险预测方法、预测***及评估***,在进行核电机组风险预测时,根据核电机组设备/部件的性能状态随时间变化的函数,预测核电机组未来的渐进式风险,在现有核电机组风险监测技术的基础上,增加了对设备性能状态随时间变化的所引发的风险因素的考虑,能够基于核电机组设备性能变化准确预测核电机组未来的风险水平,提高了核电机组风险评估的准确性和预见性,能够识别关键薄弱环节,指导核电厂运维人员针对性开展配置风险管理,有利于开展核电机组风险预防工作,提升核电机组运行安全,提高核电机组的可用率,进而提高其经济性,即能够提高核电机组安全性和经济性。
本发明实施例1-3建议基于设备的真实性能水平对核电机组运行风险进行实时监测和预测,并具体给出了该***的总体架构和关键功能模块解决方案。与当前核电厂采用的风险监测***相比,本发明所建议的***工具可实现对设备性能状态随时间变化的这一风险影响因素的考虑,体现了不同机组、不同设备寿期阶段的差异,实现更准确的风险及其关键贡献项的监测和预测。通过本***在核电厂的应用,预期可达到以下效果:
提升运行安全性:提供更真实的风险指标,预测并直观显示机组风险水平和重要风险因素的变化情况,帮助运维人员随时了解机组风险水平及发展趋势,针对性的采取管理措施,避免进入高风险状态,加强纵深防御,维持足够的安全裕度,提升运行安全性;
提升运行经济性:提前预知潜在机组高风险,指导运维人员尽早制定响应措施并实施准备工作,减少非计划停机,并缩短停机维修时间,提高机组可用率和经济性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (15)
1.一种核电机组风险预测方法,其特征在于,包括:
获取核电机组各设备/部件的性能状态随时间变化的函数;
根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;
判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;
将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。
2.根据权利要求1所述的方法,其特征在于,所述获取核电机组各设备/部件的性能状态随时间变化的函数,具体包括:
获取所述核电机组各设备/部件在当前时刻的运行参数;
将所述运行参数与各设备/部件的全寿期数据进行对比,获得各设备/部件当前时刻的寿期阶段及性能状态;
根据所述当前时刻的寿期阶段及性能状态,预测获得各设备/部件从当前时刻开始的预设未来时间段内的性能状态随时间变化的函数。
3.根据权利要求1所述的方法,其特征在于,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值,具体包括:
根据所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
根据所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
4.根据权利要求3所述的方法,其特征在于,所述性能状态随时间变化的函数,具体为设备/部件的剩余使用寿命分布函数。
7.根据权利要求1所述的方法,其特征在于,所述判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构,具体包括:
接收DCS***自动监测或通过人机界面手动输入的核电机组的配置,所述配置包括所述核电机组的***/设备在所述预设未来时刻的状态,并判断所述状态是否有变更;
如果是,更新所述Living PSA模型中所述***/设备的事件逻辑值,以得到最新结构的所述Living PSA模型。
8.根据权利要求1所述的方法,其特征在于,所述预设未来时刻的风险预测值,具体包括以下至少之一:
所述Living PSA模型的事件树/故障树的最小割集、所述核电机组的风险指标、***失效概率、***/设备的风险重要度。
9.根据权利要求1-8任意一项所述的方法,其特征在于,所述将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值之后,所述方法还包括:
在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果。
10.根据权利要求9所述的方法,其特征在于,所述获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果,具体包括:
获得多个预设未来时刻的所述核电机组的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果;和/或,
获得多个预设未来时刻的所述核电机组的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果。
11.一种核电机组风险预测***,其特征在于,包括:
获取模块,用于获取核电机组各设备/部件的性能状态随时间变化的函数;
第一更新模块,与所述获取模块连接,用于根据所述性能状态随时间变化的函数更新预设的动态概率安全分析Living PSA模型在预设未来时刻的风险预测参数值;
第二更新模块,与所述第一更新模块连接,用于判断在所述预设未来时刻所述核电机组的配置是否变更,如果是,根据变更后的配置更新所述Living PSA模型的结构;
风险预测模块,与所述第二更新模块连接,用于将所述风险预测参数值应用于最新结构的所述Living PSA模型,以获得所述核电机组在所述预设未来时刻的风险预测值。
12.根据权利要求11所述的***,其特征在于,所述风险预测参数值,具体包括:所述Living PSA模型中故障树模型的基本事件概率、事件树模型的***失效类始发事件频率和设备/部件失效类始发事件频率;
所述第一更新模块,具体包括:
第一参数更新单元,用于根据所述核电机组设备/部件的所述性能状态随时间变化的函数,获取所述故障树模型在所述预设未来时刻的基本事件概率Q(t);
第二参数更新单元,用于利用所述基本事件概率Q(t)分析所述核电机组***的故障树模型,以获得所述事件树模型在所述预设未来时刻的***失效类始发事件频率;
第三参数更新单元,用于根据所述核电机组设备/部件的所述性能状态随时间变化的函数,获取所述事件树模型在所述预设未来时刻的设备/部件失效类始发事件频率frIEi。
13.根据权利要求11所述的***,其特征在于,所述***还包括:
结果联合模块,与所述风险预测模块连接,用于在预设未来时间段内选取多个预设未来时刻,获得多个预设未来时刻的所述风险预测值并进行联合,以获得所述核电机组在所述预设未来时间段内的风险预测结果。
14.根据权利要求13所述的***,其特征在于,所述结果联合模块,具体包括:
预测风险曲线单元,用于获得多个预设未来时刻的所述核电机组的预测风险指标,将所述预测风险指标与时间的关系绘制在坐标图中形成预测风险曲线,并对所述预测风险曲线进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果;和/或,
预测风险列表单元,用于获得多个预设未来时刻的所述核电机组的关键***/设备的预测风险重要度,根据所述预测风险重要度与时间的关系建立预测风险列表,并对所述预测风险列表进行可视化显示,以作为所述核电机组在所述预设未来时间段内的风险预测结果。
15.一种核电机组风险评估***,其特征在于,包括:
风险监测功能模块,用于执行根据核电机组各设备/部件在当前时刻的性能状态进行风险监测的方法;以及,
风险预测功能模块,用于执行如权利要求1-10任意一项所述的核电机组风险预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662224.3A CN115130284A (zh) | 2022-06-13 | 2022-06-13 | 核电机组风险预测方法、预测***及评估*** |
PCT/CN2022/129720 WO2023240902A1 (zh) | 2022-06-13 | 2022-11-04 | 核电机组风险预测方法、预测***及评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662224.3A CN115130284A (zh) | 2022-06-13 | 2022-06-13 | 核电机组风险预测方法、预测***及评估*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130284A true CN115130284A (zh) | 2022-09-30 |
Family
ID=83378476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210662224.3A Pending CN115130284A (zh) | 2022-06-13 | 2022-06-13 | 核电机组风险预测方法、预测***及评估*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115130284A (zh) |
WO (1) | WO2023240902A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196321A (zh) * | 2023-11-03 | 2023-12-08 | 福建福清核电有限公司 | 核电厂计划任务概率风险的计算方法及其计算装置 |
WO2023240902A1 (zh) * | 2022-06-13 | 2023-12-21 | 中国核电工程有限公司 | 核电机组风险预测方法、预测***及评估*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200717355A (en) * | 2005-10-31 | 2007-05-01 | Inst Nuclear Energy Res Aec | System for determining the operational risk in nuclear power plant, and method thereof |
CN104299042A (zh) * | 2013-07-15 | 2015-01-21 | 中广核工程有限公司 | 核电站事故风险预测方法和*** |
CN103400246B (zh) * | 2013-08-23 | 2016-07-06 | 中国科学院合肥物质科学研究院 | 一种基于云架构的核电厂风险监测***及监测方法 |
CN107194586B (zh) * | 2017-05-23 | 2020-05-19 | 广州中国科学院工业技术研究院 | 储罐动态风险分析方法、装置及*** |
CN108416526B (zh) * | 2018-03-15 | 2020-12-22 | 哈尔滨工程大学 | 一种核电站生产计划的在线时间相关风险监测***及方法 |
CN115130284A (zh) * | 2022-06-13 | 2022-09-30 | 中国核电工程有限公司 | 核电机组风险预测方法、预测***及评估*** |
-
2022
- 2022-06-13 CN CN202210662224.3A patent/CN115130284A/zh active Pending
- 2022-11-04 WO PCT/CN2022/129720 patent/WO2023240902A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023240902A1 (zh) * | 2022-06-13 | 2023-12-21 | 中国核电工程有限公司 | 核电机组风险预测方法、预测***及评估*** |
CN117196321A (zh) * | 2023-11-03 | 2023-12-08 | 福建福清核电有限公司 | 核电厂计划任务概率风险的计算方法及其计算装置 |
CN117196321B (zh) * | 2023-11-03 | 2024-03-01 | 福建福清核电有限公司 | 核电厂计划任务概率风险的计算方法及其计算装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023240902A1 (zh) | 2023-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115130284A (zh) | 核电机组风险预测方法、预测***及评估*** | |
CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
JP4881402B2 (ja) | リスク表示機能を有する工程管理システムの作動方法 | |
CN103745293A (zh) | 一种rcm分析方法 | |
CN112016743A (zh) | 电网设备的检修预测方法、装置、计算机设备和存储介质 | |
JP4326731B2 (ja) | リスクモニターを有する工程管理システム及びリスク表示機能を有する工程管理方法 | |
CN116480534A (zh) | 一种风电机组健康度评估和检修方法、***、设备及介质 | |
RU2549514C2 (ru) | Система прогнозирования и оценки безопасности опасного производственного объекта с использованием комплексной модели обеспечения безопасности | |
KR20110046091A (ko) | 심각도와 발생가능도를 고려한 중요도 평가 방법 | |
Chen et al. | A human reliability analysis methodology based on an extended Phoenix method for severe accidents in nuclear power plants: Qualitative analysis framework | |
CN110210722A (zh) | 一种核电厂***监督方案的开发方法 | |
JP3054039B2 (ja) | プラントの保全支援装置 | |
Ramesh et al. | Reliability assessment of cogeneration power plant in textile mill using fault tree analysis | |
KR20140068521A (ko) | 원전설비 건전성과 엔지니어링프로세스 유효성 평가를 위한 관리시스템 및 방법 | |
Jharko et al. | Diagnostic tasks in human-machine control systems of nuclear power plants | |
CN105302476A (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储***及其存储方法 | |
CN109409758A (zh) | 水电站设备健康状态评价方法及*** | |
CN112380641B (zh) | 一种应急柴油机健康状态评价方法及计算机终端 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
Kumar et al. | An expert system for predictive maintenance of mining excavators and its various forms in open cast mining | |
CN113629714A (zh) | 一种基于稳控策略表的电网事故预判方法及*** | |
CN117150032B (zh) | 一种水电站发电机组的智能维护***及方法 | |
Lybeck et al. | Lifecycle prognostics architecture for selected high-cost active components | |
CN111144590A (zh) | 一种安全风险分级的火电厂风险管控***及管控方法 | |
Wang et al. | Condition-based dynamic supportability mechanism for the performance quality of large-scale electromechanical systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |