对核电站热工水力系统的工况监测、工况预测和故障诊断能够帮助操纵员更好地掌握核电站的实时运行工况并提供操作建议,对于提高运行安全性具有重要意义。近年来各类基于神经网络的人工智能算法快速发展,为核电站热工水力系统的工况预测和故障诊断研究提供了新的途径。本文基于极限学习机(ELM)、在线贯序极限学习机(OS-ELM)、径向基函数网络(RBFN)、循环神经网络(RNN)和长短期记忆模型(LSTM)等神经网络算法,开展了核电站热工水力系统工况预测和故障诊断的方法研究。自然循环系统广泛应用于先进核动力反应堆设计中,但其在运行中容易出现复杂无规律的流动不稳定性现象,使系统工况的在线监测较为困难。为此提出了基于极限学习机神经网络的短期工况参数预测模型。该模型以热工水力系统的在线监测数据作为输入,具有极快的训练速度,适用于自然循环系统等存在复杂运行工况的核电站热工水力系统的在线监测。使用遗传算法对预测模型的输入数据结构进行优化,提高了预测的精度。基于在线贯序极限学习机算法建立了具有在线学习能力的工况参数预测模型,进一步提高了预测的精度并消除了增加极限学习机隐含层节点数量所带来的过拟合问题。将所提出的工况参数短期预测模型应用于热工水力系统工况参数的软测量和测量仪表的故障监测。工况参数软测量模型和测量仪表故障监测模型在仿真测试中均取得了良好的结果,可以为核电站系统的在线监测提供支持。基于改进的径向基函数网络模型,提出了一种新的核电站热工水力系统故障工况诊断方法。该方法不仅能够以较高精度识别训练数据中已有的故障类型,并且具有对不包含在训练集内的故障瞬态类型正确作出“Don’t know”诊断响应的能力,这一能力是其他常用的神经网络模型所不具备的。所提出的径向基函数网络诊断模型以基于K-means聚类的自组织方法选取隐含层基函数中心,减少了隐含层节点数量。另外根据核电站故障瞬态工况数据的特点,提出了一种新的专门适用于核电站故障诊断问题的隐含层基函数方差选取方法,提高了故障诊断的准确度。使用遗传算法对诊断模型的输入数据结构进行了优化。在优化过程中,首次提出了对输入数据设置缩放系数,进一步提高了径向基函数网络诊断模型的性能。基于近年来在人工智能领域得到广泛应用的循环神经网络和LSTM等深度学习算法,提出了核电站故障瞬态工况下剩余未停堆时间的预测模型。该预测模型可以有效利用热工水力系统工况数据序列中的信息,效果优于常规的使用单个工况时间点作为输入的前馈神经网络预测模型。在建模中通过引入长短期记忆模型,解决了简单循环神经网络预测模型中存在的梯度消失问题,提高了预测的精度。通过在基于长短期记忆循环神经网络的剩余未停堆时间预测模型中增加dropout层,避免了预测实验中出现的过拟合。应用长短期记忆循环神经网络算法,建立了故障工况下核电站热工水力系统重要工况参数的预测模型。该工况参数预测模型以核电站故障工况初始阶段的瞬态工况数据为输入,可以对较长期的工况参数变化趋势进行预测。提出一种基于最大信息系数的预测模型特征选取优化方法,通过应用该特征选择优化方法提高了长短期记忆循环神经网络模型的预测精度。