在“双碳”目标与高比例新能源并网的背景下，核电机组从传统基荷电源向灵活调峰电源转型已成为必然趋势。但在运核电机组调峰过程存在堆芯响应计算难度大、AO偏移控制难、人工调峰精度低、安全裕度不足等痛点。

为解决上述问题，本项目依托中广核SCIENCE仿真数据、OpenMC计算数据和增强样本，建立神经网络堆芯状态预测模型，分别完成控制棒动作序列和硼浓度调节序列优化，通过仿真验证，形成面向典型负荷跟踪工况的核电机组智能调峰优化方案。

本项目面向压水堆机组调峰控制优化需求，建立覆盖各关键变量和典型工况的数据集，训练神经网络代理模型，实现堆芯关键状态快速预测和控制优化。项目围绕两条路径开展：控制棒调节路径采用LSTM和GRU模型预测堆芯响应，梯度MPC生成满足功率跟踪和运行梯形图限制的控制棒动作序列；硼浓度调节路径采用双层LSTM预测堆芯状态，并结合MPC-CEM、GA、PSO优化硼浓度序列。调峰过程经仿真验证需全程满足安全边界，最终形成各类典型工况的棒硼协同调峰优化方案。

项目完成了多源调峰数据集构建、堆芯状态预测模型训练、控制棒与硼浓度优化算法开发及仿真验证。控制棒路径形成了LSTM-MPC滚动优化方法：华龙一号ELPO工况中最小安全裕度达1.43%；岭澳2号机循环调峰工况中，ΔI平均预测误差为0.686%。硼浓度路径建立了双层LSTM预测模型，并完成MPC-CEM、GA、PSO三类算法对比，全工况预测R²均高于0.989，PSO在降功率和平稳阶段平均ΔI偏差分别为1.1405%和1.5183%。两种路径全程满足运行梯形图约束并完成调峰目标，项目最终形成了面向压水堆核电机组典型负荷跟踪工况的棒硼协同调峰优化方案。