近日，中国科学院合肥物质院核能安全所在核电站运行参数长期预测研究方面取得重要突破。团队提出的NPP‑GPT框架相关成果，以“NPP-GPT: Forecasting nuclear power plants operating parameters using pre-trained large language model”为题，发表于《应用能源》（Applied Energy）。

核电站关键运行参数的长期精准预测，对保障核安全与提升运维经济性具有重要意义。然而，反应堆系统机理复杂、运行工况多变，其高维监测数据存在强耦合性与长时依赖性。传统小规模模型受限于容量与表达能力，难以同时捕捉精细动态特征与长期依赖关系，制约了在实际场景中实现高精度预测与辅助决策的能力。

针对上述难题，研究团队提出了NPP-GPT框架，首次在无需显式提示词（prompt）工程的情况下，探索将预训练大语言模型应用于核电站运行参数预测。该框架创新采用两阶段跨模态迁移学习策略：第一阶段通过输入嵌入重构与基于随机遮蔽的自监督“重构式”学习，实现数值时序与预训练语言模型表征空间的有效对齐；第二阶段采用LoRA参数高效微调，将领域知识注入GPT-2自注意力模块的Q/V投影，在保持预训练通用能力的同时，显著提升对核电运行数据的预测性能，并兼顾训练与部署效率。

测试结果表明，该方法在六类典型工况数据集上表现突出，在多变量多步预测任务中整体性能优于多种主流时间序列预测方法；随着预测步长增加，模型仍能保持较高的预测精度。进一步的跨工况、噪声扰动及缺失数据测试表明，该方法具有较强的鲁棒性与泛化能力，可为核电站在线安全监测与运行辅助决策提供更可靠的参数前瞻信息，同时也为大模型在核能领域的工程应用提供了新思路。

该论文第一作者为博士研究生常岭、余海波，通讯作者为杨明翰副研究员、汪建业研究员。该研究工作得到了中国科学院战略性先导科技专项、中广核核电安全技术与装备全国重点实验室基金等项目的支持。

文章链接：https://doi.org/10.1016/j.apenergy.2026.127438

图：所提出的 NPP-GPT 在核能系统中的框架