Examination of major uncertainties in probabilistic risk assessment of Loviisa nuclear power plant

Todennäköisyyspohjainen riskianalyysi (PRA) on merkittävä työkalu ydinvoimalaitoksen turvallisuustutkimuksessa. PRA:n avulla voidaan arvioida, mitkä laitosmuutokset pienentävät kokonaisris-kiä mahdollisimman tehokkaasti. Optimaalisen päätöksenteon kannalta on tärkeää, että malli kuvaa laitosta mahdollisimman tarkasti, eikä yksittäisiä riskitekijöitä ali- tai yliarvioida. Tässä diplomityössä pohditaan yleisiä ydinvoimalaitoksen PRA-mallintamiseen liittyviä epävarmuuksia ja tunnistetaan Loviisan riskimalliin liittyviä haasteita. Raskaiden taakkojen pudotusten vaikutus kokonaisriskiin on merkittävä, mutta toisaalta niiden mallintaminen on perustunut osittain konservatiivisiin oletuksiin. Korkean meriveden pinnan on puolestaan ennakoitu nousevan merkittäväksi riskitekijäksi ilmastonmuutoksen aiheuttamien kasvavien ääri-ilmiöiden taajuusarvioiden vuoksi. Tässä työssä raskaiden taakkojen pudotustaajuus ja korkean meriveden pinnan tapahtumataajuudet arvioidaan uudelleen. Raskaiden taakkojen pudotustaajuus määritetään parametrisellä empiirisellä Bayes -menetelmällä hyödyntämällä nostokokemuksia myös Yhdysvaltojen ydinvoimalaitoksilta. Tuloksena saadaan pudotustaajuuden todennäköisyysjakauma. Koska varsinaisia taakan pudotuksia ei ole tapahtunut, hyödynnetään pudotustaajuuden määrityksessä poikkeavia nostotapahtumia painokertoimin. Painoker-toimien vaikutusta saatavaan pudotustaajuuteen tutkitaan Monte Carlo simulaatiolla. Pudotustaa-juus pienenee noin 22,1 %, mikä pienentää pudotuksiin liittyvää riskiä merkittävästi. Korkean meriveden pinnan taajuusarvioinnissa hyödynnetään suurimman uskottavuuden ja pie-nimmän neliösumman menetelmää ekstrapoloitaessa taajuusarvioita harvinaisille pinnankorkeuksil-le. Havaintoaineistoon sovitetaan niin gumbel-, eksponentti- kuin yleistetty ääriarvojakauma. Mallinnus suoritetaan sekä teoreettisen keskiveden suhteen että N2000-korkeusjärjestelmässä. Havain-toaineiston ollessa lyhyt ovat epävarmuudet suuria, mutta korkeiden pinnantaajuuksien arvioidaan olevan suurella todennäköisyydellä moninkertaiset nykyisen mallin arvioihin nähden. Tarkempien arvioiden tekeminen edellyttäisi laajempaa tarkasteluaikaa, mikä taas vaatisi ajasta riippuvaa mallia ääriarvojen ekstrapolointiin. Meriveden korkeuden havainnot Suomen rannikolla oli saatavilla ainoastaan vuodesta 1971 eteenpäin.Probabilistic Risk Assessment (PRA) is an important tool in assessing the safety of a nuclear power plant. Probabilistic approach allows the selection of plant modifications which efficiently decrease the plant total risk. Optimal decision making requires that the plant is modelled as accurately as possible. A single risk factor should not be under- or overestimated. This thesis presents general uncertainties related to a risk study of a nuclear power plant. Challenges associated with the PRA model of Loviisa nuclear power plant are identified. The risk significance of drops of heavy loads is substantial, but on the other hand, the modelling is partially based on conservative assumptions. Risks associated with high sea water level have been predicted to become a significant risk factor due to the increase in frequencies of extreme values. The load drop frequency and the frequency of high sea water levels are re-evaluated in this thesis. The load drop frequency is quantified with the parametric robust empirical Bayes-method by utilizing crane operating experience of U.S. nuclear power plants as well. As a result the probability distribution of the load drop frequency is obtained. Because proper drops of heavy loads haven't occurred, the load drop frequency was assessed by utilizing abnormal lift events with weight coefficients. The effect of the weight coefficients to the load drop frequency is investigated with Monte Carlo simulation. The load drop frequency decreases by roughly 22,1 %, which cuts the risks associated with heavy load drops significantly. The methods of maximum likelihood estimation and least mean squares are exploited to extrapolate frequency estimations of extreme water levels. A gumbel, exponential and generalized extreme value distribution are fitted into the observed water levels. The modelling is performed both with regard to the mean sea water level as well as the N2000-reference level. As the observation time is relatively short the uncertainties remain in the modelling. However, it can be with great probability aggregated that the event frequencies of high sea levels increase multifold with respect to the present model estimations. More accurate evaluation would require a longer observation time, which would then require a time-dependent model in order to extrapolate the extreme values. The available sea level heights on the Finnish coast covered only the years from 1971 onward