【技术实现步骤摘要】
本专利技术属于现代交通领域，具体涉及一种荷网干扰下港口能源-交通适配的调控方法及系统。
技术介绍
1、港口作为国家对外贸易的重要枢纽和窗口，是促进货物在全球流通的重要节点之一，也是消耗能源和产生温室气体的重要实体。推动港口交通网络和能源网络的融合发展,构建交通-能源多元网络优化的应急调控框架，实现荷网干扰下的港口能源-交通耦合网络重构、动态调度和干扰恢复，能有效提高港口能源消耗端和供应端的适配程度，对于海洋交通领域实现“碳中和”目标具有重要意义。
2、港口交通网络和能源网络相互作用，不同的交通运作模式会形成差异化港口负荷分布，影响港口能源供应和分配，进而影响港口生产作业效率与用能效益。受自然环境、操作不当等非既定因素影响，港口可能发生设备突发性失效，影响港口局部作业，降低源荷两侧适配程度，造成能源有效利用率不高和港口运营效率瓶颈。
技术实现思路
1、本专利技术的目的在于，提供一种荷网干扰下港口能源-交通适配的调控方法及系统，以解决港口交通网络负载波动情况下，能源供应端和交通网络能源需求端相适配问题，为负载波动下的港口提供高效可靠、动态调整的应急调控机制。
2、为解决上述技术问题，本专利技术的技术方案为：一种荷网干扰下港口能源-交通适配的调控方法，包括以下步骤：
3、s1、通过单隐层前馈神经网络-核极限学习机构建设备可靠性预测模型，以港口交通网络以及港口设备的属性集合作为输入数据，输出按序排列的预测结果，通过百分位数区间估计构造预测结果在预设置信水
4、s2、基于设备可靠性预测模型的可靠性区间等级定义港口设备状态，根据先验知识给定港口设备重启时间δti；结合元演化策略、对手建模和单人马尔可夫决策过程，生成设备控制系统的干扰恢复决策方案；
5、s3、通过港口物理世界的tos、ecs和emcp系统在线获得生产调度的实时作业数据，构建以港口设备作为领导者，以能源类型作为跟随者的动态博弈模型，其中领导者与跟随者均设置独立的策略集合，且在动态博弈中调整自身的策略，以自身利益最大化为目标；港口设备状态至少包括预防性检修、恢复性维修、故障替换；生产调度的实时作业数据至少包括交通网络设备的作业数据与能源调度数据；
6、s4、根据jsp技术，将港口交通设备作业任务抽象为待加工工件，将干扰恢复决策方案的港口设备抽象为加工机器，结合扰动操作与局部搜索算法，优化遗传算法的变异操作，生成包括k个阶段的初始调度甘特图，其中，k的取值根据解码出来的初始调度甘特图决定；
7、s5、根据各阶段的初始调度甘特图，将同一阶段分配给同一台港口设备的相邻作业节点vi、vj之间通过有向边eij连接，构建k个阶段的初始调度甘特图对应的多图数据结构g＝{gb＝(v,eb),{b∈1,2,…,k}}；其中，gb表示阶段b中的图形，v为所有作业节点的集合，eb为图b的边集；对作业节点vi设计代表性特征，代表性特征包括空闲、等待、到达、开始、完成、处理时间，通过concate操作得到与节点vi关联的特征iik、wik、aik、sik、fik、pik与所述代表性特征一一对应，分别表示第k阶段设备i的空闲状态、等待状态、到达状态、开始状态、完成状态以及处理时间；其中，将分配给港口设备的调度任务称为作业节点，调度任务的调度顺序将决定作业节点的具体连接方式，作业节点与设备编号分别对应，即作业节点vi对应设备i；
8、s6、通过图卷积神经网络gcn在多图数据结构的图边缘数量上线性缩放，进行无监督图形分类学习，提取多图数据结构的图数据的作业节点特征与边特征；
9、s7、将提取到的图数据的作业节点特征与边特征作为状态s，输入近段策略优化算法的actor网络，生成状态的行为策略πθ(a|s)，critic网络计算得到该行为策略的价值函数vφ(s)，其中，θ与φ均为网络参数，actor网络、critic网络与环境进行相互作用，更新参数θ与φ，最终输出交通网络调度序列。
10、s8、在动态博弈模型中，领导者反馈交通网络调度序列给跟随者，以能源类型为跟随者的下层根据领导者制定的调度计划优化能源调度计划，并反馈给领导者。
11、所述s1具体为：
12、s11、通过自助法bootstrap对输入数据进行随机抽样，获得l组bootstrap训练样本；
13、s12、通过引入了核函数的核极限学习机构建设备故障预测模型，表示为：
14、
15、其中，rmi为对设备i可靠性预测的第m组预测结果，z为隐藏层节点数目，f(x)为激励函数，βz为隐藏层与输出层之间的连接权重，wz为输入层与隐藏层之间的连接权重，bz为偏置矩阵，均为设备i的属性，n为设备属性数目；
16、s13、通过核函数建立输入空间与隐藏特征空间的映射关系，通过遗传算法更新输出权重矩阵β＝(1/c+ωkelm)-1rij，对设备可靠性ri(oit)进行点预测；其中，c为惩罚因子，ωkelm为核函数矩阵；
17、s14、将预测结果[r(1)i，r(2)i，…r(l)i]按升序排列，利用百分位数区间估计构造预测结果在1-α置信水平下的bootstrap置信区间[r(l×α/2)i，r(1-l×α/2)i]。
18、所述s2具体为：
19、s21、随机初始化对手策略，将元演化策略生成的元模型m与对手pi交互过程建模为单人马尔可夫决策过程将收集得到的轨迹记作其中，s为状态空间，am为对手动作空间，表示状态转移函数，表示奖励函数；
20、s22、利用元模型评估当前种群每一个对手策略的适应度值f，将其形式化为累计奖励总和其中，为单人马尔可夫过程，m为元模型，τ为元模型轨迹，γ代表折扣因子，t代表时刻，s(t)为t时刻的状态，为t时刻pi的动作；
21、s23、种群演化对手策略挑选适应度值高的对手策略进行交叉、变异，提升对手策略池的多样性，进而增强元模型的泛化能力；
22、s24、训练中，元模型沿着轨迹τ进行一步或多步梯度更新，直至被采样完全，元模型适应每一位对手策略pi后，生成干扰恢复决策方案。
23、还提供一种荷网干扰下港口能源-交通适配的系统，包括：
24、设备状态预测模块，用于通过单隐层前馈神经网络-核极限学习机构建设备可靠性预测模型，以港口交通网络以及港口设备的属性集合作为输入数据，输出按序排列的预测结果，通过百分位数区间估计构造预测结果在预设置信水平下的置信区间；港口交通网络以及港口设备的属性集合至少包括t时刻的装卸效率、作业功率、[t-1，t]时段内的故障次数和维修时间；
25、干扰恢复决策模块，用于基于设备可靠性预测模型的可靠性区间等级定义港口设备状态，根据先验知识给定港口设备重启时间δti；结合元演化策略、对手建模和单人马尔本文档来自技高网...
【技术保护点】
1.一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，还包括：S8、在动态博弈模型中，领导者反馈交通网络调度序列给跟随者，以能源类型为跟随者的下层根据领导者制定的调度计划优化能源调度计划，并反馈给领导者。
3.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，所述S1具体为：
4.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，所述S2具体为：
5.一种使用如权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法的系统，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，动态博弈模型模块还用于，通过领导者反馈交通网络调度序列给跟随者，以能源类型为跟随者的下层根据领导者制定的调度计划优化能源调度计划，并反馈给领导者。
7.根据权利要求5所述的系统，其特征在于，所述设备状态预测模块的具体工作流程为：
8.根据权利要求5所述的系统，其特
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。
...【技术特征摘要】
1.一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，还包括：s8、在动态博弈模型中，领导者反馈交通网络调度序列给跟随者，以能源类型为跟随者的下层根据领导者制定的调度计划优化能源调度计划，并反馈给领导者。
3.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，所述s1具体为：
4.根据权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法，其特征在于，所述s2具体为：
5.一种使用如权利要求1所述的一种荷网干扰下港口能源-交通适配的调控方法的系统，其特征在于，包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：张煜，汪炜峰，卢璇，田宇，唐可心，杨彩云，周文峰，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。