【技术实现步骤摘要】
本专利技术属于水运交通智能管理，更具体地，涉及一种适用于不同流量的梯级枢纽船舶智能调度方法及系统。
技术介绍
1、船舶调度发航虽然实现了数字甚高频全辖区覆盖，但仍需人工根据船闸运行进度判断发航时机；船舶航行动态监测虽有综合监管系统、vts、cctv等多种系统协助，但仍需人工实时监测；计划编制虽然有调度系统的辅助，但总体上智能化程度不够，从通航信息收集、计划框架搭建、两坝计划匹配衔接等计划编制流程上均需人工完成。
2、三峡水运新通道建设施工期与投入运行后愈加复杂的通航调度组织形势，对三峡通航调度智能化水平也提出了更高的要求。三峡局高度重视智能化发展建设，通过三峡航运调度系统、锚地管理系统、安检信息管理系统、信息安全等保系统等多个项目的建设，调度系统、安检系统、远程申报系统等有效覆盖核心业务，三峡通航调度手段发生了巨大的变化。船舶过闸调度发航由人工喊话、手持甚高频短途通话转变为辖区数字甚高频全覆盖，船舶过闸申报由坝前人工登记转变为北斗智能终端远程申报，船舶过闸计划编制由手动编制转变为调度系统辅助编制。但三峡水运新通道建设施工期与投入运行后愈加复杂的通航调度组织形势，对三峡通航调度智能化水平也提出了更高的要求。因此，如何实现梯级枢纽过闸船舶的智能调度是丞待解决的问题。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供一种适用于不同流量的梯级枢纽船舶智能调度方法及系统，通过水文环境信息采集模块实时获取梯级枢纽间的水文环境信息，并对所述水文环境信息数据进行预处理
2、为了实现上述目的，本专利技术的一个方面提供一种适用于不同流量的梯级枢纽船舶智能调度方法，包括如下步骤：
3、s1：通过水文环境信息采集模块实时全方位收集梯级枢纽间的水文环境信息，对所述水文环境信息进行预处理,利用神经网络和深度学习技术，构建水文环境预测模型，对短期内的水文环境变化情况进行预测，获得水文环境预测结果；
4、s2：结合流域内所述水文环境预测结果、通航设施运行参数及调度规则，运用多agent仿真技术，构建不同流量下的梯级枢纽过闸船舶交通流预测模型；
5、s3：根据航段航道的特点、锚地信息、水文信息以及船舶在航信息，结合不同流量下的梯级枢纽过闸船舶交通流预测模型，对关键因素进行参数化处理，模拟不同水文条件下通航系统的运行，进而对梯级枢纽过闸船舶调度安排给出最优决策信息。
6、进一步地，步骤s1中所述通过水文环境信息采集模块实时全方位收集梯级枢纽间的水文环境信息，包括：依次利用液位传感器、视频监控、人工巡查方式对梯级枢纽间的水文环境信息进行全方位的收集，并通过无线网络上传至云端服务器。
7、进一步地，步骤s1中，对所述水文环境信息进行预处理,利用神经网络和深度学习技术，构建水文环境预测模型，对短期内的水文环境变化情况进行预测，获得水文环境预测结果；包括如下步骤：
8、s101:确保数据的质量和准确性对所述水文环境信息数据进行数据清洗、缺失值填充、归一化，获取预处理后的水文环境信息数据；
9、s102:根据所述预处理后的水文环境信息数据，利用神经网络和深度学习技术，构建水文环境预测模型；
10、s103:选择和提取所述预处理后的水文环境信息数据中与水情预测相关的特征信息,并将其转化为可用于所述水文环境预测模型预测的形式；
11、s104:根据问题的复杂性和数据的特点，利用循环神经网络、长短时记忆网络、卷积神经网络或生成对抗网络对步骤103处理后的与水情预测相关的特征信息进行预测，获得水情预测数据；
12、s105:将所述水情预测数据与实际观测值进行比较，通过计算准确率、均方误差指标来评估所述水文环境预测模型预测的准确性，并根据比较结果进行参数调优，获得参数调优后的水文环境预测模型；
13、s106:将所述参数调优后的水文环境预测模型投入到实际应用中，实时或定期获取水文环境数据，并进行预测，获得水文环境预测结果。
14、进一步地，步骤s103中与水情预测相关的特征包括时间序列数据的统计特征、天气预报数据和地理信息。
15、进一步地，步骤s2中结合流域内所述水文环境预测结果、通航设施运行参数及调度规则，运用多agent仿真技术，构建不同流量下的梯级枢纽过闸船舶交通流预测模型，还包括：
16、s21：将过闸船舶、锚地、导航墙和船闸作为具有自主决策行为的agent智能体，基于博弈模型，构建涵盖梯级枢纽宏观和微观因子的仿真模型，搭建各agent间动态博弈框架，进而刻画出通航系统随时间变化的过程；
17、s22：通过船舶agent向main智能体反馈调度和过坝信号，并在通航作业完成后驶离通航系统；
18、s23：锚地agent在接受到调度指令后，根据到达船舶属性对其进行过闸计划制定；
19、s24：在引航道等待的船舶在得到通航许可后，分别前往船闸和升船机；
20、s25：船闸和升船机agent则根据main智能体发出的通航指令实现船舶过坝。
21、进一步地，步骤s3中所述对关键因素进行参数化处理，模拟不同水文条件下通航系统的运行包括：
22、s31：根据水流量的不同，将通航环境分为枯水期、丰水期及汛期三种场景；
23、s32：main智能体通过设置相应函数完成不同时期梯级枢纽流量和水位的设置，预测不同场景库下的船舶流情况；
24、s33：通过分析船舶到锚的历史数据，提取船舶到达规律，按船舶到锚时间间隔服从指数分布生成船舶序列；
25、s34：通过生成不同船舶流数据，预测船闸系统在现有过闸船舶流量数据上增加5％、10％条件下，船闸系统运行情况和船舶延误时间。
26、本专利技术的第二个方面提供一种适用于不同流量的梯级枢纽船舶智能调度系统，用于实现以上所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，包括：
27、第一主模块，用于通过水文环境信息采集模块实时全方位收集梯级枢纽间的水文环境信息，对所述水文环境信息进行预处理,利用神经网络和深度学习技术，构建水文环境预测模型，对短期内的水文环境变化情况进行预测，获得水文环境预测结果；
28、第二主模块，用于结合流域内所述水文环境预测结果、通航设施运行参数及调度规则，运用多agent仿真技术，构建不同流量下的梯级枢纽过闸船舶交通流预测模型；
29、第三主模块，用于根据航段航道的特点、锚地信息、水文信息以及船舶本文档来自技高网...
【技术保护点】
1.一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤S1中所述通过水文环境信息采集模块实时全方位收集梯级枢纽间的水文环境信息，包括：依次利用液位传感器、视频监控、人工巡查方式对梯级枢纽间的水文环境信息进行全方位的收集，并通过无线网络上传至云端服务器。
3.根据权利要求2所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤S1中，对所述水文环境信息进行预处理,利用神经网络和深度学习技术，构建水文环境预测模型，对短期内的水文环境变化情况进行预测，获得水文环境预测结果；包括如下步骤：
4.根据权利要求3所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤S103中与水情预测相关的特征包括时间序列数据的统计特征、天气预报数据和地理信息。
5.根据权利要求1-4中任一项所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤S2中结合流域内所述水文环境预测结果、通航设施运行参数及调度规则，
6.根据权利要求1所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤S3中所述对关键因素进行参数化处理，模拟不同水文条件下通航系统的运行包括：
7.一种适用于不同流量的梯级枢纽船舶智能调度系统，其特征在于，用于实现如权利要求1-6中任一项所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，包括：
8.一种电子设备，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。
...【技术特征摘要】
1.一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤s1中所述通过水文环境信息采集模块实时全方位收集梯级枢纽间的水文环境信息，包括：依次利用液位传感器、视频监控、人工巡查方式对梯级枢纽间的水文环境信息进行全方位的收集，并通过无线网络上传至云端服务器。
3.根据权利要求2所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤s1中，对所述水文环境信息进行预处理,利用神经网络和深度学习技术，构建水文环境预测模型，对短期内的水文环境变化情况进行预测，获得水文环境预测结果；包括如下步骤：
4.根据权利要求3所述的一种适用于不同流量的梯级枢纽船舶智能调度方法，其特征在于，步骤s103中与水情预测相关的特征包括时间序列数据的统计特征、天气预报数据和地理信息。
【专利技术属性】
技术研发人员：李然，李志琦，肖玉华，南航，邹静，程诗祺，王前，韩志杰，乔小东，汪炜峰，郑倩倩，
申请(专利权)人：长江三峡通航管理局，
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。