本发明专利技术公开了一种计及经济性和可靠性的动力试验排程调度方法，包括以下步骤：步骤S1，识别动力试验排程调度的影响因素；步骤S2，建立动力试验经济性和可靠性总体优化目标函数模型；步骤S3，建立可调节关键参数集合Ω中各参数的动态和静态约束数学模型；步骤S4，获取初始数据集并开展计及经济性和可靠性的能源动态保障多目标优化模型训练，基于区块链节点存储的历史排程调度数据进行验证。提高了试验、能源系统的可利用率，提高了系统整体利用效率，大幅降低了人工排程工作量，降低人因失误风险应用区块链技术处理和存储新增的试验排程调度结果数据，解决排程结果的可信性和防篡改问题，确保不同架构的模型在获取初始样本数据的可信性。
【技术实现步骤摘要】
本专利技术属于动力试验领域，具体涉及一种计及经济性和可靠性的动力试验排程调度方法。
技术介绍
1、发动机、燃气轮机等动力机械的动力试验需要大量的压缩空气、燃油、电力、循环水等能源供给需求。动力试验过程和用能保障是一个复杂的系统工程，目前行业内普遍采用的人工调度方式存在管理效率低、系统利用率不高、用能保障能力不足、存在人因失误等问题。
2、随着数字化、智能化改造升级的不断推进，面向动力试验的三级、四级计量体系不断完善，试验台架、试验器等动力试验设备以及水、电、油、气等供能用能系统的自动化水平不断提高，为基于精确数据采集和大数据分析计算的智能化试验排程调度提供了基础支撑。
3、有鉴于此，本专利技术提供了一种计及经济性和可靠性的动力试验排程调度方法，实现以精确计量和数据分析为支撑的智能化试验计划排程，从而完全替代现有的数据分散、人工为主、线下协同为主的排程调度方式，提高动力试验系统的利用率，提高能源系统动态保障能力，确保试验计划可靠、经济、高效完成。
技术实现思路
1、本专利技术提出了一种计及经济性和可靠性的动力试验排程调度方法。采用本专利技术提供的方法，可以极大降低面向复杂试验任务排程调度所需的人工投入，提高动力试验排程的效率和精确度，确保能源系统能够满足试验排程调度的要求，提供总体经济性、可靠性最优的自动化排程支持。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种计及经济性和可靠性的动力试验排程调度方法，包括以下步骤：</p>4、步骤s1，识别动力试验排程调度的影响因素；
5、步骤s2，建立动力试验经济性和可靠性总体优化目标函数模型；
6、步骤s3，建立可调节关键参数集合ω中各参数的动态和静态约束数学模型；
7、步骤s4，获取初始数据集并开展计及经济性和可靠性的能源动态保障多目标优化模型训练，基于区块链节点存储的历史排程调度数据进行验证；
8、步骤s5，建立多元组状态空间集合并开展基于深度学习的逻辑推理模型训练；
9、步骤s6，接入实时运行数据并启动步骤s4和s5输出的模型的在线运行，对排程调度结果进行有效性校验并输出校验后的最终排程结果；
10、步骤s7，将步骤s6人工校订后的最终试验排程调度打包生成新区块，经共识机制认证通过后，链接到区块链尾部；
11、进一步地，在步骤s1中，具体包括：
12、步骤s1.1，识别动力试验排程调度的m个经济性影响因素，记为经济性集合f＝{f1，f2，…fm}；
13、步骤s1.2，识别动力试验排程调度的n个可靠性影响因素，分别记为可靠性集合r＝{r1，r2，…rn}；
14、步骤s1.3，识别动力试验排程调度可调节关键参数，按照子系统划分为集合空间ω＝{ω1,ω2,…ωk}，k为子系统的种类数量。其中，第j个子系统的可调节关键参数集合可表示为nj是第j个子系统的可调节关键参数的数量。
15、进一步地，在步骤s2中，具体包括：
16、步骤s2.1，分别建立m个经济性影响因素与可调节关键参数集合空间ω的数学模型，记为f＝gf(ω)，其中gf是可调参数集合ω到经济性集合空间f的映射函数集合。典型的，f1＝gf1(ω)，其中gf1(·)是经济性目标项f1的目标函数；
17、步骤s2.2，分别建立n个可靠性影响因素与可调节关键参数集合空间ω的数学模型，记为r＝gr(ω)，其中gr是可调参数集合ω到可靠性集合空间r的映射函数集合。典型的，r1＝gr1(ω)，其中gr1(·)是可靠性目标项r1的目标函数；
18、步骤s2.3，建立总体优化优化目标函数。典型的，总体目标优化函数可表示为min＝wf·f+wr·r，其中，wf、wr分别是经济性权重向量或权重函数集合。
19、进一步地，在步骤s3中，具体包括：
20、步骤s3.1，根据总系统和各子系统的静态运行特性，建立静态约束模型集合，其中，包括上下限约束模型集合和平衡类的线性约束模型；
21、步骤s3.2，根据总系统和各子系统的动态运行特性，建立动态约束模型集合；
22、进一步地，步骤s3.2的具体步骤为：对各子系统建立动态特性参数化模型，进一步，将其离散化，将其按照daes模型的标准形式表达为：
23、
24、式中，u是控制变量，ul、uu分别是下限、上限；y是代数状态变量，yl、yu分别是下限、上限；x是微分状态变量，xl、xu分别是下限、上限；p为与时间t无关的待优化参数；t0、te分别是起始时间和结束时间；g(·)、h(·)分别是t0、te的动态约束方程，其中，x、y、u由可调节关键参数集合ω中的部分可调节参数以及ω外的过程变量组成。
25、进一步地，在步骤s4中，具体包括以下步骤：
26、步骤s4.1，根据任务计划确定的排程周期内的试验任务清单，获取试验任务计划参数；
27、步骤s4.2，根据多种能源子系统的设计、运行参数获取静态初值，根据多种能源子系统实时采集遥测遥信参数获取动态初值；
28、步骤s4.3，时间离散化，根据确定的时间间隔δt启动对多目标优化模型进行迭代计算，直到满足收敛条件；
29、步骤s4.4，从区块链节点获取存储的历史试验排程调度结果数据，面向生产实际要求开展不同工况下的试验排程调度验证。
30、进一步地，在步骤s5中，具体包括以下步骤：
31、步骤s5.1，基于可调参数集合ω以及步骤s3.2中动态约束模型中的x、y、u，进一步，整理为强化学习决策过程的<s,a,p,r,γ>五元组描述。其中，s是智能体感知到环境状态的空间向量，a是所有可调变量的动作空间；r是奖励空间，是状态空间、动作空间对智能体决策的奖励集合，γ是可调节的折扣因子，用于对奖励空间r进行调整，所述的智能体是采用深度学习模型所训练而成具有智能分析决策能力的数学模型；
32、步骤s5.2，获取初始环境状态参数、初始化神经网络和经验池，初始化智能体初始工作状态，设定训练参数，启动训练，通过迭代计算获取设定时刻t的新增经验<<st,at,rt>>并存入经验池；
33、步骤s5.3，当每回合训练达到了预设的经验条数，取出新增经验并分批次计算损失函数和梯度，更新神经网络参数并清空经验池。当达到预设训练时间或训练回合数时，保存网络参数，结束训练；
34、步骤5.4，按步骤s4.3方式进行时间离散化，从区块链节点获取动力试验能源系统的历史运行参数和排程结果，启用步骤s5.3生成的深度学习模型进行试验排程调度，对模型的排程结果进行验证。
35、进一步地，在步骤s6中，具体还包括以下步骤：
36、步骤s6.1，接入实时运行数据，启用步骤s4、步骤s5输出的排程调度模型并获得实时排程调度结果；
...
【技术保护点】
1.一种计及经济性和可靠性的动力试验排程调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S1中，具体包括：
3.根据权利要求2所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S2中，具体包括：
4.根据权利要求3所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S3中，具体包括：
5.根据权利要求4所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，步骤S3.2的具体步骤为：对各子系统建立动态特性参数化模型，进一步，将其离散化，将其按照DAEs模型的标准形式表达为：
6.根据权利要求5所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S4中，具体包括以下步骤：
7.根据权利要求6所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S5中，具体包括以下步骤：
8.根据权利要求7所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S6中，具体还包括以下步骤：
9.根据权利要求8所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤S7中，具体还包括以下步骤：
...
【技术特征摘要】
1.一种计及经济性和可靠性的动力试验排程调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤s1中，具体包括：
3.根据权利要求2所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤s2中，具体包括：
4.根据权利要求3所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，在步骤s3中，具体包括：
5.根据权利要求4所述的计及经济性和可靠性的动力试验排程调度方法，其特征在于，步骤s3.2的具体步骤为：对各子系统建立动态特性参数...
【专利技术属性】
技术研发人员：梁海文，
申请(专利权)人：上海雒联信息科技有限公司，
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。